Skip to content
بازگشت به نتایج جست‌وجو

مرکزیت نزدیکی

معرفی‌شده توسط
Bavelas, A.; formalized by Freeman, L. C.
سال
1950 (formalized 1979)
نوع
Node-level centrality index
خانواده
Network science

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

اندازه قلم

چه کاری انجام می‌دهد؟

مرکزیت نزدیکی نشان می‌دهد که یک گره چقدر سریع می‌تواند با محاسبه معکوس میانگین فاصله کوتاه‌ترین مسیر خود تا هر گره دیگر، به تمام گره‌های دیگر در یک شبکه دست یابد. این مفهوم که اولین بار توسط بَوِلِس (۱۹۵۰) توصیف شد و به طور رسمی توسط فریمن (۱۹۷۹) یکپارچه‌سازی گردید، گره‌هایی را شناسایی می‌کند که می‌توانند اطلاعات یا منابع را به طور مؤثر در سراسر گراف منتشر کنند — نه صرفاً گره‌هایی با تماس‌های مستقیم زیاد.

شهود پشت روش

تصور کنید پیامی را در یک گره رها می‌کنید و تماشا می‌کنید که چقدر سریع به تمام گوشه‌های شبکه می‌رسد. گره‌ای با مرکزیت نزدیکی بالا در نزدیکی مرکز تار شبکه اتصالات قرار دارد: برای رسیدن به هر کس دیگری به تعداد کمتری پرش در میانگین نیاز دارد. یک گره محیطی، حتی یکی با همسایگان زیاد، ممکن است همچنان از بخش‌های بزرگی از شبکه دور باشد. مرکزیت نزدیکی این ایده جغرافیای شبکه را در بر می‌گیرد: فاصله میانگین کوتاه به معنای مرکزیت نزدیکی بالا است، و مرکزیت نزدیکی بالا به معنای پخش مؤثر یا دسترسی سریع به اطلاعات در حال جریان در سراسر گراف است.

تاریخ

الکس بَوِلِس در سال ۱۹۵۰ مفهوم مرکزیت ارتباطات را بر اساس کوتاه‌ترین مسیرها در حین مطالعه کارایی حل مسئله گروه در MIT معرفی کرد. مقاله برجسته لینتون فریمن در مجله Social Networks در سال ۱۹۷۹، مرکزیت نزدیکی را در کنار مرکزیت درجه و مرکزیت بینابینی به عنوان یکی از سه معیار مرکزی کلاسیک در سطح گره، رسمی کرد و یک چارچوب ریاضی یکپارچه ارائه داد که اساس تحلیل شبکه‌های اجتماعی مدرن را تشکیل داد.

چه زمانی استفاده شود

هنگامی که می‌خواهید گره‌هایی را شناسایی کنید که می‌توانند اطلاعات را به طور مؤثرتری پخش کنند، منابع را بسیج کنند، یا با حداقل واسطه‌ها به بقیه شبکه دسترسی پیدا کنند — به عنوان مثال، تعیین بذرهای انتشار بهینه، ارتباط‌گران تأثیرگذار، یا هاب‌های ترانزیت — از مرکزیت نزدیکی استفاده کنید. این روش برای گراف‌های پیوسته یا تقریباً پیوسته در هر اندازه‌ای مناسب است. از آن به عنوان معیار اصلی مرکزیت زمانی که شبکه به شدت تکه‌تکه شده است (بسیاری از اجزای ناپیوسته) استفاده نکنید، زیرا امتیازات مرکزیت نزدیکی خام نزدیک به صفر و بی‌معنی می‌شوند؛ از نرمال‌سازی واسرمن-فاوست استفاده کنید یا اجزا را جداگانه تجزیه و تحلیل کنید. از اشتباه گرفتن مرکزیت نزدیکی با مرکزیت درجه اجتناب کنید: یک گره می‌تواند روابط مستقیم زیادی داشته باشد اما همچنان از نظر دسترسی جهانی محیطی باشد.

محدودیت‌ها و ملاحظات

  • به پیوستگی گراف حساس است: در شبکه‌های ناپیوسته، معیار خام فرو می‌پاشد و نیاز به تنظیمات نرمال‌سازی دارد.
  • تمام کوتاه‌ترین مسیرها را به طور مساوی مهم در نظر می‌گیرد؛ حجم ترافیک یا احتمال استفاده از یک مسیر خاص را در نظر نمی‌گیرد.
  • از نظر محاسباتی برای گراف‌های بسیار بزرگ (میلیون‌ها گره) پرهزینه است زیرا محاسبه کوتاه‌ترین مسیر بین همه جفت‌ها بدون الگوریتم‌های تقریبی مقیاس‌پذیری ضعیفی دارد.
  • بین گره‌ای که به بسیاری از روابط ضعیف نزدیک است و گره‌ای که به چند رابطه قوی و از نظر استراتژیک مهم نزدیک است، تمایز قائل نمی‌شود.

