社会计算社区发现和社会媒体挖掘读书笔记1

最新推荐文章于 2024-01-09 00:57:38 发布

转载最新推荐文章于 2024-01-09 00:57:38 发布 · 339 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/huhaibo/p/3450366.html

文章标签：

#人工智能

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