特征向量中心性

首先，我们将使用 estimate 过程来估算运行算法的成本。这可以在任何执行模式下完成。在此示例中，我们将使用 write 模式。估算算法有助于了解在图上运行算法将对内存产生的影响。当您稍后实际在其中一种执行模式下运行算法时，系统将执行估算。如果估算显示执行超出其内存限制的可能性非常高，则禁止执行。要了解更多信息，请参阅自动估算和执行阻止。

有关 estimate 的更多详细信息，请参阅内存估算。

在 stream 执行模式下，算法返回每个节点的得分。这使我们能够直接检查结果，或在 Cypher 中对其进行后处理，而没有任何副作用。例如，我们可以对结果进行排序，以找到具有最高特征向量得分的节点。

有关 stream 模式的更多详细信息，请参阅流。

以上查询正在以 unweighted 方式在 stream 模式下运行算法。下面可以找到加权图的示例。

在 stats 执行模式下，算法返回包含算法结果摘要的单行。例如，特征向量统计返回中心性直方图，可用于监控所有计算节点的中心性得分分布。此执行模式没有任何副作用。通过检查 computeMillis 返回项来评估算法性能非常有用。在下面的示例中，我们将省略返回时间。该过程的完整签名可在语法部分找到。

有关 stats 模式的更多详细信息，请参阅统计。

mutate 执行模式扩展了 stats 模式，具有一个重要的副作用：使用包含该节点分数的新节点属性更新命名图。新属性的名称使用强制配置参数 mutateProperty 指定。结果是一个与 stats 类似的单行摘要，但带有一些附加指标。当多个算法结合使用时，mutate 模式特别有用。

有关 mutate 模式的更多详细信息，请参阅变异。

write 执行模式扩展了 stats 模式，具有一个重要的副作用：将每个节点的分数作为属性写入 Neo4j 数据库。新属性的名称使用强制配置参数 writeProperty 指定。结果是一个与 stats 类似的单行摘要，但带有一些附加指标。write 模式允许将结果直接持久化到数据库。

有关 write 模式的更多详细信息，请参阅写入。

默认情况下，算法将图中的关系视为无权重。要更改此行为，我们可以使用 relationshipWeightProperty 配置参数。如果设置了该参数，则关联的属性值将用作关系权重。在加权情况下，发送到其邻居的节点的先前分数乘以归一化的关系权重。请注意，负关系权重在计算过程中会被忽略。

在以下示例中，我们使用输入图的 weight 属性作为关系权重属性。

与无加权示例一样，“主页”节点的得分最高。相比之下，“产品”现在是第二高得分，而不是第四高。

tolerance 配置参数表示迭代之间分数的最小变化。如果所有分数的变化都小于配置的容差，则迭代中止并被视为收敛。请注意，设置较高的容差会导致更早收敛，但也会导致中心性得分的准确性降低。

我们使用 tolerance: 0.1，这导致结果与流示例略有不同。但是，计算在三次迭代后收敛，我们已经可以观察到结果得分的趋势。

个性化特征向量中心性是特征向量中心性的一种变体，它偏向于一组 sourceNodes。默认情况下，幂迭代从所有节点的相同值开始：1 / |V|。对于给定的一组源节点 S，每个源节点的初始值设置为 1 / |S|，所有剩余节点的初始值设置为 0。

以下示例展示了如何运行以“站点 A”为中心的特征向量中心性。

在内部，中心性得分在每次迭代后使用 L2 归一化进行缩放。因此，最终值已经归一化。此行为无法更改，因为它属于幂迭代方法的一部分。

但是，为了将最终分数作为算法执行的一部分进行归一化，可以使用 scaler 配置参数。所有可用缩放器的描述可以在 scaleProperties 过程的文档中找到。

将结果与流示例进行比较，我们可以看到得分的相对顺序是相同的。