中心性的度量---度中心性，间接中心性,紧密中心性,特征向量中心性

网络分析中，经常会用到中心性这个概念。通常在中心性的分析角度上有两种出发点：中心度和中心势。
  中心度表示一个节点在网络中处于核心地位的程度；中心势表示整个图的紧密程度。换句话说，度表示单个节点的性质，而势表示整个图的性质。
目前有四种中心性的分析方法，分别是：度中心性（degree centrality），间接中心性（betweenness centrality）,紧密中心性（closeness centrality）,特征向量中心性（eigenvector centrality）。对于每种分析方法都有度和势两种指标。

1、度中心性（degree centrality）

网络中，一个节点与其他很多节点发生直接联系，那么这个节点就处于中心地位。即节点的关系越广，相邻节点越多，那么这个节点也就越重要。可以通过节点的 入度来表示DC。

计算：
a) 对于有n个节点的图G=(V,E)，节点v的度中心性DC就是返回这个节点的入度数。那么当不同的图在做比较时就需要对度中心性进行标准化，这时可以除以这个点v有可能的最大连接数V-1，其中V表示节点个数。

b)整个图的中心势：
一张图的度中心性需要以单个点的DC最高的点为核心来计算，这里我们将这个点记为n*，它的中心度为DC(n*)。中心势的计算为DC(n*)与其他各点的差值的总和。如果需要标准化的话，在除以最大可能的相连情况（V-1）(V-2)。这个计算结果反应了度中心性最高的点和其他点的差距，差距越大，表示权力越集中。

2、间接中心性（betweenness centrality）

间接中心性是指某节点出现在其他节点之间的最短路径的个数。如果这个节点的间接中心性高，那么它对整个图的转移会有很大的影响，考察的是节点对于其他节点信息传播的控制能力。换句话说，就是这个节点相当远一个闸，和它相连的节点想要得到其他节点都得经过它。

计算：
求解的过程可以分为三部分：
  1、计算每对节点（s,t）之间的最短路径，需要得到具体的路径信息
  2、对各个节点判断该节点是否在最短路径上
  3、最后将刚刚的判断进行累加得到从s到t的最短路径镜柜该节点的数量，公式如下所示，其中，dst表示s到t的最短路径数，dst()是从s到t的最短路径中经过节点的数量。

若需要进行标准化，在如上公式基础上，除以（n-1）(n-2)

3、紧密中心性（closeness centrality）

紧密中心性反应某一节点与其他节点之间的接近程度。如果一个节点离其他节点越近，那么他传播信息的时候也就越不需要依赖他人。一个节点到网络中各点的距离都很短，那么这个点就不会受制于其他点。

计算：
这个点的紧密中心性 基于该节点到网络中其他所有节点的最短路径之和。如果进行归一化，那么就是求这个节点到其他所有节点的平均最短距离。一个节点的平均最短距离(di)越小，那么该节点的紧密中心性越大。di越小，意味着节点vi更接近网络中的其他节点，于是把di的倒数定义为节点vi的紧密中心性，即CC(i)。


如果节点vi和vj之间没有路径可达，则定义dij=无穷大，则其倒数为0.

4 、特征向量中心性（eigenvector centrality）

一个节点的重要性既取决于其邻居节点的数量（即该节点的度），也取决于其邻居节点的重要性,记xi为节点vi的重要性度量值，则：

其中，c为一个比例常数，记x=[x1,x2,x3,…,xn]T，经过多次迭代到达稳态时，可以写成如下的矩阵形式：

这里表示x是矩阵A的特征值c^-1对应的特征向量，也可表示为如下形式：

计算：
一个节点的特征向量中心性与其临近节点的中心性得分的总和成正比。与重要的节点连接的节点更重要，有少量有影响的联系人的节点其中心性可能超过拥有大量平庸的联系人的节点。
1、计算图的成对临近矩阵的特征分解
2、选择有最大特征值的特征向量
3、第i个节点的中心性等于特征向量中的第i元素

另外PageRank算法是特征向量中心性的一个变种。