ScholarGate
Asszisztens
Machine learningNetwork science

Dinamikus közelségi centralitás

A dinamikus közelségi centralitás a klasszikus közelségi centralitást terjeszti ki az időbeli hálózatokra azáltal, hogy kiszámítja a legrövidebb időtiszteletben tartó utakat – azaz azokat az utakat, amelyek az éleket kronologikus sorrendben járják be –, és átlagolja az inverz távolságokat az összes időablakon keresztül. Feltárja, hogy mely csomópontok érhetők el a leghatékonyabban egy fejlődő hálózatban, nyomon követve, hogyan emelkedik és csökken egy csomópont centralitása, ahogy a kapcsolatok megjelennek és eltűnnek az idő múlásával.

Megnyitás itt: MethodMindHamarosanVideóHamarosanDiák letöltése

A teljes módszer elolvasása

Csak tagoknak

Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.

Bejelentkezés

Módszertérkép

A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.

Források

  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

Hogyan hivatkozzon erre az oldalra

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

Melyik módszer?

Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.

Összehasonlítás egymás mellett
ScholarGateDynamic Closeness Centrality (Dynamic Closeness Centrality in Temporal Networks). Letöltve 2026-06-15, forrás: https://scholargate.app/hu/network-analysis/dynamic-closeness-centrality · Adatkészlet: https://doi.org/10.5281/zenodo.20539026