Zum Inhalt springen
Zurück zu den Suchergebnissen

Gewichtete Eigenvektor-Zentralität

Eingeführt von
Bonacich, P. (binary); Opsahl, T. et al. (weighted extension)
Jahr
1987 (binary); 2010 (weighted generalization)
Typ
Spectral centrality measure
Familie
Network science

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Die gewichtete Eigenvektor-Zentralität erweitert das klassische Maß der Eigenvektor-Zentralität auf Graphen, bei denen Kanten numerische Gewichte tragen.

Sie bewertet jeden Knoten proportional zur Summe der Bewertungen seiner Nachbarn, multipliziert mit den Gewichten der verbindenden Kanten. Knoten erzielen nicht nur hohe Werte, indem sie viele Verbindungen haben, sondern auch, indem sie stark mit anderen einflussreichen Knoten verbunden sind, wodurch das Maß gleichzeitig empfindlich auf die Kantenstärke und die Netzwerkposition reagiert.

Die Intuition hinter der Methode

In einem ungewichteten Netzwerk erfasst die Eigenvektor-Zentralität Prestige rekursiv: Die Verbindung zu wichtigen Knoten erhöht die eigene Bedeutung. In einem gewichteten Netzwerk zählt eine schwache Verbindung zu einem zentralen Akteur weniger als eine starke Verbindung zum selben Akteur. Die gewichtete Eigenvektor-Zentralität internalisiert diese Intuition, indem sie die einfache Adjazenzmatrix durch eine Gewichtsmatrix ersetzt. So wird ein Forscher, der intensiv mit einem führenden Experten zusammenarbeitet, höher eingestuft als jemand, der nur eine oberflächliche Koautorenschaft mit demselben Experten hat. Der Wert jedes Knotens ist proportional zur gewichteten Summe der Werte seiner Nachbarn.

Geschichte

Die Eigenvektor-Zentralität wurde 1987 von Phillip Bonacich als Prestigemaß für soziale Netzwerke eingeführt, das den einfachen Grad verallgemeinert, indem jede Verbindung mit der Zentralität ihrer Quelle gewichtet wird. Die explizite Erweiterung auf gewichtete Netzwerke erhielt eine formale Behandlung in Opsahl, Agneessens und Skvoretz (2010), die einen einheitlichen Rahmen bereitstellten, der sowohl Grad- als auch pfadbasierte Zentralitäten auf gewichtete Graphen verallgemeinert. Das Maß ist heute ein Standardwerkzeug in der Szientometrie, der neurowissenschaftlichen Konnektomik und der Analyse internationaler Handelsnetzwerke.

Wann wird sie eingesetzt?

Verwenden Sie die gewichtete Eigenvektor-Zentralität, wenn Ihr Netzwerk aussagekräftige Kantengewichte (Kollaborationshäufigkeit, Kommunikationsvolumen, Handelsfluss, Kookkurrenzhäufigkeit) aufweist und Sie Knoten identifizieren müssen, die sowohl stark verbunden als auch mit anderen gut verbundenen Knoten verknüpft sind. Sie ist besonders geeignet in Koautorenschaftsnetzwerken, ökonomischen Handelsnetzwerken und Analysen der Gehirnkonnektivität. Vermeiden Sie sie, wenn Kantengewichte ordinal oder willkürlich skaliert sind, wenn das Netzwerk sehr dünn besiedelt oder unzusammenhängend ist (der Haupt-Eigenvektor konvergiert möglicherweise nicht oder wird von einer kleinen Clique dominiert), wenn Gewichte Entfernungen statt Affinitäten darstellen oder wenn die Interpretierbarkeit eines einzelnen zusammenfassenden Wertes unzureichend ist und pfadbasierte Maße wie die Betweenness-Zentralität relevanter sind.

