مرکزیت واسطهگری وزنی
- معرفیشده توسط
- Opsahl, T.; Agneessens, F.; Skvoretz, J. (extending Freeman 1977 and Brandes 2001)
- سال
- 2010
- نوع
- Centrality measure (path-based)
- خانواده
- Network science
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
مرکزیت واسطهگری وزنی، معیار واسطهگری فریمن را به گرافهای وزنی لبه با مسیریابی کوتاهترین مسیرها از طریق یک تبدیل قابل تنظیم از وزنهای لبه تعمیم میدهد. گرههایی که در مسیرهای کوتاه با ارزش بالا قرار دارند، امتیازات بالایی دریافت میکنند و واسطهها و پلها را در شبکههای اجتماعی، بیولوژیکی و اطلاعاتی که استحکام پیوند اهمیت دارد، شناسایی میکنند.
شهود پشت روش
شهری را تصور کنید که جادههای آن ظرفیتهای ترافیکی متفاوتی دارند. تأثیرگذارترین تقاطعها نه تنها آنهایی هستند که جادههای زیادی دارند، بلکه آنهایی هستند که در مسیرهای سریعتر یا با بالاترین ظرفیت بین بسیاری از جفت مکانها قرار دارند. مرکزیت واسطهگری وزنی دقیقاً همین را ثبت میکند: گرههایی را پیدا میکند که به عنوان نقاط رله حیاتی عمل میکنند و میزان استحکام یا ضعف اتصالات عبوری از آنها را در نظر میگیرد. گرهی با واسطهگری وزنی بالا، یک پل یا نگهبان است که حذف آن باعث اختلال در بسیاری از مسیرهای قوی میشود.
تاریخ
مرکزیت واسطهگری توسط لینتون فریمن در سال ۱۹۷۷ به عنوان معیاری برای نقش یک گره در اتصال دیگران از طریق کوتاهترین مسیرها معرفی شد. اولریک برندس در سال ۲۰۰۱ یک الگوریتم کارآمد برجسته توسعه داد که محاسبه را از O(n^3) به O(n + m) زمان برای گرافهای بدون وزن کاهش داد. تعمیم وزنی به طور سیستماتیک توسط اپسال، آگنیسنز و اسکوروتز در سال ۲۰۱۰ فرموله شد، که تبدیل وزن به فاصله پارامتر شده با آلفا را پیشنهاد کردند و آن را در برابر شبکههای همکاری تجربی و خطوط هوایی اعتبارسنجی کردند.
چه زمانی استفاده شود
از مرکزیت واسطهگری وزنی زمانی استفاده کنید که وزنهای لبه نشاندهنده استحکام پیوند معنادار (فرکانس تماس، حجم جریان، شدت همکاری، شباهت) هستند و شما میخواهید واسطهها، نگهبانان یا نقاط شکست منفرد در یک شبکه را شناسایی کنید. این معیار برای شبکههای اجتماعی، شبکههای همکاری، شبکههای حملونقل و مسیرهای بیولوژیکی که در آنها استحکام اتصالات، شکلدهنده مسیرهای واقعی مورد استفاده است، مناسب است. زمانی که وزنهای لبه نویزی یا دلخواه هستند، از آن اجتناب کنید - در این صورت مرکزیت واسطهگری ساده امنتر است. همچنین برای شبکههای بسیار بزرگ (میلیونها گره) بدون الگوریتمهای تقریبی از آن اجتناب کنید، زیرا محاسبه دقیق در بدترین حالت O(n^3) است.
محدودیتها و ملاحظات
- محاسبه دقیق برای گرافهای متراکم در فضا و زمان O(n^3) است که مقیاسپذیری را به شبکههای بسیار بزرگ محدود میکند.
- نتایج به انتخاب آلفا حساس هستند؛ مقادیر مختلف میتوانند رتبهبندی گرهها را به طور قابل توجهی تغییر دهند.
- فرض میکند که اطلاعات یا نفوذ فقط در طول مسیرهای ژئودزیکی (کوتاهترین) جریان مییابد، که ممکن است فرآیندهای انتشار واقعی را منعکس نکند.
- وزنهای لبه منفی یا صفر نیاز به رسیدگی ویژه دارند و میتوانند الگوریتمهای کوتاهترین مسیر را مختل کنند.
- شبکههای جدا از هم، واسطهگری تعریف نشدهای را برای جفتهای موجود در مولفههای مختلف ایجاد میکنند و نیاز به تحلیل در سطح مولفه دارند.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- واسطهگری و کنترل را در شبکههایی که استحکام پیوند، ترجیح مسیرها را تعیین میکند، ثبت میکند.
