. . "\u5728\u56FE\u8BBA\u4E2D\uFF0C\u7279\u5F81\u5411\u91CF\u4E2D\u5FC3\u6027(eigenvector centrality)\u662F\u6D4B\u91CF\u8282\u70B9\u5BF9\u7F51\u7EDC\u5F71\u54CD\u7684\u4E00\u79CD\u65B9\u5F0F\u3002\u9488\u5BF9\u8FDE\u63A5\u6570\u76F8\u540C\u7684\u8282\u70B9\uFF0C\u76F8\u90BB\u8282\u70B9\u5206\u6570\u66F4\u9AD8\u7684\u8282\u70B9\u4F1A\u6BD4\u76F8\u90BB\u8282\u70B9\u5206\u6570\u66F4\u4F4E\u7684\u8282\u70B9\u5206\u6570\u9AD8\uFF0C\u4F9D\u636E\u6B64\u539F\u5219\u7ED9\u6240\u6709\u8282\u70B9\u5206\u914D\u5BF9\u5E94\u7684\u5206\u6570\u3002\u7279\u5F81\u5411\u91CF\u5F97\u5206\u8F83\u9AD8\u610F\u5473\u7740\u8BE5\u8282\u70B9\u4E0E\u8BB8\u591A\u81EA\u8EAB\u5F97\u5206\u8F83\u9AD8\u7684\u8282\u70B9\u76F8\u8FDE\u63A5\u3002 \u8C37\u6B4C\u7684PageRank\u548C\u662F\u7279\u5F81\u5411\u91CF\u4E2D\u5FC3\u6027\u7684\u53D8\u4F53\u3002"@zh . "En an\u00E1lisis de redes sociales, la centralidad de vector propio (en ingl\u00E9s, eigenvector centrality), tambi\u00E9n llamado prestigio de rango o prestigio de estatus, es una medida de centralidad utilizada para cuantificar el nivel de influencia, prestigio o estatus de un nodo o actor en un grafo o red social.\u200B Corresponde al principal vector propio de la matriz de adyacencia del grafo analizado.\u200B Intuitivamente, los nodos o actores que poseen un valor alto de esta medida de centralidad est\u00E1n conectados a otros nodos que a su vez son muy relevantes, en el sentido de la misma medida, o bien a muchos otros nodos, quiz\u00E1s menos relevantes. Por el contrario, los nodos conectados a otros nodos perif\u00E9ricos o poco relevantes, tendr\u00E1n una baja centralidad de vector propio.\u200B Por lo tanto, los actores con un alto valor para esta medida son buenos candidatos para difundir informaci\u00F3n, divulgar rumores o enfermedades, etc. Los nodos m\u00E1s centrales en este sentido corresponden a centros de grandes grupos cohesivos. En general habr\u00E1 varios valores propios para los cuales existe una soluci\u00F3n de vector propio. Sin embargo, debido al teorema de Perron-Frobenius, el requerimiento adicional de que las entradas de los vectores propios sean positivos implica que s\u00F3lo los mayores valores propios conduzcan a la medida de centralidad deseada.\u200B El m\u00E9todo de las potencias es uno de los muchos algoritmos existentes para calcular el valor propio que puede ser utilizado para encontrar el vector propio dominante.\u200B Adem\u00E1s, este puede generalizarse tal que las entradas en la matriz de adyacencia puedan ser n\u00FAmeros reales representrando fuerzas de conexi\u00F3n, como en una matriz estoc\u00E1stica. Esta medida es, junto a la centralidad de grado, de cercan\u00EDa y de intermediaci\u00F3n, una de las cuatro medidas de centralidad tradicionales. La centralidad de vector propio es una medida radial de volumen, por lo que algunos autores la consideran una generalizaci\u00F3n de la centralidad de grado.