[{"@context":"http:\/\/schema.org\/","@type":"BlogPosting","@id":"https:\/\/wiki.edu.vn\/wiki22\/2020\/12\/31\/clustering-koeffizient-wikipedia\/#BlogPosting","mainEntityOfPage":"https:\/\/wiki.edu.vn\/wiki22\/2020\/12\/31\/clustering-koeffizient-wikipedia\/","headline":"Clustering-Koeffizient &#8211; Wikipedia","name":"Clustering-Koeffizient &#8211; Wikipedia","description":"before-content-x4 Messen Sie, wie verbunden und gruppiert ein Knoten in seinem Diagramm ist In der Graphentheorie a Clustering-Koeffizient ist ein","datePublished":"2020-12-31","dateModified":"2020-12-31","author":{"@type":"Person","@id":"https:\/\/wiki.edu.vn\/wiki22\/author\/lordneo\/#Person","name":"lordneo","url":"https:\/\/wiki.edu.vn\/wiki22\/author\/lordneo\/","image":{"@type":"ImageObject","@id":"https:\/\/secure.gravatar.com\/avatar\/44a4cee54c4c053e967fe3e7d054edd4?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/44a4cee54c4c053e967fe3e7d054edd4?s=96&d=mm&r=g","height":96,"width":96}},"publisher":{"@type":"Organization","name":"Enzyklop\u00e4die","logo":{"@type":"ImageObject","@id":"https:\/\/wiki.edu.vn\/wiki4\/wp-content\/uploads\/2023\/08\/download.jpg","url":"https:\/\/wiki.edu.vn\/wiki4\/wp-content\/uploads\/2023\/08\/download.jpg","width":600,"height":60}},"image":{"@type":"ImageObject","@id":"https:\/\/upload.wikimedia.org\/wikipedia\/commons\/thumb\/0\/0f\/Clustering_coefficient_example.svg\/220px-Clustering_coefficient_example.svg.png","url":"https:\/\/upload.wikimedia.org\/wikipedia\/commons\/thumb\/0\/0f\/Clustering_coefficient_example.svg\/220px-Clustering_coefficient_example.svg.png","height":"924","width":"220"},"url":"https:\/\/wiki.edu.vn\/wiki22\/2020\/12\/31\/clustering-koeffizient-wikipedia\/","wordCount":11302,"articleBody":"     (adsbygoogle = window.adsbygoogle || []).push({});before-content-x4Messen Sie, wie verbunden und gruppiert ein Knoten in seinem Diagramm ist  In der Graphentheorie a Clustering-Koeffizient ist ein Ma\u00df f\u00fcr den Grad, in dem Knoten in einem Diagramm dazu neigen, sich zu gruppieren.  Es gibt Hinweise darauf, dass in den meisten realen Netzwerken und insbesondere in sozialen Netzwerken Knoten dazu neigen, eng verbundene Gruppen zu bilden, die durch eine relativ hohe Dichte an Bindungen gekennzeichnet sind.  Diese Wahrscheinlichkeit ist tendenziell gr\u00f6\u00dfer als die durchschnittliche Wahrscheinlichkeit einer zuf\u00e4llig zwischen zwei Knoten hergestellten Verbindung (Holland und Leinhardt, 1971;[1]  Watts und Strogatz, 1998[2]).Es gibt zwei Versionen dieser Ma\u00dfnahme: die globale und die lokale.  Die globale Version wurde entwickelt, um einen allgemeinen Hinweis auf das Clustering im Netzwerk zu geben, w\u00e4hrend die lokale Version einen Hinweis auf die Einbettung einzelner Knoten gibt.Table of Contents  Lokaler Clusterkoeffizient[edit]Globaler Clustering-Koeffizient[edit]Durchschnittlicher Clustering-Koeffizient des Netzwerks[edit]Versickerung von Clusternetzwerken[edit]Siehe auch[edit]Verweise[edit]Externe Links[edit]Lokaler Clusterkoeffizient[edit]  Beispiel f\u00fcr einen lokalen Clusterkoeffizienten in einem ungerichteten Diagramm.  