知识卡片

普通读书笔记卡 · 9780.g · 生成模型:DeepSeek-V4.1-Flash

特征向量中心性对结构敏感

理解等级:中级

在 DataSciencester 这种十来个节点的图上,特征向量中心性很不稳定:随手加一条边或删一条边,排序和数值都可能剧烈变化。原因是它收敛到的主方向由整体结构决定,小图里任何一处改动的占比都很大;图变大之后,单个节点或单条边对主方向的影响被稀释,结果才趋于平滑。这提醒两件事:一是别在小图上比较小数点后的名次,只能看量级与分组;二是把它当成结构性指标而非个人属性,结论依赖当时那张图的快照,网络演化后需要重算。它还是全局量,无法像度中心性那样局部增量更新,图频繁变动时维护成本高,实际系统往往用近似或采样来估计。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第22章 网络分析 · 查看原书依据

      在这种小型网络上,特征向量中心性会表现得有些不规律。如果你试着添加或减少链接就会发现,网络中的细微变化会极大地改变中心性数值。在更大的网络中,情况不会这么明显。

    参考来源

    - 位置:《数据科学入门(第2版)》第22章 网络分析(源文件:extracted/数据科学入门(第2版)/_epub-src/OEBPS/Text/0026.xhtml) - 结论依据:原文这一段直接给出本卡的核心判断:「在这种小型网络上,特征向量中心性会表现得有些不规律……」 - 原始内容:在这种小型网络上,特征向量中心性会表现得有些不规律。如果你试着添加或减少链接就会发现,网络中的细微变化会极大地改变中心性数值。在更大的网络中,情况不会这么明显。