Skip to content
بازگشت به نتایج جست‌وجو

تحلیل مرکزیت — درجه، بینابینی، بردار ویژه

معرفی‌شده توسط
Linton C. Freeman
سال
1979
نوع
Descriptive / exploratory network measure family

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل مرکزیت خانواده‌ای از معیارهای تحلیل شبکه است که توسط فریمن (1979) فرمول‌بندی شد و اهمیت ساختاری گره‌های منفرد را در یک گراف کمی‌سازی می‌کند. هر شاخص مرکزیت سازوکار متمایزی از نفوذ را به تصویر می‌کشد: مرکزیت درجه نشان‌دهنده اتصال مستقیم است، مرکزیت بینابینی گره‌هایی را شناسایی می‌کند که جریان اطلاعات را واسطه‌گری می‌کنند، مرکزیت نزدیکی، مجاورت با سایر گره‌ها را نشان می‌دهد، و مرکزیت بردار ویژه (همراه با PageRank) اتصال به همسایگان بسیار متصل را پاداش می‌دهد.

شهود پشت روش

همه گره‌ها در یک شبکه به یک اندازه مهم نیستند. شهری که جاده‌های زیادی از آن عبور می‌کنند، برای ترافیک حیاتی‌تر از شهری است که در انتهای یک خیابان بن‌بست قرار دارد، حتی اگر هر دو شهر تعداد یکسانی از پیوندهای جاده‌ای مستقیم داشته باشند. معیارهای مرکزیت این شهود را به اعداد تبدیل می‌کنند. مرکزیت درجه به سادگی تعداد همسایگان یک گره را می‌شمارد. مرکزیت بینابینی تعداد دفعاتی را می‌شمارد که یک گره در کوتاه‌ترین مسیر بین هر جفت دیگر قرار می‌گیرد و نقش دروازه‌بان‌ها را آشکار می‌کند. مرکزیت نزدیکی اندازه‌گیری می‌کند که یک گره با چه سرعتی می‌تواند به همه دیگران دسترسی پیدا کند. مرکزیت بردار ویژه سهم هر همسایه را بر اساس میزان مرکزیت آن همسایه وزن‌دهی می‌کند، بنابراین اتصال به گره‌های تأثیرگذار مهم‌تر از تعداد صرف است. هر معیار به سؤال متفاوتی در مورد اینکه چه کسی یا چه چیزی در شبکه مهم‌تر است، پاسخ می‌دهد.

تاریخ

فریمن (1979) شفاف‌سازی مفهومی بنیادی این حوزه را ارائه داد و سه ایده پراکنده قبلی — درجه، بینابینی و نزدیکی — را تحت یک چارچوب نظری واحد برای مرکزیت شبکه اجتماعی متحد کرد. بورگاتی (2005) این چارچوب را با پیوند دادن هر نوع مرکزیت به مدل‌های خاصی از جریان شبکه گسترش داد و به معیارها مبنای نظری واضح‌تری بخشید. مرکزیت بردار ویژه ریشه‌های قبلی در تحلیل طیفی ماتریس‌ها داشت و بعدها برای شبکه‌ها عملیاتی شد؛ PageRank گوگل (1998) شناخته‌شده‌ترین فرزند کاربردی آن است.

چه زمانی استفاده شود

تحلیل مرکزیت هر زمان که داده‌های رابطه‌ای را بتوان به صورت یک گراف نمایش داد و سؤال مربوط به این باشد که کدام گره‌ها از نظر ساختاری مهم‌تر هستند، کاربرد دارد. این روش در تحلیل شبکه‌های اجتماعی، علم‌سنجی، زیست‌شناسی، حمل‌ونقل و تحقیقات سیستم‌های اطلاعاتی استفاده می‌شود. هیچ فرض نرمالیتی لازم نیست و این روش برای داده‌های شبکه مقطعی و طولی مناسب است. شبکه باید متصل باشد، یا مؤلفه‌ها باید به طور جداگانه تحلیل شوند، تا معیارهای مبتنی بر مسیر مانند بینابینی و نزدیکی به خوبی تعریف شوند. حداقل 10 گره برای قابل تفسیر بودن نمرات و حداقل 20 گره برای معنی‌دار بودن آماری رتبه‌بندی‌های مرکزیت لازم است. شبکه‌های وزن‌دار قبل از محاسبه مرکزیت به تعریف وزن با مبنای نظری نیاز دارند.