Der lokale Clusterkoeffizient des blauen Knotens wird als Anteil der tats\u00e4chlich realisierten Verbindungen zwischen seinen Nachbarn im Vergleich zur Anzahl aller m\u00f6glichen Verbindungen berechnet.  In der Abbildung hat der blaue Knoten drei Nachbarn, zwischen denen maximal drei Verbindungen bestehen k\u00f6nnen.  Im oberen Teil der Figur werden alle drei m\u00f6glichen Verbindungen realisiert (dicke schwarze Segmente), was einen lokalen Clusterkoeffizienten von 1 ergibt. Im mittleren Teil der Figur wird nur eine Verbindung realisiert (dicke schwarze Linie) und 2 Verbindungen fehlen ( gepunktete rote Linien), was einen lokalen Clusterkoeffizienten von 1\/3 ergibt.  Schlie\u00dflich wird keine der m\u00f6glichen Verbindungen zwischen den Nachbarn des blauen Knotens realisiert, wodurch ein lokaler Clusterkoeffizientenwert von 0 erzeugt wird.  Das lokaler Clusterkoeffizient eines Scheitelpunkts (Knotens) in einem Diagramm quantifiziert, wie nahe seine Nachbarn an einer Clique sind (vollst\u00e4ndiges Diagramm).  Duncan J. Watts und Steven Strogatz f\u00fchrten die Ma\u00dfnahme 1998 ein, um festzustellen, ob ein Graph ein kleines Netzwerk ist.Ein Graph G=(V.,E.){ displaystyle G = (V, E)}  besteht formal aus einer Reihe von Eckpunkten   V.{ displaystyle V}  und eine Reihe von Kanten E.{ displaystyle E}  zwischen ihnen.  Eine Ecke eichj{ displaystyle e_ {ij}}  verbindet den Scheitelpunkt vich{ displaystyle v_ {i}}  mit Scheitelpunkt vj{ displaystyle v_ {j}}.Die Nachbarschaft  N.ich{ displaystyle N_ {i}}  f\u00fcr einen Scheitelpunkt vich{ displaystyle v_ {i}}  wird wie folgt als seine unmittelbar verbundenen Nachbarn definiert:N.ich={vj::eichj\u2208E.\u2228ejich\u2208E.}}.{ displaystyle N_ {i} =  {v_ {j}: e_ {ij}  in E  lor e_ {ji}  in E }.}Wir definieren kich{ displaystyle k_ {i}}  als die Anzahl der Eckpunkte, |N.ich|{ displaystyle | N_ {i} |}, in der Nachbarschaft, N.ich{ displaystyle N_ {i}}eines Scheitelpunktes.Der lokale Clusterkoeffizient C.ich{ displaystyle C_ {i}}  f\u00fcr einen Scheitelpunkt vich{ displaystyle v_ {i}}  ist dann gegeben durch den Anteil der Verbindungen zwischen den Eckpunkten innerhalb ihrer Nachbarschaft geteilt durch die Anzahl der Verbindungen, die m\u00f6glicherweise zwischen ihnen existieren k\u00f6nnten.  F\u00fcr einen gerichteten Graphen eichj{ displaystyle e_ {ij}}  unterscheidet sich von ejich{ displaystyle e_ {ji}}und daher f\u00fcr jede Nachbarschaft N.ich{ displaystyle N_ {i}}  es gibt kich(kich&#8211; &#8211;1){ displaystyle k_ {i} (k_ {i} -1)}  Verkn\u00fcpfungen, die zwischen den Eckpunkten in der Nachbarschaft bestehen k\u00f6nnten (kich{ displaystyle k_ {i}}  ist die Anzahl der Nachbarn eines Scheitelpunkts).  Und so kam es dass der lokaler Clusterkoeffizient f\u00fcr gerichtete Graphen ist gegeben als [2]C.ich=|{ejk::vj,vk\u2208N.ich,ejk\u2208E.}}|kich(kich&#8211; &#8211;1).{ displaystyle C_ {i} = { frac {|  {e_ {jk}: v_ {j}, v_ {k}  in N_ {i}, e_ {jk}  in E } |} {k_ { i} (k_ {i} -1)}}.