Skip to content
بازگشت به نتایج جست‌وجو

مرکزیت نزدیکی وزن‌دار

معرفی‌شده توسط
Opsahl, T.; Agneessens, F.; Skvoretz, J.
سال
2010
نوع
Centrality measure (network analysis)
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 وزن‌دار، معیار کلاسیک نزدیکی را به شبکه‌هایی که یال‌های آن‌ها دارای وزن‌های عددی هستند — مانند فراوانی، قدرت، یا هزینه — با لحاظ کردن آن وزن‌ها در فواصل کوتاه‌ترین مسیر، تعمیم می‌دهد. گره‌هایی که می‌توانند به سرعت از طریق اتصالات قوی یا کارآمد به دیگران برسند، امتیاز بالاتری کسب می‌کنند و این امر آن را به شاخصی غنی‌تر برای پتانسیل انتشار اطلاعات نسبت به همتای باینری خود تبدیل می‌کند.

شهود پشت روش

در یک شبکه بدون وزن، مرکزیت نزدیکی می‌پرسد که یک گره برای رسیدن به تمام گره‌های دیگر به چند گام نیاز دارد. در یک شبکه وزن‌دار، این منطق نادیده می‌گیرد که آیا پیوندها قوی هستند یا ضعیف. مرکزیت نزدیکی وزن‌دار، هر وزن یال را به عنوان ظرفیت یا فاصله معکوس در نظر می‌گیرد: پیوندهای قوی‌تر به عنوان گام‌های کوتاه‌تر محاسبه می‌شوند. گره‌ای که امتیاز بالایی کسب می‌کند، نه تنها از نظر توپولوژیکی به خوبی متصل است — بلکه واقعاً از طریق مسیرهای با ظرفیت بالا یا کم‌هزینه به دیگران نزدیک است. آپسال و همکاران (2010) یک پارامتر تنظیم آلفا را معرفی کردند که به تحلیلگر اجازه می‌دهد تا بر طول مسیر یا وزن یال تأکید کند و مرکزیت نزدیکی بدون وزن و مرکزیت نزدیکی کاملاً مبتنی بر وزن را به هم پیوند دهد.

تاریخ

مرکزیت نزدیکی کلاسیک توسط سابیدوسی (1966) فرموله شد و بعدها توسط فریمن (1978) محبوبیت یافت. تعمیم به شبکه‌های وزن‌دار به طور سیستماتیک توسط آپسال، آگنیسنس و اسکوروتز در مقاله‌ای در سال 2010 در مجله Social Networks توسعه یافت که هر دو معیار درجه و کوتاه‌ترین مسیر را با استفاده از پارامتر تنظیم آلفا تعمیم داد. چارچوب آن‌ها به مرجع استاندارد برای مرکزیت وزن‌دار در تحلیل شبکه اجتماعی تبدیل شد و در بسته‌های پرکاربرد از جمله igraph و NetworkX پیاده‌سازی شده است.

چه زمانی استفاده شود

هنگامی که وزن‌های یال (فراوانی همکاری، حجم ارتباطات، جریان پولی، ظرفیت حمل و نقل) از نظر تئوری معنی‌دار هستند و باید بر گره‌های مرکزی تأثیر بگذارند، از مرکزیت نزدیکی وزن‌دار استفاده کنید. این روش برای شبکه‌های اجتماعی، شبکه‌های تجاری، سیستم‌های حمل و نقل، گراف‌های هم‌تألیفی و هر محیطی که در آن کارایی دسترسی به قدرت پیوند بستگی دارد، مناسب است. هر زمان که نادیده گرفتن وزن‌ها رتبه‌بندی مرکزیت را تحریف کند، آن را بر مرکزیت نزدیکی بدون وزن ترجیح دهید. زمانی که وزن‌ها قابل اعتماد نیستند، به طور دلخواه مقیاس‌بندی شده‌اند، یا وجود ندارند؛ در گراف‌های جدا شده بدون مدیریت دقیق جفت‌های غیرقابل دسترسی؛ یا زمانی که سؤال پژوهش به جای کارایی جریان، به توپولوژی ساختاری خالص مربوط می‌شود، از آن استفاده نکنید.

