概述

度中心性（Degree Centrality）算法用于衡量网络中节点的重要性，它计算与每个节点相连的入边和/或出边的数量，或边上的权重和。节点度是面向节点一层邻域的计算，是一种最简单、高效的图算法，在科学计算、特征提取、超级节点识别等领域扮演着至关重要的角色。

基本概念

入度和出度

节点的入边数量称为节点的入度（In-degree），出边数量则称为出度（Out-degree），如果忽略边的方向计算所有边的数量，就得到节点的度。

上图中红色节点的入度为4，出度为3，度为7。需要注意的是，有向自环边被视为一条出边和一条入边。

加权度

在很多应用中，图中的边会与一个数字相关联，称为权重（Weight）。在加权图中，一个节点的加权度（Weighted Degree）是指其所有邻边的权重和。不指定边权重时，节点度也可以理解为所有边的权重均为1时的度。

在这个加权图中，红色节点的加权入度为0.5 + 0.3 + 2 + 1 = 3.8，加权出度为1 + 0.2 + 2 = 3.2，加权度为3.2 + 3.8 = 7。

特殊说明

• 孤点的节点度完全取决于其自环边，没有自环边的孤点的度为0。
• 每条自环边为节点贡献的度数2，有向自环边被视为一条入边和一条出边。

语法

• 命令：algo(degree)
• 参数：

示例

示例是一个社交网络，边属性@follow.score的值可用作权重：

文件回写

algo(degree).params().write({
  file:{ 
    filename: 'degree_all'
  }
})

统计值：total_degree = 20, average_degree = 2.25
结果：文件degree_all

Tim,0
Bill,1
Bob,2
Sam,2
Joe,3
Anna,5
Cathy,4
Mike,3

属性回写

algo(degree).params({
  edge_schema_property: '@follow.score'
}).write({
  db:{ 
    property: 'degree'
  }
})

统计值：total_degree = 40.4, average_degree = 5.05
结果：每个节点的度回写至名为degree的点属性下

直接返回

algo(degree).params({ 
  edge_schema_property: '@follow.score',
  order: 'desc' 
}) as degree, stats
return degree, stats

结果：degree和stats

流式返回

algo(degree).params({
  order: 'desc',
  limit: 1 
}).stream() as results
khop().src({_uuid == results._uuid}).depth(1) as neighbors
return neighbors{*}

结果：neighbors

统计返回

algo(degree).params({
  direction: 'out'
}).stats() as stats
return stats

结果：stats