结点中心性 node centrality 被认为是度量网络结点重要性的重要指标

常见的结点中心性有以下7种：

（以下各中心的概念在不同地方的定义可能不同，实际计算应查看使用工具的具体实现）

1、度中心性 degree centrality

常被直接称为度degree，表示连接到该结点连边的数量（即邻居结点的数量），在有向图中也分为出度和入度。有权图中可算带权的度。

2、中介中心性 betweenness centrality

有时也称为介数中心性，表示其他任意一对结点间最短路径通过该结点的数量。

3、接近中心性 closeness centrality

接近中心性衡量该结点到其他结点的距离，即该结点到其他结点距离和的倒数。也有地方表示为该结点到其他各结点的最短距离的平均值的倒数。

4、调和中心性 harmonic centrality

调和中心性是该结点到其他结点的最短距离的调和平均数的倒数，不可达到的结点的距离为0。调和中心性是接近中心性的特例，调和中心性提出的“平均最短距离”则是对这些最短距离的倒数求和。

5、偏心中心性 eccentricity centrality

偏心中心性是该结点到最远的其他结点的最短路径距离。

6、特征向量中心性 eigenvector centrality

图中结点间的边表示互相影响的关系，通常用邻接矩阵表示，该邻接矩阵的特征向量所度量的结点中心性，就是特征向量中心性。

对任意初始向量v，进行以下迭代：

 每一轮迭代后，对新的v进行归一化，如此经过多轮迭代，向量v可趋于收敛（有相关收敛性证明）。

7、PageRank中心性 PageRank centrality

PageRank中心性来自Google著名的网页排名算法PageRank，该算法用于网页排名，被更多高得分网页指向的网页具有更高的得分。可看做eigenvector centrality的特殊形式。

当然，PageRank中也有迭代中包含初始得分项的版本，即使用系数alpha进行连接。