incremental_closeness_centrality#
- incremental_closeness_centrality(G, edge, prev_cc=None, insertion=True, wf_improved=True)[源代码]#
节点的增量贴近度中心度。
根据Sariyuce等人提出的闭合中心度增量算法,使用基于级别的工作过滤计算节点的闭合中心度。
基于级别的工作过滤检测到对贴近度中心度的不必要更新,并将其过滤掉。
——摘自“贴近度中心度增量算法”:
定理1:设 \(G = (V, E)\) 是一个图,u和v是v中的两个顶点,因此e中没有边(u,v)。 \(G' = (V, E \cup uv)\) 然后 \(cc[s] = cc'[s]\) 当且仅当 \(\left|dG(s, u) - dG(s, v)\right| \leq 1\) .
哪里 \(dG(u, v)\) 表示图G,cc中两个顶点u,v之间最短路径的长度 [s] 是V中顶点s的闭中心性,cc‘ [s] 是V中顶点s加上(u,v)边的闭中心性。--
我们使用定理1在添加或删除边时过滤掉更新。当添加一条边(u,v)时,我们在添加节点之前计算所有其他节点到u和v的最短路径长度。当删除一条边时,我们计算删除该边后的最短路径长度。然后我们应用定理1来使用先前计算的节点的闭中心度 \(\left|dG(s, u) - dG(s, v)\right| \leq 1\) 是的。这仅适用于无向、未加权的图;不支持距离参数。
贴近中心性 [1] 一个节点的
u
是最短路径距离之和的倒数u
致所有人n-1
其他节点。由于距离的总和取决于图中的结点数,因此通过最小可能距离的总和来归一化贴近度n-1
。\[c(u)=\frac n-1 \ sum v=1 ^ n-1 d(v,u),\]在哪里?
d(v, u)
是之间最短的路径距离v
和u
和n
是图表中的节点数。请注意,较高的接近度值表示较高的中心度。
- 参数
- G图表
网络X图表
- edge元组
图中修改的边(u,v)。
- prev_cc词典
图中所有节点的先前接近中心性。
- insertion布尔值,可选
如果为True(默认),则插入边,否则将从图形中删除该边。
- wf_improved布尔值,可选(默认值=True)
如果为True,则按可访问的节点分数进行缩放。这给了瓦瑟曼和浮士德改进的公式。对于单分量图,它与原始公式相同。
- 返回
- nodes词典
以贴近中心度为值的节点字典。
参见
笔记
接近中心性归一化为
(n-1)/(|G|-1)
在哪里?n
是包含节点的图的连接部分中的节点数。如果图不是完全连通的,则该算法分别计算每个连通部分的闭中心度。工具书类
- 1
弗里曼,L.C.,1979。网络的中心性:一、概念上的澄清。社交网络1,215-239。Https://doi.org/10.1016/0378-8733(78)90021-7
- 2
Sariyuce,A.E.;Kaya,K.;Saule,E.;Catalyiirek,U.V.《闭中心度增量算法》。2013年ieee大数据国际会议http://sariyuce.com/papers/bigdata13.pdf