Machine learningNetwork science

Centralité par vecteur propre dirigé

La centralité par vecteur propre dirigé étend la centralité par vecteur propre classique aux graphes dirigés en attribuant un score à chaque nœud en fonction de la centralité des nœuds qui lui pointent (direction entrante) ou vers lesquels il pointe (direction sortante). Un nœud obtient un score élevé non seulement en ayant de nombreuses connexions, mais en étant connecté à d'autres nœuds très centraux, capturant ainsi l'influence asymétrique dans les réseaux de citations, les hiérarchies sociales et les flux d'information.

Ouvrir dans MethodMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

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

Sources

  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

Comment citer cette page

ScholarGate. (2026, June 3). Directed Eigenvector Centrality (Asymmetric Influence Scoring on Directed Graphs). ScholarGate. https://scholargate.app/fr/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

Référencée par

ScholarGateDirected Eigenvector Centrality (Directed Eigenvector Centrality (Asymmetric Influence Scoring on Directed Graphs)). Consulté le 2026-06-15 sur https://scholargate.app/fr/network-analysis/directed-eigenvector-centrality · Jeu de données : https://doi.org/10.5281/zenodo.20539026