Skip to content
بازگشت به نتایج جست‌وجو

مرکزیت درجه وزنی

معرفی‌شده توسط
Barrat, A.; Barthélemy, M.; Pastor-Satorras, R.; Vespignani, A.
سال
2004
نوع
Centrality measure for weighted networks
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 وزنی — که قدرت گره (node strength) نیز نامیده می‌شود — معیار کلاسیک مرکزیت درجه را به شبکه‌هایی تعمیم می‌دهد که یال‌های آن‌ها دارای وزن‌های عددی هستند. به جای شمارش صرف اتصالات یک گره، مجموع وزن‌های تمام یال‌های مجاور آن گره را محاسبه می‌کند و هم حجم و هم شدت روابط یک گره را در یک امتیاز واحد و قابل تفسیر در بر می‌گیرد.

شهود پشت روش

در یک شبکه بدون وزن، درجه یک گره تعداد همسایگان آن را می‌شمارد، اما یک پژوهشگر که هفته‌ای ۱۰ همکار را ایمیل می‌زند با پژوهشگری که سالی یک بار به هر همکار ایمیل می‌زند، معادل نیست. مرکزیت درجه وزنی این تمایز را در بر می‌گیرد: مجموع قدرت واقعی هر اتصال را محاسبه می‌کند. امتیاز بالا نشان‌دهنده گره‌ای است که نه تنها به خوبی متصل است، بلکه روابط قوی یا مکرر را حفظ می‌کند و آن را به معیاری طبیعی برای نفوذ یا اهمیت باربر در شبکه‌های اجتماعی، بیولوژیکی یا زیرساختی وزنی تبدیل می‌کند.

تاریخ

مفهوم قدرت گره به عنوان تعمیم وزنی درجه به طور رسمی توسط Barrat، Barthélemy، Pastor-Satorras و Vespignani در مقاله PNAS سال ۲۰۰۴ آن‌ها در تحلیل معماری شبکه‌های وزنی پیچیده، از جمله شبکه جهانی حمل‌ونقل هوایی، معرفی شد. چارچوب آن‌ها به مرجعی اساسی برای علم شبکه‌های وزنی تبدیل شد و اکنون در کتاب‌های درسی تحلیل شبکه مانند Networks: An Introduction (2010) اثر Newman ماده‌ای استاندارد است. این معیار از آن زمان در علوم اعصاب، اقتصاد، بوم‌شناسی و علوم اجتماعی محاسباتی به کار رفته است.

چه زمانی استفاده شود

هنگامی که شبکه شما دارای وزن‌های یال عددی معنی‌دار است — فراوانی همکاری، حجم ارتباطات، ارزش تجارت، جریان فیزیکی — و می‌خواهید فعال‌ترین یا تأثیرگذارترین گره‌ها را بدون پیچیدگی معیارهای مبتنی بر مسیر شناسایی کنید، از مرکزیت درجه وزنی استفاده کنید. این معیار مناسبی برای شروع است زمانی که درجه دودویی، تغییرات مهم در قدرت پیوند را نادیده می‌گیرد. زمانی که وزن‌های یال دسته‌ای اسمی یا ترتیبی هستند (ابتدا به امتیازهای ترتیبی معنی‌دار تبدیل کنید)، زمانی که ساختار شبکه بیش از حجم خام اهمیت دارد (ترجیحاً از مرکزیت بینابینی یا خودداری استفاده کنید)، یا زمانی که شبکه بدون وزن است (به جای آن از مرکزیت درجه استاندارد استفاده کنید)، از آن استفاده نکنید.

محدودیت‌ها و ملاحظات

  • به مقیاس و توزیع وزن‌های یال حساس است؛ وزن‌های کج می‌توانند امتیازهای چند گره را به شدت افزایش دهند.
  • موقعیت یک گره در ساختار کلی شبکه را در نظر نمی‌گیرد — یک گره محیطی اما با وزن بالا ممکن است امتیاز بالاتری نسبت به یک گره مرکزی توپولوژیکی کسب کند.
  • جهت یال‌ها را در شبکه‌های جهت‌دار نادیده می‌گیرد مگر اینکه قدرت ورودی و قدرت خروجی به طور جداگانه محاسبه شوند.
  • هیچ اطلاعاتی در مورد خوشه‌بندی، کارگزاری، یا دامنه اتصالات غیرمستقیم ارائه نمی‌دهد.

