Cytoscape.js 归一化度中心性(degreeCentralityNormalized / dcn)完全指南
数据可视化【免费下载链接】cytoscape.jsGraph theory (network) library for visualisation and analysis项目地址https://gitcode.com/gh_mirrors/cy/cytoscape.js点击查看免费下载导读归一化度中心性normalized degree centrality是图分析中最常用的节点重要性度量之一它把每个节点的度中心性除以图中所有节点的最大度中心性将结果压缩到0 ~ 1区间从而可以在不同规模、不同边权分布的图上横向比较节点的重要程度。本文以 Cytoscape.js 的eles.degreeCentralityNormalized()简写dcn()为核心完整讲解其 API 签名、返回值结构、带权/无向/有向等各场景的语义并结合 源码实现 与 单元测试 说明其归一化原理与边界行为。读完本文你将能够直接在项目中调用dcn()识别图中最具连接影响力的节点并理解它与未归一化的degreeCentrality()dc()之间的换算关系。一、方法概览与别名degreeCentralityNormalized是 Cytoscape.js 集合collection层的图算法方法位于 src/collection/algorithms/degree-centrality.mjs。源码在定义完elesfn后提供了三组等价别名elesfn.dc elesfn.degreeCentrality; elesfn.dcn elesfn.degreeCentralityNormalised elesfn.degreeCentralityNormalized;即dcn与degreeCentralityNormalised英式拼写均为degreeCentralityNormalized的简写调用效果完全相同cy.$().dcn()等价于cy.$().degreeCentralityNormalized()cy.$().dc()等价于cy.$().degreeCentrality()这些方法通过 src/collection/algorithms/index.mjs 中import degreeCentrality from ./degree-centrality.mjs以及后续degreeCentrality导出注册到集合原型上因此任何 Cytoscape.js 集合cy.$()、cy.nodes()、cy.elements()等都可以直接调用。二、返回值结构归一化的核心契约根据官方文档 degreeCentralityNormalized.mddcn()的返回值根据directed选项分为两种形态。2.1 无向图options.directed: false返回一个对象内含一个函数{ /* 指定节点的归一化度中心性 */ degree: function( node ){ /* impl */ } }2.2 有向图options.directed: true返回一个对象内含两个函数{ /* 指定节点的归一化入度中心性 */ indegree: function( node ){ /* impl */ }, /* 指定节点的归一化出度中心性 */ outdegree: function( node ){ /* impl */ } }2.3 与未归一化版本dc()的返回结构对比未归一化的degreeCentrality()在无向模式下返回{ degree }在有向模式下返回{ indegree, outdegree }见 degreeCentrality.md。两者返回结构完全一致区别仅在于dc()返回的是原始值节点实际连接数/边权和而dcn()返回的是相对最大值归一化后的0 ~ 1数值。三、参数详解与底层实现dcn()的默认参数由 degree-centrality.mjs 中的defaults定义const defaults util.defaults({ root: null, weight: edge 1, directed: false, alpha: 0 });参数默认值类型说明rootnull元素/集合/选择器指定中心性计算的目标节点。在dcn()内部会被自动覆盖为遍历到的每个节点因此通常无需显式传入weightedge 1函数边的权重函数入参为一条边元素返回数值作为该边权重。返回1即退化为无权图只统计连接数directedfalse布尔是否为有向计算。true时分别统计入度/出度alpha0数字度与边权之间的调节参数0 ~ 1源自 Opsahl 等人提出的带权度中心性推广公式详见下文从源码可以清晰看到dcn()的完整归一化流程degree-centrality.mjs取调用集合的所有节点this.nodes()记录节点数numNodes遍历每个节点将options.root临时设为该节点并调用一次this.degreeCentrality(options)获得其原始度中心性同时维护全局最大值maxDegree无向或maxIndegree/maxOutdegree有向将每个节点的原始值除以对应最大值作为闭包中返回函数的计算结果若最大值为0空图或全零权重则返回0以避免除零。3.1 归一化公式无向场景下每个节点v的归一化度中心性为dcn(v) dc(v) / max_{u ∈ V} dc(u)有向场景下则分别对入度和出度归一化indegree_norm(v) indegree(v) / max_{u ∈ V} indegree(u) outdegree_norm(v) outdegree(v) / max_{u ∈ V} outdegree(u)正因为每个节点的值都以图中所有节点的最大值为分母所以数值最大的那个节点其归一化值恒为1孤立节点度为零的归一化值为0其余节点落在(0, 1)之间。3.2 节点参数支持字符串选择器返回的degree/indegree/outdegree函数接受两种入参元素对象element或选择器字符串。源码中通过is.string(node)判断后执行cy.filter(node)将选择器解析为集合degree-centrality.mjs。因此文档示例dcn.degree(#j)中#j是合法的 ID 选择器写法等价于传入 ID 为j的节点元素。四、底层dc()的度中心性算法归一化的上游要真正理解归一化值需要先理解其上游的原始度中心性degreeCentrality()实现degree-centrality.mjs它实现了 Opsahl 论文Node centrality in weighted networks: Generalizing degree and shortest paths中的 Degree 定义。4.1 无向带权公式无向模式下取根节点与调用集合的交集中的连接边计算degree k^(1 - alpha) * s^alpha其中k 与根节点相连的边数连接数s 这些边的权重之和alpha 调节参数。由此可得两个极端情形alpha 0时degree k只看连接数完全忽略边权alpha 1时degree s只看边权和完全忽略连接数0 alpha 1时两者兼顾。4.2 有向带权公式有向模式下将连接边拆分为入边edge.target().same(root)与出边edge.source().same(root)分别计算indegree k_in ^(1 - alpha) * s_in ^alpha outdegree k_out^(1 - alpha) * s_out^alpha其中k_in/k_out为入/出边数量s_in/s_out为入/出边权重和。