Skip to content
返回搜索结果

度中心性

提出者
Freeman, L. C.
年份
1978
类型
Node-level centrality measure
类别
Network science

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

度中心性是衡量节点在网络中重要性的最简单、最直观的度量,定义为节点拥有的直接连接数。通过除以最大可能连接数进行归一化,它可以跨不同大小的网络进行比较,并且几乎是所有网络分析的起点。

方法背后的直觉

想象一个会议室,认识很多人的人就是社交最活跃的人。度中心性恰恰捕捉了这一点:节点的原始连接数。度数高的节点位于直接活动中心——它可以在一步内到达许多邻居。由于它计算简单且易于解释,度中心性通常是网络研究中计算的第一个度量,作为更复杂度量的基准。

历史学

度中心性由 Linton C. Freeman 在其 1978 年发表在《Social Networks》杂志上的里程碑式论文中正式定义和系统化,该论文还在统一的概念框架下引入了中介中心性和紧密度中心性。该度量本身可以追溯到 1940-1950 年代的早期社会测量学工作。Freeman 的论文仍然是规范的引用,并将社会网络分析确立为一个严谨的定量学科。

何时使用

当您需要快速、可解释的摘要来了解哪些节点具有最多的直接连接时——用于识别任何二元或加权网络中的中心节点、关键参与者或高度活跃的节点。它适用于大小网络,并且只需要边列表。当研究问题涉及间接影响、信息流效率或把关角色时,不要仅依赖度中心性;对于这些目的,特征向量中心性、紧密度中心性或中介中心性更合适。在几乎所有节点都具有相同度数的完全或近乎完全的图中,它也没有信息量。

局限与注意事项

  • 仅计算直接邻居;忽略了节点在全局网络结构中的位置。
  • 度数高的节点可能完全处于外围,如果它所有的邻居彼此隔离。
  • 在度数方差接近零的密集或完全图中没有信息量。
  • 无法区分连接是到有影响力的节点还是外围节点(使用特征向量中心性来解决)。
  • 对网络边界决策敏感——谁被包含在网络中会影响分数。

来源中的条件不能替代独立的科学审查或分析引擎的验证。

优势

  • 计算上微不足道——每个节点 O(n)——并且可以扩展到非常大的网络。
  • 易于解释:原始连接数无需网络分析专业知识即可解释。
  • 适用于有向、无向、二元和加权(作为加权度)图。
  • 作为比较更复杂的中心性度量的不可或缺的基准。
  • 度分布提供了整体网络拓扑(无标度、随机等)的指纹。
  • 易于可视化:与度数成比例的节点大小一目了然地传达结构。

应用

  • 识别社交和组织网络中的中心节点和有影响力的参与者。
  • 流行病学接触者追踪,以优先干预高度连接的个体。
  • 网络和引文网络分析,以对高度链接的页面或论文进行排名。
  • 基础设施弹性分析,以查找移除后会破坏网络的关键节点。
  • 营销和扩散研究,以定位病毒传播活动的种子节点。
  • 合著和合作网络研究中的文献计量学。

使用方式

使用方式

1

网络表示为图 G = (V, E),其中 V 是节点集,E 是边集。邻接矩阵 A 编码了哪些节点对是连接的。在无向网络中,每条边计数一次;在有向网络中,入度和出度分别跟踪,分别反映传入和传出的连接。

2

对于每个节点 v,通过对邻接矩阵的行(或列)中的所有条目求和来计算度中心性——即,计算它直接连接到多少其他节点。原始度数为 C_D(v) = deg(v)。在有向图中,入度计算传入连接,而出度计算传出连接。

公式
C_D(v) = \deg(v) = \sum_{u \in V} a_{vu}
3

为了跨不同大小的网络进行比较,原始度数除以 (n − 1),即 n 个节点的网络中可能的最大连接数。归一化分数 C_D'(v) 介于 0 和 1 之间,其中 1 表示节点连接到网络中的所有其他节点。

公式
C_D'(v) = \frac{\deg(v)}{n - 1}
4

节点按其归一化的度中心性分数排序。分数的分布可以可视化为直方图,或在网络图上显示为节点大小或颜色。高度节点是中心节点或影响者的候选者;度分布的形状(例如,重尾与均匀)揭示了更广泛的网络结构特性。

常见陷阱

  • 在未对原始度数进行归一化的情况下报告,导致结果在不同大小的网络之间不可比较。
  • 将度中心性视为影响力的充分证据,而未检查中介中心性或特征向量中心性。
  • 在有向网络中忽略方向性:入度和出度具有不同的实质意义。
  • 将度中心性与加权度中心性混淆,而未承认二元与加权网络之间的差异。
  • 忽略孤立节点(度数为 0 的节点),这些节点可能是实质上重要的缺失参与者。

常见问题

度中心性与特征向量中心性有什么区别?

度中心性计算直接连接的数量,而不考虑这些邻居是谁。特征向量中心性根据邻居的重要性来加权每个连接,因此连接到少数高度中心节点的节点可能比连接到许多外围节点的节点得分更高。

在有向网络中,我应该使用入度还是出度?

选择取决于研究问题。入度衡量有多少参与者指向一个节点(例如,受欢迎程度、声望、引用次数)。出度衡量一个节点指向多少参与者(例如,活动水平、信息发送)。同时报告两者通常很有信息量。

度中心性是否适用于加权网络?

标准公式使用二元边。对于加权网络,类似的度量是加权度中心性(也称为节点强度),它对边权重求和而不是计数边。igraph、NetworkX 和 Gephi 中的大多数实现都支持此选项。

我的网络必须有多大?

度中心性没有最小规模要求。即使在 10 个节点的网络中也有意义。然而,在非常小的网络中,归一化分数会失去分辨率——几乎所有节点可能看起来都同样中心。对于少于大约 20 个节点的网络,检查原始度数分布通常比归一化分数更有信息量。

何时度中心性不够用?

当您的研究问题涉及中介角色、把关或跨网络的信息流,而不是局部受欢迎程度时。具有适度度数的节点可以控制集群之间的访问(高介数)或快速到达所有其他节点(高紧密度),而无需拥有许多直接连接。

相关方法

参考文献

  1. Freeman, L. C. (1978). Centrality in social networks: Conceptual clarification. Social Networks, 1(3), 215–239.

    打开 DOI 文献
    已复制。
  2. Wasserman, S. & Faust, K. (1994). Social Network Analysis: Methods and Applications. Cambridge University Press.

    ISBN:978-0-521-38707-1
    已复制。