Skip to content
بازگشت به نتایج جست‌وجو

مرکزیت درجه

معرفی‌شده توسط
Freeman, L. C.
سال
1978
نوع
Node-level centrality measure
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 درجه، ساده‌ترین و شهودی‌ترین معیار اهمیت یک گره در شبکه است که به عنوان تعداد پیوندهای مستقیمی که یک گره با گره‌های دیگر دارد، تعریف می‌شود. با تقسیم بر حداکثر پیوندهای ممکن، نرمال‌سازی می‌شود و امکان مقایسه در میان شبکه‌هایی با اندازه‌های مختلف را فراهم می‌کند و نقطه شروع تقریباً هر تحلیل شبکه‌ای است.

شهود پشت روش

تصور کنید در یک اتاق کنفرانس، هر کسی که افراد زیادی را می‌شناسد، فعال‌ترین فرد از نظر اجتماعی است. مرکزیت درجه دقیقاً همین را ثبت می‌کند: تعداد اتصالات خام یک گره. گره‌ای با درجه بالا در مرکز فعالیت فوری قرار دارد — می‌تواند در یک مرحله به بسیاری از همسایگان دسترسی پیدا کند. از آنجایی که محاسبه آن ساده و توضیح آن آسان است، مرکزیت درجه اغلب اولین معیاری است که در یک مطالعه شبکه محاسبه می‌شود و به عنوان یک خط پایه در برابر معیارهای پیچیده‌تر مقایسه می‌شود.

تاریخ

مرکزیت درجه به طور رسمی توسط لینتون سی. فریمن در مقاله برجسته خود در سال 1978 در مجله Social Networks تعریف و سیستم‌بندی شد، که همچنین مرکزیت بینابینی و نزدیکی را تحت یک چارچوب مفهومی واحد معرفی کرد. خود این معیار به کارهای جامعه‌سنجی قبلی در دهه‌های 1940-1950 بازمی‌گردد. مقاله فریمن همچنان به عنوان استناد متعارف باقی مانده و تحلیل شبکه اجتماعی را به عنوان یک رشته کمی دقیق تأسیس کرد.

چه زمانی استفاده شود

هنگامی که به یک خلاصه سریع و قابل تفسیر از اینکه کدام گره‌ها بیشترین اتصالات مستقیم را دارند نیاز دارید، از مرکزیت درجه استفاده کنید — برای شناسایی هاب‌ها، بازیگران کلیدی، یا گره‌های بسیار فعال در هر شبکه دودویی یا وزنی. این روش برای شبکه‌های کوچک و بزرگ مناسب است و فقط به یک لیست یال نیاز دارد. هنگامی که سؤال تحقیق مربوط به نفوذ غیرمستقیم، کارایی جریان اطلاعات، یا نقش‌های دروازه‌بانی است، به مرکزیت درجه به تنهایی تکیه نکنید؛ برای این منظورها، مرکزیت ویژه، مرکزیت نزدیکی، یا مرکزیت بینابینی مناسب‌تر هستند. همچنین در گراف‌های کامل یا تقریباً کامل که تقریباً همه گره‌ها درجه یکسانی دارند، بی‌اطلاع است.

محدودیت‌ها و ملاحظات

  • فقط همسایگان مستقیم را می‌شمارد؛ موقعیت در ساختار کلی شبکه را نادیده می‌گیرد.
  • گره‌ای با درجه بالا ممکن است کاملاً محیطی باشد اگر همه همسایگانش از یکدیگر جدا باشند.
  • در گراف‌های متراکم یا کامل که واریانس درجه نزدیک به صفر است، بی‌اطلاع است.
  • تمایز قائل نمی‌شود که آیا اتصالات به گره‌های تأثیرگذار یا محیطی هستند (برای این کار از مرکزیت ویژه استفاده کنید).
  • به تصمیمات مرزی شبکه حساس است — اینکه چه کسی در شبکه گنجانده شده است بر امتیازات تأثیر می‌گذارد.

