加权有向聚类：异构、推断与实测网络下的解释与要求

边的权重与方向性承载了我们从复杂网络中提取的很大一部分信息。然而，许多网络度量最初是针对无向二值网络提出的。纳入权重信息的必要性催生了多种扩展，尤其是此处讨论的局部聚类系数的定义。我们发现并非所有扩展都是全加权的；有些依赖于度，因此当一条无限小权重的边被替换为无边时会发生很大变化，这一特性并非总是可取的。我们称这些方法为“混合”方法，并认为在许多情形下应优先采用全加权定义。在列出一种方法妥善分析多种不同加权网络的必要条件后，我们提出了一种全加权连续聚类系数，其满足所有先前提出的标准，同时相对于趋于零的权重是连续的。我们证明 Zhang–Horvath 聚类与我们的新连续定义的行为与含义提供了互补结果，并在多种相关条件下显著优于其他定义。利用合成与真实世界实例，我们表明当网络为推断所得、含噪或高度异构时，使用全加权聚类定义至关重要。