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

نقاط قوت

  • دسترس‌پذیری جهانی را به جای صرفاً اتصال محلی در بر می‌گیرد و آن را برای مطالعه جریان اطلاعات و انتشار ایده‌آل می‌سازد.
  • امتیاز نرمال‌شده (۰ تا ۱) امکان مقایسه بین شبکه‌های با اندازه‌های مختلف را فراهم می‌کند.
  • بنیان نظری مستحکم با دهه‌ها اعتبار در جامعه‌شناسی، همه‌گیرشناسی و علوم کامپیوتر.
  • مرکزیت درجه و مرکزیت بینابینی را تکمیل می‌کند تا تصویری غنی‌تر از نقش‌های گره ارائه دهد.
  • با BFS (بدون وزن) یا دایکسترا (وزن‌دار) برای اکثر شبکه‌های تجربی به طور مؤثر قابل محاسبه است.

کاربردها

  • شناسایی کارگزاران اطلاعات کلیدی یا رهبران نظر در شبکه‌های سازمانی و اجتماعی.
  • انتخاب گره‌های اولیه بهینه برای به حداکثر رساندن سرعت انتشار اطلاعات یا بیماری.
  • رتبه‌بندی ایستگاه‌های ترانزیت یا تقاطع‌های جاده بر اساس دسترسی کلی آنها در شبکه‌های حمل و نقل.
  • شناسایی پروتئین‌ها یا ژن‌های تأثیرگذار در شبکه‌های تعامل بیولوژیکی.
  • شناسایی پذیرندگان اولیه تأثیرگذار در مطالعات انتشار فناوری.
  • اولویت‌بندی اهداف مداخله در شبکه‌های تماس بهداشت عمومی برای کند کردن گسترش اپیدمی.

چگونه کار می‌کند

چگونه کار می‌کند

1

شبکه را به صورت یک گراف نمایش دهید که در آن گره‌ها بازیگران (افراد، سازمان‌ها، صفحات وب، ژن‌ها و غیره) هستند و یال‌ها روابط یا تعاملات را رمزگذاری می‌کنند. گراف می‌تواند بدون جهت یا جهت‌دار باشد؛ یال‌ها می‌توانند بدون وزن (هر پرش ۱ هزینه دارد) یا وزن‌دار (هزینه برابر با وزن یال، که به عنوان فاصله یا قدرت معکوس تفسیر می‌شود) باشند.

2

برای هر گره v، فاصله کوتاه‌ترین مسیر d(u, v) تا هر گره قابل دسترسی دیگر u را با استفاده از جستجوی اول سطح (BFS) برای گراف‌های بدون وزن یا الگوریتم دایکسترا برای گراف‌های وزن‌دار محاسبه کنید. برای گراف‌های جهت‌دار، تنها مسیرهایی که جهت یال را دنبال می‌کنند معتبر هستند، بنابراین مرکزیت نزدیکی ورودی (in-closeness) و مرکزیت نزدیکی خروجی (out-closeness) ممکن است متفاوت باشند.

فرمول
d(u,v) = \text{shortest path length between nodes } u \text{ and } v
3

تمام فواصل کوتاه‌ترین مسیر از v تا هر گره دیگر را جمع کنید تا دوری (farness) v را به دست آورید. دوری کم به این معنی است که v به طور متوسط به بقیه شبکه نزدیک است؛ دوری زیاد نشان‌دهنده محیطی بودن است.

فرمول
\text{farness}(v) = \sum_{u \neq v} d(u, v)
4

معکوس میانگین فاصله کوتاه‌ترین مسیر را بگیرید: C(v) = (n-1) / مجموع d(u,v). ضرب در (n-1) یک امتیاز نرمال‌شده در بازه (۰، ۱] می‌دهد تا گره‌ها در شبکه‌های با اندازه‌های مختلف قابل مقایسه باشند. مقادیر بالاتر نشان‌دهنده موقعیت مرکزی‌تر و قابل دسترس‌تر است.

فرمول
C(v) = \frac{n-1}{\sum_{u \neq v} d(u, v)}
5

در گراف‌های ناپیوسته، یک گره نمی‌تواند به همه گره‌های دیگر دسترسی پیدا کند، بنابراین مرکزیت نزدیکی خام برای جفت‌های غیرقابل دسترسی صفر یا تعریف نشده است. نرمال‌سازی واسرمن-فاوست (Wasserman-Faust) مرکزیت نزدیکی را به گراف‌های ناپیوسته گسترش می‌دهد با جمع کردن فقط روی گره‌های قابل دسترسی و مقیاس‌بندی مجدد بر اساس کسری از گراف که قابل دسترسی است، از امتیازات نزدیک به صفر کاذب برای اجزای ایزوله جلوگیری می‌کند.

