-
复杂网络是通过对复杂系统相互作用结构的简化和抽象,从而给出一种理解复杂系统性质和功能的研究途径。自小世界特性和无标度特性被提出以来[1-2],该研究范式经过不断发展与完善,已成为复杂系统与复杂性科学重要的研究工具与方法。复杂网络分析方法在研究复杂系统的演化机制和功能上扮演着重要的角色,并被广泛地应用于各个领域,包括社会经济、交通电力、脑科学及生命科学等[3-6]。
尽管该研究框架对相关研究起到重要的推动作用,但将复杂系统简单地抽象成单个网络忽略了复杂系统中多类型关系交互的贡献。复杂系统由众多个体组成,它们之间以某种或多种方式发生非线性的相互作用。这些相互作用关系使其在时间和空间上产生各种形式的关联结构,并呈现出系统的时空多尺度特征。因此,将复杂系统抽象成单个网络的研究范式无法进一步满足复杂系统研究的需要。
在网络科学中,多层网络是研究前沿和热点,它突破了单层网络中节点和连边同质性的限制,考虑了多种类型节点及其连边关系(包括层内连边和层间连边)[7-8]。事实上,由几个网络的相互作用关系刻画的复杂系统普遍存在。如在社会系统中,不同类型的社交关系(朋友、同事、亲属等)能够被抽象成不同的网络层,进而代表友谊、协作、家庭等社会关系;基础设施系统可以通过区分不同的运输工具(公共汽车、地铁、火车、飞机等),进而研究基础设施系统应对突发灾难的能力;大脑系统中,不同脑功能区的相互作用可能有所不同,用一个全面的多层框架来研究大脑系统可以处理不同类型相互作用之间存在的差异。复杂系统的时空多尺度特征通过多层网络建模及分析,可以揭示系统拓扑性质与演化机制。已有的多层网络研究在理论上主要关注网络的拓扑结构、动力学、功能以及它们之间的关系,同时在社会经济系统、生态和生物系统等领域进行了应用。这些研究已取得了一系列重要且有影响力的成果,如多层网络理论研究[3]、耦合网络传播[9]、时序网络[10-11]以及相互依存网络鲁棒性和抗毁性[12-13]。本文在这些研究的基础上,对多层网络的最新进展进行综述。
目前,多层网络研究也开始从简单地扩展单层网络的概念与方法,发展到针对多层网络结构与实际问题定义相应的拓扑性质和动力学行为[14]。本文重点从如下几个方面对多层网络的研究进展进行梳理与评述:多层网络建模、基本统计性质、社团结构、多层网络功能与动力学行为,进而阐述多层网络所产生的新现象与规律。
-
研究多层网络面临的首要问题是网络的构建与数学描述,即定义网络中节点和连边。虽然多层网络概念没有明确的统一的定义,但是依据拓扑结构特征可将其划分为多路复用网络、时序网络、网络的网络、相互依赖网络等不同的类型。本章主要关注多层网络一般形式的数学描述,并从矩阵表达、张量表达和聚合表达3个方面进行介绍。
-
多层网络更加关注复杂系统中的异质性,这种异质性包括不同类型节点以及属于不同网络层节点之间相互作用模式的刻画。这使得多层网络研究框架能够更全面完整地描述复杂系统的结构。单个网络中的节点及其相互作用关系可以由邻接矩阵完整地刻画,这种建模方案可以很自然地扩展至多层网络。多层网络的矩阵表达也被称为超邻接矩阵或者分块矩阵[3, 7]。
一个含有M层的多层网络(multilayer networks)可以用超邻接矩阵
${{G}} = ({{A}},{{O}})$ 来表示。其中${{A}} = \{ {{{A}}^{[1]}}, {{{A}}^{[2]}},\cdots,{{{A}}^{[M]}}\} $ 表示多层网络中的层的邻接矩阵集合,${{{A}}^{[\alpha ]}} = ({V^{[\alpha ]}},{E^{[\alpha ]}})$ 表示$\alpha $ 层的邻接矩阵,${V^{[\alpha ]}}$ 表示$\alpha $ 层的节点集合(该集合中的节点i表示为$v_i^{^{[\alpha ]}}$ ),${E^{[\alpha ]}}$ 表示$\alpha $ 层的层内连边集合。$a_{ij}^{[\alpha ]}$ 是${{{A}}^{[\alpha ]}}$ 中的元素:当$\alpha $ 层中节点i和节点j有连边时,$a_{ij}^{[\alpha ]} = 1$ ,否则$ a_{ij}^{[\alpha ]} = 0$ 。${{O}} = \{ {{{O}}^{[1,2]}},{{{O}}^{[1,3]}},\cdots,{{{O}}^{[\alpha ,\beta ]}}\left| {\alpha \ne \beta } \right.\} $ 表示层间网络邻接矩阵的集合。${{{O}}^{[\alpha ,\beta ]}} = ({V^{[\alpha ]}},{V^{[\beta ]}},{E^{[\alpha ,\beta ]}})$ ,其元素$O_{ij}^{^{[\alpha ,\beta ]}}$ 代表是否存在$\alpha $ 层节点i到$\beta $ 层节点j的连边。${V^{[\alpha ]}}$ 和${V^{[\beta ]}}$ 分别表示$\alpha $ 层和$\beta $ 层的节点集合,${E^{[\alpha ,\beta ]}} = {\rm{\{ (v}}_{\rm{i}}^{{\rm{[}}\alpha {\rm{]}}}{\rm{,v}}_{\rm{j}}^{{\rm{[}}\beta {\rm{]}}}{\rm{)}}\left| {{{i,j}} \in {\rm{\{ 1,2,}}\cdots{\rm{\} }}} \right.;\alpha ,\beta \in {\rm{\{ 1,2,}}\cdots{{,M\} \} }}$ 表示$\alpha $ 层和$\,\beta $ 层的层间连边集合。根据上述定义,多层网络的一般形式可被定义为
${{G}} = ({{A,O}}) = $ $\{ {{{A}}^{[1]}},{{{A}}^{[{\rm{2}}]}},\cdots,{{{A}}^{[M]}};{{{O}}^{[1,2]}},{{{O}}^{[1,3]}},\cdots, {{{O}}^{[\alpha ,\beta ]}}\} $ $(\alpha ,\beta \in {\rm{\{ 1,2,}}\cdots{{,M\} )}}$ 。示意图如图1a所示。用超邻接矩阵可表示为:$$ {{G}} = \left( {\begin{array}{*{20}{c}} {{{{A}}^{[1]}}}&{{{{O}}^{[1,2]}}}& \cdots &{{{{O}}^{[1,M]}}} \\ {{{{O}}^{[2,1]}}}&{{{{A}}^{[2]}}}& \cdots &{{{{O}}^{[2,M]}}} \\ \vdots & \vdots & \ddots & \vdots \\ {{{{O}}^{[M,1]}}}&{{{{O}}^{[M,2]}}}& \cdots &{{{{A}}^{[M]}}} \end{array}} \right) $$ (1) 与单层网络一样,多层网络
