Eigenvektor-Zentralität
- Eingeführt von
- Bonacich, P.
- Jahr
- 1972
- Typ
- Centrality measure
- Familie
- Network science
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Die von Bonacich 1972 eingeführte Eigenvektor-Zentralität misst den Einfluss eines Knotens, indem sie nicht nur berücksichtigt, wie viele Nachbarn er hat, sondern auch, wie einflussreich diese Nachbarn sind.
Ein Knoten erzielt eine hohe Punktzahl, wenn er mit anderen hoch bewerteten Knoten verbunden ist, was ihn zu einem rekursiven, global bewussten Maß für die strukturelle Bedeutung in einem Netzwerk macht.
Die Intuition hinter der Methode
Gut vernetzt zu sein ist wichtig, aber noch wichtiger ist es, mit gut vernetzten Personen verbunden zu sein. Die Eigenvektor-Zentralität erfasst diese rekursive Idee: Ihre Punktzahl hängt von den Punktzahlen Ihrer Nachbarn ab, die wiederum von den Punktzahlen ihrer Nachbarn abhängen und so weiter im gesamten Netzwerk. Es ist, als ob Einfluss kontinuierlich durch das Netzwerk fließt, bis er sich in einem stabilen Gleichgewicht einpendelt – dem führenden Eigenvektor der Adjazenzmatrix –, bei dem die Punktzahl jedes Knotens proportional zur Summe der Punktzahlen seiner Nachbarn ist.
Geschichte
Die Eigenvektor-Zentralität wurde von Phillip Bonacich in einer Arbeit von 1972 über Faktorisierungs- und Gewichtungsansätze für Status-Scores formalisiert und legte die theoretische Grundlage für prestigebasierte Zentralitätsmaße. Die Idee, dass die Bedeutung eines Knotens proportional zur Summe der Bedeutung seiner Nachbarn ist, existierte in der soziologischen Vorstellung von Status bereits vor Bonacich, aber seine algebraische Formalisierung machte sie berechenbar. Das Maß fand breite Akzeptanz in der sozialen Netzwerkanalyse und später in der Bibliometrie und Webgraphenanalyse und inspirierte direkt den PageRank-Algorithmus von Google (1998), der einen Dämpfungsfaktor hinzufügt, um gerichtete und getrennte Graphen zu behandeln.
Wann wird sie eingesetzt?
Verwenden Sie die Eigenvektor-Zentralität, wenn Sie Knoten identifizieren möchten, die nicht nur wegen ihrer vielen Verbindungen einflussreich sind, sondern weil sie in dicht vernetzten Regionen des Netzwerks mit hohem Status eingebettet sind – typisch für Zitationsnetzwerke, die Forschung zu sozialem Einfluss und die Analyse von Organisationsprestige. Sie eignet sich für ungerichtete oder symmetrische gerichtete Netzwerke, bei denen die Vorstellung von gegenseitiger Verstärkung inhaltlich sinnvoll ist. Vermeiden Sie sie bei getrennten Graphen (Punktzahlen werden für isolierte Komponenten undefiniert), bei gerichteten azyklischen Graphen (der führende Eigenvektor degeneriert) oder wenn lokale Konnektivität statt globalem Prestige die Forschungsfrage ist. Für gerichtete Netzwerke mit asymmetrischem Einfluss ist PageRank im Allgemeinen vorzuziehen.
Grenzen und Hinweise
- Bei getrennten Graphen und gerichteten azyklischen Graphen undefiniert oder degeneriert, wo der führende Eigenvektor keine aussagekräftigen Punktzahlen für alle Knoten liefert.
- Empfindlich gegenüber Netzwerkdichte und -struktur: In sehr dünn besetzten Netzwerken fallen fast alle Knoten bis auf wenige Hubs auf nahezu Null-Punktzahlen zurück.