محدودیت‌ها و ملاحظات

  • مرکزیت بینابینی دارای پیچیدگی محاسباتی O(VE) است که آن را در شبکه‌های بسیار بزرگ پرهزینه می‌کند.
  • معیارهای مبتنی بر مسیر (بینابینی، نزدیکی) در گراف‌های غیرمتصل تعریف نشده‌اند یا نیاز به رفتار خاصی دارند.
  • نمرات مرکزیت به انتخاب تعریف وزن یال در شبکه‌های وزن‌دار حساس هستند؛ وزن نامناسب هر شاخص را مخدوش می‌کند.
  • با کمتر از 20 گره، معیارها فاقد قدرت آماری هستند و باید به عنوان توصیفات اکتشافی و نه نتایج استنباطی در نظر گرفته شوند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • هر شاخص سازوکار متمایزی از اهمیت ساختاری را به تصویر می‌کشد و تصویری چندبعدی از شبکه ارائه می‌دهد.
  • هیچ فرض توزیعی لازم نیست؛ این روش بر روی هر گرافی صرف نظر از نوع متغیر کار می‌کند.
  • مرکزیت درجه و بردار ویژه به طور کارآمد به گراف‌های بسیار بزرگ مقیاس‌پذیر هستند؛ مرکزیت درجه در O(V+E) محاسبه می‌شود.
  • به طور گسترده در رشته‌های مختلف — از جامعه‌شناسی و زیست‌شناسی تا علوم کامپیوتر — پشتیبانی می‌شود، که نتایج را به طور گسترده قابل ارتباط می‌سازد.

کاربردها

  • شناسایی رهبران کلیدی افکار و واسطه‌های اطلاعاتی در شبکه‌های اجتماعی و سازمانی.
  • نقشه‌برداری نفوذ علمی با محاسبه مرکزیت در شبکه‌های هم‌نویسندگی یا استناد.
  • مکان‌یابی گره‌های زیرساخت حیاتی در شبکه‌های حمل‌ونقل، شبکه برق و توپولوژی اینترنت.
  • اولویت‌بندی واکسیناسیون یا اهداف نظارتی در شبکه‌های اپیدمیولوژیک با شناسایی منتشرکننده‌های با بینابینی بالا.
  • شناسایی دروازه‌بان‌ها در شبکه‌های زنجیره تأمین و مالی برای ارزیابی ریسک سیستمی.

چگونه کار می‌کند

چگونه کار می‌کند

1

یک گراف از داده‌های رابطه‌ای مونتاژ می‌شود: گره‌ها موجودیت‌ها (افراد، مؤسسات، صفحات وب) را نشان می‌دهند و یال‌ها روابط یا تعاملات بین آنها را نشان می‌دهند. تحلیلگر تصمیم می‌گیرد که آیا یال‌ها جهت‌دار یا بدون جهت هستند و آیا وزن دارند یا خیر. در شبکه‌های جهت‌دار، درجه ورودی و درجه خروجی به طور جداگانه محاسبه و به طور متفاوتی تفسیر می‌شوند. اعتبار نمرات مرکزیت کاملاً به این بستگی دارد که آیا ساختار گراف بازنمایی وفادارانه‌ای از روابط دنیای واقعی مورد مطالعه است یا خیر.

2

تحلیلگر انتخاب می‌کند که کدام شاخص مرکزیت — یا ترکیبی از شاخص‌ها — با سؤال اصلی مطابقت دارد. مرکزیت درجه زمانی مناسب است که اتصال خام مورد علاقه باشد. مرکزیت بینابینی زمانی انتخاب می‌شود که تمرکز بر واسطه‌گری و دروازه‌بانی اطلاعات باشد، با هزینه تلاش محاسباتی بالاتر (O(VE)) در گراف‌های بزرگ. مرکزیت نزدیکی زمانی معنی‌دار است که شبکه متصل باشد یا زمانی که مؤلفه‌ها به طور جداگانه تحلیل شوند. مرکزیت بردار ویژه یا PageRank زمانی انتخاب می‌شود که اعتبار و نفوذ بازگشتی اهمیت داشته باشد. برای شبکه‌های وزن‌دار، تعریف وزن باید از نظر نظری معنی‌دار باشد قبل از اینکه هر شاخصی محاسبه شود.

3

هر شاخص انتخاب شده بر روی گراف محاسبه می‌شود. مرکزیت درجه با تقسیم درجه خام بر (n-1) نرمال‌سازی می‌شود. مرکزیت بینابینی کوتاه‌ترین مسیرها را از طریق هر گره می‌شمارد و با تعداد کل جفت گره‌ها نرمال‌سازی می‌شود. مرکزیت نزدیکی معکوس میانگین فاصله کوتاه‌ترین مسیر از یک گره به تمام گره‌های قابل دسترس است. مرکزیت بردار ویژه به عنوان بردار ویژه اصلی ماتریس مجاورت حل می‌شود و برای همگرایی نیاز به تکرار دارد. گره‌ها بر اساس هر نمره رتبه‌بندی می‌شوند و توزیع نمرات برای تمرکز بررسی می‌شود.

