0.4 网络科学的特性

网络科学的内涵不仅取决于其研究对象，更多地还取决于其研究方法。本节，我们将讨论网络科学在理解复杂系统时所用方法的特性。

多学科特性

网络科学为我们提供了一种语言，使多个学科可以借助该语言无障碍地相互交流。实际上，细胞生物学家、脑科学家（图0-4）和计算机科学家面临着类似的任务——描绘复杂系统内部的连接模式，从不完整和有噪声的数据集中抽取信息，理解系统在面临失效或攻击时的健壮性。

图0-4 绘制人类大脑

网络科学炙手可热的一个应用领域是关于大脑的研究。对于被称为秀丽隐杆线虫（C. elegans）的蛔虫，我们很早就获得了其完整的神经系统连接图。不过，我们仍然缺少更大动物的神经连接数据。这一境况如今得到了改变：科学家通过大量努力研制出了可以绘制大脑神经连接图的新技术。2014年4月10日的《自然》杂志封面展示了由西雅图艾伦研究所（Allen Institute）的研究人员获得的实验室小白鼠的大脑神经连接图[4]。

没错，每个学科都会有不同的研究目标、技术手段和学科自身重要的科学挑战。然而，这些学科探索的很多问题实际上具有共同的性质，这为跨学科的工具和思想的探索提供了土壤。例如，社会网络领域在20世纪70年代提出的“介数中心度”概念，如今在识别互联网中的高通信负载节点方面发挥着关键作用。与之类似，计算机科学家们为图划分问题开发的算法后来被应用于医药领域的疾病模块识别和大规模社会网络的社区识别。

数据驱动的实证特性

网络科学的一些关键概念都起源于图论——一个高产的数学分支。网络科学区别于图论的地方是它的实证特性——其关注焦点是数据、功能和效用。在随后的章节中，我们将看到，网络科学从不满足于开发描述某个网络性质的抽象数学工具。我们开发的每个数学工具都必须使用真实数据进行测试，然后我们会依据它在揭示系统性质和行为方面提供的洞察力来判断其价值。

定量和数学特性

要想对网络科学的发展有所贡献，或打算正确使用网络科学的工具，就必须掌握其背后的数学形式化原理。网络科学借鉴了图论中的形式化方法来研究网络，借鉴了统计物理学的概念化框架来应对随机性和追求普适的指导原则。另外，网络科学从工程学中借鉴了包括控制论和信息论在内的概念，用于理解网络的控制原理；还从统计学那里借鉴了从不完整和有噪声的数据集中抽取信息的方法。

网络分析软件的开发可以使更多领域的人使用网络科学的分析工具，就连对网络科学的理论基础和数学概念不熟悉的人也可以使用。不过，如果打算更深入地了解网络科学并高效地使用其工具，我们则需要掌握其数学形式化原理。

计算特性

现实中，人们感兴趣的网络往往很大，用以描述它们巨大的数据规模。网络科学家们在分析这些网络时通常面临一系列艰巨的计算挑战。因此，网络科学具有很强的计算特性，经常需要从算法、数据库管理和数据挖掘领域借鉴方法。有许多软件工具可以解决这些计算问题，帮助具有不同计算技能的研究人员对其感兴趣的网络进行分析。

总之，掌握网络科学需要熟悉该领域上述每个方面的特性。正是这些特性的组合为我们提供了理解真实网络性质所需的多方面的工具和视角。