中心性的选择与解释 · 生物医学网络科学

指标	衡量什么	隐含的流动假设	计算代价	适用场景
度 / 强度	直接连接数 / 强度	一步接触	$O(M)$	几乎所有场合的基线；稠密加权网络用强度
接近 / 调和	到全网的平均远近	沿最短路径、逐一传递	$O(NM)$	需要快速到达全网的过程；不连通时用调和
介数	对最短路径的“控制”	沿最短路径转运，不复制	$O(NM)$	瓶颈、桥、连接社团的节点
特征向量	被重要节点连接	沿途径复制扩散	$O(M)$ /迭代	无向连通网络；影响力的长期累积
Katz	衰减加权的全部途径	沿途径扩散并衰减	解线性方程	有向网络，需要介于度与特征向量之间
PageRank	随机游走停留概率	沿出边随机游走 + 跳转	$O(M)$ /迭代	有向网络；带先验的个性化排序
HITS	枢纽 / 权威两种角色	共引与共被引	$O(M)$ /迭代	调控网络、引用网络等有向网络
核数	所处核心的深度	无显式流动，衡量嵌入	$O(M)$	分层、识别稠密核心与边缘枢纽

Borgatti（2005）把这种对应关系系统化：网络上的“流”可按路线（最短路径、不重复节点的路径、可重复的途径）与传递方式（转运、串行复制、并行复制）分类，每种中心性只对与其假设匹配的流有清晰解释。例如介数假设东西沿最短路径整体搬运，对包裹递送合适，对并行扩散的信息或感染就不太合适。

先问研究问题，再选指标。“哪个蛋白的缺失最可能破坏复合物”与“哪个脑区最可能传递信号”对应不同的流动模型；不要把所有中心性都算一遍再挑结果最好看的。
指标之间高度相关。空手道网络中各指标与度的 Spearman 秩相关在 0.78–0.98 之间。若一个复杂指标与度的相关接近 1，它提供的额外信息有限；报告复杂指标时最好同时报告度，或报告“控制度之后”的效应（如回归残差、保度零模型下的 z 分数）。
网络层面的中心化。Freeman（1978）定义中心化 $\sum_i[C(i^*)-C(i)]$ 除以同规模星形图的对应值，衡量“权力”是否集中在少数节点上；星形图为 1，规则图为 0。
方向与权重要与定义一致。有向网络用入度类还是出度类、加权网络如何把权重转为长度（见加权网络的指标），都会改变排序。
排序的稳定性。数据的抽样误差、缺失边和阈值都会扰动排序。可用自助法或删节点子抽样估计排名的稳定性（症状网络中的 CS 系数见抽样不确定性）。
高中心性不等于因果重要。中心性是描述性统计。把中心节点解释为“驱动者”或“干预靶点”需要额外证据（扰动实验、纵向数据或可控性分析，见网络可控性与稳定性）。

在偏相关或相关网络（如症状网络、功能连接网络）中，边表示统计依赖，不表示有东西在“流动”。Bringmann 等（2019）指出，接近与介数在这类网络中缺乏清晰含义且估计不稳定，多数研究现在主要报告强度或预期影响（见症状中心性及其解释）。

继续阅读