特征向量中心性#
特征向量中心性根据其邻居的中心性计算一个顶点的中心性。节点的特征向量通过考虑一个顶点与高度连接的顶点的连接来衡量图中的影响力。
有关该算法的更多详细信息，请参阅 维基百科上的特征向量中心性。
节点 i 的特征向量中心性是由特征向量方程定义的向量 x 的第 i 个元素。
\[ x_v = \frac{1}{\lambda}{\sum_{t \in M(v)}}x_t = \frac{1}{\lambda}{\sum_{t \in V}{a_v,x_t} \]
其中 M(v) 是顶点集合(v)的邻接表，λ 是一个常数。
何时使用特征向量中心性#
当边的质量和数量很重要时，换句话说，与高连接度节点的连接很重要时
用于计算社交和金融网络等细致网络中的影响力。
何时不使用特征向量中心性#
在具有许多不相连组的图中
在包含许多不同社区的图中
在具有负权重的网络中
在大型网络中，特征向量中心性在单线程系统中计算上可能不可行。
计算成本有多高？#
虽然 cuGraph 的并行性降低了运行时间，但 大 O 符号 仍然是比较算法成本的标准。
O(VE)，其中 V 是顶点（节点）的数量，E 是边的数量。
版权所有 (c) 2023-2025，NVIDIA CORPORATION。
根据 Apache 许可证 2.0 版（“许可证”）的授权；除非符合许可证的规定，否则您不得使用此文件。您可以在以下网址获取许可证的副本：https://apache.ac.cn/licenses/LICENSE-2.0
除非适用法律要求或书面同意，根据许可证分发的软件按“原样”分发，不附带任何明示或暗示的担保或条件。请参阅许可证了解有关许可证下特定语言的管理权限和限制。