Nätverksanalys
90 metoder i denna familj.
I urval
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-betweenBipartit nätverksanalysBipartite 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 — actorCentralitetsanalysCentrality analysis is a family of network-analytic measures, formalized by Freeman (1979), that quantifies the structural importance of individual nodes within a graph. Each centrNärhetscentralitetCloseness 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 describGemenskapsupptäcktCommunity detection is a family of graph-partitioning algorithms that discover densely connected sub-groups — communities — within a network. First formalised through the modularitGradscentralitetDegree 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
Läsväg
Det här ämnets mest refererade grundläggande metoder, i den ordning de utvecklades — en bra startpunkt om du är ny här.
Alla metoder 90
Betweenness CentralityBipartit nätverksanalysCentralitetsanalysNärhetscentralitetGemenskapsupptäcktGradscentralitetRiktad mellanliggande centralitetRiktad närhetscentralitetRiktad gemenskapsdetektionRiktad egonätverksanalysRiktad egenvektorcentralitetRiktad exponentiell slumpgrafmodellRiktad kunskapsgrafanalysRiktad modularitetsanalysAnalys av riktade multiplexa nätverkAnalys av riktad nätverksdiffusionDirected PageRankRiktad social nätverksanalysRiktad tvådelad nätverksanalysDynamisk närhetscentralitetDynamisk gemenskapsdetekteringDynamisk gradcentralitetDynamisk egonätverksanalysDynamisk egenvektorscentralitetDynamisk exponentiell slumpgrafmodellDynamisk modularitetsanalysDynamisk PageRankDynamisk stokastisk blockmodellDynamisk tvådelad nätverksanalysEgo-nätverksanalysEigenvektorscentralitetExponentiell slumpmässig grafmodell (ERGM / p*)Graph KernelsGrafneuralnätverkk-Core DecompositionAnalys av kunskapsgraferKunskapsgrafinbäddningarLänkprediktionModulär analysMultilayer Betweenness CentralityMultilager närhetscentralitetMultilager detektion av gemenskaperFlerskiktsgradcentralitetMultilayer knowledge graph analysisFlerskiktsnätverksanalys – MultiplexnätverkMultilayer Network Diffusion AnalysisMultilayer PageRankMultilageranalys av sociala nätverkMultilager stokastisk blockmodellMultilagers analys av temporala nätverkMultilayer Two-Mode Network AnalysisMultiplex nätverksanalysNätverksdiffusionsanalysNätverksinbäddningNätverksmotivanalysNätverksresiliens och sårbarhetsanalysPageRank-centralitetAnalys av sociala nätverkStochastic Block ModelTemporal mellanliggande centralitetTemporal närhets-centralitetTemporal Community DetectionTemporal gradcentralitetTemporal Eigenvector CentralityTemporal Knowledge Graph AnalysisTemporal modularity analysisTemporal multiplex network analysisTemporal nätverksanalysTemporal nätverksdiffusionsanalysTemporal PageRankTemporal Social Network AnalysisTemporal Stochastic Block ModelTemporal analys av tvådelade nätverkTvådelad nätverksanalysViktad mellanliggande centralitetViktad närhets-centralitetViktad gemenskapsdetektionViktad gradcentralitetViktad egonätverksanalysViktad egenvektorcentralitetViktad exponentiell slumpgrafsmodellViktad grafanalys av kunskapsgraferViktad modularitetsanalysAnalys av viktade multiplexa nätverkAnalys av viktad nätverksdiffusionViktad PageRankViktad analys av sociala nätverkViktig stokastisk blockmodellViktad temporär nätverksanalysViktad tvådelad nätverksanalys