注意有向模式下连边统计同样受调用集合限制callingEles.has(edge)即只统计调用集合内部包含的边这一点对局部子图分析非常关键。4.3 测试验证的数值示例test/collection-algorithms.mjs 中的测试构造了一个包含a~f六个节点、9 条带权边的图并覆盖了无权/带权、无向/有向、alpha 0/1共 8 组用例。以带权无向alpha 1为例各节点degree期望值为a 4、b 12、c 14、d 17、e 18带权有向alpha 1时e的indegree 18、a的outdegree 4等。这些断言可直接作为理解dc()/dcn()数值语义的基准样例。五、示例从官方文档到可直接运行代码官方文档 degreeCentralityNormalized.md 给出的核心示例为var dcn cy.$().dcn(); console.log( dcn of j: dcn.degree(#j) );其流程是先在图上用 ID 选择器#j定位一个名为j的节点选择器语法详见 selectors.md然后对整图调用dcn()得到归一化结果对象最后把#j字符串传给degree函数即可得到该节点的归一化度中心性。为了让示例可直接运行这里给出一个完整的可执行版本结合测试图结构扩展import cytoscape from ./src/test.mjs; // 开发环境入口或替换为构建产物 const cy cytoscape({ elements: { nodes: [ { data: { id: a } }, { data: { id: b } }, { data: { id: c } } ], edges: [ { data: { id: ab, source: a, target: b } }, { data: { id: bc, source: b, target: c } }, { data: { id: ca, source: c, target: a } } ] } }); // 无向归一化 const dcn cy.$().dcn(); console.log( dcn of a: dcn.degree(#a) ); // 1两个邻居与 b、c 并列最大 // 有向归一化 const dcnDir cy.$().dcn({ directed: true }); console.log( indegree of a: dcnDir.indegree(#a) ); // 1a 只有一条入边 c→a而 b、c 也各一条均为 1 console.log( outdegree of a: dcnDir.outdegree(#a) ); // 1a 只有一条出边 a→b各节点均 1 条出边 // 带权归一化weight 取边 data 中的 weight 字段alpha1 表示只看边权和 const dcnWeighted cy.$().dcn({ weight: edge edge.data(weight), alpha: 1 });5.1 各场景调用要点速查使用场景推荐写法无权无向图归一化cy.$().dcn()无权有向图归一化cy.$().dcn({ directed: true })带权无向图归一化cy.$().dcn({ weight: e e.data(weight) })带权有向图归一化cy.$().dcn({ directed: true, weight: e e.data(weight) })兼顾连接数与边权cy.$().dcn({ alpha: 0.5 })子图内部归一化先筛选出子图集合如cy.$(#subgraph).dcn(...)六、实际应用场景与注意事项6.1 典型应用关键节点识别归一化后可直接按数值排序找出图中连接能力最强值为1的枢纽节点用于网络鲁棒性分析、传播源定位等跨图比较不同规模、不同边权的网络其原始度中心性不可直接比较归一化到0 ~ 1后具备可比性有向网络分析社交媒体关注网络等场景下indegree受欢迎程度与outdegree活跃程度分开归一化可分别刻画两种角色带权网络结合weight与alpha可建模连接数量 vs 连接强度的权衡。6.2 注意事项分母是全局最大值而非总节点数归一化除以的是最大度值因此最大节点的值恒为1这与除以节点数 N的另一种归一化定义不同解读结果时需留意孤立节点/全零权重返回 0源码中对maxDegree 0等情况显式返回0degree-centrality.mjs避免除零异常调用集合决定统计范围无向模式下连接边统计为root.connectedEdges().intersection(callingEles)有向模式为callingEles.has(edge)即dcn()只基于调用它的集合所包含的边进行计算子图调用得到的是子图内部的归一化中心性内部时间复杂度为 O(N) 次dc()dcn()会为每个节点调用一次degreeCentrality()degree-centrality.mjs在大图上重复计算会有一定开销可结合 performance.md 中的调优建议使用。七、相关资源官方 API 文档degreeCentralityNormalized.md、degreeCentrality.md源码实现src/collection/algorithms/degree-centrality.mjs注册导出src/collection/algorithms/index.mjs测试用例test/collection-algorithms.mjs概念定义degree / indegree / outdegree / total degreedegree.md中心性算法族整体说明documentation/md/collection/algorithms.md赞分享数据可视化【免费下载链接】cytoscape.jsGraph theory (network) library for visualisation and analysis项目地址https://gitcode.com/gh_mirrors/cy/cytoscape.js点击查看免费下载相关推荐MXNet Gluon 归一化层完全指南从数据归一化到 BatchNorm、LayerNorm 与 InstanceNormMXNet Gluon 归一化层完全指南从数据归一化到 BatchNorm、LayerNorm 与 InstanceNorm 归一化Normalizatio人工智能深度学习机器学习MXNet Gluon 归一化块实战指南数据归一化、BatchNorm、LayerNorm 与 InstanceNorm 完全解析MXNet Gluon 归一化块实战指南数据归一化、BatchNorm、LayerNorm 与 InstanceNorm 完全解析 本教程以 MXNet Gl深度学习机器学习人工智能终极指南BatchNorm、LayerNorm与InstanceNorm在fastai中的应用对比终极指南BatchNorm、LayerNorm与InstanceNorm在fastai中的应用对比 fastai是一个强大的深度学习库提供了丰富的工具和功能人工智能深度学习上一篇300ms加载优化Bilibili-Evolved的终极按需加载策略与实现下一篇如何用Bandit快速发现Python代码中的安全漏洞5分钟终极指南创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