دام‌های رایج

  • گزارش مرکزیت نزدیکی خام در شبکه‌ای با اجزای ناپیوسته بدون اعمال نرمال‌سازی واسرمن-فاوست، که منجر به امتیازات گمراه‌کننده نزدیک به صفر می‌شود.
  • در نظر گرفتن مرکزیت نزدیکی و مرکزیت درجه به عنوان قابل تعویض — درجه بالا به معنای مرکزیت نزدیکی بالا نیست، و بالعکس.
  • نادیده گرفتن اینکه یال‌ها جهت‌دار هستند یا خیر: در شبکه‌های جهت‌دار، مرکزیت نزدیکی باید به طور جداگانه برای جهت‌های ورودی و خروجی محاسبه شود.
  • اعمال مرکزیت نزدیکی بدون وزن به یک شبکه وزن‌دار که در آن وزن‌های یال فواصل معناداری را رمزگذاری می‌کنند، از دست دادن اطلاعات در مورد قدرت رابطه.
  • مقایسه امتیازات مرکزیت نزدیکی خام (نرمال‌نشده) در شبکه‌های با اندازه‌های مختلف بدون کنترل برای n.

پرسش‌های متداول

مرکزیت نزدیکی چگونه با مرکزیت درجه متفاوت است؟

مرکزیت درجه فقط همسایگان مستقیم را می‌شمارد، بنابراین یک گره می‌تواند امتیاز بالایی کسب کند اگر اتصالات زیادی داشته باشد حتی اگر آن اتصالات همه در یک گوشه شبکه متمرکز باشند. مرکزیت نزدیکی کوتاه‌ترین مسیر به هر گره در گراف را در نظر می‌گیرد، بنابراین دسترسی جهانی را پاداش می‌دهد. یک هاب کلاستر محیطی ممکن است درجه بالایی اما مرکزیت نزدیکی پایینی داشته باشد.

هنگامی که شبکه من دارای اجزای ناپیوسته است، چه کاری باید انجام دهم؟

از نرمال‌سازی هارمونیک یا تنظیم‌شده بر اساس دسترسی واسرمن-فاوست (۱۹۹۴) استفاده کنید، که فقط جفت‌های قابل دسترسی را جمع می‌کند و بر اساس نسبت شبکه قابل دسترسی مقیاس‌بندی مجدد می‌کند. به طور جایگزین، بزرگترین جزء پیوسته را جداگانه تجزیه و تحلیل کنید، یا از مرکزیت هارمونیک (مجموع معکوس فواصل) استفاده کنید، که به طور طبیعی جفت‌های غیرقابل دسترسی را با اختصاص سهم صفر به آنها مدیریت می‌کند.

آیا مرکزیت نزدیکی روی شبکه‌های وزن‌دار کار می‌کند؟

بله. BFS را با الگوریتم دایکسترا با استفاده از وزن‌های یال به عنوان فواصل (یا معکوس وزن‌های قدرت/شباهت اگر وزن بالاتر به معنای نزدیک‌تر بودن باشد) جایگزین کنید. مرکزیت نزدیکی وزن‌دار حاصل، هم توپولوژی و هم کیفیت اتصالات را منعکس می‌کند.

امتیاز مرکزیت نزدیکی نرمال‌شده را چگونه تفسیر کنم؟

امتیازی نزدیک به ۱ به این معنی است که گره می‌تواند به طور متوسط در حدود یک پرش به هر گره دیگر دسترسی پیدا کند — در مرکز شبکه قرار دارد. امتیازی نزدیک به ۰ به این معنی است که گره بسیار محیطی است. امتیازات بالاتر از حدود ۰.۶ معمولاً نشان‌دهنده موقعیت‌های واقعاً مرکزی در اکثر شبکه‌های تجربی است.

آیا مرکزیت نزدیکی برای شبکه‌های جهت‌دار مناسب است؟

بله، اما آن را به طور جداگانه در هر جهت محاسبه کنید. مرکزیت نزدیکی ورودی اندازه‌گیری می‌کند که دیگران چقدر آسان می‌توانند به گره کانونی دسترسی پیدا کنند (مفید برای مطالعه اعتبار یا پذیرش گره)، در حالی که مرکزیت نزدیکی خروجی اندازه‌گیری می‌کند که گره کانونی چقدر آسان می‌تواند به دیگران دسترسی پیدا کند (مفید برای مطالعه ظرفیت پخش).

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. Bavelas, A. (1950). Communication patterns in task-oriented groups. Journal of the Acoustical Society of America, 22(6), 725–730.

    باز کردن مرجع DOI
    کپی شد.