本文介绍一些基础图论里的基础知识：
1.度中心性(degree)：
在细节方面，我们可以看到各个节点的统计信息。根据这些数字可以测出节点的“中心性”
拥有较高出/入度数的节点也拥有较高的“度中心性”
——（局部）直接影响力（degreeScorer）
2.凝聚性(closeness)：
与其他节点之间有短路径的节点拥有较高的“密集中心性”
节点为源信息在网络中的广播时间【节点的接近度越大，表明节点越居于网络的中心，它在网络中越重要，而在网络中心的点上产生的消息，将以最短的时间传播整个网络，适合做广告营销】
——(全局)凝聚性（ClosenessCentrality）
3.介数(betweenness):
与其他节点对之间有最短路径的节点拥有较高的“中间性”
节点对网络信息传播的控制能力【判断人际关系网络中节点的重要程度，可以准确找到网络中某些“流量”非常大的节点】
——（全局）介数(BetweennessCentrality)
4.特征向量中心性(EigenvectorCentrality)
连接了许多中心性较高节点的节点拥有较高的“特征向量中心性”
本地簇系数意味着相邻节点的互联性【衡量网络中成员的地位和名望】
——(局部)间接影响力EigenvectorCentrality
注：
从中Drew
Conway发现拥有低“特征向量中心性”和高“中间性”的人是很重要的联系人，而拥有高“特征向量中心性”和低“中间性”的人与重要的人有关联。
5.PageRank
6.KStepMarkov(相对重要性)
(继续补充中...)
图论-BASE,布布扣,bubuko.com
图论-BASE
原文：http://www.cnblogs.com/griver/p/3573500.html
