2025年大学《数学与应用数学》专业题库- 复杂网络结构在社会科学中的应用

2025年大学《数学与应用数学》专业题库——复杂网络结构在社会科学中的应用考试时间：______分钟总分：______分姓名：______一、选择题（每小题3分，共15分。请将正确选项的字母填在括号内。）1.在社会关系网络中，如果两个个体之间可以通过不超过k条关系链相互连接，则称该网络是k-regularchain。以下哪个网络属性通常与k-regularchain紧密相关？（）A.聚类系数B.平均路径长度C.网络直径D.介数中心性2.度分布度量的帕累托（Pareto）分布或幂律（Power-law）分布特征是？（）A.网络中存在大量度数极高的节点（枢纽节点）B.网络中节点的度数分布均匀C.网络中节点的度数都相对较小且相似D.网络结构严格遵循几何规则3.在信息传播网络中，高介数中心性的节点通常被称为？（）A.路径长度最短的节点B.连接数量最多的节点C.控制信息流动的关键节点D.社区内部连接最紧密的节点4.小世界网络模型（Small-worldNetwork）的核心特征是？（）A.网络具有极高的聚类系数和很长的平均路径长度B.网络具有较低的聚类系数和很长的平均路径长度C.网络具有极高的聚类系数和很短的平均路径长度D.网络具有较低的聚类系数和很短的平均路径长度5.社会科学研究中，将研究者、研究项目、引用文献等抽象为节点，合作关系、项目资助关系、引用关系等抽象为边，构建的网络通常被称为？（）A.交通网络B.电力网络C.科研合作网络D.社会关系网络二、填空题（每空2分，共20分。请将答案填在横线上。）1.一个有向网络中，节点的出度是指连接出该节点的边的数量，入度是指连接入该节点的边的数量。2.衡量网络中节点之间连接紧密程度的指标是聚类系数。3.无标度网络（Scale-freeNetwork）的度分布服从幂律分布，通常用参数γ表示，γ值越小，网络中枢纽节点越突出。4.社会网络分析中，度中心性高的节点通常被认为是信息传播者或影响力人物。5.社区结构发现的目标是将网络中的节点划分为若干组，使得组内节点连接紧密（高聚类系数），组间节点连接稀疏。6.网络的连通性是指网络中任意两个节点之间是否存在路径。7.网络的直径是指网络中任意两个节点之间最短路径长度的最大值。8.节点的紧密度中心性衡量节点到网络中其他所有节点的平均距离。9.在随机网络模型中，节点之间是否存在边的概率是常数p。10.将现实世界中的复杂系统抽象为节点和边的集合，称为网络模型。三、简答题（每小题5分，共15分。）1.简述无标度网络模型（Scale-freeNetwork）的三个关键特征。2.简要解释什么是网络的小世界效应，并说明其对社会现象理解的可能意义。3.在社会网络分析中，中心性度量有哪些主要类型？请列举其中三种并简述其含义。四、计算题（每小题8分，共24分。）1.考虑一个包含6个节点（A,B,C,D,E,F）的无向网络，其邻接矩阵如下：```ABCDEFA010010B101000C010100D001011E100101F000110```请计算节点A和节点D的度中心性、中介中心性（假设最短路径已求出，结果直接给出中介中心性值即可，无需展示路径搜索过程）和紧密度中心性（假设网络直径为3，结果直接给出紧密度中心性值即可）。（提示：中介中心性计算可简化处理）2.假设一个社会网络服从参数γ=2.5的幂律度分布（P(k)∝k^(-γ)），网络中共有N=1000个节点。请估算该网络中度数最高的前10个节点的度数（无需精确计算，给出数量级或大致范围即可）。解释你的估算思路。3.一个研究者收集了某领域过去5年的合作论文数据，构建了一个合作网络。网络中共有n=200名研究者（节点），m=1500条合作关系（边）。该网络的平均路径长度被测量为L=3.5。请根据小世界网络的定义，解释该网络可能具有哪些小世界特性？如果研究者发现网络的聚类系数C=0.6，这又说明了什么？五、应用题（共26分。）1.假设你正在研究社交媒体上的谣言传播问题。