- 图
点和边组成图
图像是一种特殊的图 - 图的表示
无向图与有向图（边有方向） - 如何表示图
邻接矩阵（ajacency matrix） - 图的性质
度（degree）节点连接边的个数
对于有向图，度分为出度和入度 - 子图（subgraph）
大图的一部分 - 连通图
对于一个无向图，任意节点都能通过边到某个节点，则为连通图，反之为非连通图。
对于无向图有连通分量的概念，即连通图只有一个连通分量，即自身；非连通的无向图有多个连通分量 - 有向图连通性
强连通图，任意两个节点可达
弱连通图，至少一个节点不满足单向连通性，将方向去掉之后，满足一个连通图 - 最短路径，图直径
图中，两个节点可达的最短路径
图直径，图中左右两两节点最短路径的最大值 - 度中心性
节点度/(图节点数量-1)
节点的度越大，度中心性越大，节点的重要性越高 - 特征向量中心性（eigenvecotr centrality）
节点的重要性取决于邻居节点的数量（度），也取决于与其邻居节点的重要性。与之相连的邻居节点越重要，该节点越重要
节点的度大，那么特征向量中心性大
其次，当节点的度相同，那么比较节点连接的节点度大，那么特征向量中心性要大
比度中心性更好的去表达节点所在图中的位置
先求出该图所表示的邻接矩阵的特征值。选最大的一个特征值2.48，求出对应的特征向量。将其乘以-1，是没有影响的。于是得到了图中所示的特征向量中心性 11. 中介中心性 Betweenness Centrality
=（经过该节点的最短路径数量）/（经过其余节点的最短路径数量）
- 连接中心性（closeness）
反映在网络中某一节点与其他节点之间的接近程度。如果一个节点离其他的节点都很近，那么传递信息的时候就不需要依赖其他的节点，说明这个节点很重要
=（图节点个数-1）/（节点到其他节点最短路径之和） - 图应用（网页排序算法）
- PageRank（谷歌）
- HITS
zhihu:度中心性、特征向量中心性、中介中心性、连接中心性
python library:networkx
course code:colab
video:[b 站 视]](https://www.bilibili.com/video/BV1ZF411V7VJ?spm_id_from=333.337.search-card.all.click&vd_source=d669ed1a1e82cc94c400d22504e42d08)