- پارامتر تنظیم آلفا به تحلیلگران اجازه میدهد تا منطق مسیر بدون وزن و کاملاً وزنی را ترکیب کنند و این معیار را قابل انطباق میسازند.
- به طور مستقیم گرههای گلوگاه را شناسایی میکند که حذف آنها باعث تجزیه یا کند شدن شبکه میشود.
- سازگار با الگوریتم کارآمد برندس، که محاسبه را برای شبکههایی با دهها هزار گره امکانپذیر میسازد.
- امتیازات نرمالشده در شبکههای با اندازههای مختلف قابل تفسیر هستند.
- بر اساس یک چارچوب تعمیم بررسی شده توسط همتایان (Opsahl et al. 2010) با استناد گسترده، به خوبی پایهریزی شده است.
کاربردها
- شناسایی واسطههای دانش و گسترشدهندگان مرز در شبکههای سازمانی و همکاری.
- مکانیابی گرههای رله حیاتی در شبکههای ارتباطی یا زنجیره تأمین برای تحلیل تابآوری.
- یافتن فرودگاههای هاب یا ایستگاههای ترانزیت که بیشترین ترافیک بین شهری را در شبکههای حملونقل حمل میکنند.
- تشخیص گلوگاههای نظارتی در شبکههای تعامل پروتئین یا تنظیم ژنی.
- شناسایی منتشرکنندگان تأثیرگذار در مدلهای همهگیر یا انتشار اطلاعات وزنی.
- تحلیل واسطهگری در سطح جامعه در شبکههای همتألیفی و استنادی وزنی.
چگونه کار میکند
چگونه کار میکند
وزنهای لبه با استفاده از یک تبدیل معکوس که توسط پارامتر تنظیم آلفا کنترل میشود، به فاصلهها تبدیل میشوند. هنگامی که آلفا برابر با صفر است، معیار به واسطهگری استاندارد بدون وزن کاهش مییابد؛ با افزایش آلفا به سمت یک، پیوندهای قویتر به عنوان مسیرهای کوتاهتر و در نتیجه ترجیحی در نظر گرفته میشوند و این معیار را به استحکام پیوند حساس میکند.
فرمول
d_{ij} = w_{ij}^{-\alpha}, \; \alpha \in [0,1]الگوریتم دایکسترا (یا نوع جبری خطی برندس برای کارایی) مجموعه کوتاهترین مسیرهای وزنی را بین هر جفت گره منبع و هدف در شبکه، با استفاده از فواصل تبدیل شده، محاسبه میکند. این مرحله مشخص میکند که کدام مسیرها با توجه به پیکربندی وزن، از نظر ژئودزیکی بهینه هستند.
برای هر جفت مرتب شده از گرهها، الگوریتم تعداد کل کوتاهترین مسیرهای وزنی و زیرمجموعهای از آن مسیرها را که از هر گره کاندید v عبور میکنند، شمارش میکند. این شمارشها با استفاده از تکنیک انتشار رو به عقب برندس به طور کارآمد انباشته میشوند و الگوریتم را برای شبکههای نسبتاً بزرگ قابل مدیریت نگه میدارند.
برای هر گره v، امتیاز خام واسطهگری مجموع کسری از کوتاهترین مسیرهایشان است که از v عبور میکنند، بر روی تمام جفتهای منبع-هدف. گرهای که در تمام کوتاهترین مسیرهای بین یک جفت قرار دارد، ۱.۰ به امتیاز خود برای آن جفت اضافه میکند؛ گرهای که توسط تمام مسیرها دور زده میشود، ۰ را اضافه میکند.
فرمول
C_B(v) = \sum_{s \neq v \neq t} \frac{\sigma_{st}(v)}{\sigma_{st}}امتیازات خام بر حداکثر مقدار ممکن تقسیم میشوند - که برای شبکههای بدون جهت (n-1)(n-2)/2 است - به طوری که امتیازات در بازه [۰، ۱] قرار میگیرند و در شبکههای با اندازههای مختلف قابل مقایسه هستند. برای شبکههای جهتدار، مخرج دو برابر میشود و به (n-1)(n-2) میرسد.
فرمول
C_B^{\text{norm}}(v) = \frac{C_B(v)}{(n-1)(n-2)/2}دامهای رایج
- استفاده از آلفای پیشفرض بدون گزارش یا توجیه مقدار آن - همیشه انتخاب آلفای خود را بیان و توجیه کنید.