\u200B En realidad, mientras que en la centralidad de grado cada nodo contribuye lo mismo al grado de un nodo de la red, en este caso los nodos y sus conexiones contribuyen de forma diferente. A su vez, al considerar tambi\u00E9n de alguna manera los caminos dentro de la red, otros autores la consideran un tipo de \u00EDndices de prestigio, variantes de la centralidad de cercan\u00EDa.\u200B"@es . "En an\u00E1lisis de redes sociales, la centralidad de vector propio (en ingl\u00E9s, eigenvector centrality), tambi\u00E9n llamado prestigio de rango o prestigio de estatus, es una medida de centralidad utilizada para cuantificar el nivel de influencia, prestigio o estatus de un nodo o actor en un grafo o red social.\u200B Corresponde al principal vector propio de la matriz de adyacencia del grafo analizado.\u200B"@es . . . . . . . . . "3495507"^^ . . . "In graph theory, eigenvector centrality (also called eigencentrality or prestige score) is a measure of the influence of a node in a network. Relative scores are assigned to all nodes in the network based on the concept that connections to high-scoring nodes contribute more to the score of the node in question than equal connections to low-scoring nodes. A high eigenvector score means that a node is connected to many nodes who themselves have high scores. Google's PageRank and the Katz centrality are variants of the eigenvector centrality."@en . . "\u0421\u0442\u0435\u043F\u0435\u043D\u044C \u0432\u043B\u0438\u044F\u0442\u0435\u043B\u044C\u043D\u043E\u0441\u0442\u0438"@ru . "9924"^^ . . . "\u5728\u56FE\u8BBA\u4E2D\uFF0C\u7279\u5F81\u5411\u91CF\u4E2D\u5FC3\u6027(eigenvector centrality)\u662F\u6D4B\u91CF\u8282\u70B9\u5BF9\u7F51\u7EDC\u5F71\u54CD\u7684\u4E00\u79CD\u65B9\u5F0F\u3002\u9488\u5BF9\u8FDE\u63A5\u6570\u76F8\u540C\u7684\u8282\u70B9\uFF0C\u76F8\u90BB\u8282\u70B9\u5206\u6570\u66F4\u9AD8\u7684\u8282\u70B9\u4F1A\u6BD4\u76F8\u90BB\u8282\u70B9\u5206\u6570\u66F4\u4F4E\u7684\u8282\u70B9\u5206\u6570\u9AD8\uFF0C\u4F9D\u636E\u6B64\u539F\u5219\u7ED9\u6240\u6709\u8282\u70B9\u5206\u914D\u5BF9\u5E94\u7684\u5206\u6570\u3002\u7279\u5F81\u5411\u91CF\u5F97\u5206\u8F83\u9AD8\u610F\u5473\u7740\u8BE5\u8282\u70B9\u4E0E\u8BB8\u591A\u81EA\u8EAB\u5F97\u5206\u8F83\u9AD8\u7684\u8282\u70B9\u76F8\u8FDE\u63A5\u3002 \u8C37\u6B4C\u7684PageRank\u548C\u662F\u7279\u5F81\u5411\u91CF\u4E2D\u5FC3\u6027\u7684\u53D8\u4F53\u3002"@zh . . . . . . . . "\u0421\u0442\u0435\u043F\u0435\u043D\u044C \u0432\u043B\u0438\u044F\u0442\u0435\u043B\u044C\u043D\u043E\u0441\u0442\u0438 \u2014 \u044D\u0442\u043E \u043C\u0435\u0440\u0430 \u0432\u043B\u0438\u044F\u043D\u0438\u044F \u0443\u0437\u043B\u0430 \u0432 \u0441\u0435\u0442\u0438. \u041E\u0442\u043D\u043E\u0441\u0438\u0442\u0435\u043B\u044C\u043D\u044B\u0435 \u0432\u0435\u043B\u0438\u0447\u0438\u043D\u044B \u043F\u043E\u043A\u0430\u0437\u0430\u0442\u0435\u043B\u044F \u043D\u0430\u0437\u043D\u0430\u0447\u0430\u044E\u0442\u0441\u044F \u0432\u0441\u0435\u043C \u0443\u0437\u043B\u0430\u043C \u043D\u0430 \u043E\u0441\u043D\u043E\u0432\u0435 \u043A\u043E\u043D\u0446\u0435\u043F\u0446\u0438\u0438, \u0447\u0442\u043E \u0441\u0432\u044F\u0437\u044C \u0441 \u0443\u0437\u043B\u043E\u043C \u0432\u044B\u0441\u043E\u043A\u043E\u0439 \u0441\u0442\u0435\u043F\u0435\u043D\u0438 \u0432\u043B\u0438\u044F\u0442\u0435\u043B\u044C\u043D\u043E\u0441\u0442\u0438 \u0432\u043A\u043B\u0430\u0434\u044B\u0432\u0430\u0435\u0442 \u0431\u043E\u043B\u044C\u0448\u0435 \u0432 \u043F\u043E\u043A\u0430\u0437\u0430\u0442\u0435\u043B\u044C \u0440\u0430\u0441\u0441\u043C\u0430\u0442\u0440\u0438\u0432\u0430\u0435\u043C\u043E\u0433\u043E \u0443\u0437\u043B\u0430, \u0447\u0435\u043C \u0430\u043D\u0430\u043B\u043E\u0433\u0438\u0447\u043D\u0430\u044F \u0441\u0432\u044F\u0437\u044C \u0441 \u0443\u0437\u043B\u043E\u043C \u043D\u0438\u0437\u043A\u043E\u0439 \u0441\u0442\u0435\u043F\u0435\u043D\u0438 \u0432\u043B\u0438\u044F\u0442\u0435\u043B\u044C\u043D\u043E\u0441\u0442\u0438. \u0412\u044B\u0441\u043E\u043A\u0430\u044F \u0441\u0442\u0435\u043F\u0435\u043D\u044C \u0432\u043B\u0438\u044F\u0442\u0435\u043B\u044C\u043D\u043E\u0441\u0442\u0438 \u043E\u0437\u043D\u0430\u0447\u0430\u0435\u0442, \u0447\u0442\u043E \u0443\u0437\u0435\u043B \u0441\u0432\u044F\u0437\u0430\u043D \u0441\u043E \u043C\u043D\u043E\u0433\u0438\u043C\u0438 \u0443\u0437\u043B\u0430\u043C\u0438, \u0438\u043C\u0435\u044E\u0449\u0438\u043C\u0438 \u0432\u044B\u0441\u043E\u043A\u0438\u0435 \u0441\u0442\u0435\u043F\u0435\u043D\u0438 \u0432\u043B\u0438\u044F\u0442\u0435\u043B\u044C\u043D\u043E\u0441\u0442\u0438. \u041F\u043E\u043A\u0430\u0437\u0430\u0442\u0435\u043B\u044C PageRank \u043A\u043E\u043C\u043F\u0430\u043D\u0438\u0438 Google \u0438 \u0446\u0435\u043D\u0442\u0440\u0430\u043B\u044C\u043D\u043E\u0441\u0442\u044C \u043F\u043E \u041A\u0430\u0446\u0443 \u044F\u0432\u043B\u044F\u044E\u0442\u0441\u044F \u0432\u0430\u0440\u0438\u0430\u043D\u0442\u0430\u043C\u0438 \u0441\u0442\u0435\u043F\u0435\u043D\u0438 \u0432\u043B\u0438\u044F\u0442\u0435\u043B\u044C\u043D\u043E\u0441\u0442\u0438."@ru . . "\u7279\u5F81\u5411\u91CF\u4E2D\u5FC3\u6027"@zh . . . . . . . "\u0421\u0442\u0435\u043F\u0435\u043D\u044C \u0432\u043B\u0438\u044F\u0442\u0435\u043B\u044C\u043D\u043E\u0441\u0442\u0438 \u2014 \u044D\u0442\u043E \u043C\u0435\u0440\u0430 \u0432\u043B\u0438\u044F\u043D\u0438\u044F \u0443\u0437\u043B\u0430 \u0432 \u0441\u0435\u0442\u0438. \u041E\u0442\u043D\u043E\u0441\u0438\u0442\u0435\u043B\u044C\u043D\u044B\u0435 \u0432\u0435\u043B\u0438\u0447\u0438\u043D\u044B \u043F\u043E\u043A\u0430\u0437\u0430\u0442\u0435\u043B\u044F \u043D\u0430\u0437\u043D\u0430\u0447\u0430\u044E\u0442\u0441\u044F \u0432\u0441\u0435\u043C \u0443\u0437\u043B\u0430\u043C \u043D\u0430 \u043E\u0441\u043D\u043E\u0432\u0435 \u043A\u043E\u043D\u0446\u0435\u043F\u0446\u0438\u0438, \u0447\u0442\u043E \u0441\u0432\u044F\u0437\u044C \u0441 \u0443\u0437\u043B\u043E\u043C \u0432\u044B\u0441\u043E\u043A\u043E\u0439 \u0441\u0442\u0435\u043F\u0435\u043D\u0438 \u0432\u043B\u0438\u044F\u0442\u0435\u043B\u044C\u043D\u043E\u0441\u0442\u0438 \u0432\u043A\u043B\u0430\u0434\u044B\u0432\u0430\u0435\u0442 \u0431\u043E\u043B\u044C\u0448\u0435 \u0432 \u043F\u043E\u043A\u0430\u0437\u0430\u0442\u0435\u043B\u044C \u0440\u0430\u0441\u0441\u043C\u0430\u0442\u0440\u0438\u0432\u0430\u0435\u043C\u043E\u0433\u043E \u0443\u0437\u043B\u0430, \u0447\u0435\u043C \u0430\u043D\u0430\u043B\u043E\u0433\u0438\u0447\u043D\u0430\u044F \u0441\u0432\u044F\u0437\u044C \u0441 \u0443\u0437\u043B\u043E\u043C \u043D\u0438\u0437\u043A\u043E\u0439 \u0441\u0442\u0435\u043F\u0435\u043D\u0438 \u0432\u043B\u0438\u044F\u0442\u0435\u043B\u044C\u043D\u043E\u0441\u0442\u0438. \u0412\u044B\u0441\u043E\u043A\u0430\u044F \u0441\u0442\u0435\u043F\u0435\u043D\u044C \u0432\u043B\u0438\u044F\u0442\u0435\u043B\u044C\u043D\u043E\u0441\u0442\u0438 \u043E\u0437\u043D\u0430\u0447\u0430\u0435\u0442, \u0447\u0442\u043E \u0443\u0437\u0435\u043B \u0441\u0432\u044F\u0437\u0430\u043D \u0441\u043E \u043C\u043D\u043E\u0433\u0438\u043C\u0438 \u0443\u0437\u043B\u0430\u043C\u0438, \u0438\u043C\u0435\u044E\u0449\u0438\u043C\u0438 \u0432\u044B\u0441\u043E\u043A\u0438\u0435 \u0441\u0442\u0435\u043F\u0435\u043D\u0438 \u0432\u043B\u0438\u044F\u0442\u0435\u043B\u044C\u043D\u043E\u0441\u0442\u0438. \u041F\u043E\u043A\u0430\u0437\u0430\u0442\u0435\u043B\u044C PageRank \u043A\u043E\u043C\u043F\u0430\u043D\u0438\u0438 Google \u0438 \u0446\u0435\u043D\u0442\u0440\u0430\u043B\u044C\u043D\u043E\u0441\u0442\u044C \u043F\u043E \u041A\u0430\u0446\u0443 \u044F\u0432\u043B\u044F\u044E\u0442\u0441\u044F \u0432\u0430\u0440\u0438\u0430\u043D\u0442\u0430\u043C\u0438 \u0441\u0442\u0435\u043F\u0435\u043D\u0438 \u0432\u043B\u0438\u044F\u0442\u0435\u043B\u044C\u043D\u043E\u0441\u0442\u0438."@ru . "In graph theory, eigenvector centrality (also called eigencentrality or prestige score) is a measure of the influence of a node in a network. Relative scores are assigned to all nodes in the network based on the concept that connections to high-scoring nodes contribute more to the score of the node in question than equal connections to low-scoring nodes. A high eigenvector score means that a node is connected to many nodes who themselves have high scores. Google's PageRank and the Katz centrality are variants of the eigenvector centrality."@en . . "Centralidad de vector propio"@es . "1100493497"^^ . . . . "Eigenvector centrality"@en . .