特征向量中心度(Eigenvector Centrality)

概念

回顾度中心度,我们通常认为,顶点的连接数越多,顶点越重要。但是在现实中,我们不能保证拥有很多的朋友这个人就是重要的,拥有更多重要的朋友往往才是更重要的衡量标准。

换句话说,就是认识很多“边缘”人物,没有认识较少的“中心”人物更重要。

特征向量中心度是第一个考虑顶点在图中作为传递桥梁的重要性,而不是只考虑顶点的直接重要性的中心度度量。

公式

记特征向量中心度为 C e ( v i ) C_e(vi) Ce(vi),则有公式:

C e ( v i ) = 1 λ ∑ j = 1 n A j , i C e ( v j ) C_e(v_i) =\frac{1}{\lambda} \displaystyle \sum^{n}_{j=1}\mathbf{A}_{j,i}C_e(v_j) Ce(vi)=λ1j=1nAj,iCe(vj)

其中 λ \lambda λ是一个常量。假设 C e = ( C e ( v 1 ) , C e ( v 2 ) , … , C e ( v n ) ) T C_e=(C_e(v_1),C_e(v_2),…,C_e(v_n))^T Ce=(Ce(v1),Ce(v2),,Ce(vn))T是所有顶点的中心向量,则上式可以重写为:

λ C e = A T C e \lambda C_e=\mathbf{A}^TC_e λCe=ATCe

其中 C e C_e Ce是邻接矩阵 A T A^T AT (或 A A A,无向图中 A = A T A=A^T A=AT)的特征向量, λ \lambda λ是对应的特征值。求出的特征向量每一个元素对应一个特征向量中心度。

但是我们知道一个矩阵可以有多个特征值,对应多个特征向量,那么应该选择哪个特征值?为方便比较,中心度一般是大于0的值,因此选取的特征值对应的特征向量应该均大于0。根据佩龙-弗罗宾尼斯定理(Perron-Frobenius Theorem),如果我们选取矩阵 A A A的最大特征值,那么其对应的特征向量就均为正值。

扩展

思考一下特征向量的实际意义是什么,为什么可以反应节点的重要性

  • 0
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值