Machine learningNetwork science

Δυναμική Κεντρικότητα Εγγύτητας

Η δυναμική κεντρικότητα εγγύτητας επεκτείνει την κλασική κεντρικότητα εγγύτητας σε χρονικά δίκτυα υπολογίζοντας τις συντομότερες διαδρομές που σέβονται τον χρόνο — διαδρομές που διασχίζουν ακμές με χρονολογική σειρά — και υπολογίζοντας τον μέσο όρο των αντίστροφων αποστάσεων σε όλα τα χρονικά παράθυρα. Αποκαλύπτει ποιοι κόμβοι είναι πιο αποτελεσματικά προσβάσιμοι εντός ενός εξελισσόμενου δικτύου, παρακολουθώντας πώς η κεντρικότητα ενός κόμβου αυξάνεται και μειώνεται καθώς οι συνδέσεις εμφανίζονται και εξαφανίζονται με την πάροδο του χρόνου.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Tang, J., Musolesi, M., Mascolo, C., Latora, V. & Nicosia, V. (2010). Analysing information flows and key mediators through temporal centrality metrics. Proceedings of the 3rd Workshop on Social Network Systems (SNS '10). ACM. DOI: 10.1145/1852658.1852661
  2. Holme, P. & Saramäki, J. (2012). Temporal networks. Physics Reports, 519(3), 97–125. DOI: 10.1016/j.physrep.2012.03.001

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Dynamic Closeness Centrality in Temporal Networks. ScholarGate. https://scholargate.app/el/network-analysis/dynamic-closeness-centrality

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side
ScholarGateDynamic Closeness Centrality (Dynamic Closeness Centrality in Temporal Networks). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/network-analysis/dynamic-closeness-centrality · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026