- Berücksichtigt nicht die Pfadlänge oder Brückenfunktionen; ein Knoten, der zwei dichte Cluster verbindet, kann trotz seiner strukturellen Bedeutung niedrig bewertet werden.
- Für gerichtete asymmetrische Netzwerke erfordert die Messung eine Anpassung (z. B. PageRank), und eine naive Anwendung kann irreführend sein.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Erfasst rekursiven, globalen Einfluss statt nur lokalen Grad, deckt Prestige und strukturelle Bedeutung gleichzeitig auf.
- Basiert auf einem prinzipienfesten linear-algebraischen Rahmen mit einer eindeutigen Lösung, die durch den Satz von Perron-Frobenius für zusammenhängende Netzwerke garantiert ist.
- Berücksichtigt auf natürliche Weise die Qualität von Verbindungen, nicht nur ihre Quantität, was sie für Prestige- und Statusforschung geeignet macht.
- Effizient berechenbar mittels Potenziteration, selbst in großen dünn besetzten Netzwerken.
- Direkt interpretierbar: Punktzahlen spiegeln proportionalen Einfluss im Verhältnis zum zentralsten Knoten wider.
Anwendungen
- Identifizierung von Prestige und Einfluss in akademischen Zitationsnetzwerken und Koautorschaftsgraphen.
- Abbildung von Machtstrukturen und Meinungsführern in Organisations- und politischen Netzwerken.
- Erkennung von Hub-Knoten in biologischen Protein-Interaktions- und Genregulationsnetzwerken.
- Rangfolge von Webseiten und Dokumenten nach struktureller Autorität (Grundlage für PageRank).
- Analyse von Einflussdiffusion und Schlüsselverbreitern in Social-Media-Netzwerken.
- Bewertung von Status-Hierarchien in soziometrischen und Freundschaftsnetzwerkstudien.
So funktioniert es
So funktioniert es
Das Netzwerk wird als Adjazenzmatrix A dargestellt, wobei der Eintrag A_ij gleich 1 ist (oder das Kantengewicht für gewichtete Netzwerke), wenn die Knoten i und j verbunden sind, und sonst 0. Diese Matrix kodiert die vollständige Topologie der Verbindungen, auf deren Basis die Zentralität berechnet wird.
Der größte Eigenwert und sein zugehöriger Eigenvektor werden aus der Adjazenzmatrix mittels Potenziteration oder einem Standard-Linealgebrenlöser berechnet. Der führende Eigenwert lambda_max ist nach dem Satz von Perron-Frobenius für zusammenhängende Netzwerke garantiert reell und positiv, was eine eindeutige, interpretierbare Lösung sicherstellt.
Formel
\mathbf{A}\mathbf{x} = \lambda_{\max}\mathbf{x}Jedem Knoten wird die entsprechende Komponente des führenden Eigenvektors als Zentralitätswert zugewiesen. Die Punktzahl erfüllt die Fixpunktbedingung: Die Punktzahl eines Knotens ist gleich (1/lambda_max) mal die Summe der Punktzahlen seiner Nachbarn, sodass hoch bewertete Knoten rekursiv die Punktzahlen ihrer Nachbarn nach oben ziehen.
Formel
x_i = \frac{1}{\lambda_{\max}} \sum_{j \in N(i)} x_jDie Punktzahlen werden typischerweise so skaliert, dass der Maximalwert 1 beträgt, was sie über Netzwerke unterschiedlicher Größe hinweg vergleichbar macht. Die relative Rangfolge der Knoten bleibt unabhängig von der verwendeten Normalisierungskonvention erhalten.
Häufige Fallstricke
- Anwendung der Eigenvektor-Zentralität auf ein getrenntes Netzwerk, ohne zuerst die größte zusammenhängende Komponente zu extrahieren, was zu Null-Punktzahlen für ganze Teilgraphen führt.
- Verwechslung der Eigenvektor-Zentralität mit der Grad-Zentralität und Unterlassung der Angabe, welche Messung verwendet wird; sie können sehr unterschiedliche Rangfolgen ergeben.