${{G}}$ 也可以被定义为加权、有向和符号等不同的网络形式,不加赘述。需要说明的是一些文章也将这种具有不同网络相互关系所组成的“大网络”称为网络的网络(network of networks),如图1b所示,其本质上与多层网络的概念是一致的。此外,一些研究还针对特殊的多层网络结构类型进行了定义。下面将介绍3种常见的模型:相互依存网络、多路复用网络、时序网络。相互依存网络(interdependent networks)是由多个具有相依存关系的网络所组成,示意图如图2所示。层间连边表示了节点的依存关系,这种依存关系使得一个网络层的动态变化会极大地影响其他网络层。如“计算机−电力”相互依存网络:
$\alpha $ 层表示电站之间相互传输电力,$\,\beta $ 层表示计算机之间互通信息。电站之间的电力传输通过计算机进行控制,而计算机间的通信又依赖于电站供给必需的电力。多路复用网络(multiplex networks)中的所有网络层由同一组节点构成,如图3所示。该网络的特点是每一个网络层表示节点间的某种关系或者相互作用模式,而层间连边表示同一个节点在不同网络层的对应关系。如不同的社会关系所构成的多层社交网络,其中不同层表示的是个体间不同的社交关系(可以包括朋友关系、合作关系或者家庭关系等)。
多层网络还可以用于研究单个网络随时间演变的情况。在随时间演变的过程中,节点和连边都有可能发生变化(新增或移除),这种变化可能是某种因素带来的,如网络遭受攻击或者故障等。在此,由单个网络随时间变化所构成的多层网络被称为时序网络(temporal networks),示意图如图4所示。
-
张量本质是多维数组,也是数量、向量、矩阵的自然推广。一阶张量是一个向量,二阶张量是一个矩阵,三阶以上的张量称为高阶张量。张量的阶(order)表示为张量维度的数目。以多路复用网络为例,该类型多层网络的张量表达是
$U = ({u_{i\alpha j\beta }}) \in {\Re ^{N \times M \times N \times M}}$ ,这是一个四阶张量(fourth-order tensor)[15-16]。S中每个元素可以被定义为:如果节点$v_i^{[\alpha ]}$ 和节点$v_j^{[\beta ]}$ 存在连边,则${u_{i\alpha j\beta }} = 1$ ;否则${u_{i\alpha j\beta }} = 0$ 。其中,$1 \leqslant i,j \leqslant N{\text{,}}1 \leqslant \alpha ,\beta \leqslant M$ ,N表示多路复用网络中每层网络的节点总数,为了简写有时候${u_{i\alpha j\beta }}$ 也被写成$u_{j\beta }^{i\alpha }$ 。张量表征方法为研究多层网络及其动态过程提供了一个强有力的工具。多层网络的张量表达不仅可以直接得出不同层之间的对应关系,还不会丢失网络的细节信息。文献[15]给出了多层网络拓扑性质的张量形式描述,包括度中心性、聚类系数、特征向量中心性、熵和扩散等。
-
多层网络模型由于多维度网络层的引入,为网络基本统计性质、社团结构以及动力学行为的刻画带了新的挑战。为了降低研究的复杂性,早期的研究考虑了多层网络的聚合表达[8],即在不考虑多层结构层间交互性质的情况下,将多层网络压缩成单层网络(该单层网络被称为聚合网络)。
聚合网络的邻接矩阵可以被定义为:
$B = \{ {b_{ij}}\} $ ,即当任意的网络层$\alpha :a_{ij}^{[\alpha ]} = 1$ ,则${b_{ij}} = 1$ ,否则${b_{ij}} = 0$ 。聚合网络也可以是加权的,权重的含义是i和j在多层网络中连边的次数。值得说明的是,聚合网络本质上是一个单层网络,而在聚合网络中连边的含义是两个节点在至少一层上共享一条边。聚合网络是多层网络的简化形式。这样的建模方式虽然降低了后续研究的难度,但是丢失了多层网络特有的拓扑信息(层间相互作用关系)。一个开放性的问题是究竟需要多少层才能够准确地表示复杂系统的结构,即考虑如何用较少的层数尽可能保留整个系统的信息。文献[17]提出了一种层聚合和结构可还原的模型,采用网络层的熵定义了多层网络的可区分性指数,并通过最优化该指数来获得最优划分。结果表明一些真实网络可以减少75%的冗余层。
-
多层网络的拓扑性质能够定量化地描述复杂系统的基本特征。本节从多层网络的基本统计特征和中心性测度两方面进行总结。
-
节点度是网络的一阶属性,其刻画了网络的局部统计特征,即节点的邻居数量。给定一个多层网络,节点i的度是
${k_i} = \{ k_i^{[1]},k_i^{[2]}, \cdots ,k_i^{[M]}\} $ ,其中$k_i^{[\alpha ]} = \displaystyle\sum\limits_{i \ne j} {a_{ij}^{[\alpha ]}} $ 表示节点i在$\alpha $ 层内的度值。节点在各个层中度值总和为重叠度,定义为${o_i} = \displaystyle\sum\limits_{\alpha = 1}^M {k_i^{[\alpha ]}} $ 。在加权多层网络中,点强度指某个节点与其近邻节点权重之和并被定义为${s_i} = \{ s_i^{[1]},s_i^{[2]}, \cdots ,s_i^{[M]}\} $ ,其中$s_i^{[\alpha ]} = \displaystyle\sum\limits_{i \ne j} {w_{ij}^{[\alpha ]}} $ 表示节点i在$\alpha $ 层内连接的点强。与单层网络相比,多层网络中节点有着更丰富的拓扑性质,如参与系数和熵[8]。参与系数衡量了节点在不同层中连边分布的异质性,其本质是辛普森多样性指标[18]并被定义为
${p_i} = \dfrac{M}{{M - 1}}\Bigg[1 - \displaystyle\sum\limits_{\alpha = 1}^M {{{\left(\dfrac{{k_i^{[\alpha ]}}}{{{o_i}}}\right)}^2}\Bigg]} $ $({p_i} \in [0,1])$ 。当节点i的所有连边都在同一层时,${p_i} = 0$ ,而节点i在不同的网络层中具有相同的连接方式时$p{}_i = 1$ 。根据参与系数值可以将节点划分为3类,即${p_i} \in [0,0.3]$ 称集中型点;${p_i} \in (0.3,0.6]$ 称混合型;${p_i} \in (0.6,1]$ 称多重型。相似的定义还有节点熵,其本质是香农熵[19]并被定义为${H_i} = - \displaystyle\sum\limits_{\alpha = 1}^M {\frac{{k_i^{[\alpha ]}}}{{{o_i}}}} \ln \left(\dfrac{{k_i^{[\alpha ]}}}{{{o_i}}}\right)$ 。值得说明的是,香农熵与辛普森多样性指标在衡量生物多样性方面有着广泛的应用,这两个指标都是兼顾了均匀度(刻画了各个物种个体数目分配的均匀程度)与丰富度(样本中物种的数量)的综合指标。 -