- رفتار امتیازات خام (نرمال نشده) به عنوان قابل مقایسه در شبکههای با اندازههای مختلف.
- نادیده گرفتن جهت لبهها در شبکههای جهتدار و محاسبه واسطهگری بدون جهت به جای آن.
- تفسیر واسطهگری بالا به عنوان نفوذ بالا بدون در نظر گرفتن اینکه آیا جریانها در واقع از کوتاهترین مسیرها در دامنه پیروی میکنند.
- فراموش کردن بررسی مولفههای جدا از هم، که به طور مصنوعی امتیازات واسطهگری را برای گرهها در مولفههای کوچکتر کاهش میدهد.
پرسشهای متداول
چگونه پارامتر آلفا را انتخاب کنم؟
آلفا بر میزان تأثیر وزن بر انتخاب مسیر کنترل میکند. در آلفا=۰، واسطهگری کلاسیک بدون وزن را دریافت میکنید؛ در آلفا=۱، پیوندهای قویتر مسیرهای کوتاه را به طور کامل تعریف میکنند. یک عمل رایج، آزمایش آلفا=۰، ۰.۵ و ۱ و گزارش حساسیت است. اگر رتبهبندی گرهها در مقادیر مختلف پایدار باشند، هر انتخابی قابل دفاع است؛ اگر به طور قابل توجهی متفاوت باشند، انتخاب خود را بر اساس اینکه آیا پیوندهای قوی باید ترجیح داده شوند، از نظر تئوری توجیه کنید.
تفاوت بین مرکزیت واسطهگری وزنی و بدون وزن چیست؟
واسطهگری بدون وزن، پرشها را میشمارد؛ هر لبه طول یکسانی دارد. واسطهگری وزنی از وزنهای لبه (تبدیل شده به فاصلهها) استفاده میکند تا مسیرها به طور ترجیحی اتصالات قویتر یا کوتاهتر را دنبال کنند. در شبکههایی که استحکام پیوند از نظر محتوایی معنادار است - مانند فرکانس همکاری یا حجم تجارت - نسخه وزنی تصویر دقیقتری از اینکه کدام گرهها جریانهای واقعی را کنترل میکنند، ارائه میدهد.
آیا مرکزیت واسطهگری وزنی برای شبکههای بسیار بزرگ مناسب است؟
محاسبه دقیق برای بیش از حدود ۱۰۰,۰۰۰ گره پرهزینه میشود. برای شبکههای بسیار بزرگ، از الگوریتمهای تقریبی مانند نمونهبرداری محور تصادفی (پیادهسازی شده در NetworkX به عنوان betweenness_centrality با پارامتر k) استفاده کنید یا از ابزارهای شتابدهنده GPU مانند cuGraph بهره ببرید. گزارش دهید که آیا از محاسبه دقیق یا تقریبی استفاده کردهاید.
آیا میتوانم از واسطهگری وزنی زمانی که شبکه من دارای گرههای ایزوله یا مولفههای متعدد است، استفاده کنم؟
بله، اما گرههای ایزوله همیشه امتیاز صفر خواهند داشت و گرهها در مولفههای کوچک امتیازاتی فقط بر اساس مسیرهای درون مولفه خود خواهند داشت. اگر رتبهبندیهای درون مولفهای میخواهید، واسطهگری را به طور جداگانه برای هر مولفه محاسبه کنید و ساختار مولفه را در کنار امتیازات گزارش دهید.
چگونه باید مرکزیت واسطهگری وزنی را در یک مقاله گزارش دهم؟
نرمافزار و نسخه مورد استفاده (مانند NetworkX، igraph)، مقدار آلفا، اینکه آیا امتیازات نرمال شدهاند، چگونه مولفههای جدا از هم را مدیریت کردهاید، و یک آمار خلاصه (میانگین، دامنه) در کنار گرههای با بالاترین رتبه را گزارش دهید. یک نمودار پراکندگی درجه در مقابل واسطهگری یا تجسم شبکه با اندازه گره متناسب با امتیاز به تفسیر کمک میکند.
روشهای مرتبط
منابع
Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3), 245–251.
باز کردن مرجع DOIکپی شد.Brandes, U. (2001). A faster algorithm for betweenness centrality. Journal of Mathematical Sociology, 25(2), 163–177.
باز کردن مرجع DOIکپی شد.