Machine learningNetwork science

Painotettu ominaisvektorikeskeisyys

Painotettu ominaisvektorikeskeisyys laajentaa klassista ominaisvektorikeskeisyyden mittaria graafeihin, joissa särmillä on numeerisia painoja. Se pisteyttää kunkin solmun suhteessa naapureidensa pisteiden painotettuun summaan, missä painoina käytetään yhdistävien särmien painoja. Solmut saavat korkeita pisteitä paitsi monista yhteyksistä, myös vahvoista yhteyksistä muihin vaikutusvaltaisiin solmuihin, mikä tekee mittarista samanaikaisesti herkän sekä sidoksen vahvuudelle että verkoston asemalle.

Avaa sovelluksessa MethodMindTulossaVideoTulossaDownload slides

Lue koko menetelmä

Vain jäsenille

Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.

Kirjaudu sisään

Method map

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

Lähteet

  1. Bonacich, P. (1987). Power and centrality: A family of measures. American Journal of Sociology, 92(5), 1170–1182. DOI: 10.1086/228631
  2. Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3), 245–251. DOI: 10.1016/j.socnet.2010.03.006

Näin viittaat tähän sivuun

ScholarGate. (2026, June 3). Weighted Eigenvector Centrality (Spectral Prestige in Weighted Networks). ScholarGate. https://scholargate.app/fi/network-analysis/weighted-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

Tähän viittaavat

ScholarGateWeighted Eigenvector Centrality (Weighted Eigenvector Centrality (Spectral Prestige in Weighted Networks)). Haettu 2026-06-15 osoitteesta https://scholargate.app/fi/network-analysis/weighted-eigenvector-centrality · Aineisto: https://doi.org/10.5281/zenodo.20539026