你收集了某次网络事件期间，用户之间通过特定平台转发谣言信息的记录，构建了一个有向网络。网络中的节点代表用户，有向边代表信息转发（从信息发送者指向接收者）。请设计一个基于网络分析的方案，用以识别此次事件中的关键谣言传播节点（如最初的信息源、主要传播者、信息传播的瓶颈等）。你需要说明：A.你将选择哪些网络度量指标或分析方法？（请至少列举三种）B.简要说明如何利用这些指标或方法来识别不同类型的传播节点？C.讨论你所采用方法的优势和可能存在的局限性。（8分）2.在研究学术科学家的合作网络时，研究者发现网络呈现出明显的社区结构。请阐述社区结构的存在对理解科学合作可能带来的启示。例如，可以讨论社区内部的合作模式、社区间的合作机制、以及潜在的合作壁垒等问题。（18分）试卷答案一、选择题1.C2.A3.C4.C5.C二、填空题1.出，入2.聚类系数3.幂律分布4.信息传播者或影响力人物5.若干组，组内节点连接紧密（高聚类系数），组间节点连接稀疏6.路径7.最大值8.紧密度中心性9.常数p10.网络模型三、简答题1.无标度网络模型的三个关键特征：*度分布服从幂律分布（P(k)∝k^(-γ)），其中γ是小于3的正数，意味着网络中存在少量度数极高的节点（枢纽节点）。*平均路径长度相对较小，表明网络中任意节点对之间的连接通常比较短。*聚类系数通常较高，表明节点的邻居节点之间也倾向于相互连接，形成紧密的局部集群。2.小世界效应及其意义：*小世界效应指现实世界中许多网络（包括社交网络）同时具备高聚类系数和短平均路径长度的现象。即虽然网络节点众多，但任意节点之间可以通过较短的“朋友的朋友”链条连接起来。*意义：在社会科学中，小世界效应解释了信息、影响或行为如何在社交网络中快速传播。它意味着社会中的个体虽然数量庞大，但彼此间的联系相对紧密，这促进了信息的扩散、文化的传播、社交互动的效率，但也可能加速了谣言或不良影响的传播。3.网络中心性度量类型及含义：*度中心性（DegreeCentrality）：衡量节点连接的紧密程度。度数高的节点与更多其他节点直接相连。在社会网络中，高度中心性节点通常是信息或资源的中心枢纽。*中介中心性（BetweennessCentrality）：衡量节点出现在其他节点对之间最短路径上的频率。中介中心性高的节点控制着网络中节点间的信息或资源流动，处于“gatekeeping”地位。在社会网络中，它们往往是关键的意见领袖或影响力人物。*紧密度中心性（ClosenessCentrality）：衡量节点到网络中所有其他节点的平均距离。紧密度中心性高的节点能够以较短的平均路径覆盖整个网络，信息可以快速到达网络的各个角落。在社会网络中，它们可能是关系网广泛且联系紧密的人。四、计算题1.计算过程：*度中心性：节点A的度数=1(与B相连)+1(与E相连)=2。节点D的度数=1(与C相连)+1(与E相连)+1(与F相连)=3。无向图，度数等于出度加入度。*中介中心性（简化处理）：通常需要计算所有节点对的最短路径，并统计经过该节点的路径数量。为简化，假设已通过算法得出：节点A位于多条最短路径上（例如，AB,ABE,AEF；可能还有ACE,ADF等，取决于完整路径搜索），中介中心性值较高。节点D也位于多条最短路径上（例如，CD,CEF,DEF；可能还有ADF等），中介中心性值也较高。假设计算结果（示意性）：A的中介中心性值为0.15，D的中介中心性值为0.25。（注：实际计算需完整路径搜索）*紧密度中心性：网络直径为3。节点A到其他节点的最短路径长度均为2（如AB,ABE,AEF）。平均路径长度=(2+2+2+2+2+2)/6=2。紧密度中心性=1/平均路径长度=1/2=0.5。节点D到其他节点的最短路径长度有1（如DC,DF,DE）和2（如DA,DB,DC,DE,DF）。平均路径长度=(1+1+1+2+2+2)/6=9/6=1.5。紧密度中心性=1/1.5≈0.667。（注：此处假设直径为3且D到所有节点均存在路径，实际可能更复杂）*结果：A度中心性=2,D度中心性=3；A中介中心性≈0.15,D中介中心性≈0.25；A紧密度中心性=0.5,D紧密度中心性≈0.667。