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

نقاط قوت

  • محاسباتی ناچیز — O(n) برای هر گره — و به شبکه‌های بسیار بزرگ مقیاس‌پذیر است.
  • بلافاصله قابل تفسیر: تعداد اتصالات خام نیازی به تخصص تحلیل شبکه برای توضیح ندارد.
  • قابل اعمال برای گراف‌های جهت‌دار، بدون جهت، دودویی و وزنی (به عنوان درجه وزنی).
  • به عنوان یک خط پایه ضروری برای مقایسه معیارهای مرکزیت پیچیده‌تر عمل می‌کند.
  • توزیع درجه، اثر انگشت توپوگرافی کلی شبکه (مقیاس-آزاد، تصادفی و غیره) را فراهم می‌کند.
  • به راحتی قابل تجسم: اندازه گره متناسب با درجه، ساختار را در یک نگاه منتقل می‌کند.

کاربردها

  • شناسایی هاب‌ها و بازیگران تأثیرگذار در شبکه‌های اجتماعی و سازمانی.
  • ردیابی تماس‌های اپیدمیولوژیک برای اولویت‌بندی افراد با اتصالات بالا برای مداخله.
  • تحلیل شبکه‌های وب و استنادی برای رتبه‌بندی صفحات یا مقالات با پیوندهای بالا.
  • تحلیل تاب‌آوری زیرساخت برای یافتن گره‌های حیاتی که حذف آن‌ها شبکه را تکه‌تکه می‌کند.
  • تحقیقات بازاریابی و انتشار برای تعیین گره‌های اولیه برای کمپین‌های انتشار ویروسی.
  • مطالعات شبکه‌های هم‌نویسندگی و همکاری در کتاب‌سنجی.

چگونه کار می‌کند

چگونه کار می‌کند

1

شبکه به صورت یک گراف G = (V, E) نمایش داده می‌شود، که در آن V مجموعه گره‌ها و E مجموعه یال‌ها است. یک ماتریس مجاورت A کدگذاری می‌کند که کدام جفت گره‌ها به هم متصل هستند. در یک شبکه بدون جهت، هر یال یک بار شمرده می‌شود؛ در یک شبکه جهت‌دار، درجه ورودی و درجه خروجی به طور جداگانه پیگیری می‌شوند که به ترتیب منعکس‌کننده پیوندهای ورودی و خروجی هستند.

2

برای هر گره v، مرکزیت درجه با جمع کردن تمام درایه‌های سطر (یا ستون) آن در ماتریس مجاورت محاسبه می‌شود — یعنی، شمارش اینکه به چند گره دیگر مستقیماً متصل است. درجه خام C_D(v) = deg(v) است. در یک گراف جهت‌دار، درجه ورودی پیوندهای ورودی را می‌شمارد در حالی که درجه خروجی پیوندهای خروجی را می‌شمارد.

فرمول
C_D(v) = \deg(v) = \sum_{u \in V} a_{vu}
3

برای مقایسه در میان شبکه‌هایی با اندازه‌های مختلف، درجه خام بر (n − 1) تقسیم می‌شود، که حداکثر تعداد ممکن پیوند در شبکه‌ای با n گره است. امتیاز نرمال‌شده C_D'(v) بین 0 و 1 قرار می‌گیرد، که در آن 1 نشان‌دهنده گره‌ای است که به هر گره دیگر در شبکه متصل است.

فرمول
C_D'(v) = \frac{\deg(v)}{n - 1}
4

گره‌ها بر اساس امتیاز مرکزیت درجه نرمال‌شده آن‌ها رتبه‌بندی می‌شوند. توزیع امتیازات را می‌توان به صورت هیستوگرام تجسم کرد یا بر روی گراف شبکه به عنوان اندازه گره یا رنگ ترسیم کرد. گره‌های با درجه بالا کاندیدای هاب‌ها یا تأثیرگذاران هستند؛ شکل توزیع درجه (مثلاً دم سنگین در مقابل یکنواخت) خواص ساختاری گسترده‌تری از شبکه را آشکار می‌کند.

