| sidebar_position | 3 |
|---|
算子类别：Centrality（节点/边重要性度量）
算法数量：21 个
适用阶段：关键节点识别、影响力评估、瓶颈/桥梁定位、网络稳健性分析、传播能力评估、层级结构分析、二部图重要性排序
产品定位：为“谁最重要 / 谁是关键中介 / 哪条边最关键 / 信息如何扩散更快 / 哪些节点影响网络稳健性 / 节点处于什么层级位置”提供统一的中心性能力底座。
Centrality 算子集面向各类关系网络，包括社交网络、交易网络、引用网络、通信网络、交通路网、依赖网络、生物网络、二部推荐网络等，提供对节点、边、层级位置与传播作用的系统化刻画能力，主要覆盖以下问题：
-
连接规模型影响力
- 谁连接最多？
- 谁被最多节点指向？
- 谁主动连接最多节点？
- 典型算法：
degree_centrality,in_degree_centrality,out_degree_centrality
-
距离可达型效率
- 谁到其他节点平均距离更近？
- 谁在非连通网络中仍具有较强触达能力？
- 典型算法：
closeness_centrality,harmonic_centrality
-
最短路桥梁与中介作用
- 谁最常出现在最短路径上？
- 哪条边最关键？
- 哪些节点承担最多网络流量或路径负载？
- 典型算法：
betweenness_centrality,edge_betweenness_centrality,load_centrality
-
电流流动与网络瓶颈
- 如果信息像电流一样在网络中流动，哪些节点最关键？
- 哪些节点对整体连通和流通能力影响更大？
- 典型算法：
current_flow_betweenness_centrality
-
全局权威与谱中心性
- 谁连接的节点也很重要？
- 谁在随机游走或链接投票机制下更权威？
- 典型算法：
eigenvector_centrality,katz_centrality,pagerank,hits
-
传播、渗流与扩散能力
- 哪些节点适合作为传播种子？
- 在部分节点已经激活或处于特定状态时，谁对传播更关键？
- 典型算法：
voterank,percolation_centrality
-
局部结构与稳健性贡献
- 谁参与更多紧密子结构？
- 删除某个节点会对网络整体结构造成多大影响？
- 典型算法：
subgraph_centrality,laplacian_centrality
-
邻域相似与局部中心性
- 谁在共同邻居关系中更重要？
- 哪些节点在局部邻域中具有较高连接价值？
- 典型算法：
common_neighbor_centrality
-
层级结构与流向位置
- 节点处于网络的上游还是下游？
- 网络是否具有清晰的营养级、控制级或层级结构？
- 典型算法：
trophic_levels
-
二部图重要性排序
- 在用户-物品、作者-论文、机构-项目等二部图中，如何同时评估两侧节点的重要性？
- 典型算法：
birank
| 能力类型 | 对应算子 | 功能描述 |
|---|---|---|
| 连接规模（无权） | degree_centrality |
以连接数量衡量节点直接影响力 |
| 连接规模（有向） | in_degree_centrality, out_degree_centrality |
分别衡量“被指向”和“主动指向”的影响力 |
| 距离效率 | closeness_centrality, harmonic_centrality |
基于到其他节点的距离刻画触达效率；调和中心性对不可达节点更稳健 |
| 最短路桥梁（节点） | betweenness_centrality, load_centrality |
衡量节点作为中介、桥梁或路径负载承载点的程度 |
| 最短路桥梁（边） | edge_betweenness_centrality |
衡量关键连接边对全网联通和最短路径的贡献 |
| 电流流中心性 | current_flow_betweenness_centrality |
基于电流流动模型衡量节点在网络流通中的关键程度 |
| 全局权威/影响力（谱/迭代） | eigenvector_centrality, katz_centrality, pagerank, hits |
从“连接到重要节点更重要”、随机游走、Hub-Authority 等角度衡量全局影响力 |
| 团结构贡献（谱） | subgraph_centrality |
衡量节点参与闭环、小团、子结构的程度 |
