Çarpımsal Uygunluk
Fitness, ağ büyümesinin dinamik denklemine nasıl dahil edilebilir? Bianconi-Barabasi modeli, tercihli bağlanmanın üzerine zindeliği getirir. Atıf ağları bağlamında bu model, i makalesinin j makalesinden alıntı yapma olasılığının, makalenin uygunluğu ηj ve önceki alıntılarının sayısının, yani, çarpımı olduğunu varsayar.
Yüksek uyumluluğa geç gelen bir kişinin düşük uyumlu eski bir kağıttan daha iyi performans gösterebileceği şekilde, büyük ölçüde uyumluluğa bağlı olan verim atıf yörüngelerinin Kj(t) çözümü. Böylece uygunluk, ilk hamle avantajı sorununu çözer. Diğer sorunları da çözer, özellikle aynı yaştaki makaleler için atıf dağılımı, önceki atıf sayısından ziyade uygunluk dağılımına göre belirlenir.
Bianconi-Barabasi modelinin en çarpıcı öngörüsü, tüm atıflardan aslan payını alan süpereleştirel makalelerin varlığıdır. Bu tür süper kritik makaleler gerçekten gözlemlendi ve bu sezgisel olmayan tahmin, Bianconi-Barabasi modeline geniş bir popülerlik kazandırdı.
Ancak, yalnızca kavramsal modeli temsil eder. Gerçek hayattaki atıf dinamiklerini açıklayan nicel bir araca dönüştürmek için başlangıç çekiciliği K0 ve yaşlanma sabiti A(t) eklenirken doğrusal olmama eklendi.
Pek çok sorunu çözdü, başarısı, bir makalenin atıf yörüngesini açıklamak için gerekli olan çok fazla ampirik parametrenin bedeline mal oldu: önceki alıntı sayısına Kj ve yaş tj’ye ek olarak uygunluk ηj , üs ζ ve iki parametre μj ekler, ve her kağıt için yaşlanma işlevini karakterize eden σj.
Uygunluk, aşağıdaki denklem aracılığıyla optimizasyon prosedürü aracılığıyla da tanıtılabilir. Bu, uygunluğun ηj’nin ilk çekicilik K0’ın yerini aldığı tercihli bağlanma modelinden başka bir şey değildir. Açıklanan büyüme dinamikleri göründüğü kadar farklı değil.
Aslında, doğrusal olmayan tercihli bağlanmanın ek uygunluk mimikleri ile kombinasyonu, özellikle süperkritik düğümler verir. Bunu göstermek için sürekli yaklaşımı benimsiyoruz ve değiştiriyoruz.
Bu nedenle, süper doğrusal tercihli bağlanma için, ε > 0, süper kritik düğümleri aynen yaptığı gibi tahmin eder.
Uygunluk Modelleri
Önerilen ve daha da geliştirilen uygunluk modeli, genel bir karmaşık ağı dikkate alır. Bu model, tercihli bağlanma fikrinden ayrılır ve yeni bir i düğümü ile hedef düğüm j arasındaki bağlanma olasılığının yalnızca uygunluk değerlerine (ηi ve ηj) bağlı olduğunu ve derecelerine bağlı olmadığını varsayar.
Atıf ağları için, i makalesinin j makalesinden alıntı yapma olasılığının Πij = f (ηi , ηj ) olduğu varsayılır; burada ηi ve ηj, kağıdın uygunluk değerleridir ve f (ηi , ηj ) argümanlarının simetrik işlevidir (bağlama işlevi) .
Toplayıcı bağlantı işlevi olarak kabul edildi, ancak aynı grubun daha sonraki yayını, çarpımsal bağlantı işlevi f(ηi,ηj) ∼ ηiηj’yi tanıttı. İkinci varsayım daha popüler hale geldi ve aşağıdaki genellemeye izin veriyor.
Eski bir makaleyi ele alalım j . Uygunluk benzerlik ile belirlenirse ve incelenen tüm makaleler aynı alana aitse, o zaman j makalesi ΔKj ∝ ηiηj oranıyla alıntı toplayacaktır; burada ηi, yeni makalelerin ortalama uygunluğudur. Bu ortalama uygunluk, eski bir makaleden j alıntı yapma olasılığı yeni bir i makalesinin olasılığı olacak şekilde, yaşlanma fonksiyonuna emilebilir.
Fitness nedir? Bir yandan uygunluk, sosyal ağlarda homofili olarak bilinen benzerlik kavramını içerir. Aslında, alıntı ağları topluluklardan ve alt topluluklardan oluşur. Yeni kağıtlar, aynı topluluğa ait olan benzer kağıtlara eklenme eğilimindedir.