}Ein ungerichteter Graph hat die Eigenschaft, dass eichj{ displaystyle e_ {ij}}  und ejich{ displaystyle e_ {ji}}  gelten als identisch.  Daher, wenn ein Scheitelpunkt vich{ displaystyle v_ {i}}  hat kich{ displaystyle k_ {i}}  Nachbarn, kich(kich&#8211; &#8211;1)2{ displaystyle { frac {k_ {i} (k_ {i} -1)} {2}}}  Kanten k\u00f6nnten zwischen den Eckpunkten innerhalb der Nachbarschaft existieren.  Und so kam es dass der lokaler Clustering-Koeffizient f\u00fcr ungerichtete Graphen kann definiert werden alsC.ich=2|{ejk::vj,vk\u2208N.ich,ejk\u2208E.}}|kich(kich&#8211; &#8211;1).{ displaystyle C_ {i} = { frac {2 |  {e_ {jk}: v_ {j}, v_ {k}  in N_ {i}, e_ {jk}  in E } |} {k_ {i} (k_ {i} -1)}}.}Lassen \u03bbG(v){ displaystyle  lambda _ {G} (v)}  sei die Anzahl der Dreiecke an v\u2208V.(G){ displaystyle v  in V (G)}  f\u00fcr ungerichteten Graphen G{ displaystyle G}.  Das ist, \u03bbG(v){ displaystyle  lambda _ {G} (v)}  ist die Anzahl der Untergraphen von G{ displaystyle G}  mit 3 Kanten und 3 Eckpunkten, von denen einer ist v{ displaystyle v}.  Lassen \u03c4G(v){ displaystyle  tau _ {G} (v)}  sei die Anzahl der Tripel v\u2208G{ displaystyle v  in G}.  Das ist, \u03c4G(v){ displaystyle  tau _ {G} (v)}  ist die Anzahl der Teilgraphen (nicht unbedingt induziert) mit 2 Kanten und 3 Eckpunkten, von denen einer ist v{ displaystyle v}  und so dass v{ displaystyle v}  f\u00e4llt an beiden Kanten auf.  Dann k\u00f6nnen wir auch den Clustering-Koeffizienten als definierenC.ich=\u03bbG(v)\u03c4G(v).{ displaystyle C_ {i} = { frac { lambda _ {G} (v)} { tau _ {G} (v)}}.}Es ist einfach zu zeigen, dass die beiden vorhergehenden Definitionen gleich sind, da\u03c4G(v)=C.(kich,2)=12kich(kich&#8211; &#8211;1).{ displaystyle  tau _ {G} (v) = C ({k_ {i}}, 2) = { frac {1} {2}} k_ {i} (k_ {i} -1).}Diese Ma\u00dfnahmen sind 1, wenn jeder Nachbar mit verbunden ist vich{ displaystyle v_ {i}}  ist auch mit jedem anderen Scheitelpunkt in der Nachbarschaft verbunden und 0, wenn kein Scheitelpunkt mit verbunden ist vich{ displaystyle v_ {i}}  verbindet sich mit jedem anderen Scheitelpunkt, mit dem verbunden ist vich{ displaystyle v_ {i}}.Da jeder Graph durch seine Adjazenzmatrix vollst\u00e4ndig spezifiziert ist EINkann der lokale Clusterkoeffizient f\u00fcr einen einfachen ungerichteten Graphen ausgedr\u00fcckt werden als EIN wie:[3]C.ich=1kich(kich&#8211; &#8211;1)\u2211j,kEINichjEINjkEINkich{ displaystyle C_ {i} = { frac {1} {k_ {i} (k_ {i} -1)}}  sum _ {j, k} A_ {ij} A_ {jk} A_ {ki}}wo:kich=\u2211jEINichj{ displaystyle k_ {i} =  sum _ {j} A_ {ij}}und C.ich= 0 wenn kich  ist null oder eins.  Im obigen Ausdruck z\u00e4hlt der Z\u00e4hler doppelt so viele vollst\u00e4ndige Dreiecke wie dieser Scheitelpunkt ich ist beteiligt an. Im Nenner, kich2  z\u00e4hlt die Anzahl der Kantenpaare, die vertexen ich ist beteiligt an plus der Anzahl der einzelnen Kanten, die zweimal durchlaufen werden. kich  ist die Anzahl der Kanten, die mit dem Scheitelpunkt i verbunden sind und subtrahieren kich  entfernt dann letzteres und l\u00e4sst nur einen Satz von Kantenpaaren \u00fcbrig, die m\u00f6glicherweise zu Dreiecken verbunden werden k\u00f6nnten.  