113
个编辑
更改
跳到导航
跳到搜索
第20行：
第20行： − + 第29行：
第29行： − + 第64行：
第64行： + + 第274行：
第276行： − + 第352行：
第354行： − +
无编辑摘要
'''<font color="#ff8000"> 介数中心性Betweenness centrality</font>'''被设计为中心性的一般衡量标准: 它适用于网络理论中的广泛问题，包括与社会网络、生物学、交通和科学合作有关的问题。尽管早期的作者直观地将中心性描述为基于中间性，但给出了'''<font color="#ff8000"> 介数中心性Betweenness centrality</font>'''的第一个正式定义。
'''<font color="#ff8000"> 介数中心性Betweenness centrality</font>'''被设计为中心性的一般衡量标准: 它适用于网络理论中的广泛问题，包括与社会网络、生物学、交通和科学合作有关的问题。尽管早期的作者直观地将中心性描述为基于中间性，但给出了'''<font color="#ff8000"> 介数中心性Betweenness centrality</font>'''的第一个正式定义。
--[[用户:小趣木木|小趣木木]]（[[用户讨论:小趣木木|讨论]]）''<font color="#ff8000"> 介数中心性Betweenness centrality</font>'''被设计为中心性的一般衡量标准: 这里不能照搬机器翻译 重新翻译
'''<font color="#ff8000"> 介数中心性Betweenness centrality</font>'''在网络理论中有着广泛的应用，它代表了节点之间相互独立的程度。例如，在电信网络中，具有较高'''<font color="#ff8000"> 介数中心性Betweenness centrality</font>'''的节点将对网络有更多的控制，因为有更多的信息通过该节点。
'''<font color="#ff8000"> 介数中心性Betweenness centrality</font>'''在网络理论中有着广泛的应用，它代表了节点之间相互独立的程度。例如，在电信网络中，具有较高'''<font color="#ff8000"> 介数中心性Betweenness centrality</font>'''的节点将对网络有更多的控制，因为有更多的信息通过该节点。
--[[用户:小趣木木|小趣木木]]（[[用户讨论:小趣木木|讨论]]）应该统一名词表达 node节点/顶点 上文出现顶点，应该全文一致
== Definition定义 ==
== Definition定义 ==
注意，如总和索引所示，一个节点的'''<font color="#ff8000"> 介数中心性Betweenness centrality</font>'''与节点对的数量成比例缩放。因此，计算可以通过除以不包括 < math > v </math > 的节点对数来重新标度，以使< math > g 在[0,1] </math > 中。有向图的除法是通过 < math > (N-1)(N-2) </math > 来完成的，而 < math > (N-1)(N-2)/2 </math > 的除法是通过无向图来完成的，其中 < math > n </math > 是巨型组件中的节点数。请注意，这可以缩放最大可能值，一个节点由每个最短路径交叉。事实往往并非如此，可以在不损失精度的情况下执行规范化
注意，如总和索引所示，一个节点的'''<font color="#ff8000"> 介数中心性Betweenness centrality</font>'''与节点对的数量成比例缩放。因此，计算可以通过除以不包括 < math > v </math > 的节点对数来重新标度，以使< math > g 在[0,1] </math > 中。有向图的除法是通过 < math > (N-1)(N-2) </math > 来完成的，而 < math > (N-1)(N-2)/2 </math > 的除法是通过无向图来完成的，其中 < math > n </math > 是巨型组件中的节点数。请注意，这可以缩放最大可能值，一个节点由每个最短路径交叉。事实往往并非如此，可以在不损失精度的情况下执行规范化
--[[用户:小趣木木|小趣木木]]（[[用户讨论:小趣木木|讨论]]）有向图的除法是通过 < math > (N-1)(N-2) </math > 来完成的，而 < math > (N-1)(N-2)/2 </math > 的除法是通过无向图来完成的， 两句可以采用相同的句式
:<math>\mbox{normal}(g(v)) = \frac{g(v) - \min(g)}{\max(g) - \min(g)}</math>