多层网络关注了不同网络层之间的相互作用关系,使得网络层的统计性质也备受关注。相关研究关注层的统计性质,包括层的重叠性、相关性和中心性等。
文献[8]考虑了多路复用网络层的重叠性
${Q_{\alpha ,\beta }}$ ,它计算了两个层之间共同出现的节点占整个网络节点的比例。${Q_{\alpha ,\beta }} = \dfrac{1}{N}\displaystyle\sum\limits_{i = 1}^N {v_i^{[\alpha ]}} v_i^{[\beta ]}$ ,其中$v_i^{[\alpha ]}$ 是取值为0或1的整数,1代表节点i在第$\alpha $ 层中活跃(在$\alpha $ 层中的节点i的度值大于0),0代表不活跃。${Q_{\alpha ,\beta }} \in [0,1]$ ,${Q_{\alpha ,\beta }} = 1$ 表示所有节点在两层均为活跃状态,${Q_{\alpha ,\beta }} = 0$ 则表示所有节点均为非活跃状态。层的度相关性指的是每个层度序列之间的相关系数。研究表明层间存在强的度相关性,而这种强相关性对网络的鲁棒性、多层网络社团探测以及链路预测等方向的研究有着积极的作用[3]。
-
集聚系数是对复杂网络中节点紧密程度的刻画,也是网络的高阶属性。集聚系数被定义为网络中节点的邻居之间也互为邻居的比例,即网络中三角关系的比例[1]。文献[8, 20]将集聚系数扩展到多路复用网络。在三角结构j−i−k中,存在3种情况:1-triangle(三条边在同一层),2-triangle(仅有两条边在同一层)和3-triangle(三条边在不同层)。进一步,以节点i为中心还可以定义三元结构:1-triad(i−j和i−k属于同一层)和2-triad (i−j和i−k属于不同层)。由此,根据2-triangle和3-triangle的比例分别定义了两种多路复用网络的集聚系数。需要说明的是多路复用网络的层间连接是一一对应的,故三角结构的定义未考虑层间连接信息。
第一种定义集聚系数关注以节点i为中心,2-triangle三角形数和1-triad三元数的比例,即:
$$ {C_{i,1}} = \frac{{\displaystyle\sum\limits_\alpha {\displaystyle\sum\limits_{\beta \ne \alpha } {\displaystyle\sum\limits_{j \ne i,m \ne i} {(a_{ij}^{[\alpha ]}a_{jm}^{[\beta ]}a_{mi}^{[\alpha ]})} } } }}{{(M - 1)\displaystyle\sum\limits_\alpha {\displaystyle\sum\limits_{j \ne i,m \ne i} {(a_{ij}^{[\alpha ]}a_{mi}^{[\alpha ]})} } }} $$ (2) 第二种定义集聚系数关注以节点i为中心,3-triangle三角形数和2-triad三元数的比例,这种定义仅适用于大于3层的网络模型。即:
$$ {C_{i,2}} = \frac{{\displaystyle\sum\limits_\alpha {\displaystyle\sum\limits_{\beta \ne \alpha } {\sum\limits_{\phi \ne \alpha } {\sum\limits_{j \ne i,m \ne i} {(a_{ij}^{[\alpha ]}a_{jm}^{[\phi ]}a_{mi}^{[\beta ]})} } } } }}{{(M - 2)\displaystyle\sum\limits_\alpha {\displaystyle\sum\limits_{\beta \ne \alpha } {\displaystyle\sum\limits_{j \ne i,m \ne i} {(a_{ij}^{[\alpha ]}a_{mi}^{[\beta ]})} } } }} $$ (3) 式中,
$\alpha ,\beta ,\phi $ 表示不同的网络层。 -
量化网络中心性是复杂网络分析的重要话题,也对研究网络结构与功能的关系具有重要意义。多层网络的中心性测度包括节点中心性与层中心性。本节将对多层网络中心性量化的方法进行总结与分析。
-
量化多层网络的中心性主要基于两种思路:一方面,以预先确定的恒定权重作为层对节点中心性影响的权重;另一方面,着眼于一些特殊的多层网络类型定义中心性,如多路复用网络。本节主要关注多层网络节点的中心性指标。
PageRank算法已广泛地应用于复杂网络中节点中心性的度量,其基本思想是一个节点的重要性取决于指向该节点的邻居数量和质量。在多层网络中,PageRank节点中心性不仅仅取决于指向该节点的数量和质量,还取决于所在层的相对重要性。文献[21-22]基于层间的相互作用关系定义了多层网络的PageRank。以两层相互依存网络为例,
${{{A}}^{[\alpha ]}}$ 和${{{A}}^{[\beta ]}}$ 分别表示双层网络中层的邻接矩阵。为了方便表述,规定$\alpha $ 层中节点的PageRank中心性表示为$f = [f_1^{},f_2^{}, \cdots ,f_N^{}]$ ,以及$\,\beta $ 层中节点的PageRank中心性表示为$z = [z_1^{},z_2^{}, \cdots ,z_N^{}]$ 。首先,由经典PageRank算法获得$\alpha $ 层中的节点中心性$f$ 。其次,$\beta $ 层中的节点中心性不仅考虑网络层中指向该节点的节点数量与质量影响,还要考虑来自其他层节点的影响。故$\beta $ 层的节点中心性可被描述为$z_i^{} = $ ${\tau ^{[\beta ]}} \displaystyle\sum\limits_j {f_i^\mu a_{ij}^{[\beta ]}\frac{{z_j^{}}}{{{G_j}}} + (1 - {\tau ^{[\beta ]}})\frac{{f_i^\lambda }}{{N\langle {f^\lambda }\rangle }}} $ 。