数据分析之图算法: 基于Spark和Neo4j

中心性算法

｜

75

user centrality

Alice 1.0

Doug 1.0

David 1.0

Bridget 0.7142857142857143

Michael 0.7142857142857143

Amy 0.6666666666666666

James 0.6666666666666666

Charles 0.625

Mark 0.625

结果与

Spark

算法实现的相同，与之前一样，分值表示他们与子图（而不是整个图）中其

他用户的亲密程度。

根据接近中心性算法的严格解释，图中所有节点的得分都是∞，因为每个节

点至少有一个无法到达的节点，不过按照每个分量分别计算得分通常更有用。

在理想情况下，我们希望得到整个图的接近中心性指标，因此接下来介绍接近中心性算法

的一些变体。

5.3.4

　接近中心性算法变体

：

Wasserman & Faust

算法

Stanley Wasserman

和

Katherine Faust

提出了一个改进公式，用于计算包含多个非连通子图

的图的接近中心性得分。他们在《社会网络分析：方法与应用》一书中详细介绍了该公

式。该公式得到的结果是群组中可达节点数与到可达节点平均距离的比值。

公式如下：

1

1

11

()

1

(,)

WF

n

v

nn

Cu

N

duv

−

=



−−



=



−



∑

其中：

•

u

为节点；

•

N

为总的节点数；

•

n

是与

u

在同一分量中的节点的数量；

•

d

(

u

,

v

)

是另一节点

v

到

u

的最短距离。

传递参数

improved: true

，告诉接近中心性计算程序采用该公式。

76

｜

第

5

章

下面的查询使用 ...