标签：重要 比例 cto 方法 font 特征 影响 角度 算法
特征向量的方法不仅考虑节
点邻居数量还考虑了其质量对节点重要性的影响.
t-family:Times-Roman;color:rgb(0,0,0);">
3.1 特征向量中心性
特征向量中心性(eigenvector centrality)[32]认为一
个节点的重要性既取决于其邻居节点的数量(即该节
点的度), 也取决于每个邻居节点的重要性. 记 xi 为
节点 vi 的重要性度量值, 则:
? ?
1
,
i ij j
n
j
ECi x c ax
?
? ?
?
(24)
其中 c 为一个比例常数. 记 ?
?
T
123
, , , ,
n
x ? xxx x
?
, 经
过多次迭代到达稳态时可写成如下的矩阵形式:
x Ax
? c
.
这表示 x 是矩阵 A 的特征值 c?1 对应的特征向量. 计
算向量 x 的基本方法是给定初值 x(0), 然后采用如下
迭代算法:
xt t t
( ) ( 1), = 1, 2, ,
? cAx ?
?
直到归一化的 xt xt
?( ) ( 1)
? ? ? 为止. 文献[32]证明, 每一
步的迭代过程中
, 如果给 x 除以邻接矩阵 A 的主特征
值
?, 这一个方程就能得到一个收敛的非零解
. 即
1183
特邀评述
1 ? A?
x x
? . 于是, 常数 1 c ?? ? . 特征向量中心性更
加强调节点所处的周围环境(节点的邻居数量和质
量), 它的本质是一个节点的分值是它的邻居的分值
之和, 节点可以通过连接很多其他重要的节点来提
升自身的重要性, 分值比较高的节点要么和大量一
般节点相连, 要么和少量其他高分值的节点相连. 从
传播的角度看, 特征向量中心性适合于描述节点的
长期影响力, 如在疾病传播、谣言扩散中, 一个节点
的 EC 分值较大说明该节点距离传染源更近的可能性
越大, 是需要防范的关键节点[61]
特征向量中心性（从文献中摘抄）
标签：重要 比例 cto 方法 font 特征 影响 角度 算法
原文地址：https://www.cnblogs.com/miaobo/p/12485574.html