其中${G_j} = \displaystyle\sum\limits_l {a_{lj}^{[\beta ]}f_l^\mu } + \delta \left(0,\displaystyle\sum\limits_l {a_{lj}^{[\beta ]}f_l^\mu} \right) $ ,模型的调节参数为$\lambda \text{,}\mu > 0$ ,${\tau ^{[\beta ]}}$ 为$\beta $ 层PageRank参数,$\left\langle f \right\rangle $ 表示$f$ 的平均值。文献[23]针对多路复用网络提出了一种新的PageRank (functional multiplex PageRank, FMP)方法量化节点中心性。FMP方法首先将节点PageRank中心性${X_i}$ 定义为一组参数的函数${X_i}(\lambda )$ :单层网络上的PageRank、聚合网络上的PageRank以及边(i,j)同时在每一层网络上的PageRank;然后,通过最大化中心性函数获得稳定的节点重要性排序。文献[24]将多路复用网络的PageRank看作平稳分布,通过一些约束条件,对该类型网络的PageRank精确估计。文献[22]则基于有偏的随机游走定义了多层PageRank,直接考虑网络之间的相互作用对节点重要性的影响。有偏的随机游走指的是在下一节点跳跃时,会以概率p在$\alpha $ 层网络上游走和概率1−p在$\beta $ 层网络游走。此外,还有一些研究关注层间连接如何影响多层网络的节点中心性。文献[25]采用张量框架来研究多层网络特征向量中心性,并证明了在给定层间影响形式下多层网络的特征向量中心性存在的唯一性。该方法在资源分配时考虑了层间相互作用模式对多层中心性的贡献,即
$H_{j\beta }^{i\alpha }{\Theta _{i\alpha }} = \lambda {\Theta _{i\beta }}$ 。其中,层的相互作用表示为$H_{j\beta }^{i\alpha } = W_\beta ^\alpha u_{j\beta }^{i\alpha }$ ,即$\alpha $ 层的i节点到$\beta $ 层的j节点的相互作用$u_{j\beta }^{i\alpha }$ 与网络层$\alpha $ 对网络层$\beta $ 的影响程度$W_\beta ^\alpha $ 的乘积,$\lambda $ 是参数。 -
层的中心性对定量化研究其他统计测度有着重要意义,它的含义是每一层网络在多层网络中的相对重要程度。层的中心性定义目前有两种比较常用的方法:一是通过张量分析方法量化其重要性;二是根据层内拓扑结构信息量化其重要性。
张量分析方法是研究多层网络的一种重要的数学工具,近年来也被用于研究多层网络的层中心性。文献[26]基于张量分解量化了多层网络的中心性。文献[27]基于网络的张量定义提出了一种新的特征向量中心性度量方案,并验证了该方法的唯一性与收敛性。文献[28-29]利用张量方程的迭代算法,提出了一种多路复用网络中心性的度量方法。该方法同时计算了层中心性和节点中心性,并利用布劳沃不动点定理证明了该中心性在某些条件下的存在唯一性和迭代算法的收敛性。张量迭代方程为:
$$ \left\{ {\begin{aligned} & {{x_i} = \sum\limits_{\alpha = 1}^M {\sum\limits_{j = 1}^N {\sum\limits_{\beta = 1}^M {{o_{i\alpha j\beta }}{x_j}{y_\alpha }{y_\beta }} } } } \\ & {{y_\alpha } = \sum\limits_{j = 1}^N {\sum\limits_{i = 1}^N {\sum\limits_{\beta = 1}^M {{o_{i\alpha j\beta }}{x_i}{x_j}{y_\beta }} } } } \end{aligned}} \right. $$ (4) 式中,
$1 \leqslant i\text{,}j \leqslant N\text{;}1 \leqslant \alpha \text{,}\beta \leqslant M$ ;${x_i}$ 和${y_\alpha }$ 分别表示多层网络的节点中心性和层的中心性。此外,还有一些研究基于层内拓扑信息量化层中心性。文献[28]提供了两种策略计算层中心性:边的介数中心性和最短路径。该指标的核心思想是承担全局连接越多的网络层具有越高的中心性。具体来说,首先将多层网络压缩成聚合网络并量化边的重要性;然后根据某些策略将边中心性分布到每一层,最后将层中心性定义为层中边中心性之和。文献[30]融合了层与节点的信息以确定层中心性和节点中心性。该算法的基本思想是如果一个节点能够连接到影响力较高的层则具有更大的中心性,相应地,如果网络层中高中心性的节点越多则该层越具有影响力。
The Structure and Function of Multilayer Networks: Progress and Prospects
-
摘要: 该文对多层网络的研究现状与进展进行了综述。首先,介绍了不同类型多层网络的概念,描述了多层网络的数学模型构建;其次,根据多层网络的拓扑结构,分别从基本统计性质、节点重要性、社团结构、鲁棒性与动力学行为4个方面综述多层网络的研究进展;最后展望了多层网络的未来研究方向。Abstract: The progress of multilayer networks is summarized in this article. First, the concepts of various types of multi-layer networks are introduced and their mathematical models are described. Then, according to the topological structure properties, the existing research is reviewed from four parts: basic statistical properties, node importance, community structure, robustness, and dynamic behavior. At last, the future research directions of multi-layer networks are prospected.
