performing-centrality-analysis

name	performing-centrality-analysis
description	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。当需要识别网络中的关键节点、权力中心或信息枢纽时使用此技能。

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

# 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：

{
  "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。