| 传播种子选择 | voterank |
通过投票与抑制机制选择分散且覆盖能力强的扩散种子 |
| 渗流传播中心性 | percolation_centrality |
在节点状态或激活程度参与传播时，衡量节点对渗流扩散的关键性 |
| 二阶距离中心性 | second_order_centrality |
基于随机游走返回时间波动评估节点稳定性和中心性 |
| 拉普拉斯中心性 | laplacian_centrality |
衡量节点对图整体能量、结构稳健性和连通性的贡献 |
| 共同邻居中心性 | common_neighbor_centrality |
基于共同邻居结构衡量节点或局部连接的重要性 |
| 层级/营养级分析 | trophic_levels |
计算有向网络中节点的层级位置或流向层次 |
| 二部图排序 | birank |
在二部图中同时评估两类节点的重要性和相互强化关系 |
-
输入
G：NetworkX 图对象- 可为无向图
Graph - 可为有向图
DiGraph - 部分算法支持加权图
- 部分算法适用于二部图或连通图
- 可为无向图
-
常见输出
- 节点中心性：
{node: score}字典 - 边中心性：
{(u, v): score}字典 - HITS：
(hubs_dict, authorities_dict) - VoteRank：按影响力排序的节点列表
- BiRank：二部图两侧节点的重要性分数
- 层级类结果：
{node: level}或节点层级分数字典
- 节点中心性：
说明：不同中心性算法对权重的解释不同。
最短路类中心性通常将权重解释为距离 / 成本 / 阻力；谱中心性、PageRank、HITS、BiRank 等通常将权重解释为连接强度 / 转移概率 / 投票权重。工程使用时需要明确字段语义。
功能说明
计算每个节点的度中心性：节点连接数在全网规模下的归一化结果，用于衡量“直接关系覆盖面”。
产品价值
- 直观、计算快，适合大图快速筛查
- 识别高连接账户、高互动用户、高依赖组件
- 可作为其他复杂中心性算法前的基础排序指标
典型场景
- 社交网络：找好友最多或互动最多的用户
- 交易网络：找交易对手最多的账户
- 依赖网络：找依赖或被依赖最多的服务模块
适用与特性
- 图类型：有向图 / 无向图
- 权重：通常不使用权重
- 输出：
{node: score} - 复杂度：
O(V + E)
功能说明
在有向图中计算每个节点被指向的程度，反映“被引用、被关注、被调用”的连接层面影响力。
产品价值
- 适合刻画被动影响力
- 能识别被大量节点依赖、引用或关注的核心节点
- 与出度中心性配合，可区分“权威型节点”和“活跃型节点”
典型场景
- 引用网络：被引用最多的论文
- 关注网络：粉丝最多的账号
- 调用依赖：被调用最多的核心服务
适用与特性
- 图类型：有向图
- 权重：通常不使用权重
- 输出：
{node: score} - 复杂度：
O(V + E)
功能说明
在有向图中计算每个节点主动指向其他节点的程度，反映“主动连接、主动传播、主动调用”的活跃度。
产品价值
- 识别主动扩散者、广播者或调用入口
- 与入度中心性互补，便于区分“受欢迎”和“活跃”
- 适合分析外向型节点和上游发起节点
典型场景
- 社交网络：关注很多人的活跃账号
- 引用网络：引用很多文献的综述型论文
- 依赖网络：调用很多下游模块的入口服务
适用与特性
- 图类型：有向图
- 权重：通常不使用权重
- 输出：
{node: score} - 复杂度：
O(V + E)
功能说明
计算节点到其他节点最短路径距离之和的倒数。距离越短，节点越接近网络中心，触达效率越高。
产品价值
- 识别能最快触达全网的节点
- 适合信息分发、资源调度和网络效率分析
- 可结合边距离表示路网里程、通信时延或业务成本
典型场景
- 交通路网：平均到达时间最短的枢纽站点
- 通信网络：平均跳数或时延最小的中继节点
- 组织网络：能最快触达大多数人的团队成员
关键参数
u：只计算单个节点distance：边距离属性wf_improved：是否按可达比例缩放，适合非连通图
适用与特性
- 图类型：有向图 / 无向图
- 权重：支持，通常解释为距离
- 输出：
{node: score}或单节点分数 - 复杂度：通常
O(V * (V + E))
功能说明
衡量节点位于其他节点对最短路径上的程度。越多最短路径经过该节点，该节点越像网络中的桥梁、关口或中介。
产品价值
- 定位结构洞和跨社群连接者
- 识别单点故障风险
- 适合网络稳健性、瓶颈分析和关键节点识别
