第 01 套学习材料：复杂网络名词地图
第 01 套学习材料：复杂网络名词地图
本套材料目标
用 7 天建立 RGCN 两卷的入门词汇系统。你暂时不需要证明定理，先做到：
- 看到 graph、degree、power law、scale-free、small-world、giant component 时知道它们在说什么。
- 能解释为什么复杂网络研究会关心“最大度数”和“hub”。
- 能把真实网络现象翻译成随机图模型问题。
- 能说出 ER 图为什么是基准模型，以及它为什么不够。
如果你不想分散打开每日文件，直接读：
第一章完整教辅_概念代码作业答案.md
这个文件已经把第一章需要掌握的概念、代码任务、逐行代码解释、课后作业和参考答案全部合并在一起。
本周读书范围
- Volume I Chapter 1：Introduction
- Volume II Chapter 1.1-1.4：Introduction and preliminaries
不要逐字死磕。优先看：
- 图和网络例子；
- degree distribution；
- scale-free phenomenon；
- small-world phenomenon；
- power laws and their properties；
- random graph models 的概览。
每天安排
| 天数 | 主题 | 最低产出 |
|---|---|---|
| Day 01 | 图、节点、边、度数 | 能用一个真实例子定义 graph |
| Day 02 | 度数分布和经验分布 | 能手算一个小网络的 degree distribution |
| Day 03 | 幂律和重尾 | 能解释为什么会有极端 hub |
| Day 04 | scale-free 与 small-world | 能区分“度数重尾”和“距离短” |
| Day 05 | giant component 与连通性 | 能解释最大连通分量为什么重要 |
| Day 06 | ER 图作为基准模型 | 能说出 ER 的优点和局限 |
| Day 07 | 综合复盘 | 完成一页名词地图和 10 题自测 |
本周 notebook
先跑：
../../07_notebooks/rgcn_01_extreme_scaling.ipynb
只需要看懂两件事：
- 幂律尾部比指数尾部更容易出现大最大值；
- 最大值量级可以用
n P(X > x_n) approx 1理解。
本周最终交付
写一页笔记，标题：
为什么真实复杂网络需要极值视角？
结构：
- 真实网络中节点连接数差异很大。
- degree distribution 描述这种差异。
- 幂律尾部意味着少数 hub 会非常大。
- ER 图是基准模型，但 Poisson 度数尾部太轻。
- 后续需要 configuration model、inhomogeneous random graph、preferential attachment 来解释 hub。