4

نمرات و رتبه‌بندی‌های مرکزیت حاصل در بافتار اصلی مطالعه تفسیر می‌شوند. گره‌های با درجه بالا، هاب‌های با اتصال خوب هستند؛ گره‌های با بینابینی بالا، پل‌ها یا واسطه‌های ساختاری هستند؛ گره‌های با نزدیکی بالا می‌توانند اطلاعات را به سرعت منتشر کنند؛ گره‌های با بردار ویژه بالا در محله‌های تأثیرگذار جای گرفته‌اند. شاخص‌های متعدد برای آشکارسازی گره‌هایی که در یک بعد رتبه بالایی دارند اما در بعد دیگر نه، مقایسه می‌شوند که اغلب جالب‌ترین یافته نظری است. شبکه‌های با کمتر از 20 گره، نمرات مرکزیت آماری ضعیفی تولید می‌کنند و باید صرفاً توصیفی در نظر گرفته شوند.

دام‌های رایج

  • اعمال بینابینی یا نزدیکی به یک گراف غیرمتصل بدون تجزیه قبلی آن به مؤلفه‌ها، نمرات تعریف نشده یا گمراه‌کننده‌ای برای گره‌های ایزوله به دست می‌دهد.
  • در نظر گرفتن هر پنج شاخص مرکزیت به عنوان قابل تعویض — هر یک به سؤال متفاوتی پاسخ می‌دهد، و انتخاب شاخص اشتباه برای فرضیه اصلی یک خطای رایج است.
  • نادیده گرفتن جهت یال در شبکه‌های جهت‌دار، درجه ورودی و درجه خروجی را در یک عدد واحد ادغام می‌کند و اطلاعات مربوط به عدم تقارن روابط را از دست می‌دهد.
  • تفسیر نمرات مرکزیت در شبکه‌های با کمتر از 20 گره به گونه‌ای که گویی از نظر آماری قوی هستند — زیر این آستانه، نمرات فقط توصیفی هستند و نباید برای نتیجه‌گیری‌های استنباطی استفاده شوند.

پرسش‌های متداول

از کدام معیار مرکزیت باید استفاده کنم؟

انتخاب به سؤال اصلی شما بستگی دارد. از مرکزیت درجه برای شناسایی گره‌هایی با بیشترین اتصالات مستقیم استفاده کنید. از مرکزیت بینابینی برای یافتن واسطه‌هایی که جریان اطلاعات را بین بخش‌های شبکه کنترل می‌کنند، استفاده کنید. از مرکزیت نزدیکی برای شناسایی گره‌هایی که می‌توانند به سرعت به همه دیگران دسترسی پیدا کنند، استفاده کنید. از مرکزیت بردار ویژه یا PageRank زمانی استفاده کنید که اعتبار همسایگان یک گره به اندازه تعداد آنها اهمیت دارد. گزارش دو یا سه شاخص مکمل و مقایسه رتبه‌بندی‌ها معمولاً آموزنده‌تر از تکیه بر یک معیار واحد است.

آیا تحلیل مرکزیت را می‌توان در شبکه‌های جهت‌دار اعمال کرد؟

بله. در یک شبکه جهت‌دار، درجه ورودی و درجه خروجی به طور جداگانه محاسبه و تفسیر می‌شوند: درجه ورودی نشان می‌دهد که یک گره چند بار توسط دیگران انتخاب یا استناد می‌شود، در حالی که درجه خروجی نشان می‌دهد که به چند نفر دیگر دسترسی دارد یا به آنها ارجاع می‌دهد. بینابینی و نزدیکی نیز دارای انواع جهت‌دار هستند. مرکزیت بردار ویژه در گراف‌های جهت‌دار معمولاً از بردار ویژه غالب چپ یا راست استفاده می‌کند بسته به اینکه اعتبار به گره جریان می‌یابد یا از آن خارج می‌شود.

حداقل اندازه شبکه مورد نیاز برای نتایج معنی‌دار چقدر است؟

ثبت‌کننده statwise حداقل 10 گره را برای هر محاسبه مرکزیت مشخص می‌کند، و تفسیر آماری معنی‌دار حداقل 20 گره را می‌طلبد. زیر 20 گره، رتبه‌بندی تعداد کمی از گره‌ها تعمیم‌پذیر نیست، و آمار توصیفی شبکه انتخاب صادقانه‌تری است.

چگونه با یک گراف غیرمتصل برخورد کنم؟

معیارهای مبتنی بر مسیر — بینابینی و نزدیکی — بین گره‌ها در مؤلفه‌های مختلف تعریف نشده‌اند. رویکرد استاندارد این است که هر مؤلفه متصل را به طور جداگانه تحلیل کنیم، یا نزدیکی را به گره‌های قابل دسترس محدود کرده و بر این اساس نرمال‌سازی کنیم. مرکزیت درجه و بردار ویژه نیازی به اتصال ندارند و می‌توانند بر روی گراف کامل محاسبه شوند.

روش‌های مرتبط

منابع

  1. Freeman, L.C. (1979). Centrality in Social Networks: Conceptual Clarification. Social Networks, 1(3), 215-239.

    باز کردن مرجع DOI
    کپی شد.
  2. Borgatti, S.P. (2005). Centrality and Network Flow. Social Networks, 27(1), 55-71.

    باز کردن مرجع DOI
    کپی شد.