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$C_e(vi)$，则有公式：

$$C_e(v_i)=\frac{1}{\lambda }\sum _{j=1}^n{\mathbf{A}}_{j,i}{C}_e(v_j)$$

其中$\lambda$是一个常量。假设$C_e=(C_e(v_1),C_e(v_2),\dots ,C_e(v_n){)}^T$是所有顶点的中心向量，则上式可以重写为：

$$\lambda C_e={\mathbf{A}}^T{C}_e$$

其中$C_e$是邻接矩阵$A^T$ (或$A$，无向图中$A=A^T$)的特征向量，$\lambda$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$A$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