-
Key words:
- dynamics process /
- multilayer networks /
- statistical properties /
- topology structures
-
[1] WATTS D J, STROGATZ S H. Collective dynamics of ‘small-world’networks[J]. Nature, 1998, 393(6684): 440. doi: 10.1038/30918 [2] BARABÁSI A-L, ALBERT R. Emergence of scaling in random networks[J]. Science, 1999, 286(5439): 509-512. doi: 10.1126/science.286.5439.509 [3] BOCCALETTI S, BIANCONI G, CRIADO R, et al. The structure and dynamics of multilayer networks[J]. Phys Rep, 2014, 544(1): 1-122. doi: 10.1016/j.physrep.2014.07.001 [4] ZENG An, SHEN Zhe-si, ZHOU Jian-lin, et al. The science of science: From the perspective of complex systems[J]. Phys Rep, 2017, 714: 1-73. [5] 吴宗柠, 樊瑛. 复杂网络视角下国际贸易研究综述[J]. 电子科技大学学报, 2018, 47(3): 469-480. WU Zong-ning, FAN Ying. Review of international trade: The complex network approach[J]. Journal of University of Electronic Science and Technology of China, 2018, 47(3): 469-480. [6] LYNN C W, BASSETT D S. The physics of brain network structure, function and control[J]. Nat Rev Phys, 2019, 1(5): 318. doi: 10.1038/s42254-019-0040-8 [7] KIVEL M, ARENAS A, BARTHELEMY M, et al. Multilayer networks[J]. Journal of Complex Networks, 2014, 2(3): 203-271. doi: 10.1093/comnet/cnu016 [8] BATTISTON F, NICOSIA V, LATORA V. Structural measures for multiplex networks[J]. Phys Rev E, 2014, 89(3): 032804. doi: 10.1103/PhysRevE.89.032804 [9] WANG Wei, LIU Quan-hui, LIANG Jun-hao, et al. Coevolution spreading in complex networks[J]. Phys Rep, 2019, 820: 1-51. doi: 10.1016/j.physrep.2019.07.001 [10] HOLME P, SARAM KI J. Temporal networks[J]. Phys Rep, 2012, 519(3): 97-125. doi: 10.1016/j.physrep.2012.03.001 [11] LI A, CORNELIUS S P, LIU Yang-yu, et al. The fundamental advantages of temporal networks[J]. Science, 2017, 358(6366): 1042-1046. doi: 10.1126/science.aai7488 [12] 李国颖, 成柏松, 张鹏, 等. 相互依存网络鲁棒性研究综述[J]. 电子科技大学学报, 2013, 42(1): 23-28. LI Guo-ying, CHENG Bo-song, ZHANG Peng, et al. Review of the interdependent networks[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(1): 23-28. [13] 董政呈, 方彦军, 田猛. 相互依存网络抗毁性研究综述[J]. 复杂系统与复杂性科学, 2019, 14(3): 30-44. DONG Zheng-chen, FANG Yan-jun, TIAN Meng. Review on invulnerability of interdependent networks[J]. Complex Systems and Complexity Science, 2019, 14(3): 30-44. [14] BATTISTON F, NICOSIA V, LATORA V. The new challenges of multiplex networks: Measures and models[J]. Eur Phys J - Spec Top, 2017, 226(3): 401-416. doi: 10.1140/epjst/e2016-60274-8 [15] DOMENICO M N, RIBALTA A S, COZZO E, et al. Mathematical formulation of multilayer networks[J]. Phys Rev X, 2013, 3(4): 041022. [16] COZZO E, DE ARRUDA G F, RODRIGUES F A, et al. Multiplex networks[M]. Cham: Springer. 2018: 87-112. [17] DE DOMENICO M, NICOSIA V, ARENAS A, et al. Structural reducibility of multilayer networks[J]. Nat Commun, 2015, 6: 6864. doi: 10.1038/ncomms7864 [18] SIMPSON E H. Measurement of diversity[J]. Nature, 1949, 163(4148): 688. doi: 10.1038/163688a0 [19] SHANNON C E. A mathematical theory of communication[J]. Bell Syst Tech J, 1948, 27(3): 379-423. doi: 10.1002/j.1538-7305.1948.tb01338.x [20] COZZO E, KIVELA M, DE DOMENICO M, et al. Structure of triadic relations in multiplex networks[J]. New J Phy, 2015, 17(7): 073029. [21] HALU A, MONDRAG N R J, PANZARASA P, et al. Multiplex pagerank[J]. PloS One, 2013, 8(10): e78293. doi: 10.1371/journal.pone.0078293 [22] PEDROCHE F, ROMANCE M, CRIADO R. A biplex approach to PageRank centrality: From classic to multiplex networks[J]. Chaos, 2016, 26(6): 065301. doi: 10.1063/1.4952955 [23] IACOVACCI J, RAHMEDE C, ARENAS A, et al. Functional multiplex pagerank[J]. EPL, 2016, 116(2): 28004. doi: 10.1209/0295-5075/116/28004 [24] PEDROCHE F, GARC A E, ROMANCE M, et al. Sharp estimates for the personalized multiplex pageRank[J]. J Comput Appl Math, 2018, 330: 1030-1040. doi: 10.1016/j.cam.2017.02.013 [25] WU Min-cheng, HE Shi-bo, ZHANG Yong-tao, et al. A tensor-based framework for studying eigenvector multicentrality in multilayer networks[J]. Proc Natl Acad Sci USA, 2019, 116(31): 15407-15413. doi: 10.1073/pnas.1801378116 [26] WANG Ding-jie, WANG Hai-tao, ZOU Xiu-fen. Identifying key nodes in multilayer networks based on tensor decomposition[J]. Chaos, 2017, 27(6): 063108. doi: 10.1063/1.4985185 [27] TUDISCO F, ARRIGO F, GAUTIER A. Node and layer eigenvector centralities for multiplex networks[J]. SIAM J Appl Math, 2018, 78(2): 853-876. doi: 10.1137/17M1137668 [28] CHEN Xiao, LU Zhe-ming. Measure of layer centrality in multilayer network[J]. Int J Mod Phys C, 2018, 29(6): 1850051. doi: 10.1142/S0129183118500511 [29] LÜ Lai-shui, ZHANG Kun, ZHANG Ting, et al. Nodes and layers PageRank centrality for multilayer networks[J]. Chin Phys B, 2019, 28(2): 020501. doi: 10.1088/1674-1056/28/2/020501 [30] RAHMEDE C, IACOVACCI J, ARENAS A, et al. Centralities of nodes and influences of layers in large multiplex networks[J]. Journal of Complex Networks, 2018, 6(5): 733-752. doi: 10.1093/comnet/cnx050 [31] MUCHA P J, RICHARDSON T, MACON K, et al. Community structure in time-dependent, multiscale, and multiplex networks[J]. Science, 2010, 328(5980): 876-878. doi: 10.1126/science.1184819 [32] ZHANG Han, WANG Chang-dong, LAI Jian-huang, et al. Community detection using multilayer edge mixture model[J]. Knowl Inf Syst, 2019, 60(2): 757-779. doi: 10.1007/s10115-018-1228-4 [33] JEUB