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

نقاط قوت

  • محاسبات ارزان — O(m) که در آن m تعداد یال‌ها است — و به راحتی برای شبکه‌های بزرگ قابل موازی‌سازی است.
  • تفسیر شهودی: مستقیماً حجم کل یا شدت اتصالات یک گره را منعکس می‌کند.
  • بین گره‌هایی با درجه یکسان اما قدرت‌های پیوند متفاوت تمایز قائل می‌شود، کاری که مرکزیت درجه دودویی نمی‌تواند انجام دهد.
  • به طور گسترده در NetworkX، igraph، Gephi و بسته igraph در R پیاده‌سازی شده است.
  • به طور طبیعی با درجه بدون وزن ترکیب می‌شود تا مشخص شود آیا گره‌های با درجه بالا ترافیک سنگینی را نیز حمل می‌کنند یا خیر.

کاربردها

  • شناسایی فعال‌ترین یا تأثیرگذارترین بازیگران در شبکه‌های اجتماعی و همکاری وزنی.
  • شناسایی هاب‌های اصلی در شبکه‌های حمل‌ونقل و تجارت بر اساس کل جریان یا حجم.
  • رتبه‌بندی نواحی مغزی بر اساس قدرت اتصال سیناپسی یا عملکردی در مطالعات کانکتوم.
  • کمی‌سازی تأثیر هم‌تألیفی پرکار یا استناد در شبکه‌های کتاب‌سنجی.
  • شناسایی گونه‌های کلیدی در شبکه‌های غذایی اکولوژیکی وزن‌دار شده بر اساس فراوانی تعامل یا جریان زیست‌توده.
  • معیارسنجی اهمیت گره قبل از اعمال معیارهای مرکزیت مبتنی بر مسیر گران‌تر.

چگونه کار می‌کند

چگونه کار می‌کند

1

شبکه را به صورت یک گراف وزنی G = (V, E, W) نمایش دهید که در آن گره‌های V بازیگران یا موجودیت‌ها، یال‌های E روابط و ماتریس وزن W مقداری حقیقی مثبت w_ij را به هر یال اختصاص می‌دهد که فراوانی، شدت، هزینه یا هر کمیت مرتبط با دامنه دیگری را رمزگذاری می‌کند. وزن‌های منفی نیاز به پیش‌پردازش دقیق یا فرمول‌بندی جایگزین دارند.

2

برای هر گره i، مجموع وزن‌های تمام یال‌هایی را که آن را به همسایگانش متصل می‌کنند، محاسبه کنید: s_i = مجموع w_ij برای تمام j در همسایگی i. این کمیت در ادبیات Barrat et al. (2004) به عنوان قدرت گره (node strength) نامیده می‌شود و مستقیماً درجه دودویی را به حالت وزنی تعمیم می‌دهد.

فرمول
s_i = \sum_{j \in \mathcal{N}(i)} w_{ij}
3

قدرت هر گره را بر کل وزن در شبکه (یا بر حداکثر قدرت گره) تقسیم کنید تا امتیازی نرمال‌شده بین ۰ و ۱ به دست آید. نرمال‌سازی امکان مقایسه منصفانه بین شبکه‌هایی با اندازه‌ها یا بودجه‌های وزنی متفاوت را فراهم می‌کند و قبل از تحلیل‌های رتبه‌بندی یا رگرسیون، یک رویه استاندارد است.

