Netværksanalyse
90 metoder i denne familie.
Udvalgte
Betweenness CentralityBetweenness centrality, formalized by Linton C. Freeman in 1977, measures how often a node lies on the shortest path connecting every other pair of nodes in a network. High-betweenBipartipartite netværksanalyseBipartite network analysis, formalised by Borgatti and Everett in 1997, is a graph-structural method for studying networks in which nodes are divided into two disjoint sets — actorCentralitetsanalyseCentrality analysis is a family of network-analytic measures, formalized by Freeman (1979), that quantifies the structural importance of individual nodes within a graph. Each centrNærhedscentralitetCloseness centrality measures how quickly a node can reach all others in a network by computing the inverse of its average shortest-path distance to every other node. First describFællesskabsdetektionCommunity detection is a family of graph-partitioning algorithms that discover densely connected sub-groups — communities — within a network. First formalised through the modularitGradcentralitetDegree centrality is the simplest and most intuitive measure of a node's importance in a network, defined as the number of direct ties a node has to other nodes. Normalized by divi
Læsesti
Dette emnes mest refererede grundlæggende metoder, i den rækkefølge de blev udviklet — et godt sted at begynde, hvis du er ny her.
Alle metoder 90
Betweenness CentralityBipartipartite netværksanalyseCentralitetsanalyseNærhedscentralitetFællesskabsdetektionGradcentralitetRettet "Betweenness Centrality"Rettet NærhedscentralitetRetningsbestemt fællesskabsdetektionAnalyse af rettede ego-netværkRettet egenvektorcentralitetDen rettede eksponentielle tilfældige grafmodelAnalyse af rettede vidensgraferAnalyse af rettet modularitetAnalyse af rettede multiplekse netværkAnalyse af diffusion i rettede netværkDirected PageRankRettet social netværksanalyseRettet to-mode netværksanalyseDynamisk NærhedscentralitetDynamisk fællesskabsdetektionDynamisk gradcentralitetDynamisk ego-netværksanalyseDynamisk egenvektorcentralitetDynamisk Eksponentiel Tilfældig Graf ModelDynamisk modularitetsanalyseDynamisk PageRankDynamisk Stokastisk Blok ModelDynamisk to-mode netværksanalyseEgo-netværksanalyseEgenvektorcentralitetExponential Random Graph Model (ERGM / p*)GrafkernerGrafneuralt netværkk-Kerne DekompositionAnalyse af vidensgraferKnowledge Graph EmbeddingsLink PredictionModularitetsanalyseFlerlags Betweenness CentralitetMultilagsnærhedscentralitetMultilagsfællesskabsdetektionMultilagsgradcentralitetMultilags-grafanalyse af videnMultilagsnetværksanalyseMultilagsnetværksdiffusionsanalyseMultilayer PageRankMultilayer Social Network AnalysisMultilayer Stokastisk Blok ModelMultilags Temporal NetværksanalyseMultilags to-mode netværksanalyseMultiplex NetværksanalyseNetværksdiffusionsanalyseNetværksindlejringNetværksmotif-analyseNetværksrobusthed og sårbarhedsanalysePageRank CentralitySocial netværksanalyseStokastisk blokmodelTemporal MellemhedscentralitetTemporal NærhedscentralitetTemporal Community DetectionTemporal gradcentralitetTemporal Eigenvector CentralityTemporal vidennetværksanalyseTemporal ModularitetsanalyseAnalyse af temporale multiplekse netværkTemporal netværksanalyseAnalyse af diffusion i temporale netværkTemporal PageRankTemporal analyse af sociale netværkTemporal Stokastisk BlokmodelAnalyse af temporale to-mode netværkTostavnetværksanalyseVægtet Betweenness CentralityVægtet nærhedscentralitetVægtet fællesskabsdetektionVægtet gradcentralitetVægtet ego-netværksanalyseVægtet egenvektorcentralitetVægtet eksponentiel tilfældig grafmodelVægtet viden-graf-analyseVægtet modularitetsanalyseVægtet multiplex netværksanalyseVægtet netværksdiffusionsanalyseVægtet PageRankVægtet Social NetværksanalyseVægtet Stokastisk BlokmodelVægtet temporal netværksanalyseVægtet to-mode netværksanalyse