社交网络的中心度、中心势、社区发现算法(igraph包)

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=vdviV1
  • 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=vgijgivj
  • 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[Aij2mkikj]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 i {i} i的度(所连接边的权重和)
  • c i {c_i} ci 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=m1ijAij
  • 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
  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    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
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