修改密码

请输入密码
请输入密码 请输入8-64长度密码 和 email 地址不相同 至少包括数字、大写字母、小写字母、半角符号中的 3 个
请输入密码
提交

修改昵称

当前昵称:
提交

申请证书

证书详情

Please complete this required field.

  • Ultipa Graph V4

Standalone

Please complete this required field.

Please complete this required field.

服务器的MAC地址

Please complete this required field.

Please complete this required field.

取消
申请
ID
产品
状态
核数
申请天数
审批时间
过期时间
MAC地址
申请理由
审核信息
关闭
基础信息
  • 用户昵称:
  • 手机号:
  • 公司名称:
  • 公司邮箱:
  • 地区:
  • 语言:
修改密码
申请证书

当前未申请证书.

申请证书
Certificate Issued at Valid until Serial No. File
Serial No. Valid until File

Not having one? Apply now! >>>

ProductName CreateTime ID Price File
ProductName CreateTime ID Price File

No Invoice

搜索
    中文

      接近中心性

      ✓ 文件回写 ✓ 属性回写 ✓ 直接返回 ✓ 流式返回 ✕ 统计值

      概述

      一个点的接近中心性(Closeness Centrality)是由该点到它可连通的其它各点的最短距离的平均值来衡量的。一个点与其他所有点相距越近,这个点的中心性就越高。接近中心性算法广泛应用于关键社交节点发现、功能性场所选址等场景。

      接近中心性算法更适用于连通图。对于非连通图,推荐使用它的变体——调和中心性

      接近中心性的取值范围是 0 到 1,节点的分值越大,距离其他节点越近。

      接近中心性的原始概念是由 Alex Bavelas 于 1950 年提出的:

      基本概念

      最短距离

      两个点之间的最短距离是指它们之间最短路径的边数。最短路径是按照 BFS 的原则进行寻找的,如果将一个点看作起点,另一个点是该点的第 K 步邻居,它们之间的最短距离就是 K。关于 BFS 和 K 邻的详细介绍,请阅读全图 K 邻

      考察以上无向图中红、绿两点之间的最短距离。由于是无向图,无论是以红色还是绿色节点为起点,它们均为对方的 2 步邻居,即它们的最短距离为 2。

      将上面的无向图修改为有向图后,再次考察红、绿两点之间的最短距离。如果考虑边的方向。从红色节点到绿色节点入方向最短距离为 3,出方向最短距离为 4。

      接近中心性

      在本算法中,节点的接近中心性分值等于该点与其他能够相连的各节点的最短距离算数平均值(Arithmetic Mean)的倒数。计算公式为:

      其中,x 为待计算的目标节点,y 为通过边与 x 相连的任意一个节点(不包含 x),k-1y 的个数,d(x,y)xy 的最短距离。

      计算上图中红色节点入方向的接近中心性。入方向上红色节点仅可连通蓝、黄、紫三个节点,故其接近中心性为 3 / (2 + 1 + 2) = 0.6。通过入边不可达的绿色、灰色节点不参与计算。

      接近中心性算法会消耗很多计算资源。在一个有 V 个节点的图中,建议当 V > 10000 时通过采样进行近似计算,推荐的采样个数是节点数以 10 为底的对数(log(V))。

      每次执行算法时,只进行一次采样,每个节点的中心性分值是基于该节点到所有样本节点的最短距离计算的。

      特殊说明

      • 孤点的接近中心性分值为 0。
      • 计算某点的接近中心性时,会排除那些不可连通的节点,比如孤点、其他连通分量内的点或是虽然属于同一连通分量但在规定的方向上不可达的节点等。

      语法

      • 命令:algo(closeness_centrality)
      • 参数:
      名称
      类型
      规范
      默认
      可选
      描述
      ids / uuids []_id / []_uuid / / 待计算节点的 ID/UUID,忽略则计算全部点
      direction string in, out / 最短路径中所有边的方向,in 是入方向,out 是出方向
      sample_size int -1, -2, [1, V] -1 采样节点数;-1 代表采样数为 log(V)-2 代表不采样进行精确计算,一个介于 [1, V] 的数代表采样规定数目的节点;sample_size 只有在忽略 idsuuids) 时或它指定所有节点时有效
      limit int ≥-1 -1 返回的结果条数,-1 返回所有结果
      order string asc, desc / 按中心性分值大小对结果进行排序

      示例

      示例图如下:

      文件回写

      配置项 回写内容
      filename _id,centrality
      algo(closeness_centrality).params().write({
        file:{ 
          filename: 'centrality'
        }
      })
      

      结果:文件 centrality

      LA,0.583333
      LB,0.636364
      LC,0.5
      LD,0.388889
      LE,0.388889
      LF,0.368421
      LG,0.538462
      LH,0.368421
      

      属性回写

      配置项 回写内容 回写至 数据类型
      property centrality 点属性 float
      algo(closeness_centrality).params().write({
        db:{ 
          property: 'cc'
        }
      })
      

      结果:每个节点的中心性分值回写至名为 cc 的点属性下

      直接返回

      别名序号 类型 描述 列名
      0 []perNode 点及其中心性 _uuid, centrality
      algo(closeness_centrality).params({
        direction: 'out',
        order: 'desc',
        limit: 3
      }) as cc
      return cc
      

      结果:cc

      _uuid centrality
      1 0.75000000
      3 0.60000002
      2 0.50000000

      流式返回

      别名序号 类型 描述 列名
      0 []perNode 点及其中心性 _uuid, centrality
      algo(closeness_centrality).params({
        direction: 'in'
      }).stream() as cc
      where cc.centrality == 0
      return cc
      

      结果:cc

      _uuid centrality
      4 0.0000000
      6 0.0000000
      请完成以下信息后可下载此书
      *
      公司名称不能为空
      *
      公司邮箱必须填写
      *
      你的名字必须填写
      *
      你的电话必须填写
      *
      你的电话必须填写