Grenzen und Hinweise

  • Problematisch bei unzusammenhängenden oder nahezu unzusammenhängenden Graphen, wo der Haupt-Eigenvektor für periphere Komponenten auf Null kollabieren kann.
  • Empfindlich gegenüber der Gewichtsskalierung: Das Multiplizieren aller Gewichte mit einer Konstanten ändert die Eigenwerte, aber nicht die Rangfolge, doch willkürliche Gewichtstransformationen können die Ergebnisse verzerren.
  • Berücksichtigt weder Pfadlänge noch Brückenfunktionen; Knoten auf wichtigen kürzesten Pfaden können im Vergleich zu Betweenness-basierten Maßen unterbewertet werden.
  • Rechenintensiv für sehr große dichte Netzwerke; für große Skalen sind dünne Approximationen oder Potenziterationsmethoden erforderlich.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Erfasst gleichzeitig sowohl die Kantenstärke als auch das globale Prestige, im Gegensatz zur Gradzentralität, die ignoriert, wer die Nachbarn sind.
  • Theoretisch in der Spektralen Graphentheorie verankert; das Perron-Frobenius-Theorem garantiert eine eindeutige, nicht-negative Lösung für zusammenhängende nicht-negative Matrizen.
  • Empfindlich gegenüber Heterogenität der Kantengewichte, belohnt Knoten mit starken Verbindungen zu anderen einflussreichen Knoten gegenüber Knoten mit vielen schwachen Verbindungen.
  • Weit verbreitet in Standard-Netzwerkbibliotheken (NetworkX, igraph, R's igraph-Paket), wodurch sie ohne benutzerdefinierten Code zugänglich ist.
  • Anwendbar auf ungerichtete und gerichtete gewichtete Netzwerke.

Anwendungen

  • Identifizierung wichtiger Einflussnehmer in gewichteten Kollaborations- oder Koautorenschaftsnetzwerken in der Szientometrie.
  • Kartierung von Hub-Regionen in Gehirnkonnektivitätsnetzwerken, bei denen Kantengewichte die Stärke der Signalskorrelation widerspiegeln.
  • Rangfolge von Ländern nach Zentralität in globalen Handelsnetzwerken, gewichtet nach Exportvolumen.
  • Erkennung dominanter Arten oder Schlüsselknoten in ökologischen Nahrungsnetzen mit Interaktionsstärkengewichten.
  • Priorisierung von Knoten für Interventionen in epidemiologischen Kontaktnetzwerken mit Kontaktfrequenzgewichten.
  • Bewertung der Router- oder Server-Wichtigkeit in Kommunikationsnetzwerken, gewichtet nach Verkehrsaufkommen.

So funktioniert es

So funktioniert es

1

Stellen Sie das Netzwerk als gewichtete Adjazenzmatrix W dar, wobei der Eintrag W_ij das Kantengewicht zwischen den Knoten i und j enthält. Gewichte müssen nicht-negativ sein; symmetrische Matrizen gelten für ungerichtete Netzwerke, während asymmetrische Matrizen das Maß auf gerichtete gewichtete Graphen erweitern.

Formel
W \in \mathbb{R}^{n \times n},\; W_{ij} = w_{ij} \geq 0
2

Berechnen Sie die Eigenwerte und Eigenvektoren von W. Der Haupt-Eigenvektor – assoziiert mit dem größten positiven Eigenwert – erfüllt die rekursive Gleichung Wx = lambda*x, die garantiert, dass der Wert jedes Knotens proportional zur gewichteten Summe der Werte seiner Nachbarn ist.

Formel
W \mathbf{x} = \lambda \mathbf{x}
3

Wählen Sie den Eigenvektor, der dem größten Eigenwert entspricht (das Perron-Frobenius-Theorem stellt sicher, dass dieser Eigenvektor für eine zusammenhängende nicht-negative Matrix nur nicht-negative Einträge hat), welcher die sinnvolle Zentralitätslösung darstellt.

Formel
\mathbf{x}^* = \text{eigenvector for } \lambda_{\max}
4

Skalieren Sie die rohen Eigenvektoreinträge so, dass der maximale Wert 1 beträgt (oder die L2-Norm 1 ist, je nach Konvention), um interpretierbare Zentralitätswerte zu erhalten, die Knoten relativ zum zentralsten Knoten im Netzwerk ordnen.

