社会计算 社区发现和社会媒体挖掘 读书笔记1

本文探讨了网络的大规模属性,包括无尺度分布、小世界效应和强的社区结构,并详细介绍了中心性分析方法,如度中心性、紧密度中心性、介数中心性和特征中心性,以及它们在评价节点重要性中的应用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

 1.大规模的网络属性:

1)无尺度分布(scale-free distribution)(亦即幂律分布)、2)小世界效应(the smaill-world effect)(六度分离,six degrees of separation)、3)强的社区结构(strong community structure)(聚类系数(clustering coefficient))

2. 中心性(centrality)分析——中心节点(病毒营销、口碑宣传);分类(classification)与推荐(recommendation)——链接预测(link prediction )--协同过滤(collaborative filtering)

 

3、中心性 centrality分析能给出评价结点重要性的测度。常用的方法——度中心性(degree centrality)、 紧密度中心性(closeness  centrality)、介数中心性(betweenness centrality)和特征中心性(eigenvector centrality)。

degree centrality 规范化 公式为:C‘(vi)=di/(n-1)

 

转载于:https://www.cnblogs.com/huhaibo/p/3450366.html

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