Machine learningNetwork science

Svērtais īpašvērtību centralitātes rādītājs

Svērtais īpašvērtību centralitātes rādītājs paplašina klasisko īpašvērtību centralitātes mēru grafiem, kur šķautnēm ir skaitliskie svari, novērtējot katru mezglu proporcionāli tā kaimiņu rādītāju summai, kas reizināta ar savienojošo šķautņu svariem. Mezgli iegūst augstu vērtējumu ne tikai tāpēc, ka tiem ir daudz savienojumu, bet arī tāpēc, ka tie ir cieši saistīti ar citiem ietekmīgiem mezgliem, padarot šo mēru jutīgu gan pret saišu stiprumu, gan tīkla pozīciju vienlaicīgi.

Atvērt MethodMindDrīzumāVideoDrīzumāDownload slides

Lasīt pilno metodes aprakstu

Tikai dalībniekiem

Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.

Pieteikties

Method map

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

Avoti

  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

Kā citēt šo lapu

ScholarGate. (2026, June 3). Weighted Eigenvector Centrality (Spectral Prestige in Weighted Networks). ScholarGate. https://scholargate.app/lv/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

Uz to atsaucas

ScholarGateWeighted Eigenvector Centrality (Weighted Eigenvector Centrality (Spectral Prestige in Weighted Networks)). Izgūts 2026-06-15 no https://scholargate.app/lv/network-analysis/weighted-eigenvector-centrality · Datu kopa: https://doi.org/10.5281/zenodo.20539026