- Verwendung bei einem gerichteten Netzwerk, ohne zu überprüfen, ob der Graph stark zusammenhängend ist, oder ohne Anpassung an eine gerichtete Variante wie PageRank.
- Kleine Unterschiede bei normalisierten Punktzahlen als bedeutsam behandeln, wenn das Netzwerk dünn besetzt ist und die Punktzahlen numerisch nahe Null komprimiert sind.
- Weglassen von Sensitivitätsprüfungen: Zentralitätsrangfolgen können sich erheblich verschieben, wenn einige Knoten mit hohem Grad entfernt werden.
Häufig gestellte Fragen
Wie unterscheidet sich die Eigenvektor-Zentralität von der Grad-Zentralität?
Die Grad-Zentralität zählt nur unmittelbare Nachbarn und behandelt alle Verbindungen gleich. Die Eigenvektor-Zentralität gewichtet jeden Nachbarn nach der eigenen Zentralität dieses Nachbarn, sodass eine Verbindung zu einem hoch zentralen Knoten mehr beiträgt als eine Verbindung zu einem peripheren. Ein Knoten mit wenigen, aber sehr einflussreichen Nachbarn kann einen Knoten mit hohem Grad, der hauptsächlich mit peripheren Knoten verbunden ist, übertreffen.
Warum versagt die Eigenvektor-Zentralität bei gerichteten azyklischen Graphen?
In einem gerichteten azyklischen Graphen gibt es keine Zyklen, sodass Einfluss nicht stromaufwärts zurückfließen kann. Der führende Eigenvektor der Adjazenzmatrix weist allen Knoten außer denen ohne ausgehende Kanten (Senken) Null-Punktzahlen zu, was das Maß degeneriert. PageRank löst dies durch Hinzufügen eines Teleportationsbegriffs, der das Gewicht gleichmäßig umverteilt.
Kann ich die Eigenvektor-Zentralität auf gewichteten Netzwerken verwenden?
Ja. Ersetzen Sie die binäre Adjazenzmatrix durch eine gewichtete Adjazenzmatrix und wenden Sie dieselbe Eigenzerlegung an. Der führende Eigenvektor spiegelt dann sowohl die Anzahl als auch die Stärke der Verbindungen wider. Stellen Sie sicher, dass die Kantengewichte nicht negativ sind, damit die Perron-Frobenius-Garantien gelten.
Wie sollte ich die Eigenvektor-Zentralität in einer Arbeit berichten?
Berichten Sie die normalisierten Eigenvektor-Zentralitätswerte (max = 1), geben Sie die verwendete Software und Version an (z. B. NetworkX, igraph), geben Sie an, ob das Netzwerk gerichtet oder ungerichtet war, und bestätigen Sie, dass die größte zusammenhängende Komponente verwendet wurde, falls der Graph getrennt ist. Eine Visualisierung, die Knoten nach ihrer Punktzahl einfärbt oder skaliert, erleichtert die Interpretation erheblich.
Was ist die Beziehung zwischen Eigenvektor-Zentralität und PageRank?
PageRank ist eine gerichtete, gedämpfte Verallgemeinerung der Eigenvektor-Zentralität. Er fügt einen Dämpfungsfaktor (typischerweise 0,85) und eine gleichmäßige Teleportationswahrscheinlichkeit hinzu, um getrennte und gerichtete Graphen zu behandeln. Für ungerichtete zusammenhängende Netzwerke ergeben PageRank und Eigenvektor-Zentralität nahezu identische Rangfolgen.
Verwandte Methoden
Quellen
Bonacich, P. (1972). Factoring and weighting approaches to status scores and clique identification. Journal of Mathematical Sociology, 2(1), 113–120.
DOI-Referenz öffnenKopiert.Eigenvector centrality. Wikipedia.
Publikationsreferenz öffnenKopiert.