L G, MAHONEY M W, MUCHA P J, et al. A local perspective on community structure in multilayer networks[J]. Network Science, 2017, 5(2): 144-163. doi: 10.1017/nws.2016.22 [34] TANG Lei, WANG Xu-fei, LIU Huan. Community detection via heterogeneous interaction analysis[J]. Data Min Knowl Discov, 2012, 25(1): 1-33. doi: 10.1007/s10618-011-0231-0 [35] GHASEMIAN A, ZHANG P, CLAUSET A, et al. Detectability thresholds and optimal algorithms for community structure in dynamic networks[J]. Phys Rev X, 2016, 6(3): 031005. [36] LANCICHINETTI A, FORTUNATO S. Consensus clustering in complex networks[J]. Sci Rep, 2012, 2(1): 336. doi: 10.1038/srep00336 [37] PAUL S, CHEN Y. Spectral and matrix factorization methods for consistent community detection in multi-layer networks[J]. The Annals of Statistics, 2020, 48(1): 230-250. doi: 10.1214/18-AOS1800 [38] LOV S Z L. Random walks on graphs: A survey[J]. Combinatorics, 1993, 2(1): 1-46. [39] KUNCHEVA Z, MONTANA G. Community detection in multiplex networks using locally adaptive random walks[C]//Advances in Social Networks Analysis and Mining. [S.l.]: IEEE, 2015: 1308-1315. [40] DE DOMENICO M, LANCICHINETTI A, ARENAS A, et al. Identifying modular flows on multilayer networks reveals highly overlapping organization in interconnected systems[J]. Phys Rev X, 2015, 5(1): 011027. [41] AFSARMANESH N, MAGNANI M. Finding overlapping communities in multiplex networks[EB/OL]. (2016-02-11). http://arxiv.org/abs/1602.03746. [42] MONDRAGON R J, IACOVACCI J, BIANCONI G. Multilink communities of multiplex networks[J]. PloS One, 2018, 13(3): e0193821. doi: 10.1371/journal.pone.0193821 [43] LIU Wei-yi, SUZUMURA T, JI Hong-yu, et al. Finding overlapping communities in multilayer networks[J]. PloS One, 2018, 13(4): e0188747. doi: 10.1371/journal.pone.0188747 [44] PARSHANI R, BULDYREV S V, HAVLIN S. Interdependent networks: Reducing the coupling strength leads to a change from a first to second order percolation transition[J]. Phys Rev Lett, 2010, 105(4): 048701. doi: 10.1103/PhysRevLett.105.048701 [45] RADICCHI F, BIANCONI G. Redundant interdependencies boost the robustness of multiplex networks[J]. Phys Rev X, 2017, 7(1): 011013. [46] SHEKHTMAN L M, HAVLIN S. Percolation of hierarchical networks and networks of networks[J]. Phys Rev E, 2018, 98(5): 052305. [47] TURALSKA M, BURGHARDT K, ROHDEN M, et al. Cascading failures in scale-free interdependent networks[J]. Phys Rev E, 2019, 99(3): 032308. [48] MIN B, DO Y S, LEE K M, et al. Network robustness of multiplex networks with interlayer degree correlations[J]. Phys Rev E, 2014, 89(4): 042811. doi: 10.1103/PhysRevE.89.042811 [49] LIU Xue-ming, STANLEY H E, GAO Jian-xi. Breakdown of interdependent directed networks[J]. Proc Natl Acad Sci USA, 2016, 113(5): 1138-1143. doi: 10.1073/pnas.1523412113 [50] KLEINEBERG K-K, BUZNA L, PAPADOPOULOS F, et al. Geometric correlations mitigate the extreme vulnerability of multiplex networks against targeted attacks[J]. Phys Rev X, 2017, 118(21): 218301. [51] ROTH K, MORONE F, MIN B, et al. Emergence of robustness in networks of networks[J]. Phys Rev E, 2017, 95(6): 062308. [52] SUN Jia-chen, ZHANG Rui, FENG Ling, et al. Extreme risk induced by communities in interdependent networks[J]. Commun Phys, 2019, 2(1): 45. doi: 10.1038/s42005-019-0144-6 [53] SHEKHTMAN L M, SHAI S, HAVLIN S. Resilience of networks formed of interdependent modular networks[J]. New J Phys, 2015, 17(12): 123007. doi: 10.1088/1367-2630/17/12/123007 [54] AZIMI-TAFRESHI N, DOROGOVTSEV S N, MENDES J. Organization of directed multiplex networks[J]. Phys Rev E, 2014(90): 052809. [55] NIU Duan-biao, YUAN Xin, DU Min-hui, et al. Percolation of networks with directed dependency links[J]. Phys Rev E, 2016, 93(4): 042312. [56] LIU Xue-ming, PAN Lin-qiang, STANLEY H E, et al. Multiple phase transitions in networks of directed networks[J]. Phys Rev E, 2019, 99(1): 012312. [57] BULDYREV S V, PARSHANI R, PAUL G, et al. Catastrophic cascade of failures in interdependent networks[J]. Nature, 2010, 464(7291): 1025-1028. doi: 10.1038/nature08932 [58] GAO Jian-xi, BULDYREV S V, STANLEY H E, et al. Percolation of a general network of networks[J]. Phys Rev E, 2013, 88(6): 062816. doi: 10.1103/PhysRevE.88.062816 [59] WANG Wei-ping, YANG Sai-ni, STANLEY H E, et al. Local floods induce large-scale abrupt failures of road networks[J]. Nat Commun, 2019, 10(1): 2114. doi: 10.1038/s41467-019-10063-w [60] LI Ming, LU Lin-yuan, DENG You-jin, et al. History-dependent percolation on multiplex networks[J]. Natl Sci Rev, 2020, 7(8): 1296-1305. doi: 10.1093/nsr/nwaa029 [61] OSAT S, FAQEEH A, RADICCHI F. Optimal percolation on multiplex networks[J]. Nat Commun, 2017, 8(1): 1540. doi: 10.1038/s41467-017-01442-2 [62] SINGH R K, SINHA S. Optimal interdependence enhances the dynamical robustness of complex systems[J]. Phys Rev E, 2017, 96(2): 020301. doi: 10.1103/PhysRevE.96.020301 [63] WANG Ze-xun, ZHOU Dong, HU Yan-qing. Group percolation in interdependent networks[J]. Phys Rev E, 2018, 97(3): 032306. [64] KRYVEN I. Bond percolation in coloured and multiplex networks[J]. Nat Commun, 2019, 10(1): 404. doi: 10.1038/s41467-018-08009-9 [65] KRYVEN I, BIANCONI G. Enhancing the robustness of a multiplex network leads to multiple discontinuous percolation transitions[J]. Phys Rev E, 2019, 100(2): 