محدودیت‌ها و ملاحظات

  • به داده‌های وزن کامل و قابل اعتماد نیاز دارد؛ وزن‌های یال گمشده یا نویزی مستقیماً به امتیازات مرکزیت منتشر می‌شوند.
  • شبکه‌های جدا شده نیازمند رفتار ویژه‌ای هستند (مانند حذف جفت‌های غیرقابل دسترسی یا استفاده از مرکزیت نزدیکی هارمونیک).
  • انتخاب پارامتر آلفا نیازمند توجیه نظری است — مقادیر پیش‌فرض دلخواه می‌توانند رتبه‌بندی‌ها را تحریف کنند.
  • از نظر محاسباتی برای شبکه‌های بزرگ و پراکنده، گران‌تر از مرکزیت درجه است.

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

نقاط قوت

  • وزن‌های یال را لحاظ می‌کند تا اتصالات قوی یا کارآمد به درستی امتیاز مرکزیت گره را افزایش دهند.
  • پارامتر تنظیم آلفا، یک پل پیوسته بین مرکزیت نزدیکی باینری و کاملاً مبتنی بر وزن فراهم می‌کند.
  • تفسیر شهودی نزدیکی را حفظ می‌کند: اینکه یک گره چقدر سریع می‌تواند به دیگران برسد یا توسط دیگران مورد دسترسی قرار گیرد.
  • قابل مقایسه مستقیم با مرکزیت نزدیکی بدون وزن، که امکان تحلیل‌های حساسیت کنترل‌شده را فراهم می‌کند.
  • برای شبکه‌های وزن‌دار جهت‌دار، هنگامی که با تجزیه مرکزیت نزدیکی ورودی و خروجی ترکیب شود، مناسب است.

کاربردها

  • شناسایی کارگزاران کلیدی در شبکه‌های همکاری علمی بر اساس فراوانی هم‌تألیفی.
  • رتبه‌بندی فرودگاه‌ها یا مراکز لجستیک بر اساس کارایی دسترسی در شبکه‌های حمل و نقل یا تجاری وزن‌دار.
  • شناسایی منتشرکنندگان تأثیرگذار در شبکه‌های ارتباطی یا رسانه‌های اجتماعی وزن‌دار.
  • ارزیابی پتانسیل انتشار اطلاعات در شبکه‌های سازمانی یا اشتراک دانش وزن‌دار.
  • مقایسه رتبه‌بندی‌های مرکزیت تحت مقادیر مختلف آلفا برای ارزیابی استحکام یافته‌ها.
  • تکمیل مرکزیت بینابینی وزن‌دار برای تمایز بین دسترسی‌پذیری کارآمد و کنترل جریان.

چگونه کار می‌کند

چگونه کار می‌کند

1

وزن‌های یال به فاصله‌ها تبدیل می‌شوند: برای شبکه‌های همکاری یا فراوانی، وزن w معکوس می‌شود (فاصله = 1/w) به طوری که پیوندهای قوی‌تر منجر به فواصل کوتاه‌تر می‌شوند. برای شبکه‌های هزینه یا تأخیر، وزن از قبل یک فاصله است. سپس الگوریتم دایکسترا حداقل فاصله وزن‌دار d^w(i,j) را بین هر جفت گره پیدا می‌کند.

فرمول
d^w(i,j) = \min_{\text{paths}} \sum_{e \in \text{path}} w_e^{-1}
2

برای هر گره i، فواصل وزن‌دار تا تمام 1-n گره قابل دسترسی دیگر جمع می‌شوند. گره‌هایی که به بخش‌های بزرگی از شبکه ضعیف متصل هستند — یا قطع شده‌اند — مجموع‌های بزرگی را انباشته می‌کنند و امتیاز مرکزیت آن‌ها را جریمه می‌کنند.

3

مرکزیت نزدیکی وزن‌دار گره i برابر است با (1-n) تقسیم بر مجموع فواصل وزن‌دار تا تمام گره‌های دیگر؛ این همان شکل جبری مرکزیت نزدیکی کلاسیک است اما با جایگزینی d^w به جای تعداد گام‌ها. این امر امتیاز را در بازه (0, 1] نرمال می‌کند تا شبکه‌هایی با اندازه‌های مختلف قابل مقایسه باقی بمانند.

فرمول
C^w(i) = \frac{n-1}{\sum_{j \neq i} d^w(i,j)}
4

آپسال و همکاران پارامتری به نام آلفا (0 تا 1) معرفی کردند که یک پل پیوسته بین فاصله توپولوژیکی خالص (آلفا = 0، معادل مرکزیت نزدیکی بدون وزن) و اطلاعات وزن خالص (آلفا = 1) ایجاد می‌کند. مقادیر میانی به پژوهشگر اجازه می‌دهند تا میزان اهمیت قدرت پیوند را نسبت به ساختار مسیر کنترل کند و این معیار را برای محیط‌های تجربی متنوع قابل انطباق سازد.