Formel
x_i^* = \frac{x_i}{\max_j x_j}

Häufige Fallstricke

  • Verwendung roher Kookkurrenzhäufigkeiten als Gewichte ohne Normalisierung für die Knotenaktivität, was die Zentralität für hochvolumige Knoten unabhängig von der Selektivität aufbläht.
  • Anwendung des Maßes auf unzusammenhängende Graphen, ohne zuvor die größte zusammenhängende Komponente zu extrahieren, was zu bedeutungslosen Nullwerten für periphere Knoten führt.
  • Behandlung von distanzartigen Gewichten (z. B. geografische Entfernung, Latenz) als Affinitätsgewichte, was die Interpretation umkehrt – ein hohes Gewicht sollte eine starke Verbindung bedeuten, nicht hohe Kosten.
  • Ignorieren von Konvergenzdiagnosen bei der Verwendung iterativer (Potenziterations-)Berechnungen; Versäumnis zu prüfen, ob der Algorithmus konvergiert ist, bevor den Werten vertraut wird.

Häufig gestellte Fragen

Wie unterscheidet sich die gewichtete Eigenvektor-Zentralität von der Standard- (binären) Eigenvektor-Zentralität?

Die binäre Eigenvektor-Zentralität verwendet eine ungewichtete Adjazenzmatrix, sodass jeder Nachbar unabhängig von der Kantenstärke gleichermaßen beiträgt. Die gewichtete Version verwendet eine Gewichtsmatrix, sodass ein Nachbar proportional zum Gewicht der verbindenden Kante beiträgt, wodurch die Kantenstärke explizit Teil der Prestigeberechnung wird.

Was ist, wenn mein Netzwerk gerichtet ist?

Für gerichtete gewichtete Netzwerke ist die Gewichtsmatrix asymmetrisch. Sie können linke Eigenvektoren (die den In-Flow-Prestige widerspiegeln, analog zu einem gewichteten Hub-Score) oder rechte Eigenvektoren (die den Out-Flow-Prestige widerspiegeln) berechnen, je nachdem, ob Sie sich dafür interessieren, wer Einfluss empfängt oder wer ihn sendet. Dies ist analog zur Unterscheidung zwischen Authority- und Hub-Scores in HITS.

Können negative Kantengewichte verwendet werden?

Die Perron-Frobenius-Garantie eines nicht-negativen Haupt-Eigenvektors gilt nur für nicht-negative Matrizen. Negative Gewichte (z. B. antagonistische Beziehungen) brechen diese Garantie und können Eigenvektoren mit gemischten Vorzeichen erzeugen, die schwer zu interpretieren sind. Verarbeiten Sie negative Gewichte vor, indem Sie entweder positive und negative Schichten trennen oder eine Absolutwerttransformation mit Vorsicht anwenden.

Ist sie besser als die gewichtete Gradzentralität (Stärke)?

Sie erfassen unterschiedliche Dinge. Die gewichtete Gradzentralität (Knotenstärke) zählt das Gesamtgewicht direkter Verbindungen, ignoriert aber, wer die Nachbarn sind. Die gewichtete Eigenvektor-Zentralität berücksichtigt die globale Netzwerkposition rekursiv. In der Praxis korrelieren die beiden Maße in vielen empirischen Netzwerken stark, sodass, wenn die Eigenvektor-Zentralität nicht konvergiert oder der Graph unzusammenhängend ist, die Knotenstärke der sicherere Rückgriff sein kann.

Wie soll ich mit sehr großen Netzwerken umgehen?

Verwenden Sie dünne Matrixdarstellungen und Potenziterationsalgorithmen (verfügbar in NetworkX und igraph) anstelle einer vollständigen Eigenwertzerlegung. Überprüfen Sie die Konvergenztoleranz und Iterationsgrenzen. Für Netzwerke mit Millionen von Knoten sollten Sie vor der Anwendung des Maßes eine Stichprobenziehung oder eine Aggregation auf Gemeinschaftsebene in Betracht ziehen.

Verwandte Methoden

Quellen

  1. Bonacich, P. (1987). Power and centrality: A family of measures. American Journal of Sociology, 92(5), 1170–1182.

    DOI-Referenz öffnen
    Kopiert.
  2. Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3), 245–251.

    DOI-Referenz öffnen
    Kopiert.