中心度
1. 点度中心性
- 节点的度;
- 意义:该点单独的价值
2. 紧密中心度(clossness centrality)
- 公式: ∣ V ∣ − 1 ∑ i ≠ v d v i \frac{|V|-1}{\displaystyle \sum^{}_{i \neq v}{d_{vi}}} i=v∑dvi∣V∣−1
- 某点到其他各点距离之和的平均值的倒数
- 意义:某点到其他点的难易程度,越大说明越在中心,越能更快到达其他节点。
3. 介数中心性(betweenness centrality)
- 公式: ∑ i ≠ j ≠ v g i v j g i j {\displaystyle \sum^{}_{i \neq j \neq v}{g_{i v j} \over g_{ij}}} i=j=v∑gijgivj
- g i j g_{i j} gij为节点i到j的最短路径数量
- g i v j g_{i v j} givj为上面得到的 g i j g_{i j} gij中过节点 v v v的路径数
- 意义:表明该点在网络中的重要程度,判断是不是一个交通枢纽。
4. PageRank algorithm
5. 社区发现算法(例如:Louvain algorithm)
- 公式: Q = 1 2 m ∑ i j [ A i j − k i k j 2 m ] δ ( c i , c j ) Q={1 \over 2m}{\displaystyle \sum^{}_{ij}[A_{ij}-{k_ik_j \over 2m}] \delta(c_i, c_j)} Q=2m1ij∑[Aij−2mkikj]δ(ci,cj)
- A i j {A_{ij}} Aij为节点 i , j {i, j} i,j中间的边权重
- k i {k_i} ki为 i {i} i的度(所连接边的权重和)
- c i {c_i} ci为 i {i} i所属的社区
- δ ( x , y ) = { 1 , x = y 0 , x ≠ y \delta {(x, y)} = \begin{cases} 1, & x = y \\ 0, & x \neq y \end{cases} δ(x,y)={1,0,x=yx=y
- m = 1 m ∑ i j A i j m={1 \over m}{\displaystyle \sum^{}_{ij}A_{ij}} m=m1ij∑Aij
- 意义:类似聚类,根据节点的度、边权重等信息,进行社区划分。关系密切的在同一个社区,迭代多次。
- 参考:维基百科
- medium