F\u00fcr jedes solche Kantenpaar gibt es ein weiteres Kantenpaar, das das gleiche Dreieck bilden k\u00f6nnte, sodass der Nenner doppelt so viele denkbare Dreiecke wie dieser Scheitelpunkt z\u00e4hlt ich beteiligt sein k\u00f6nnte.Globaler Clustering-Koeffizient[edit]Das globaler Clusterkoeffizient basiert auf Tripletts von Knoten.  Ein Triplett besteht aus drei Knoten, die entweder durch zwei (offenes Triplett) oder drei (geschlossenes Triplett) ungerichtete Bindungen verbunden sind.  Ein Dreiecksgraph enth\u00e4lt daher drei geschlossene Tripletts, von denen eines auf jedem der Knoten zentriert ist (nb bedeutet, dass die drei Tripletts in einem Dreieck aus \u00fcberlappenden Auswahlen von Knoten stammen).  Der globale Clusterkoeffizient ist die Anzahl der geschlossenen Tripletts (oder 3 x Dreiecke) \u00fcber der Gesamtzahl der Tripletts (sowohl offen als auch geschlossen).  Der erste Versuch, es zu messen, wurde von Luce und Perry (1949) unternommen.[4]  Diese Ma\u00dfnahme gibt einen Hinweis auf die Clusterbildung im gesamten Netzwerk (global) und kann sowohl auf ungerichtete als auch auf gerichtete Netzwerke angewendet werden (h\u00e4ufig als Transitivit\u00e4t bezeichnet, siehe Wasserman und Faust, 1994, Seite 243)[5]).Der globale Clustering-Koeffizient ist definiert als:C.=Anzahl geschlossener DrillingeAnzahl aller Drillinge (offen und geschlossen){ displaystyle C = { frac { mbox {Anzahl geschlossener Drillinge}} { mbox {Anzahl aller Drillinge (offen und geschlossen)}}}}.Die Anzahl der geschlossenen Tripletts wurde in der Literatur auch als 3 \u00d7 Dreiecke bezeichnet.C.=3\u00d7Anzahl der DreieckeAnzahl aller Drillinge{ displaystyle C = { frac {3  times { mbox {Anzahl der Dreiecke}}} { mbox {Anzahl aller Drillinge}}}}.Eine Verallgemeinerung auf gewichtete Netzwerke wurde von Opsahl und Panzarasa (2009) vorgeschlagen.[6]  und eine Neudefinition von Zwei-Modus-Netzwerken (sowohl bin\u00e4r als auch gewichtet) von Opsahl (2009).[7]Da jeder Graph durch seine Adjazenzmatrix vollst\u00e4ndig spezifiziert ist EINkann der globale Clusterkoeffizient f\u00fcr einen ungerichteten Graphen ausgedr\u00fcckt werden als EIN wie:C.=\u2211ich,j,kEINichjEINjkEINkich\u2211ichkich(kich&#8211; &#8211;1){ displaystyle C = { frac { sum _ {i, j, k} A_ {ij} A_ {jk} A_ {ki}} { sum _ {i} k_ {i} (k_ {i} -1 )}}}wo:kich=\u2211jEINichj{ displaystyle k_ {i} =  sum _ {j} A_ {ij}}und C.= 0, wenn der Nenner Null ist.Durchschnittlicher Clustering-Koeffizient des Netzwerks[edit]Alternativ zum globalen Clustering-Koeffizienten wird der Gesamtgrad der Clustering in einem Netzwerk von Watts und Strogatz gemessen[2]  als Durchschnitt der lokalen Clusterkoeffizienten aller Eckpunkte n{ displaystyle n} ::[8]C.\u00af=1n\u2211ich=1nC.ich.{ displaystyle { bar {C}} = { frac {1} {n}}  sum _ {i = 1} ^ {n} C_ {i}.}Es ist erw\u00e4hnenswert, dass diese Metrik den Knoten mit niedrigem Grad mehr Gewicht beimisst, w\u00e4hrend das Transitivit\u00e4tsverh\u00e4ltnis den Knoten mit hohem Grad mehr Gewicht beimisst.Ein Graph wird als kleine Welt betrachtet, wenn der Graph eine kleine mittlere k\u00fcrzeste Pfadl\u00e4nge hat, die mit dem nat\u00fcrlichen Protokoll der Anzahl der Knoten im Netzwerk skaliert.ln\u2061N.