Waarom is dit belangrijk?
Computers kunnen hiermee verbanden in grote netwerken doorrekenen en daaruit een route voor gegevens afleiden. In de wetenschap zetten onderzoekers dezelfde aanpak in om de werking van een molecuul voor een medische toepassing te voorspellen. Op school en op het werk merken studenten en werknemers dit bij routeplanning en aanbevelingen, maar de modellen vragen veel gegevens en het trainen kost veel rekenkracht.
Zo werkt het in de praktijk
Google rangschikt webpagina's met PageRank, een algoritme op een graaf. Elke knoop is daarbij een pagina en elke kant een hyperlink. Bestandssystemen gebruiken een boom, een samenhangende graaf zonder cykels, als model voor hun opbouw.
Onderzoek naar complexe netwerken bekijkt statistische eigenschappen van grote grafen. In de sociologie beschrijft sociale netwerkanalyse samenwerkingsverbanden als graaf. Sinds 2020 stellen onderzoekers methoden voor die eerlijkheid meenemen bij PageRank en linkvoorspelling.
De Louvain-methode deelt knopen in groepen door modulariteit te optimaliseren. Modulariteit is een maat voor de kwaliteit van die indeling. Sociale netwerkanalyse berekent ook centraliteit, het belang van een knoop, en de dichtheid van het netwerk.




