本文详细阐述了度中心度的概念，包括无向图、加权无向图和有向图中的度中心度计算方法。讲解了度中心度的公式，并介绍了归一化的处理方式。重点讨论了如何根据网络结构选择入度、出度或权重来衡量节点重要性。
1、概念
度中心度（Degree Centrality）是在网络分析中刻画节点中心度（Centrality）的最直接度量指标。一个节点的节点度越大就意味着这个节点的度中心性越高，该节点在网络中就越重要。
2、公式
无向图
顶点 v i v_i vi的度中心度 C d C_d Cd：
C d ( v i ) = ∑ i = 1 , i ≠ j n d i j C_d(v_i) = \displaystyle \sum^{n}_{i=1,i≠j}d_{ij} Cd(vi)=i=1,i=j∑ndij
其中 d i j d_{ij} dij表示顶点 v i v_i vi与其它顶点的连接边。
加权无向图
顶点 v i v_i vi的度中心度 C d C_d Cd：
C d ( v i ) = ∑ i = 1 , i ≠ j n w i j C_d(v_i) = \displaystyle \sum^{n}_{i=1,i≠j}w_{ij} Cd(vi)=i=1,i=j∑nwij
其中 w i j w_{ij} wij表示顶点 v i v_i vi与其它顶点连接边的权值。
有向图
可以使用入度或者出度作为度中心度, 分别称为入度中心度和出度中心度：
C
d
(
v
i
)
=
∑
i
=
1
,
i
≠
j
n
d
i
i
n
C_d(v_i) = \displaystyle \sum^{n}_{i=1,i≠j}d_i^{in}
Cd(vi)=i=1,i=j∑ndiin
C
d
(
v
i
)
=
∑
i
=
1
,
i
≠
j
n
d
i
o
u
t
C_d(v_i) = \displaystyle \sum^{n}_{i=1,i≠j}d_i^{out}
Cd(vi)=i=1,i=j∑ndiout
其中 d i i n d_i^{in} diin是顶点vi与其它顶点的入边（即入度）， d i o u t d_i^{out} diout是顶点 v i v_i vi与其它顶点的出边（即出度）。
使用入度时，度中心度衡量了一个顶点的受欢迎程度，表示突出性；
使用出度时，度中心度衡量了一个顶点的合群性。
加权有向图
分别为：
C
d
(
v
i
)
=
∑
i
=
1
,
i
≠
j
n
w
i
i
n
C_d(v_i) = \displaystyle \sum^{n}_{i=1,i≠j}w_i^{in}
Cd(vi)=i=1,i=j∑nwiin
C
d
(
v
i
)
=
∑
i
=
1
,
i
≠
j
n
w
i
o
u
t
C_d(v_i) = \displaystyle \sum^{n}_{i=1,i≠j}w_i^{out}
Cd(vi)=i=1,i=j∑nwiout
其中 w i i n w_i^{in} wiin是顶点vi与其它顶点的入边上的权值， w i o u t w_i^{out} wiout是顶点 v i v_i vi与其它顶点的出边上的权值。
归一化
我们知道在具有n个顶点的网络中一个顶点最多能与n-1个其它顶点连接，即最大的度中心度为n-1。
于是我们得到度中心度的归一化公式：
C d ′ ( v i ) = C d ( v i ) n − 1 C_d'(v_i) = \frac{C_d(v_i)}{n-1} Cd′(vi)=n−1Cd(vi)
扫一扫
925
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
