performing-centrality-analysis

# 网络中心性分析技能 (Performing Centrality Analysis) 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。 ## 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 ## 四种中心性类型 | 类型 | 含义 | 应用场景 | |-----|------|---------| | **度中心性** | 直接连接数量 | 识别活跃节点 | | **接近中心性** | 到达其他节点的容易程度 | 识别信息传播效率高的节点 | | **介数中心性** | 最短路径中出现频率 | 识别桥梁和中介节点 | | **特征向量中心性** | 连接到重要节点的程度 | 识别具有间接影响力的节点 | 详见：`references/centrality-theory/INDEX.md` --- ## 快速开始 ### 工具链 ```bash # 计算所有中心性指标 python scripts/calculate_centrality.py \ --input network.json \ --output centrality.json # 按特定指标排序 python scripts/calculate_centrality.py \ --input network.json \ --metric betweenness \ --top 20 # 识别关键节点 python scripts/identify_key_nodes.py \ --input centrality.json \ --output key_nodes.json # 比较不同中心性 python scripts/compare_centralities.py \ --input centrality.json \ --output comparison.json # 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：计算中心性 **使用工具自动计算**： - 4种中心性一次性计算 - 自动识别关键节点（hubs, bridges, influencers） - 输出标准化JSON格式 **定性解释**： - 结合研究问题解释中心性含义 - 考虑中国社会网络的"关系"特点 详见：`references/centrality-theory/INDEX.md` --- ### 第二步：识别关键节点 **使用工具分类**： - Hubs：度中心性高（≥0.5） - Bridges：介数中心性高（≥0.1） - Influencers：特征向量中心性高（≥0.3） **定性分析**： - 验证关键节点的实际影响力 - 分析节点角色和功能 详见：`references/examples/INDEX.md` --- ### 第三步：比较和解释 **使用工具对比**： - 计算不同中心性的相关性 - 识别中心性差异大的节点 **定性解释**： - 解释为什么某些节点在不同中心性上表现不同 - 结合中国文化背景（关系网络、面子文化） 详见：`references/chinese-context/INDEX.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": [...], "top_nodes": [...], "key_nodes": {...} } } ``` ## 质量检查清单 - [ ] 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 --- ## 常见问题 **快速诊断**： - 网络规模过大 → 见 `references/troubleshooting/INDEX.md` - 性能优化 - 中心性结果矛盾 → 使用 `compare_centralities.py` 分析差异 - 可视化不清晰 → 见 `references/examples/INDEX.md` - 可视化方法 --- ## 深入学习 - **中心性理论**：`references/centrality-theory/INDEX.md` - 公式和算法 - **中国社会网络**：`references/chinese-context/INDEX.md` - 关系网络特点 - **实践案例**：`references/examples/INDEX.md` - 完整分析案例 - **故障排除**：`references/troubleshooting/INDEX.md` - 问题诊断 **问题：中心性分布极不均匀** - 解决：检查网络结构和数据质量 - 方法：分析网络的基本结构特征 **问题：中文语境下的解释困难** - 解决：结合中国文化和社会背景 - 策略：使用贴近中文研究者理解的表达方式 ## 技术工具建议 **Python库推荐**： - **NetworkX**：网络分析的核心库 - **Matplotlib/Seaborn**：可视化 - **Pandas**：数据处理 - **NumPy**：数值计算 **其他工具**： - **Gephi**：交互式网络可视化 - **UCINET**：专业社会网络分析软件 - **R语言的igraph包**：网络分析 ## 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 --- *此技能专为中文社会科学研究设计，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。*