:<math>\mbox{normal}(g(v)) = \frac{g(v) - \min(g)}{\max(g) - \min(g)}</math>
现实世界中的'''<font color="#ff8000"> 无标度网络Scale free networks</font>'''，如互联网，也遵循幂律负载分布。这是一个直观的结果。无标度网络通过创建一些比大多数网络具有更高连通性的枢纽节点，自我安排以创建穿越网络的短路径。由于这种额外的连接，这些集线器自然会经历更高的负载。
现实世界中的'''<font color="#ff8000"> 无标度网络Scale free networks</font>'''，如互联网，也遵循幂律负载分布。这是一个直观的结果。无标度网络通过创建一些比大多数网络具有更高连通性的枢纽节点，自我安排以创建穿越网络的短路径。由于这种额外的连接，这些集线器自然会经历更高的负载。
--~~~自我安排以创建穿越网络的短路径 可以再解释一下“自我安排”
--->
--->
'''<font color="#ff8000"> Percolation centrality渗滤中心性</font>'''是一种加权的'''<font color="#ff8000"> 介数中心性Betweenness centrality</font>'''，但它在计算这个权重时考虑了每条最短路径的源节点和目标节点的状态。在许多情况下，复杂网络中都会出现“传染”现象。例如，病毒或细菌感染可以通过人们的社交网络传播，也就是所谓的接触网络。还可以在更高的抽象层次上考虑疾病的传播问题，设想通过公路、铁路或空中连接起来的城镇或人口中心网络。计算机病毒可以通过计算机网络传播。关于商业活动和交易的谣言或新闻也可以通过人们的社交网络传播。在所有这些情况下，一种“传染病”在一个复杂网络的链接上传播，随着它的传播，无论是可恢复的还是不可恢复的，都会改变节点的“状态”。例如，在流行病学方案中，随着感染扩散，个人从”易感”状态转变为”受感染”状态。在上面的例子中，每个节点可以采取的状态可以是二进制的(例如接收/没有接收到一条新闻)、离散的(易感/受感染/康复) ，甚至是连续的(例如一个城镇中受感染的人的比例) ，随着传染的扩散。这些情景的共同特点是，传染的扩散导致网络中节点状态的改变。'''<font color="#ff8000"> Percolation centrality渗滤中心性</font>'''(PC)就是基于这个思想而提出的，它特别地衡量了节点在协助网络渗滤方面的重要性。这项措施是由 piraveanan 等人提出的。
'''<font color="#ff8000"> Percolation centrality渗滤中心性</font>'''是一种加权的'''<font color="#ff8000"> 介数中心性Betweenness centrality</font>'''，但它在计算这个权重时考虑了每条最短路径的源节点和目标节点的状态。在许多情况下，复杂网络中都会出现“传染”现象。例如，病毒或细菌感染可以通过人们的社交网络传播，也就是所谓的接触网络。还可以在更高的抽象层次上考虑疾病的传播问题，设想通过公路、铁路或空中连接起来的城镇或人口中心网络。计算机病毒可以通过计算机网络传播。关于商业活动和交易的谣言或新闻也可以通过人们的社交网络传播。在所有这些情况下，一种“传染病”在一个复杂网络的链接上传播，随着它的传播，无论是可恢复的还是不可恢复的，都会改变节点的“状态”。例如，在流行病学方案中，随着感染扩散，个人从”易感”状态转变为”受感染”状态。在上面的例子中，每个节点可以采取的状态可以是二进制的(例如接收/没有接收到一条新闻)、离散的(易感/受感染/康复) ，甚至是连续的(例如一个城镇中受感染的人的比例) ，随着传染的扩散。这些情景的共同特点是，传染的扩散导致网络中节点状态的改变。'''<font color="#ff8000"> Percolation centrality渗滤中心性</font>'''(PC)就是基于这个思想而提出的，它特别地衡量了节点在协助网络渗滤方面的重要性。这项措施是由 piraveanan 等人提出的。
--[[用户:小趣木木|小趣木木]]（[[用户讨论:小趣木木|讨论]]）在所有这些情况下，一种“传染病”在一个复杂网络的链接上传播，随着它的传播，无论是可恢复的还是不可恢复的，都会改变节点的“状态”。例如，在流行病学方案中，随着感染扩散，个人从”易感”状态转变为”受感染”状态。 在上面的例子中，每个节点可以采取的状态可以是二进制的(例如接收/没有接收到一条新闻)、离散的(易感/受感染/康复) ，甚至是连续的(例如一个城镇中受感染的人的比例) ，随着传染的扩散。这些情景的共同特点是，传染的扩散导致网络中节点状态的改变。 该段还可以再精简优化一下。