Nettverksanalyse
90 metoder i denne familien.
Utvalgte
Betweenness CentralityBetweenness centrality, formalized by Linton C. Freeman in 1977, measures how often a node lies on the shortest path connecting every other pair of nodes in a network. High-betweenAnalyse av bipartite nettverkBipartite network analysis, formalised by Borgatti and Everett in 1997, is a graph-structural method for studying networks in which nodes are divided into two disjoint sets — actorSentralitetsanalyseCentrality analysis is a family of network-analytic measures, formalized by Freeman (1979), that quantifies the structural importance of individual nodes within a graph. Each centrNærhetssentralitetCloseness centrality measures how quickly a node can reach all others in a network by computing the inverse of its average shortest-path distance to every other node. First describFellesskapsdeteksjonCommunity detection is a family of graph-partitioning algorithms that discover densely connected sub-groups — communities — within a network. First formalised through the modularitGradsentralitetDegree centrality is the simplest and most intuitive measure of a node's importance in a network, defined as the number of direct ties a node has to other nodes. Normalized by divi
Reading path
This topic's most-referenced foundational methods, in the order they were developed — a place to start if you're new here.
Alle metoder 90
Betweenness CentralityAnalyse av bipartite nettverkSentralitetsanalyseNærhetssentralitetFellesskapsdeteksjonGradsentralitetRettet mellomkjede-sentralitetRettet nærhetsentralitetRettet samfunnsdeteksjonAnalyse av rettede egonettverkRettet Eigenvektor SentralitetRettet eksponentiell tilfeldig grafmodellAnalyse av rettede kunnskapsgraferRettet modularitetsanalyseAnalyse av rettede multiple nettverkAnalyse av rettet nettverksdiffusjonRettet PageRankRetningsbestemt sosialnettverksanalyseRettet to-modus nettverksanalyseDynamisk nærhetssentralitetDynamisk deteksjon av fellesskapDynamisk gradsentralitetDynamisk ego-nettverksanalyseDynamisk egenvektorsentralitetDynamisk eksponentiell tilfeldig grafmodellDynamisk modularitetsanalyseDynamisk PageRankDynamisk stokastisk blokkmodellDynamisk to-modus nettverksanalyseEgonettverksanalyseEgenvektorsentralitetEksponensiell tilfeldig grafmodell (ERGM / p*)GrafkjerneneGraf Neurale Nettverkk-Kjerne-dekomposisjonKunnskapsgrafanalyseKunnskapsgraf-innbyggingerLenkeprediksjonModulæranalyseMultilayer Betweenness CentralityMultilayer Closeness CentralityMultilagsdeteksjon av fellesskapFlerlagsgradsentralitetFlerlags-kunnskapsgrafanalyseMultilagsnettverksanalyseMultilayer Network Diffusion AnalysisMultilayer PageRankMultilags nettverksanalyseMultilayer Stochastic Block ModelFlerlags temporal nettverksanalyseMultilayer to-modus nettverksanalyseMultiplex nettverksanalyseNettverksdiffusjonsanalyseNettverksinnbyggingNettverksmotivanalyseNettverksresiliens og sårbarhetsanalysePageRank-sentralitetSosial nettverksanalyseStochastic Block ModelTemporal mellomværende sentralitetTemporal nærhetssentralitetTidsmessig samfunnsdeteksjonTemporal gradsentralitetTidsmessig egenvektorsentralitetAnalyse av temporale kunnskapsgraferAnalyse av temporal modularitetAnalyse av temporale multipleksnettverkTemporalnettverksanalyseAnalyse av diffusjon i temporære nettverkTemporal PageRankTemporal analyse av sosiale nettverkTemporær stokastisk blokkmodellAnalyse av temporale to-modus nettverkToveis nettverksanalyseVekting av mellomliggende sentralitetVektet nærhetsentralitetVekting av samfunnsdeteksjonVektet gradsentralitetVektet ego-nettverksanalyseVektet egenvektorsentralitetVektet eksponentiell tilfeldig grafmodellVektet kunnskapsgrafanalyseVektet modularitetsanalyseVektet multipleks nettverksanalyseAnalyse av vektede nettverksdiffusjonVektet PageRankVektlagt nettverksanalyse av sosiale nettverkVektet stokastisk blokkmodellVektet tidsnettverksanalyseVektet to-modus nettverksanalyse