典型场景
- 社交网络：跨圈层关系中介
- 交易网络：资金链中的关键过渡账户
- 交通路网：关键枢纽或必经路口
关键参数
k：抽样近似，适合大图weight：边权重属性，通常解释为距离normalized：是否归一化endpoints：是否将端点计入最短路径计数seed：抽样随机种子
适用与特性
- 图类型：有向图 / 无向图
- 权重：支持，通常解释为距离
- 输出：
{node: score} - 复杂度：精确计算通常较高，大图建议使用抽样近似
功能说明
衡量边出现在多少对节点最短路径上。高边介数的边通常是跨社区连接、桥边或关键链路。
产品价值
- 识别断开后影响最大的关键边
- 支持链路加固、社区划分和网络脆弱性分析
- 可用于定位网络瓶颈连接
典型场景
- 交通路网：关键路段、桥梁、隧道
- 通信网络：关键链路、光纤段
- 供应链网络：跨区域关键供给连接
关键参数
k：抽样近似weight：边权重属性，通常解释为距离normalized：是否归一化seed：抽样随机种子
适用与特性
- 图类型：有向图 / 无向图
- 权重：支持
- 输出：
{(u, v): score} - 复杂度：精确计算通常较高，大图建议使用近似计算
功能说明
基于邻接矩阵主特征向量为节点打分。节点不仅因为连接多而重要，也因为连接到重要节点而更重要。
产品价值
- 比度中心性更强调高质量连接
- 适合发现核心圈层中的核心节点
- 能体现“重要节点互相加持”的关系结构
典型场景
- 社交网络：核心社群中的关键影响者
- 引用网络：被高影响节点连接的论文
- 组织网络：与关键岗位紧密协作的成员
关键参数
max_iter：最大迭代次数tol：收敛误差阈值nstart：初始向量weight：连接强度权重
适用与特性
- 图类型：有向图 / 无向图
- 权重：支持，通常解释为连接强度
- 输出：
{node: score} - 复杂度：
O(k * (V + E))，其中k为迭代次数
功能说明
在特征向量中心性的基础上，考虑所有长度路径的贡献，并通过衰减系数控制远距离连接的影响。
产品价值
- 同时考虑直接影响和间接影响
- 适合影响沿链路逐步衰减的业务场景
- 对入度为 0 或连接较少的节点也可通过基线项给出分数
典型场景
- 风控传导：风险沿交易链衰减传播
- 引用网络：多跳引用影响力分析
- 组织网络：跨层级协作影响力评估
关键参数
alpha：衰减系数beta：基线影响max_iter：最大迭代次数tol：收敛误差阈值normalized：是否归一化weight：连接强度权重
适用与特性
- 图类型：有向图 / 无向图
- 权重：支持，通常解释为连接强度
- 输出：
{node: score} - 复杂度：
O(k * (V + E))
功能说明
将图视为随机游走过程，节点的重要性由来自其他重要节点的指向累积而来，并通过阻尼系数控制随机跳转。
产品价值
- 适合大规模网络的稳定重要性排序
- 可通过个性化向量实现“面向特定主题或群体”的排序
- 对网页、引用、推荐、交易等链接型网络解释性强
典型场景
- 链接网络：页面或资源权威度排序
- 引用网络：论文或专利影响力排序
- 邮件/沟通网络：关键联系人优先级
- 交易网络：重要账户识别
关键参数
alpha：阻尼系数personalization：个性化向量dangling：悬挂节点处理策略max_iter：最大迭代次数tol：收敛误差阈值weight：转移权重
适用与特性
- 图类型：有向图为主；无向图可视为双向有向图
- 权重：支持，通常解释为转移权重
- 输出：
{node: score} - 复杂度：
O(k * (V + E))
功能说明
为每个节点计算两类分数：
- Hub：指向高 Authority 节点的程度
- Authority：被高 Hub 节点指向的程度
产品价值
- 能区分“资源入口”和“内容权威”
- 适合引用、链接、依赖等方向性强的网络
- 比单一中心性更适合解释双角色结构
典型场景
- 站点链接：导航站与内容站识别
- 引用网络：综述论文与权威论文识别
- 依赖网络：调用入口与核心模块识别
关键参数
max_iter：最大迭代次数tol：收敛误差阈值nstart：初始向量normalized：是否归一化
适用与特性
- 图类型：有向图为主
- 权重：通常不使用权重
- 输出：
(hubs_dict, authorities_dict) - 复杂度：
O(k * (V + E))
功能说明
以到其他节点距离的倒数求和。不可达节点贡献为 0，因此在非连通图中比接近中心性更稳定。
