Machine learningNetwork science
가중치 고유벡터 중심성
가중치 고유벡터 중심성은 엣지에 수치적 가중치가 부여된 그래프에 대해 고전적인 고유벡터 중심성 척도를 확장한 것으로, 각 노드의 점수를 이웃 노드의 점수와 연결 엣지 가중치의 곱의 합에 비례하여 산정한다. 노드는 단순히 많은 연결을 가지는 것뿐만 아니라 다른 영향력 있는 노드들과 강하게 연결되어 있어야 높은 점수를 받으며, 이 척도는 연결 강도와 네트워크 위치를 동시에 고려한다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Bonacich, P. (1987). Power and centrality: A family of measures. American Journal of Sociology, 92(5), 1170–1182. DOI: 10.1086/228631 ↗
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Weighted Eigenvector Centrality (Spectral Prestige in Weighted Networks). ScholarGate. https://scholargate.app/ko/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.
- 중심성 척도네트워크 분석↔ compare
- 고유벡터 중심성네트워크 분석↔ compare
- 가중치 부여된 중간점 중심성네트워크 분석↔ compare
- 가중 근접 중심성네트워크 분석↔ compare
- 가중 차수 중심성네트워크 분석↔ compare
- 가중치 PageRank네트워크 분석↔ compare