فرمول
C^{w,\alpha}(i) = \frac{n-1}{\sum_{j \neq i} d^{w,\alpha}(i,j)}

دام‌های رایج

  • استفاده از شمارش‌های خام به عنوان وزن بدون بررسی تبدیل مناسب وزن به فاصله (مانند معکوس کردن وزن‌های فراوانی).
  • اعمال معیار بر روی یک گراف جدا شده بدون تنظیم برای جفت‌های غیرقابل دسترسی، که مجموع فواصل را برای گره‌های ایزوله افزایش می‌دهد.
  • رفتار رتبه‌بندی‌های مرکزیت به عنوان پایدار، بدون آزمایش حساسیت به پارامتر آلفا.
  • درهم آمیختن مرکزیت نزدیکی وزن‌دار با مرکزیت بینابینی — مرکزیت نزدیکی کارایی دسترسی را منعکس می‌کند، نه کنترل جریان.
  • نادیده گرفتن نرمال‌سازی هنگام مقایسه گره‌ها در شبکه‌های با اندازه‌های مختلف.

پرسش‌های متداول

چگونه باید پارامتر آلفا را انتخاب کنم؟

آلفا = 0 مرکزیت نزدیکی بدون وزن (فقط توپولوژی) را بازیابی می‌کند؛ آلفا = 1 وزن‌ها را غالب می‌کند. یک رویکرد رایج، محاسبه رتبه‌بندی‌ها در آلفا = 0، 0.5 و 1 و گزارش حساسیت است. اگر تئوری نشان می‌دهد که قدرت پیوند مکانیسم اصلی است، آلفا = 1 قابل دفاع است؛ اگر توپولوژی مهم‌تر است، از آلفا = 0 یا 0.5 استفاده کنید.

از چه تبدیل وزن به فاصله باید استفاده کنم؟

برای وزن‌های فراوانی، قدرت، یا ظرفیت (بالاتر = قوی‌تر)، وزن را معکوس کنید: فاصله = 1/w. برای وزن‌های هزینه، تأخیر، یا مقاومت (بالاتر = ضعیف‌تر)، مستقیماً از وزن به عنوان فاصله استفاده کنید. ترکیب این قراردادها بدون دقت، رتبه‌بندی‌های مرکزیت را معکوس خواهد کرد.

چگونه با اجزای جدا شده برخورد کنم؟

رویکرد استاندارد این است که مجموع را به گره‌های قابل دسترسی محدود کرده و بر (1-n_قابل دسترسی) به جای (1-n) نرمال کنیم، یا از مرکزیت نزدیکی هارمونیک استفاده کنیم که به طور طبیعی با جمع کردن معکوس فواصل، با جفت‌های غیرقابل دسترسی برخورد می‌کند.

آیا مرکزیت نزدیکی وزن‌دار بهتر از مرکزیت نزدیکی بدون وزن است؟

هنگامی که وزن‌ها معنای اساسی دارند (مانند فراوانی تماس، حجم تجارت)، مرکزیت نزدیکی وزن‌دار تصویر دقیق‌تری از کارایی دسترسی ارائه می‌دهد. هنگامی که وزن‌ها قابل اعتماد نیستند یا وزن‌ها و توپولوژی تقریباً همبستگی ندارند، پیچیدگی اضافه شده ممکن است استنتاج را بهبود نبخشد.

این با مرکزیت بینابینی وزن‌دار چه تفاوتی دارد؟

مرکزیت نزدیکی وزن‌دار اندازه‌گیری می‌کند که یک گره چقدر کارآمد می‌تواند از طریق مسیرهای قوی به دیگران برسد. مرکزیت بینابینی وزن‌دار اندازه‌گیری می‌کند که یک گره چند بار در مسیرهای کوتاه‌ترین بین جفت‌های دیگر قرار می‌گیرد. یک گره می‌تواند نزدیک باشد (مرکزیت بالا) بدون اینکه یک پل حیاتی باشد (بینابینی بالا)، و بالعکس.

روش‌های مرتبط

منابع

  1. 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 DOI
    کپی شد.
  2. Brandes, U. (2001). A faster algorithm for betweenness centrality. Journal of Mathematical Sociology, 25(2), 163–177.

    باز کردن مرجع DOI
    کپی شد.