{ displaystyle  ln {N}}.[9]  Zum Beispiel ist ein Zufallsgraph eine kleine Welt, ein Gitter nicht, und skalierungsfreie Graphen werden oft als ultrakleine Welt betrachtet, da ihre mittlere k\u00fcrzeste Pfadl\u00e4nge mit skaliert ln\u2061ln\u2061N.{ displaystyle  ln { ln {N}}}.Eine Verallgemeinerung auf gewichtete Netzwerke wurde von Barrat et al.  (2004),[10]  und eine Neudefinition zu zweigeteilten Graphen (auch als Zwei-Moden-Netzwerke bezeichnet) von Latapy et al.  (2008)[11]  und Opsahl (2009).[7]Alternative Verallgemeinerungen zu gewichteten und gerichteten Graphen wurden von Fagiolo (2007) bereitgestellt.[12]  und Clemente und Grassi (2018).[13]Diese Formel ist standardm\u00e4\u00dfig nicht f\u00fcr Diagramme mit isolierten Scheitelpunkten definiert.  siehe Kaiser (2008)[14]  und Barmpoutis et al.[15]  Die Netzwerke mit dem gr\u00f6\u00dftm\u00f6glichen durchschnittlichen Clusterkoeffizienten haben einen modularen Aufbau und gleichzeitig den kleinstm\u00f6glichen durchschnittlichen Abstand zwischen den verschiedenen Knoten.[15]Versickerung von Clusternetzwerken[edit]Zur Untersuchung der Robustheit von Clusternetzwerken wird ein Perkolationsansatz entwickelt.[16][17][18]  Die Robustheit gegen\u00fcber lokalisierten Angriffen wurde unter Verwendung lokalisierter Perkolation untersucht.[19]Die Wellenlokalisierung in komplexen Clusternetzwerken wurde ebenfalls untersucht.[20]Siehe auch[edit]Verweise[edit]^ PW Holland &#038; S. Leinhardt (1971).  &#8220;Transitivit\u00e4t in Strukturmodellen kleiner Gruppen&#8221;. Vergleichende Gruppenstudien. 2 (2): 107\u2013124.  doi:10.1177 \/ 104649647100200201.^ ein b c DJ Watts &#038; Steven Strogatz (Juni 1998).  &#8220;Kollektive Dynamik von &#8216;Small-World&#8217;-Netzwerken&#8221;. Natur. 393 (6684): 440\u2013442.  Bibcode:1998Natur.393..440W.  doi:10.1038 \/ 30918.  PMID 9623998.^ Wang, Yu;  Ghumare, Eshwar;  Vandenberghe, Rik;  Dupont, Patrick (2017). &#8220;Vergleich verschiedener Verallgemeinerungen des Clustering-Koeffizienten und der lokalen Effizienz f\u00fcr gewichtete ungerichtete Graphen&#8221;. Neuronale Berechnung. 29 (2): 313\u2013331.  doi:10.1162 \/ NECO_a_00914.  Abgerufen 8. August 2020.^ RD Luce &#038; AD Perry (1949).  &#8220;Eine Methode zur Matrixanalyse der Gruppenstruktur&#8221;. Psychometrika. 14 (1): 95\u2013116.  doi:10.1007 \/ BF02289146.  PMID 18152948.^ Stanley Wasserman, Katherine Faust, 1994. Analyse sozialer Netzwerke: Methoden und Anwendungen. Cambridge: Cambridge University Press.^ Tore Opsahl &#038; Pietro Panzarasa (2009). &#8220;Clustering in gewichteten Netzwerken&#8221;. Soziale Netzwerke. 31 (2): 155\u2013163.  doi:10.1016 \/ j.socnet.2009.02.002.^ ein b Tore Opsahl (2009). &#8220;Clustering in Zwei-Modus-Netzwerken&#8221;. Konferenz und Workshop zur Zwei-Moden-Sozialanalyse (30. September &#8211; 2. Oktober 2009).