特征向量中心度[7]是一种面向全局的计算网络中节点重要性的重要算法，其基本思想是，网络中节点的重要性取决于和它相连的点的重要性，当与之联系的点的重要性程度越高，那么该点的重要性也就越高[8]。也就是说，点的接触面广很重要，但是与什么样的点接触同样很重要。如果与某个节点相连的点具有很大影响力，那么其他相连的点也可以通过它提升自己的影响力。这在现实中有很多例子，例如在作者合作过程中，如果某个作者选择与其他影响力更大的研究人员进行合作，那么对于提升该名作者的学术影响力具有的作用是明显的；反之，如果这名作者合作的对象大多数是处于本领域边缘化的人群，一般而言，其影响力就相对有限。在引文网络中同样如此，对于某一项研究或一篇论文来说，如果作为其研究基础的内容或参考文献质量都比较低，那么相对而言，这项研究或者论文的质量也就比较难以保证；在词网络中这种特性表现得更为明显，如果与某个词共同出现在文献中的词大多数是冷僻的词汇，那么该词很可能也是被使用较少或内容指向比较狭窄的词汇，从而进一步影响文献本身指向内容的广度。
如果要计算具体的某个节点的特征向量中心度，那么与它连接的其他节点的中心度必须已知，而这些与它相连节点的中心度又只能通过自身的连接节点来计算，然而这些点的连接节点又包含了最初需要计算的那个节点本身，因此特征向量中心度定义是存在内部的迭代的。特征向量的计算一般通过邻接矩阵来计算。对于一个给定的图G：＝(V，E)，其中V代表图中的节点数量，定义矩阵A＝(av，t)为一个邻接矩阵，如果节点v与节点t之间存在关联，那么av，t＝1，反之则等于0。节点v的中心性值定义如下：(www.xing528.com)
其中，M(v)是节点v周围的节点集合，λ是一个常数。这个方程经过细微的调整，利用矢量表示法可以改写为特征向量方程，如下所示：
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
