节点中心性度量

中心性（centrality）：哪个节点的影响力更大？
1.Centrality度量方法：Degree

Degree是运用最广泛的centrality之一，因为它计算简单，可理解性强

局限：邻接节点的重要性没有考虑
举个例子，微博上某账户买僵尸粉增加粉丝量，可以使该账户节点的in-degree非常大，但是并不意味着该节点的影响力就大。

2.Centrality度量方法：Eigenvector
影响力大的人不仅仅是朋友多，而且他的朋友也是重要的


可以看出，v7节点的重要性，是由和它相边的v1,v4,v6三个节点的重要性来决定的，也就是说，如果v1,v4,v6的重要性越高，那么v7节点的重要性也就越高。
其中，? 是矩阵的特征根

3.Centrality度量方法：Katz
eigenvector方法在无向图上的表现非常优异
但当出现在有向无环图时，其中节点 eigenvector centrality变成0

Katz提出了一个改进方法，即每个节点初始就有一个centrality值
这样，上图中v6和v5节点的centrality计算方法就变成了：

4.Centrality度量方法：PageRank
Katz在计算时，每条出边都会带上起始节点的完整中心性值，这是否合理呢？
显然是不合理的，举个例子，导航网站hao123，它指向了许多其它网站，在katz方法中，该网站每条出边的值都是一样的，但显然，雅虎和其它小网站的重要性是不一样的。

为此，Google的Larry Page对Katz的方法提出了进一步的改进，称为PageRank算法。

PageRank算法在Katz的基础上，假设一个节点的出度是n，刚每条出边附上1/n的起始节点的中心度量值



进行了一轮迭代计算之后

经过多轮迭代，直到centrality值收敛，即得到每个节点的centrality

5.Centrality度量方法：Betweenness
betweenness则从路径这个维度来度量节点的centrality.

对于网络中的两个节点A和B，他们之间的最短路径可能有很多条。计算网络中任意两个节点的所有最短路径，如果这些最短路径中有很多条都经过了某个节点，那么就认为这个节点的Betweenness Centrality高


从直观上讲，图中左边的这些节点和右边的这些节点都必须通过A ,F两个点来连接。因此这两个点的betweenness centrality也会更高。

6.Centrality度量方法：Closeness
Closeness的centrality 度量方法思想是：如果节点到图中其它节点的最短距离都很小，那么我们认为该节点的Closeness Centrality高。

这个定义其实比Degree Centrality从几何上更符合中心度的概念，因为到其它节点的平均最短距离最小，意味着这个节点从几何角度看是出于图的中心位置。

举个例子，在社交网络中，Closeness Centrality高的节点一般扮演的是八婆的角色（gossiper）。他们并不是明星，但是乐于在不同的人群之间传递消息。