跳到主要内容

中心性指标

一、直观理解：谁在网络里“更重要”​

中心性（centrality）用一个分数给每个顶点打分，刻画其结构位置上的重要性。但“重要”有多种含义，因此有一族指标：

指标直观
度中心性朋友多不多
接近中心性到其他人是否整体更近
介数中心性有多少最短路必须经过我（桥梁）
特征向量/PageRank重要的邻居是否也指向我

选错指标 = 讲错故事：机场的“航线最多”与“中转必经”不是同一批机场。

二、适用场景与优缺点​

类型说明
适用场景关键节点识别；传播源/免疫目标；交通枢纽；影响力初步排序。
核心优点解释多样；计算有标准算法；可与删除实验（鲁棒性）结合验证。
局限与缺点结构重要≠因果重要；介数计算较贵；不同指标排序可分歧；需处理有向/加权定义。

三、核心原理​

记 n=∣V∣n=|V|。

1. 度中心性​

CD(i)=kin−1C_D(i)=\frac{k_i}{n-1}

2. 接近中心性​

CC(i)=n−1∑j≠id(i,j)C_C(i)=\frac{n-1}{\sum_{j\neq i}d(i,j)}

不连通时需用仅达分量或调和中心性 1/∑1/d1/\sum 1/d。

3. 介数中心性​

CB(i)=∑s≠i≠tσst(i)σstC_B(i)=\sum_{s\neq i\neq t}\frac{\sigma_{st}(i)}{\sigma_{st}}

σst\sigma_{st} 为最短路条数，σst(i)\sigma_{st}(i) 为经过 ii 的条数。Brandes 算法 O(nm)O(nm) 量级。

4. 特征向量中心性​

Ax=λxA x=\lambda x 的主特征向量。重要邻居抬升自己。

PageRank 是带阻尼的有向版本（见专页）。

四、关键决策​

1. 问题语义选指标​

  • 接触传播：度/特征向量；
  • 控制中转：介数；
  • 信息到达效率：接近。

2. 加权与有向​

距离用阻抗；边权是相似度还是费用要分清（费用需转换）。

3. 验证​

删除高中心性点后看连通性/路径长度变化，比只看排行榜更有说服力。

4. 相关性​

多项中心性高度相关时，报告一种并附相关矩阵即可，避免堆砌。

五、MATLAB 示例​

% 小图：两社团 + 桥
A = zeros(7);
% 社团1: 1-2-3-1
E = [1 2;2 3;3 1; 4 5;5 6;6 4; 3 7;7 4]; % 7 为桥点一侧连接
for e = 1:size(E,1)
    A(E(e,1),E(e,2))=1; A(E(e,2),E(e,1))=1;
end
G = graph(A);

d = centrality(G, "degree");
c = centrality(G, "closeness");
b = centrality(G, "betweenness");
e = centrality(G, "eigenvector");

T = table((1:7)', d, c, b, e, ...
    'VariableNames', {'node','degree','closeness','betweenness','eigenvector'});
disp(T);

figure;
p = plot(G, "MarkerSize", 8+20*b/max(b));
labelnode(p, 1:7, string(1:7));
title("节点大小 ∝ 介数中心性");

% 删除最高介数点后的连通性
[~, ib] = max(b);
G2 = rmnode(G, ib);
fprintf("删除节点 %d 后连通分量数=%d\n", ib, max(conncomp(G2)));

六、如何解释结果​

  1. 网络与边含义；
  2. 选用的中心性及理由；
  3. Top-k 节点表；
  4. 与其它指标对照；
  5. 删除/免疫仿真；
  6. 明确结构度量边界。

七、常见误区​

1. 只报度中心性当万能​

桥点可能度不高。

2. 不连通图硬算接近中心性​

出现 Inf/NaN。

3. 把中心性当因果影响力​

需要传播模型或实验。

4. 加权方向错误​

把“费用大”当“更重要连接”未转换。

八、小结​

中心性指标的核心是：

从不同结构视角为节点的重要性排序。

用好它们的关键是“语义—指标匹配”，并用删除实验或传播仿真支撑解释，而不是只贴一张 Top-10 表。

补充说明（建模写作）​

在数学建模论文中，除正文八段结构外，建议把下列材料放进附录或支撑材料，避免主文臃肿却又不失可复核性：

  1. 原始数据或模拟数据的生成设定：样本量、变量含义、单位、随机种子；
  2. 软件与函数清单：如 corr、coxphfit、centrality 及关键参数；
  3. 对照结果：与更简单基线（均值差、入度排序、不调整分析）并排；
  4. 失败诊断：不收敛、不连通、删失比例过高、重叠不足时的处理；
  5. 可复现脚本：保证评阅人按相同步骤得到同号结论。

这些补充不改变方法本身，但能显著提高结果的可信度与答辩时的解释效率。