产品价值
- 非连通网络中仍能给出可用排名
- 兼顾全局触达能力和局部可达效率
- 适合存在孤岛、弱连通或断裂结构的图
典型场景
- 知识图谱：多社群结构下识别高触达节点
- 引用网络：跨领域可达能力分析
- 交通/通信网络：故障或断连情况下评估关键节点
关键参数
nbunch：只计算部分节点sources：指定来源集合distance：边距离属性
适用与特性
- 图类型：有向图 / 无向图
- 权重：支持，通常解释为距离
- 输出：
{node: score} - 复杂度：通常
O(V * (V + E))
功能说明
衡量节点在最短路径流量分摊意义下的承载程度。与介数中心性类似，但更强调网络中的负载流经解释。
产品价值
- 适合分析网络流量承载和中继压力
- 可用于交通、通信、系统依赖等负载型网络
- 支持识别容易成为瓶颈的节点
典型场景
- 通信网络：承担最多中继负载的节点
- 交通网络：承载最多通勤流的枢纽
- 系统依赖：承担最多转发或聚合的网关模块
关键参数
cutoff：只考虑一定长度以内的路径weight：边权重属性normalized：是否归一化
适用与特性
- 图类型：有向图 / 无向图
- 权重：支持，通常解释为距离
- 输出：
{node: score} - 复杂度：通常较高，大图建议结合 cutoff 或近似策略
功能说明
通过谱方法度量节点参与各类闭环、小团和子结构的程度。节点参与越多紧密结构，子图中心性越高。
产品价值
- 识别紧密团体中的核心节点
- 对协同、团伙、闭环结构敏感
- 适合中小规模网络中的深层结构分析
典型场景
- 社交网络：紧密朋友圈中的核心人物
- 生物网络：参与关键功能模块的基因或蛋白
- 合作网络：参与密集协作组的作者或团队
适用与特性
- 图类型：通常用于无向图
- 权重：通常不使用权重
- 输出：
{node: score} - 复杂度：谱分解相关，通常更适合中小规模图
功能说明
通过“节点投票 + 选中后抑制邻居投票能力”的机制，迭代选择一组影响力种子节点，使种子分布更分散、覆盖面更大。
产品价值
- 比单纯选择度最高节点更不容易扎堆
- 适合影响力最大化、营销触达和监控点位选择
- 可输出一组具有较强覆盖能力的候选节点
典型场景
- 营销传播：选择更分散的种子用户
- 安全告警：选择关键节点做优先监控
- 缓存/内容分发：选择代表性节点做内容投放
关键参数
number_of_nodes：返回的种子节点数量
适用与特性
- 图类型：有向图 / 无向图
- 权重：通常不使用权重
- 输出：节点列表
- 复杂度：通常近线性，取决于选择的种子数量
功能说明
基于电流网络模型计算节点中心性。与普通介数中心性只关注最短路径不同，电流流介数会考虑所有可能路径上的流动贡献。
产品价值
- 更适合刻画真实网络中“多路径分流”的中介作用
- 能识别在整体流通结构中具有关键作用的节点
- 对网络稳健性和冗余路径分析更有解释力
典型场景
- 电力网络：关键输电节点识别
- 通信网络：多路径传输下的关键中继
- 交通网络：存在多条替代路线时的瓶颈分析
- 生物网络：信号通路中的关键中转节点
关键参数
weight：边权重属性normalized：是否归一化solver：线性方程求解方式dtype：数值精度类型
适用与特性
- 图类型：通常用于连通无向图
- 权重：支持
- 输出：
{node: score} - 复杂度：涉及线性代数求解，通常适合中小规模图或稀疏优化场景
功能说明
在节点具有状态值或激活程度的情况下，衡量节点在网络渗流、传播或扩散过程中的关键程度。
产品价值
- 将节点状态纳入中心性计算
- 适合动态传播、风险扩散、疫情传播等场景
- 能识别在当前传播状态下最关键的中介节点
典型场景
- 风险传播：已感染或高风险账户影响分析
- 疫情网络：疾病扩散中的关键传播节点
- 舆情网络：热点信息扩散过程中的关键用户
- 故障传播：系统中异常状态的传导分析
关键参数
states：节点状态或渗流状态weight：边权重属性attribute：节点状态属性字段
适用与特性
- 图类型：有向图 / 无向图
- 权重：支持
- 输出：
{node: score} - 适合结合时间片、状态值或传播阶段进行分析
功能说明
基于随机游走返回时间的标准差衡量节点中心性。节点越容易被稳定地返回或访问，通常越具有结构中心性。
产品价值
- 从随机游走稳定性的角度衡量节点重要性
- 可补充 PageRank、接近中心性等常规指标
- 适合分析网络中的稳定中心和结构均衡位置
典型场景
- 社交网络：识别处于稳定核心位置的用户