^ Kemper, Andreas (2009). Bewertung von Netzwerkeffekten in Softwarem\u00e4rkten: Ein komplexer Netzwerkansatz.  Springer.  p.  142. ISBN 9783790823660.^ http:\/\/networksciencebook.com\/4#ultra-small^ Barrat, A.;  Barthelemy, M.;  Pastor-Satorras, R.;  Vespignani, A. (2004). &#8220;Die Architektur komplexer gewichteter Netzwerke&#8221;. Verfahren der Nationalen Akademie der Wissenschaften. 101 (11): 3747\u20133752.  arXiv:cond-mat \/ 0311416.  Bibcode:2004PNAS..101.3747B.  doi:10.1073 \/ pnas.0400087101.  PMC 374315.  PMID 15007165.^ Latapy, M.;  Magnien, C.;  Del Vecchio, N. (2008).  &#8220;Grundbegriffe f\u00fcr die Analyse gro\u00dfer Zwei-Modus-Netzwerke&#8221;. Soziale Netzwerke. 30 (1): 31\u201348.  doi:10.1016 \/ j.socnet.2007.04.006.^ Fagiolo, G. (2007).  &#8220;Clustering in komplex gerichteten Netzwerken&#8221;. K\u00f6rperliche \u00dcberpr\u00fcfung E.. 76 (2 Pt 2): 026107. CiteSeerX 10.1.1.262.1006.  doi:10.1103 \/ PhysRevE.76.026107.  PMID 17930104.^ Clemente, GP;  Grassi, R. (2018).  &#8220;Directed Clustering in gewichteten Netzwerken: Eine neue Perspektive&#8221;. Chaos, Solitonen &#038; Fraktale. 107: 26\u201338.  arXiv:1706.07322.  Bibcode:2018CSF &#8230; 107 &#8230; 26C.  doi:10.1016 \/ j.chaos.2017.12.007.^ Kaiser, Marcus (2008).  &#8220;Mittlere Clusterkoeffizienten: Die Rolle isolierter Knoten und Bl\u00e4tter bei Clustering-Ma\u00dfnahmen f\u00fcr Netzwerke in kleinen Welten&#8221;. Neues Journal f\u00fcr Physik. 10 (8): 083042. arXiv:0802.2512.  Bibcode:2008NJPh &#8230; 10h3042K.  doi:10.1088 \/ 1367-2630 \/ 10\/8\/083042.^ ein b Barmpoutis, D.;  Murray, RM (2010).  &#8220;Netzwerke mit der kleinsten durchschnittlichen Entfernung und dem gr\u00f6\u00dften durchschnittlichen Clustering&#8221;.  arXiv:1007.4031 [q-bio.MN].^ MEJ Newman (2009).  &#8220;Zuf\u00e4llige Graphen mit Clustering&#8221;. Phys.  Rev. Lett. 103: 058701.^ A. Hackett;  S. Melnik &#038; JP Gleeson (2011).  &#8220;Kaskaden in einer Klasse von Cluster-Zufallsnetzwerken&#8221;. Phys.  Rev. E.. 83: 056107.^ S. Shao;  X. Huang;  ER Stanley;  S. Havlin (2014).  &#8220;Robustheit eines teilweise voneinander abh\u00e4ngigen Netzwerks aus Cluster-Netzwerken&#8221;. Phys.  Rev. E.. 89: 032812.^ Fan Wang;  Ruijin Du;  Lixin Tian;  Shuai Shao;  H Eugene Stanley;  Shlomo Havlin (2019).  &#8220;Lokalisierter Angriff auf Netzwerke mit Clustering Huifang Hao&#8221;. Neues Journal f\u00fcr Physik. 21: 013014.^ L. Jahnke;  JW Kantelhardt;  R. Berkovits;  S. Havlin Phys (2008).  &#8220;Wellenlokalisierung in komplexen Netzwerken mit hohem Clustering&#8221;. Phys.  Rev. Lett. 101: 175702.Externe Links[edit]     (adsbygoogle = window.adsbygoogle || []).push({});after-content-x4"},{"@context":"http:\/\/schema.org\/","@type":"BreadcrumbList","itemListElement":[{"@type":"ListItem","position":1,"item":{"@id":"https:\/\/wiki.edu.vn\/wiki22\/#breadcrumbitem","name":"Enzyklop\u00e4die"}},{"@type":"ListItem","position":2,"item":{"@id":"https:\/\/wiki.edu.vn\/wiki22\/2020\/12\/31\/clustering-koeffizient-wikipedia\/#breadcrumbitem","name":"Clustering-Koeffizient &#8211; Wikipedia"}}]}]