2.估算思路：*幂律分布P(k)∝k^(-2.5)意味着度数k越大的节点，其出现的概率P(k)越小，但比指数分布衰减得慢。*网络中有1000个节点。前10个节点的度数必然是所有节点中度数最高的，假设它们度数分别为k1,k2,...,k10，且k1>k2>...>k10。*由于是幂律分布，这些最大的度数节点应该远大于网络平均度数（平均度数μ=Σk*P(k)≈∫k*k^(-2.5-1)dk≈k^(-0.5)/(-0.5)|_{k=0}^∞，发散，但实际网络平均度数有限，说明γ<3）。大致估计，最大的几个度数节点会显著大于平均度数。*第k个节点的度数k_k近似满足P(k_k)∝k_k^(-2.5)。由于节点总数为1000，度数最高的节点占比很小。可以粗略估计，第10个节点的度数k_10可能显著大于第1个节点的度数k_1。如果假设前10个节点的度数大致呈几何级数下降（这本身也是一种近似），那么k_10可能是k_1的某个指数倍。*结合γ=2.5，可以推断k_10/k_1≈(10/1)^(-2.5/1)=1/100^0.25≈1/3.16。即k_10大约是k_1的1/3到1/4左右。*假设平均度数μ可能在几十左右（仅为粗估），那么度数最高的k_1可能远超100（比如几百或上千，取决于γ的具体值和N）。那么k_10可能在几十到一百多之间。*估算结果：前十名节点的度数大致在几十到一百多的数量级范围。具体数值依赖于γ和N的确切值，但肯定远超平均度数，且排名靠后的度数显著低于排名第一的度数。3.分析：*小世界特性：*平均路径长度L=3.5小于节点数n=200的常见对数比例（log(n)≈log(200)≈2.3），符合小世界网络的短平均路径长度特征。*这意味着即使研究者数量较多，他们之间通过合作链条连接起来的平均步数并不算多，信息或合作请求可以相对快速地扩散。*聚类系数C=0.6：*聚类系数C=0.6表明该合作网络的聚类程度较高。一个节点的合作者之间也倾向于相互合作。*这反映了该领域可能存在较强的“小团体”或“派系”合作现象。研究者倾向于与同领域或同机构内的其他研究者合作。*结合高聚类系数和短平均路径长度，进一步印证了该合作网络具有典型的小世界网络结构：个体之间联系紧密（高聚类），整体连接又相对疏松但可达性高（短路径）。五、应用题1.识别关键谣言传播节点方案：*A.选择的指标/方法：*出度中心性（Out-degreeCentrality）：用于识别主要的信息发起者和初始传播者。*中介中心性（BetweennessCentrality）：用于识别信息传播链路中的关键中转节点（瓶颈）。*紧密度中心性（ClosenessCentrality）：用于识别能够快速将信息扩散到网络各处的节点。*（可选）社群检测算法：用于识别谣言传播的主要社群或社区，社群内的枢纽节点可能是重要的谣言源头或传播者。*（可选）度中心性（DegreeCentrality）：用于识别拥有大量连接（社交关系广泛）的潜在传播节点。*B.利用方法识别节点：*出度中心性高节点：这些节点是主要的谣言“发射器”，可能是谣言的最初来源，或者是早期、高强度的传播者。*中介中心性高节点：这些节点位于不同传播路径的交叉点，切断它们可以阻断多条谣言传播路径，它们本身也可能是重要的信息控制点或放大器。*紧密度中心性高节点：这些节点位于网络的“中心位置”，即使他们不是直接的源头或中转，也能迅速接触到网络中的大部分个体，有助于谣言的广泛扩散。*社群检测结果：在每个社群内部，找到度中心性或中介中心性高的节点，这些往往是该社群内的关键传播者或谣言源头。*C.优势与局限性：*优势：网络分析提供了一种系统化、量化的方法来识别关键节点，减少了主观判断。不同指标从不同角度（源头、中转、覆盖范围）揭示关键角色，相互印证。可处理大规模复杂网络数据。*局限性：网络分析基于观测到的连接和传播数据，可能无法捕捉到隐藏的传播路径（如通过加密通讯）、信息内容的质量（谣言的吸引力）、个体行为的复杂动机（如自愿传