(weighted degree)加权度中心性

请问在Jupyter Notebook中用Python做加权度中心性的算法有样例吗，networkx有这种方法吗？求助

• Weighted Degree Centrality: the number of interactions you participate in.
• 加权度中心性：您参与的互动次数。
  

你说的加权度，有没有详细的描述？你想解决什么问题？把应用的场景描述一下。

在一个图上面，两个节点相连的边上面有权重，那么，我认为一定是个有向图，要区分进和出，不然就没有研究的意义了。

比如，有一个社群，这是一个买卖社群，大家互通有无，A向C购买，也可能向D销售；又如，一个话题传播网络，A从B那里听了一个话题，有可能A会传播给C。

在这样一个网络上，站在某个节点上，比如，A，可以只考虑出方向，如果A出方向到C、E、G，总共有3条边，那么对他们的权重要做一个归一化处理，让三个总和是1。这样就为A构成了一个概率分布向量。也就是A听到一个话题以后，分别有多大概率传播给C、E、G，而且总概率是1，也就是说他肯定会传播出去的，如果他不传播，就没有研究的意义了，要把他剔除。

把每个节点（可能代表一个人）向其他节点传播的可能性都处理成一个概率分布向量，每个这样的向量中的所有元素加在一起得到1。

把所有这些向量作为列向量并排放在一起，组成一个矩阵。这就是一个概率转移矩阵。

当出现一个话题，一开始传播给了这个社群中的几个人，经过一定时间传播以后，就能知道每个人有多大概率知道这个话题。而且，无论一开始传播给了哪几个人，最后每个人知道这个话题的概率是一样的。也就是说，这是一个稳定系统，就像一个生态系统，老虎吃鸡，鸡吃虫，最后稳定了。

这就是一个典型的动态系统，经过发展，最后稳定到一个状态。这个状态是这个动态系统的特征。如果这个动态系统用上面构造的矩阵来表示，那么这个状态就是这个矩阵的最显著的那个特征向量。

用特征向量中心度计算方法就可以算。有一个专门的notebook可以使用。

好的，我明白了，我还想问一下咱们有一篇文章是说明Pagerank,第二种图传播方法计算不出，总是报错 module 'scipy.sparse' has no attribute 'coo_array'，如何解决

在Jupyter Notebook中用Python做PageRank算法计算(https://www.gooseeker.com/doc/article-640-1.html)

今天 发表于 2022-4-15 12:13
好的，我明白了，我还想问一下咱们有一篇文章是说明Pagerank,第二种图传播方法计算不出，总是报错 module ' ...

我检查了这个notebook，没有看到使用scipy，是这个notebook吗？