Machine learningNetwork science

Centralidad de vector propio dirigida

La centralidad de vector propio dirigida extiende la centralidad de vector propio clásica a grafos dirigidos, puntuando cada nodo según la centralidad de los nodos que apuntan hacia él (dirección de entrada) o a los que él apunta (dirección de salida). Un nodo obtiene una puntuación alta no solo por tener muchas conexiones, sino por estar conectado a otros nodos altamente centrales, lo que capta la influencia asimétrica en redes de citación, jerarquías sociales y flujos de información.

Abrir en MethodMindPróximamenteVídeoPróximamenteDownload slides

Leer el método completo

Solo para miembros

Inicia sesión con una cuenta gratuita para leer esta sección.

Iniciar sesión

Method map

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

Fuentes

  1. Bonacich, P. (1987). Power and centrality: A family of measures. American Journal of Sociology, 92(5), 1170–1182. DOI: 10.1086/228631
  2. Eigenvector centrality. Wikipedia. link

Cómo citar esta página

ScholarGate. (2026, June 3). Directed Eigenvector Centrality (Asymmetric Influence Scoring on Directed Graphs). ScholarGate. https://scholargate.app/es/network-analysis/directed-eigenvector-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

Citado por

ScholarGateDirected Eigenvector Centrality (Directed Eigenvector Centrality (Asymmetric Influence Scoring on Directed Graphs)). Recuperado el 2026-06-15 de https://scholargate.app/es/network-analysis/directed-eigenvector-centrality · Conjunto de datos: https://doi.org/10.5281/zenodo.20539026