中心度量

在复杂网络领域，如何识别影响节点是分析网络结构的一个重要问题。在这里介绍一个简单的概念--中心度量

中心度量

考虑有n=|V|节点和m=|E|链接的图G=(V, E)。DC、CC、BC的节点中心性测量定义如下:

A.Degree centrality(DC)

节点i的DC，记为CD(i)，定义为

                                                 

其中i为焦点节点，j为所有其他节点，N为节点总数，为节点i与节点j之间的连接，当节点i与节点j连接时，的值定义为1，否则为0。

B.Betweenness centrality(BC)

节点i的BC，记为CB(i)，定义为

                                      

其中gjk表示节点j到k之间的最短路径数，and  gjk(i)表示节点j到k之间经过节点i的最短路径数。

C.Closeness centrality(CC)

节点i的CC，记为CC(i)，定义为

                                                  

其中dij为节点i到节点j的距离

D.Eigenvector centrality

假设A是n*n相似矩阵。节点i的特征向量中心性xi定义为:归一化特征向量中属于A最大特征值的第i项，k为A最大特征值，n为顶点数

比例系数u，使xi与与其相连的所有节点的相似度评分之和成正比

E.PageRank

PageRank算法是一个著名的特征向量中心性的变种，用于在谷歌搜索引擎和其他商业场景中对网站进行排名。

与特征向量中心性相似，PageRank假设一个网页的重要性由链接到它的网页的数量和质量决定。

最初，每个节点有一个单位PR值。然后，每个节点将PR值均匀地分配给其出站链路上的邻居。数学上，节点vi在t步的PR值为

其中，n为网络中节点总数，k（out） j为节点vj的出度。当所有节点的PR值达到稳态时，上述迭代将停止

F.LeadRank

Leader Rank是是Page Rank算法的一个变种。一般来说，他们引入的是一个与所有其他节点双向连接的接地节点。然后，利用随机游动过程来寻找有影响的节点，这个过程一直持续到稳定状态。这个过程可以用随机矩阵P来描述，概率为pij=aij / k(out) i，节点i的随机漫步者下次到达j，其中aij=1表示节点i指向节点j, k(out) i表示出度。那么节点i在t时刻的得分可以定义为

所有节点i的初始得分为1，地面节点为0。当所有i的分数si(t)收敛到一个唯一的稳态时，表示为si(tc)，即收敛时间。因此，节点的最终得分定义为

其中sg(tc)为接地节点稳态得分。因此，我们可以用Si对每个节点进行排序。