文献阅读与梳理模型分析脑图思维导图

摘要：提出了一种二阶单纯形生长模型，构造具有无标度性质的度分布和广义度分布网络，并进行了理论分析和仿真实验。

生成算法：

创新点：给出一种偏好连接和偏好连接的混合模型，可以有效地生成任意一种符合任意幂律的网络，通过增加了一个系数A,B来调节。

摘要：论文提出了一种随机三部超图模型，通过对比随机网络与实证网络，发现实证网络中用户的多标签属性导致网络统计特性的不同

随机三部超图模型：每步随机选择每种类型的节点各一个，生成一条超编，直到网络中包含m条超边。

投影网络：将三部图投影到资源节点上，真实网络存在大量短环

摘要：传统的网络表示方法通常假设网络中的节点之间只存在一阶依赖关系，忽略了移动可能依赖于之前的多个步骤，本文提出了一个提出了高阶网络（HON）表示方法，可以发现和嵌入网络表示中的不同阶数的依赖关系。

模型：

Rule extraction

Network wiring

摘要：开发了一个重建框架，用于从时间序列数据中找到具有高阶相互作用的网络拓扑结构，进一步阐述了一种两步方案，以提高重建精度，同时显著降低计算负载

主要框架

simplex数量不变

一阶广义度分布不变

facet分布，fatsize分布不变

摘要：对高阶网络中的关键节点进行排序和选择

高阶度（HOD）

高阶H指数（HOH）

高阶PageRank（HOP）

高阶圈比High-order cycle ratio（HOC）

摘要：引入了高阶聚类系数，测量高阶网络集团的闭合概率，并提供了复杂网络边缘如何聚类的更全面的视图，推导出了高阶聚类系数的几个性质，并在随机图模型下进行了分析

摘要: 发明了一个通用的框架，用于聚类网络的高阶连接模式 扩展了谱图聚类方法，该方法基于与图相关的矩阵的特征值和特征向量，以解释网络中的高阶结构

框架：识别网络基序的框架，对于每个网络基序，可能会揭示出不同的高阶聚类

扩展的谱图聚类方法：

摘要：通过探索图的小区域来找到节点的聚类，围绕给定的种子节点进行有针对性的聚类，提出了一个新的局部图聚类方法（MAPPR）

个性化PageRank（PPR）

基于基序的个性化PageRank