Benzerliği ölçmek için içeriklerin veya kaynakçaların örtüşmesi önerilirken, ortak komşuların örtüşmesinin kullanılması önerildi. Zindeliğin başka bir bileşeni kalite veya yetenekle ilişkilidir. Makale ilk çıktığında bu bileşeni tahmin etmek kolay değildir, ancak zaten bazı alıntılar topladıktan sonra ölçülebilir.
Basit Basınçlı Kaplar YÖNETMELİĞİ mevzuat
Basit BASINÇLI KAPLAR YÖNETMELİĞİ
Toplamsal ve çarpımsal akıl yürütme
BASINÇLI KAPLAR YÖNETMELİĞİ pdf
Orantısal düşünme etkinliği Fen
Taşınabilir Basınçlı Ekipmanlar YÖNETMELİĞİ
Orantısal düşünme örnekleri
Basınçlı Kaplar ile ilgili yönetmeliklerin isimleri
Açıklayıcı Modeller
Tercihli bağlanma modeli fenomenolojiktir, yani makalelerin atıf alma mekanizmasına ilişkin makul ancak doğrulanmamış varsayımlarda bulunur, özellikle bu mekanizmayı (zengin-zenginleşir-zenginleşir) atıf dağılımlarından çıkarır.
Tercihli bağlanma modeline göre, yeni bir makalenin yazarının referanslarını seçmek için kullandığı algoritma aşağıdaki gibidir. Yazar, tüm makalelerin alıntı sayısını dikkate alır ve buna göre alıntı yapacağı bir makale seçer. Böylece, her yazar, tüm makaleler tarafından toplanan alıntıların sayısını bilecektir.
Ancak, internet öncesi çağda bu sayı yalnızca Science Citation Index’e erişimi olan birkaç yazar tarafından biliniyordu. İnternet ve özellikle Google Scholar ortaya çıktıktan sonra, birkaç tıklama ile atıf sayıları bulunabilir.
Tercihli bağlanma modeli bilim camiasında popülerlik kazandıktan sonra, kendi kendini gerçekleştiren bir kehanet haline geldi, ancak internet öncesi çağdaki mikroskobik kökeni, en azından alıntı ağları için belirsizliğini koruyor.
Ayrıca, ağ büyümesinin tercihli bağlanma mekanizması yerel değil küresel olduğu için önemli bir kavramsal zorluk sunar. Aslında, gelen her düğümün diğer tüm düğümlerin derecelerini bileceğini ima edin.
Bu, işbirliği ve diğer bazı sosyal ağlar için doğru olabilse de, genel olarak, yeni bir düğüm, yalnızca sınırlı bir düğüm kümesine aşina olduğu sınırlı bilgiye sahiptir. Google Scholar, Scopus, ISI Web of Science vb. bilgi veritabanlarının çoğalmasıyla birlikte, birçok karmaşık ağdaki küresel bilgilere kolayca erişilebilir hale geldi.
Özellikle, alıntı ağları için, günümüzde belirli bir makaleyi alıntılama teşviki gerçekten de önceki alıntıların sayısından gelebilir. Böylece, tercihli bağlanma modeli kendi kendini gerçekleştiren bir kehanet haline geliyor.
Burada uygunluk modelinin başlangıçtaki çekiciliği açıkladığını göstermiş olsak da, fazla fenomenolojik olduğu ve gerçek ağları karakterize eden belirli ayrıntılardan yoksun olduğu için alıntı ağı büyümesinin açıklanması için bir temel oluşturması pek mümkün değildir.
Yazarların referanslarını seçmek için kullandıkları gerçekçi bir algoritmaya dayanan birkaç fenomenolojik olmayan alıntı dinamiği modeli vardır. Bu tür modellerin en önemli sınıfı, bağlantı kopyalama veya yeniden yönlendirme, rastgele yürüyüş veya yerel arama, üçlü (üçgen) oluşturma, üçlü kapatma veya orman yangını modeli olarak da bilinen özyinelemeli aramadır.
Bu algoritma, yeni bir makalenin yazarının rastgele eski bir makaleyi seçtiğini ve onu referans listesine eklediğini varsayar. Ardından, yeni seçilen makalenin referans listesini inceler ve referanslarından birini veya tamamını kopyalar.
Bu, bir yazarın daha önce seçilen tüm makalelerin referans listelerini araştırdığı çok düzeyli yinelemeli bir arama olarak kabul edilirken tek düzeyli yinelemeli bir aramadır. Tek seviyeli özyinelemeli arama mekanizmasının, yeni bir i makalesinin hedef bir makaleden j alıntı yapma olasılığını aşağıdaki gibi azalttığını gösterdi.