- 通信网络：稳定可达的中继节点
- 推荐网络：随机游走下更稳定触达的对象
- 复杂网络：节点访问稳定性评估
适用与特性
- 图类型：通常用于连通无向图
- 权重：视具体实现支持情况而定
- 输出：
{node: score} - 注意：计算通常涉及随机游走相关矩阵，规模较大时成本较高
功能说明
通过衡量节点对图拉普拉斯能量的贡献，评估节点对网络整体结构、连通性和稳健性的影响。
产品价值
- 强调节点删除或变化对整体网络结构的影响
- 适合网络稳健性和脆弱性分析
- 能识别维护图结构完整性的重要节点
典型场景
- 基础设施网络：关键设施节点识别
- 通信网络：影响整体连通质量的节点
- 供应链网络：影响系统稳定性的企业或仓库
- 风控网络：破坏结构稳定性的关键账户
关键参数
weight：边权重属性normalized：是否归一化
适用与特性
- 图类型：通常用于无向图
- 权重：支持
- 输出：
{node: score} - 适合网络稳健性、脆弱性和节点删除影响分析
功能说明
基于共同邻居结构衡量节点或局部连接的重要性。共同邻居越多，通常说明节点处于更紧密的局部关系结构中。
产品价值
- 适合刻画局部结构中的连接价值
- 能用于相似性、潜在关系和局部影响力分析
- 可辅助链接预测、社区分析和局部核心识别
典型场景
- 社交网络：共同好友多的潜在关键用户
- 推荐系统：用户-兴趣局部关系分析
- 合作网络：共同合作者结构分析
- 风控网络：共同交易对象或共同关系人识别
适用与特性
- 图类型：通常用于无向图
- 权重：通常不使用权重
- 输出：中心性分数或候选关系分数
- 适合局部结构分析和邻域相似性分析
功能说明
计算有向网络中节点的层级位置。该算法常用于具有方向流动关系的网络，刻画节点处于上游、中游还是下游。
产品价值
- 识别网络中的层级结构
- 适合有明确流向、依赖方向或控制方向的图
- 可用于判断系统是否具有清晰的上下游关系
典型场景
- 生态网络：物种营养级分析
- 供应链网络：上游供应商与下游客户层级
- 依赖网络：底层模块、中间模块、上层应用识别
- 资金流网络：资金来源、中转和终端位置分析
适用与特性
- 图类型：有向图
- 权重：可结合边强度或流量
- 输出：
{node: level} - 适合层级结构、方向流和上下游位置分析
功能说明
BiRank 是面向二部图的排序算法，通过两侧节点之间的相互强化关系，同时计算两类节点的重要性分数。
产品价值
- 适合用户-物品、作者-论文、机构-项目等二部关系网络
- 能同时评估两侧节点的重要性
- 可用于推荐、排序、资源优先级和影响力评估
典型场景
- 推荐系统：用户与物品双侧重要性排序
- 学术网络：作者与论文影响力联动评估
- 招聘网络：候选人与岗位匹配重要性
- 企业网络：机构与项目、供应商与产品关系分析
关键参数
- 二部图两侧节点集合
- 边权重：交互强度、评分、次数或关联强度
- 迭代收敛参数：最大迭代次数、收敛阈值等
适用与特性
- 图类型：二部图
- 权重：支持，通常解释为交互强度
- 输出：两侧节点分数字典
- 复杂度：通常为迭代式计算，约
O(k * E)
- 快速找大户 / 活跃节点：
degree_centrality/in_degree_centrality/out_degree_centrality - 找桥梁与结构洞：
betweenness_centrality/edge_betweenness_centrality - 找流量承载节点：
load_centrality - 找多路径流动下的关键节点：
current_flow_betweenness_centrality - 找离大家都近的节点：
closeness_centrality - 非连通图中的触达能力评估：
harmonic_centrality - 找权威与核心圈层：
pagerank/eigenvector_centrality/katz_centrality - 区分入口与权威内容：
hits - 找紧密团体核心：
subgraph_centrality - 选扩散种子：
voterank - 结合传播状态做关键节点识别：
percolation_centrality - 评估节点对网络稳健性的贡献：
laplacian_centrality - 分析局部共同邻居结构：
common_neighbor_centrality - 分析有向网络层级位置：
trophic_levels - 二部图双侧排序：
birank
- “输出 Top-20 度中心性最高的节点。”