دام‌های رایج

  • گزارش درجه خام بدون نرمال‌سازی، نتایج را در شبکه‌هایی با اندازه‌های مختلف غیرقابل مقایسه می‌کند.
  • رفتار با مرکزیت درجه به عنوان شواهد کافی نفوذ بدون بررسی مرکزیت بینابینی یا ویژه.
  • نادیده گرفتن جهت‌داری در شبکه‌های جهت‌دار: درجه ورودی و درجه خروجی معانی موضوعی متفاوتی دارند.
  • مخلوط کردن مرکزیت درجه با مرکزیت درجه وزنی بدون اذعان به تفاوت در شبکه‌های دودویی در مقابل شبکه‌های مقداری.
  • نادیده گرفتن ایزوله‌ها (گره‌های با درجه 0) که ممکن است بازیگران مهمی از دست رفته باشند.

پرسش‌های متداول

تفاوت بین مرکزیت درجه و مرکزیت ویژه چیست؟

مرکزیت درجه تعداد اتصالات مستقیم را بدون توجه به اینکه آن همسایگان چه کسانی هستند، می‌شمارد. مرکزیت ویژه هر اتصال را با اهمیت همسایه وزن‌دهی می‌کند، بنابراین گره‌ای که به چند گره مرکزی بالا متصل است می‌تواند امتیاز بالاتری نسبت به گره‌ای با بسیاری از همسایگان محیطی کسب کند.

آیا باید از درجه ورودی یا درجه خروجی در یک شبکه جهت‌دار استفاده کنم؟

انتخاب به سؤال تحقیق بستگی دارد. درجه ورودی می‌شمارد که چند عامل به یک گره اشاره می‌کنند (مثلاً محبوبیت، اعتبار، تعداد استناد). درجه خروجی می‌شمارد که یک گره به چند عامل اشاره می‌کند (مثلاً سطح فعالیت، ارسال اطلاعات). گزارش هر دو اغلب آموزنده است.

آیا مرکزیت درجه روی شبکه‌های وزنی کار می‌کند؟

فرمول‌بندی استاندارد از یال‌های دودویی استفاده می‌کند. برای شبکه‌های وزنی، معیار مشابه، مرکزیت درجه وزنی (که قدرت گره نیز نامیده می‌شود) است که به جای شمارش یال‌ها، وزن‌های یال را جمع می‌کند. اکثر پیاده‌سازی‌ها در igraph، NetworkX و Gephi از این گزینه پشتیبانی می‌کنند.

شبکه من چقدر باید بزرگ باشد؟

مرکزیت درجه هیچ حداقل اندازه الزامی ندارد. حتی در شبکه‌های 10 گره‌ای نیز معنی‌دار است. با این حال، در شبکه‌های بسیار کوچک، امتیاز نرمال‌شده وضوح خود را از دست می‌دهد — تقریباً همه گره‌ها ممکن است به طور یکسان مرکزی به نظر برسند. برای شبکه‌هایی با کمتر از حدود 20 گره، بررسی توزیع درجه خام معمولاً آموزنده‌تر از امتیاز نرمال‌شده است.

چه زمانی مرکزیت درجه کافی نیست؟

زمانی که سؤال تحقیق شما مربوط به نقش‌های واسطه‌گری، دروازه‌بانی، یا جریان اطلاعات در سراسر شبکه باشد تا محبوبیت محلی. گره‌ای با درجه متوسط می‌تواند دسترسی بین خوشه‌ها را کنترل کند (بینابینی بالا) یا به سرعت به هر گره دیگر برسد (نزدیکی بالا) بدون داشتن بسیاری از پیوندهای مستقیم.

روش‌های مرتبط

منابع

  1. Freeman, L. C. (1978). Centrality in social networks: Conceptual clarification. Social Networks, 1(3), 215–239.

    باز کردن مرجع DOI
    کپی شد.
  2. Wasserman, S. & Faust, K. (1994). Social Network Analysis: Methods and Applications. Cambridge University Press.

    شابک: 978-0-521-38707-1
    کپی شد.