performing-centrality-analysis

name	performing-centrality-analysis
description	当用户需要执行社会网络中心性分析，包括度中心性、接近中心性、介数中心性和特征向量中心性的计算和解释时使用此技能
version	1.0.0
author	socienceAI.com
tags	["social-network-analysis","centrality-measures","network-analysis","graph-theory","node-importance"]

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）

# 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：

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：

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：

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：

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：

{
  "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。