相关新闻

Google Gemini 深度评测与实战:用 TaoToken 统一 Key 打通 API 调用链路

Google Gemini 深度评测与实战:用 TaoToken 统一 Key 打通 API 调用链路

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/11/20 13:56:55 阅读更多 →
SAP销售BOM配置全解析:从后台六件套到前台VA01-VF01实操与避坑

SAP销售BOM配置全解析:从后台六件套到前台VA01-VF01实操与避坑

简介:这份PDF面向SAP SD顾问、ERP实施人员及企业内部关键用户,聚焦销售BOM这一特殊业务场景的配置与落地。内容以“盒装综合礼品”为例,完整梳理了从业务前提、后台配置到前台操作的全链路:涵盖可用性检查中成品与组件的差异化设置…

2026/11/17 20:25:48 阅读更多 →
手持刀行为检测数据集4381张:YOLOv8训练调参避坑指南

手持刀行为检测数据集4381张:YOLOv8训练调参避坑指南

简介:本资源为面向YOLO系列算法的手持刀行为检测数据集,适用于安防监控、智能视频分析等场景下的目标检测模型训练与验证,适合具备一定深度学习基础、需要快速搭建刀具识别实验的开发者与研究人员。压缩包共2000个文件,以xml标注文…

2026/11/21 23:50:35 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年,我大部分时间都在跟浏览器标签页打交道,直到第一次把桌面应用跑起来,才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词,最开始是在某段时间频繁出现在同事的讨论里,一个用HTML…

2026/11/21 23:27:35 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介:亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档,主要面向智能锁安装人员、终端用户及售后维护者,帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件,大小4.37MB,内容结构清晰&#xff…

2026/11/21 23:27:35 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统,整车要求空载跑到8m/s,电机转速已经拉到额定点,驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令,转速纹丝不动,三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/21 23:27:35 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年,用它写过嵌入式驱动、做过游戏服务端,也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词,我其实挺感慨的——这门语言的难点从来不是语法多,而是知识点之间的耦合太深…

2026/11/21 23:27:35 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介:亚太天能T109滑盖智能锁产品说明书以PDF格式发布,适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开,先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能,再给出完整安装步骤&…

2026/11/21 23:27:36 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历:翻开源码注释、论文摘要或者一份专业报告,每个字都认识,连在一起却像天书。想找人聊聊,身边要么没人懂,要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型,几秒钟之后&a…

2026/11/21 23:27:37 阅读更多 →

日新闻

周新闻

月新闻