020301. [66] YUAN Xin, HU Yan-qing, STANLEY H E, et al. Eradicating catastrophic collapse in interdependent networks via reinforced nodes[J]. Proc Natl Acad Sci USA, 2017, 114(13): 3311-3315. doi: 10.1073/pnas.1621369114 [67] DUAN Dong-li, LÜ Chang-chun, SI Shu-bin, et al. Universal behavior of cascading failures in interdependent networks[J]. Proc Natl Acad Sci USA, 2019, 116(45): 22452-22457. doi: 10.1073/pnas.1904421116 [68] DE ARRUDA G F, RODRIGUES F A, MORENO Y. Fundamentals of spreading processes in single and multilayer complex networks[J]. Phys Rep, 2018, 756: 1-59. doi: 10.1016/j.physrep.2018.06.007 [69] DE DOMENICO M, GRANELL C, PORTER M A, et al. The physics of spreading processes in multilayer networks[J]. Nature Phys, 2016, 12(10): 901. doi: 10.1038/nphys3865 [70] GOMEZ S, DIAZ-GUILERA A, GOMEZ-GARDENES J, et al. Diffusion dynamics on multiplex networks[J]. Phys Rev Lett, 2013, 110(2): 028701. doi: 10.1103/PhysRevLett.110.028701 [71] DE DOMENICO M, SOL-RIBALTA A, MEZ-GARDE G E J, et al. Navigability of interconnected networks under random failures[J]. Proc Natl Acad Sci USA, 2014, 111(23): 8351-8356. doi: 10.1073/pnas.1318469111 [72] RADICCHI F. Driving interconnected networks to supercriticality[J]. Phys Rev X, 2014, 4(2): 021014. [73] AN Ning-bo, CHEN Han-shuang, MA Chuang, et al. Spontaneous symmetry breaking and discontinuous phase transition for spreading dynamics in multiplex networks[J]. New J Phys, 2018, 20(12): 125006. doi: 10.1088/1367-2630/aaf660 [74] 刘权辉, 王伟, 唐明. 多层耦合网络传播综述[J]. 复杂系统与复杂性科学, 2016, 13(1): 48-57. LIU Quan-hui, WANG Wei, TANG Ming. The review of spreading dynamics on multilayer coupled networks[J]. Complex Systems and Complexity Science, 2016, 13(1): 48-57. [75] SANZ J, XIA Cheng-yi, MELONI S, et al. Dynamics of interacting diseases[J]. Phys Rev X, 2014, 4(4): 041005. [76] GRANELL C, MEZ-GARDE G E J, ARENAS A. Dynamical interplay between awareness and epidemic spreading in multiplex networks[J]. Phys Rev Lett, 2013, 111(12): 128701. doi: 10.1103/PhysRevLett.111.128701 [77] WEI Xiang, CHEN Shi-hua, WU Xiao-qun, et al. A unified framework of interplay between two spreading processes in multiplex networks[J]. EPL, 2016, 114(2): 26006. doi: 10.1209/0295-5075/114/26006 [78] SERRANO A B, MEZ-GARDE G E J, ANDRADE R F. Optimizing diffusion in multiplexes by maximizing layer dissimilarity[J]. Phys Rev E, 2017, 95(5): 052312. [79] LIU Quan-hui, XIONG Xin-yue, ZHANG Qian, et al. Epidemic spreading on time-varying multiplex networks[J]. Phys Rev E, 2018, 98(6): 062303. [80] CENCETTI G, BATTISTON F. Diffusive behavior of multiplex networks[J]. New J Phys, 2019, 21(3): 035006. doi: 10.1088/1367-2630/ab060c [81] TEJEDOR A, LONGJAS A, FOUFOULA-GEORGIOU E, et al. Diffusion dynamics and optimal coupling in multiplex networks with directed layers[J]. Phys Rev X, 2018, 8(3): 031071. [82] SOLE-RIBALTA A, DE DOMENICO M, KOUVARIS N E, et al. Spectral properties of the Laplacian of multiplex networks[J]. Phys Rev E, 2013, 88(3): 032807. doi: 10.1103/PhysRevE.88.032807 [83] YANG Yong, TU Li-lan, GUO Tian-jiao, et al. Spectral properties of Supra-Laplacian for partially interdependent networks[J]. Appl Math Compu, 2020, 365: 124740. [84] 靳帧, 孙桂全, 刘茂省. 网络传染病动力学建模与分析[M]. 北京: 科学出版社, 2014. JIN Zhen, SUN Gui-quan, LIU Mao-sheng. Dynamic modeling and analysis of network infectious diseases[M]. Beijing: Science Press, 2014. [85] KARRER B, NEWMAN M E. Competing epidemics on complex networks[J]. Phys Rev E, 2011, 84(3): 036106. doi: 10.1103/PhysRevE.84.036106 [86] FUNK S, JANSEN V A. Interacting epidemics on overlay networks[J]. Phys Rev E, 2010, 81(3): 036118. doi: 10.1103/PhysRevE.81.036118 [87] SAHNEH F D, SCOGLIO C. Competitive epidemic spreading over arbitrary multilayer networks[J]. Phys Rev E, 2014, 89(6): 062817. doi: 10.1103/PhysRevE.89.062817 [88] ZHOU Shen-yu, XU Shuang-die, WANG Lin, et al. Propagation of interacting diseases on multilayer networks[J]. Phys Rev E, 2018, 98(1): 012303. doi: 10.1103/PhysRevE.98.012303 [89] GU Chang-gui, ZOU Sheng-rong, XU Xiu-lian, et al. Onset of cooperation between layered networks[J]. Phys Rev E, 2011, 84(2): 026101. doi: 10.1103/PhysRevE.84.026101 [90] MORRIS R G, BARTHELEMY M. Transport on coupled spatial networks[J]. Phys Rev Lett, 2012, 109(12): 128703. doi: 10.1103/PhysRevLett.109.128703 [91] TAN Fei, WU Jia-jing, XIA Yong-xiang, et al. Traffic congestion in interconnected complex networks[J]. Phys Rev E, 2014, 89(6): 062813. doi: 10.1103/PhysRevE.89.062813 [92] DING Rui, YIN Jian, DAI Peng, et al. Optimal topology of multilayer urban traffic networks[J]. Complexity, 2019(9): 4230981. [93] SOL-RIBALTA A, MEZ S G, ARENAS A. Congestion induced by the structure of multiplex networks[J]. Phys Rev Lett, 2016, 116(10): 108701. doi: 10.1103/PhysRevLett.116.108701 [94] GAO Lei, SHU Pan-pan, TANG Ming, et al. Effective traffic-flow assignment strategy on multilayer networks[J]. Phys Rev E, 2019, 100(1): 012310. [95] ZHANG Yong-qiang, LI Ya-ming, LI Min, et al. Method to enhance traffic capacity for multilayer networks[J]. Int J Mod Phys C, 2020, 34(13): 2050140. doi: 10.1142/S0217979220501404 [96] WANG Zhen, WANG Lin, SZOLNOKI A, et al. Evolutionary games on multilayer networks: A colloquium[J]. Euro Phys J B, 2015, 88(5): 1-15. [97] WANG Zhen, SZOLNOKI A, PERC M. Evolution of