- “哪些节点被最多节点指向？”
- “哪些节点主动连接最多下游节点？”
- “输出 Top-20 介数中心性最高的节点，用于识别关键中介。”
- “计算所有边的边介数中心性，并按降序输出 Top-50 关键边。”
- “哪些节点在多路径流动模型下最关键？”
- “当前网络中哪些节点承担最多负载？”
- “在当前邮件通信网络中，PageRank 最高的联系人是谁？”
- “在不连通的社交图中，调和中心性 Top-20 用户名单是什么？”
- “用 VoteRank 选出 30 个扩散种子节点用于营销触达。”
- “在传播状态已知的情况下，哪些节点的渗流中心性最高？”
- “哪些节点删除后会对网络整体结构造成最大影响？”
- “这个有向网络中，哪些节点处于上游层级，哪些处于下游层级？”
- “在用户-物品二部图中，同时给出用户和物品的重要性排序。”
-
先明确中心性含义
- 度中心性强调直接连接数量。
- 接近中心性强调触达效率。
- 介数中心性强调桥梁和中介作用。
- PageRank、特征向量、Katz 强调全局权威和重要节点互相强化。
- 拉普拉斯中心性强调节点对整体结构稳定性的贡献。
-
权重语义要统一
- 最短路类中心性中，权重通常表示距离、成本、阻力，越小越近。
- 谱中心性和随机游走类算法中，权重通常表示连接强度、交互频率或转移权重，越大越强。
- 同一张图如果存在多个权重字段，应明确每个算法使用哪个字段。
-
非连通图要谨慎选择
- 接近中心性在非连通图中可能受不可达节点影响。
- 非连通图中建议优先考虑
harmonic_centrality。 - 电流流类中心性通常要求连通图，使用前应先检查连通性。
-
大图场景注意性能
- 精确介数中心性和边介数中心性计算成本较高。
- 可使用抽样参数、Top-K 策略或离线批处理。
- 谱分解类和电流流类算法更适合中小规模图或稀疏优化场景。
-
传播类指标需要结合业务状态
voterank适合无状态的扩散种子选择。percolation_centrality适合节点状态已知的传播过程分析。- 不同传播阶段可能产生不同关键节点排序。
-
二部图不要直接套用普通中心性
- 用户-物品、作者-论文、机构-项目等二部图建议使用
birank。 - BiRank 能同时刻画两侧节点的相互强化关系。
- 若直接投影成单侧图，可能丢失原始二部关系信息。
- 用户-物品、作者-论文、机构-项目等二部图建议使用
-
排序结果建议结合业务阈值解释
- 中心性高不一定代表“业务上最重要”。
- 建议结合节点属性、边权重、时间窗口、社区结构和异常规则进行综合判断。
| 序号 | 算子名称 | 中文说明 |
|---|---|---|
| 1 | degree_centrality |
度中心性 |
| 2 | in_degree_centrality |
入度中心性 |
| 3 | out_degree_centrality |
出度中心性 |
| 4 | closeness_centrality |
接近中心性 |
| 5 | betweenness_centrality |
介数中心性 |
| 6 | edge_betweenness_centrality |
边介数中心性 |
| 7 | eigenvector_centrality |
特征向量中心性 |
| 8 | katz_centrality |
Katz 中心性 |
| 9 | pagerank |
PageRank 中心性 |
| 10 | hits |
HITS Hub/Authority 中心性 |
| 11 | harmonic_centrality |
调和中心性 |
| 12 | load_centrality |
负载中心性 |
| 13 | subgraph_centrality |
子图中心性 |
| 14 | voterank |
VoteRank 扩散种子选择 |
| 15 | current_flow_betweenness_centrality |
电流流介数中心性 |
| 16 | percolation_centrality |
渗流中心性 |
| 17 | second_order_centrality |
二阶中心性 |
| 18 | laplacian_centrality |
拉普拉斯中心性 |
| 19 | common_neighbor_centrality |
共同邻居中心性 |
| 20 | trophic_levels |
营养级 / 层级位置 |
| 21 | birank |
BiRank 二部图排序 |