Centrality

Degree Centrality
Betweenness Centrality
Eigenvector Centrality

Degree centrality
是网络分析中一个基本的中心性指标，它衡量了一个节点在网络中的重要性，基于该节点连接的边数。

1. 社交网络：在社交网络分析中，一个用户的 degree centrality 可以通过他们的朋友数来衡量。拥有更多朋友的用户通常被认为在社交网络中更为重要或有影响力。

2. 互联网结构：在互联网的网络结构中，degree centrality 可以用来衡量网页或网站的重要性。一个拥有更多入站链接的网页通常被认为更有价值或权威性。

3. 合作网络：在科学家或研究者的合作网络中，degree centrality 高的个体可能意味着他们参与了更多的合作研究，因此可能在该领域内具有较高的学术地位。

4. 疾病传播模型：在流行病学中，degree centrality 可以用来识别在疾病传播网络中的关键个体。那些连接数多的个体可能在疾病的传播过程中起到关键作用。

5. 交通网络：在城市交通网络中，degree centrality 高的节点可能表示一个交通枢纽或繁忙的交叉路口，这些地方在交通流量中扮演着重要角色。

6. 生物网络：在蛋白质相互作用网络中，degree centrality 高的蛋白质可能在生物过程中扮演核心角色，因为它们与许多其他蛋白质相互作用。

7. 信息传播：在信息传播网络中，degree centrality 高的节点可能是信息传播的关键节点，因为它们能够快速地将信息传递给多个其他节点。

8. 组织结构：在组织结构图或通信网络中，degree centrality 可以用来识别关键的决策者或信息中介，这些人可能因为与多个部门或团队有直接联系而显得特别重要。

9. 在线社区：在在线论坛或社区中，degree centrality 可以用来识别最活跃的参与者，这些人可能因为频繁地发帖和回复他人而拥有较高的连接度。

10. 引文分析：在科学引文网络中，degree centrality 高的论文可能被广泛引用，表明它们在学术界有较大的影响力。

Betweenness centrality是衡量网络中节点重要性的一个指标，它反映了节点作为其他节点之间最短路径桥梁的程度。例子：

社交网络中的意见领袖：在社交网络中，某些用户可能位于许多朋友之间的最短沟通路径上，这些用户在信息传播中起到关键作用。通过计算Betweenness centrality，可以识别出这些在网络中影响力较大的意见领袖。

交通网络中的交通枢纽：在交通网络中，如城市地铁系统或公路网络，某些站点或交叉路口由于位于多条最短路径的交汇点，因此具有较高的Betweenness centrality。这些交通枢纽对于网络的整体连通性和效率至关重要。

生物网络中的关键基因：在生物网络中，基因和蛋白质通过复杂的相互作用形成网络。某些基因可能位于多条信号传导路径的关键节点上，对生物体的生命活动具有重要影响。通过计算Betweenness centrality，可以识别出这些在生物网络中起关键作用的基因。

互联网中的路由器：在互联网中，路由器负责数据包的转发。某些路由器由于地理位置或网络架构设计的原因，可能位于多条网络流量最短路径的交汇点，这些路由器的故障可能导致网络拥塞或中断。计算路由器的Betweenness centrality可以帮助评估其重要性并进行相应的优化。

Eigenvector centrality 是一种衡量网络中节点重要性的指标，它基于这样的观点：如果一个节点连接到其他重要的节点，那么它本身也更加重要。

1. 社交网络分析：在社交网络中，一个用户的重要性不仅取决于他们拥有多少朋友，还取决于他们朋友的重要性。例如，一个人可能只有几个朋友，但这些朋友都是非常有影响力的人物（如名人或意见领袖），那么这个人的 eigenvector centrality 会很高。这与简单的度中心性（只考虑连接数量）不同，eigenvector centrality 考虑了连接的质量。

2. 网页排名（PageRank）：Google 的 PageRank 算法就是基于 eigenvector centrality 的一个变种，用于确定网页的重要性。一个网页的重要性不仅取决于它被多少其他网页链接，还取决于链接到它的网页的重要性。

3. 影响力分析：在任何类型的网络中，eigenvector centrality 可以用来识别最具影响力的节点。例如，在引文网络中，一个论文如果被许多其他重要论文引用，那么它的 eigenvector centrality 会很高，表明它在学术领域中具有较高的影响力。

4. 网络结构分析：在分析网络结构时，eigenvector centrality 可以帮助识别网络中的关键节点，这些节点可能在网络传播、信息流动或网络稳定性中起着决定性作用。

5. 自连接（Self-loops）的影响：在某些网络中，节点可能与自己形成连接（自连接）。研究表明，包含或不包含这些自连接对 eigenvector centrality 的计算有影响，这取决于自连接的数量或权重。在某些情况下，忽略自连接可能会提供关于网络性质和动态的不同视角。

6. 网络软件包的应用：许多网络分析软件包，如 NetworkX，提供了计算 eigenvector centrality 的工具。这些工具可以帮助研究人员快速计算网络中每个节点的 eigenvector centrality，从而进行进一步的分析。

7. 经济学中的应用：在经济学中，eigenvector centrality 可以用来分析生产网络中不同公司的重要性，这与 Leontief 投入产出分析有关。

Eigenvector centrality measures how influential a node is by considering both the number of connections and the importance of those connections.

Q1: if I have a website A with many many links Group B inside of it, then it has high degree centrality, right?

Yes, A has high out-degree centrality because it links to many other pages

Q2: If this website A also has many outside websites Group C which link to it, then A has high degree centrality, right?

Yes, A has high in-degree centrality since many external sites link to it

Q3: If this website A has many outside webpages Group C which link to it, but all the Group C websites are “garbage websites”, then A has low eigenvector centrality, right?

Yes, A’s eigenvector centrality will be low because its connections are from unimportant websites

Q4: If Group C are highly valuable, then A has both degree centrality and eigenvector centrality, right?

Yes, A will have high eigenvector centrality and degree centrality if linked by influential sites

Betweenness centrality shows how much a node connects different parts of the network. If many paths pass through it, it’s a key bridge. E.g. a small town that connects major cities has high betweenness, because it’s crucial for travel between cities.