performing-centrality-analysis

# 网络中心性分析技能 (Performing Centrality Analysis) ## Overview 识别网络中的关键节点，为中文社会科学研究提供网络结构和权力关系的量化分析。 ## When to Use This Skill Use this skill when the user requests: - Calculation of network centrality measures (degree, closeness, betweenness, eigenvector) - Identification of key nodes or influential actors in a network - Analysis of power distribution and influence in social networks - Detection of bridges or brokers in information flow - Assessment of node importance and connectivity - Understanding of network structure and key positions - Analysis of social network data in Chinese context ## Quick Start When a user requests centrality analysis: 1. **Calculate** all four main centrality measures 2. **Compare** different centrality indicators 3. **Identify** key influential nodes (hubs, bridges, influencers) 4. **Analyze** the relationship between different centrality measures 5. **Interpret** results in Chinese social network context ## 使用时机 当用户提到以下需求时，使用此技能： - "中心性分析" 或 "计算中心性" - "关键节点识别" 或 "找出重要节点" - "权力中心" 或 "影响力分析" - "社会网络分析" 或 "网络结构" - "信息枢纽" 或 "信息传播" - 需要量化分析网络中节点的重要性 ## 快速开始 ### 工具链（5个核心脚本） ```bash # 1. 计算所有中心性指标 python scripts/calculate_centrality.py \ --input network.json \ --output centrality.json # 2. 按特定指标排序 python scripts/calculate_centrality.py \ --input network.json \ --metric betweenness \ --top 20 # 3. 识别关键节点 python scripts/identify_key_nodes.py \ --input centrality.json \ --output key_nodes.json # 4. 比较不同中心性 python scripts/compare_centralities.py \ --input centrality.json \ --output comparison.json # 5. 网络可视化 python scripts/visualize_centrality.py \ --input network.json \ --centrality centrality.json \ --output network_viz.png ``` ## 核心流程 ### 第一步：数据预处理 使用预处理工具清洗网络数据： ```bash python scripts/preprocess_network_data.py --input raw_data.json --output clean_network.json ``` **关键要点**： - 网络格式验证 - 缺失值处理 - 异常值检测 详见：`references/data-preparation.md` ### 第二步：中心性计算 使用计算工具获得四种中心性指标： ```bash python scripts/calculate_centrality.py --input clean_network.json --output centrality_measures.json ``` **计算指标**： - 度中心性：节点的直接连接数 - 接近中心性：到达其他节点的容易程度 - 介数中心性：在最短路径中的重要性 - 特征向量中心性：连接到重要节点的程度 详见：`references/centrality-theory.md` ### 第三步：关键节点识别 使用分类工具识别不同类型的节点： ```bash python scripts/identify_key_nodes.py --input centrality_measures.json --output node_classifications.json ``` **节点类型**： - Hubs（枢纽节点）：度中心性高 - Bridges（桥接节点）：介数中心性高 - Influencers（影响者）：特征向量中心性高 详见：`references/node-classification.md` ### 第四步：中心性比较分析 使用比较工具分析不同中心性指标的关系： ```bash python scripts/compare_centralities.py --input centrality_measures.json --output comparison_report.json ``` **比较维度**： - 相关性分析 - 排名差异 - 一致性检验 详见：`references/centrality-comparison.md` ### 第五步：结果解释 结合社会背景解释中心性结果： - 识别权力结构 - 分析信息流动 - 理解网络功能 详见：`references/social-interpretation.md` ## 输出格式 统一的三层JSON格式： ```json { "summary": { "total_nodes": 50, "total_edges": 120, "network_density": 0.098, "top_node": "节点A", "hubs_count": 5, "bridges_count": 3, "influencers_count": 4 }, "details": { "centralities": { "degree": [...], "closeness": [...], "betweenness": [...], "eigenvector": [...] }, "top_nodes": [...], "key_nodes": { "hubs": [...], "bridges": [...], "influencers": [...] } }, "metadata": { "timestamp": "2025-12-21T10:30:00", "version": "1.0.0" } } ``` 详见：`references/output-format.md` ## 质量检查清单 在完成中心性分析后，请检查以下项目： - [ ] 网络数据格式正确，节点边信息完整 - [ ] 所有4种中心性指标计算正确 - [ ] 关键节点识别合理（hubs/bridges/influencers） - [ ] 结果解释准确，考虑中国"关系"网络特点 - [ ] 可视化清晰，突出关键节点 详见：`references/quality-checklist.md` ## 深入学习 - **中心性理论**：`references/centrality-theory.md` - 公式和算法 - **中国社会网络**：`references/chinese-network-characteristics.md` - 关系网络特点 - **实践案例**：`references/case-studies.md` - 完整分析案例 - **故障排除**：`references/troubleshooting.md` - 问题诊断 ## 完成标志 完成高质量的中心性分析应该： 1. 提供准确的四种中心性指标 2. 深入解释各种中心性的含义 3. 识别网络中的关键节点 4. 给出符合中文语境的解释和建议 --- *此技能为中文社会科学研究提供全面的网络中心性分析支持，帮助研究者深入理解网络结构和权力关系。*