Machine learningNetwork science

مدل گراف تصادفی نمایی وزن‌دار

مدل گراف تصادفی نمایی وزن‌دار (W-ERGM) چارچوب کلاسیک ERGM دودویی را به شبکه‌هایی گسترش می‌دهد که یال‌های آن‌ها مقادیر کمی را حمل می‌کنند — مانند فراوانی تماس، حجم تجارت، یا شدت همکاری. این مدل کل شبکه یال وزن‌دار را به عنوان یک توزیع احتمال تعریف شده بر روی تمام گراف‌های وزن‌دار ممکن مدل‌سازی می‌کند و به پژوهشگران امکان می‌دهد تا بررسی کنند که آیا الگوهای ساختاری مانند تقابل، ترانزیتیویته، یا توزیع درجه فراتر از آنچه که صرفاً شانس تولید می‌کند، پدیدار می‌شوند یا خیر.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیDownload slides

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

Method map

The neighbourhood of related methods — select a node to explore.

منابع

  1. Krivitsky, P. N. (2012). Exponential-family random graph models for valued networks. Electronic Journal of Statistics, 6, 1100–1128. DOI: 10.1214/12-EJS696
  2. Robins, G., Pattison, P., Kalish, Y., & Lusher, D. (2007). An introduction to exponential random graph (p*) models for social networks. Social Networks, 29(2), 173–191. DOI: 10.1016/j.socnet.2006.08.002

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 3). Weighted Exponential Random Graph Model (Valued-Edge ERGM). ScholarGate. https://scholargate.app/fa/network-analysis/weighted-exponential-random-graph-model

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

ارجاع‌شده در

ScholarGateWeighted Exponential Random Graph Model (Weighted Exponential Random Graph Model (Valued-Edge ERGM)). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/network-analysis/weighted-exponential-random-graph-model · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026