public cooperation on interdependent networks: The impact of biased utility functions[J]. EPL, 2012, 97(4): 48001. doi: 10.1209/0295-5075/97/48001 [98] WANG Zhen, SZOLNOKI A, PERC M. Optimal interdependence between networks for the evolution of cooperation[J]. Sci Rep, 2013, 3: 2470. doi: 10.1038/srep02470 [99] WANG Zhen, SZOLNOKI A, PERC M. Rewarding evolutionary fitness with links between populations promotes cooperation[J]. J Theor Biol, 2014, 349: 50-56. doi: 10.1016/j.jtbi.2014.01.037 [100] SZOLNOKI A, PERC M. Information sharing promotes prosocial behaviour[J]. New J Phys, 2013, 15(5): 053010. doi: 10.1088/1367-2630/15/5/053010 [101] BATTISTON F, PERC M, LATORA V. Determinants of public cooperation in multiplex networks[J]. New J Phys, 2017, 19(7): 073017. doi: 10.1088/1367-2630/aa6ea1 [102] KLEINEBERG K-K, HELBING D. Topological enslavement in evolutionary games on correlated multiplex networks[J]. New J Phys, 2018, 20(5): 053030. doi: 10.1088/1367-2630/aac155 [103] LIU Si-cheng, ZHANG Lin, WANG Bao-kui. Evolution of cooperation with individual diversity on interdependent weighted networks[J]. New J Phys, 2020, 22(1): 013034. doi: 10.1088/1367-2630/ab6067 [104] IRANZO J, BULD J M, AGUIRRE J. Competition among networks highlights the power of the weak[J]. Nat Commun, 2016, 7(1): 1-7. [105] DUH M, GOSAK M, SLAVINEC M, et al. Assortativity provides a narrow margin for enhanced cooperation on multilayer networks[J]. New J Phys, 2019, 21(12): 123016. doi: 10.1088/1367-2630/ab5cb2 [106] GUAN Shu-guang. Explosive synchronization in complex networks[J]. Scientia Sinica, 2019, 50(1): 010504. [107] HUANG Liang, PARK K, LAI Ying-cheng, et al. Abnormal synchronization in complex clustered networks[J]. Phys Rev Lett, 2006, 97(16): 164101. doi: 10.1103/PhysRevLett.97.164101 [108] 徐明明, 陆君安, 周进. 两层星形网络的特征值谱及同步能力[J]. 物理学报, 2016, 65(2): 28902. XU Ming-ming, LU Jun-an, ZHOU Jin. Synchronizability and eigenvalues of two-layer star networks[J]. Acta Phys Sin, 2016, 65(2): 28902. [109] AGUIRRE J, SEVILLA-ESCOBOZA R, GUTI RREZ R, et al. Synchronization of interconnected networks: the role of connector nodes[J]. Phys Rev Lett, 2014, 112(24): 248701. doi: 10.1103/PhysRevLett.112.248701 [110] NICOSIA V, SKARDAL P S, ARENAS A, et al. Collective phenomena emerging from the interactions between dynamical processes in multiplex networks[J]. Phys Rev Lett, 2017, 118(13): 138302. doi: 10.1103/PhysRevLett.118.138302 [111] DANZIGER M M, BONAMASSA I, BOCCALETTI S, et al. Dynamic interdependence and competition in multilayer networks[J]. Nature Phys, 2019, 15(2): 178. doi: 10.1038/s41567-018-0343-1 [112] DEL GENIO C I, MEZ-GARDE G E J, BONAMASSA I, et al. Synchronization in networks with multiple interaction layers[J]. Sci Adv, 2016, 2(11): e1601679. doi: 10.1126/sciadv.1601679 [113] SU Gui-feng, RUAN Zhong-yuan, GUAN Shu-guang, et al. Explosive synchronization on co-evolving networks[J]. EPL, 2013, 103(4): 48004. doi: 10.1209/0295-5075/103/48004 [114] ZHANG Xi-yun, BOCCALETTI S, GUAN Shu-guang, et al. Explosive synchronization in adaptive and multilayer networks[J]. Phys Rev Lett, 2015, 114(3): 038701. doi: 10.1103/PhysRevLett.114.038701 [115] DANZIGER M M, MOSKALENKO O I, KURKIN S A, et al. Explosive synchronization coexists with classical synchronization in the Kuramoto model[J]. Chaos, 2016, 26(6): 065307. doi: 10.1063/1.4953345 [116] SZNAJD-WERON K, SZNAJD J. Opinion evolution in closed community[J]. Int J Mod Phys C, 2000, 11(6): 1157-1165. doi: 10.1142/S0129183100000936 [117] KRAWIECKI A, GRADOWSKI T, SIUDEM G. Majority vote model on multiplex networks[J]. Acta Phys Pol A, 2018, 133: 1433-1440. doi: 10.12693/APhysPolA.133.1433 [118] LIU Jing, FAN Ying, ZHANG Jiang, et al. Coevolution of agent’s behavior and noise parameters in majority vote game on multilayer networks[J]. New J Phys, 2019, 21(1): 015007. doi: 10.1088/1367-2630/ab00aa [119] CHOI J, GOH K-I. Majority-vote dynamics on multiplex networks with two layers[J]. New J Phys, 2019, 21(3): 035005. doi: 10.1088/1367-2630/ab0602 [120] CHMIEL A, SZNAJD-WERON K. Phase transitions in the q-voter model with noise on a duplex clique[J]. Phys Rev E, 2015, 92(5): 052812. doi: 10.1103/PhysRevE.92.052812 [121] AMATO R, KOUVARIS N E, SAN M M, et al. Opinion competition dynamics on multiplex networks[J]. New J Phys, 2017, 19(12): 123019. doi: 10.1088/1367-2630/aa936a [122] DIAKONOVA M, SAN M M, EGU L V M. Absorbing and shattered fragmentation transitions in multilayer coevolution[J]. Phys Rev E, 2014, 89(6): 062818. doi: 10.1103/PhysRevE.89.062818 [123] KRIOUKOV D, PAPADOPOULOS F, KITSAK M, et al. Hyperbolic geometry of complex networks[J]. Phys Rev E, 2010, 82(3-2): 036106. [124] ALLARD A, SERRANO M Á, GARC P G, et al. The geometric nature of weights in real complex networks[J]. Nat Commun, 2017, 8: 14103. doi: 10.1038/ncomms14103 [125] WU Zong-ning, DI Zeng-ru, FAN Ying. An asymmetric popularity-similarity optimization method for embedding directed networks into hyperbolic space[J]. Complexity, 2020(5): 1-16. [126] KLEINEBERG K K, BOGUNÁ M, SERRANO M Á, et al. Hidden geometric correlations in real multiplex networks[J]. Nature Phys, 2016, 12(11): 1076-1081. doi: 10.1038/nphys3812 [127] LIU Xue-ming, LI Da-qing, MA Man-qing, et al. Network resilience[EB/OL]. (2020-07-26). http://arxiv.org/abs/2007.14464.