فرمول
s_i^{\text{norm}} = \frac{s_i}{\sum_k s_k}
4

گره‌ها را بر اساس امتیازهای قدرت نرمال‌شده آن‌ها مرتب کنید و گره‌های با مرکزیت بالا را شناسایی کنید. در شبکه‌های اجتماعی، این‌ها فعال‌ترین یا تأثیرگذارترین بازیگران هستند؛ در شبکه‌های تجاری، هاب‌های اصلی؛ در شبکه‌های هم‌تألیفی، پرکارترین همکاران. برای شناسایی گره‌هایی که نفوذ آن‌ها توسط قدرت پیوند تقویت یا تضعیف می‌شود، با درجه بدون وزن مقایسه کنید.

دام‌های رایج

  • رفتار وزن‌های خام به عنوان قابل مقایسه بین مجموعه داده‌ها بدون استانداردسازی یا تبدیل لگاریتمی زمانی که وزن‌ها به شدت کج هستند.
  • فراموش کردن محاسبه جداگانه قدرت ورودی و قدرت خروجی در شبکه‌های جهت‌دار و ادغام آن‌ها در یک امتیاز واحد بدون توجیه.
  • گزارش مرکزیت درجه وزنی بدون مقایسه آن با مرکزیت درجه دودویی، بنابراین از دست دادن اینکه آیا قدرت بالا ناشی از پیوندهای ضعیف زیاد یا پیوندهای قوی کم است.
  • استفاده از معیار بر روی حلقه‌های خودی بدون تصمیم‌گیری در مورد گنجاندن یا حذف وزن‌های قطری.
  • نادیده گرفتن وزن‌های گمشده یا دارای تورم صفر که می‌توانند به طور سیستماتیک قدرت گره‌های با مشاهده ضعیف را دست کم بگیرند.

پرسش‌های متداول

مرکزیت درجه وزنی چگونه با مرکزیت درجه استاندارد تفاوت دارد؟

مرکزیت درجه استاندارد تعداد یال‌های مجاور یک گره را می‌شمارد و تمام اتصالات را به طور مساوی در نظر می‌گیرد. مرکزیت درجه وزنی وزن‌های یال را جمع می‌کند، بنابراین گره‌ای که به یک پیوند بسیار قوی متصل است می‌تواند امتیازی بالاتر از گره‌ای با پیوندهای ضعیف زیاد کسب کند. این دو معیار با هم نشان می‌دهند که آیا نفوذ یک گره ناشی از گستردگی یا شدت اتصالات است.

آیا باید وزن‌های یال را قبل از محاسبه قدرت گره لگاریتمی تبدیل کنم؟

هنگامی که وزن‌ها چندین مرتبه بزرگی را پوشش می‌دهند — به عنوان مثال، حجم‌های تجاری از هزاران تا میلیاردها — تبدیل لگاریتمی از تسلط تعداد کمی از پیوندهای افراطی بر امتیازها جلوگیری می‌کند. همیشه توزیع وزن را بررسی کنید و در صورت کج بودن شدید، تبدیل را اعمال کنید.

چگونه شبکه‌های جهت‌دار را مدیریت کنم؟

قدرت ورودی (مجموع وزن‌های یال ورودی) و قدرت خروجی (مجموع وزن‌های یال خروجی) را به طور جداگانه محاسبه کنید. قدرت ورودی اغلب نشان‌دهنده محبوبیت یا اقتدار است، در حالی که قدرت خروجی نشان‌دهنده فعالیت یا تلاش است. ترکیب آن‌ها در یک امتیاز واحد اطلاعات جهت‌دار را از بین می‌برد.

یک انتخاب نرم‌افزاری مناسب برای محاسبه مرکزیت درجه وزنی چیست؟

NetworkX در پایتون (تابع strength از طریق degree با پارامتر weight)، igraph در R یا پایتون (تابع strength) و Gephi (ستون درجه وزنی داخلی) همگی قدرت گره را با یک فراخوانی تابع محاسبه می‌کنند. برای شبکه‌های پراکنده بسیار بزرگ، پیاده‌سازی‌های مبتنی بر graph-tool یا GraphBLAS کارآمدتر هستند.

چه زمانی باید مرکزیت بینابینی را به مرکزیت درجه وزنی ترجیح دهم؟

از مرکزیت بینابینی زمانی استفاده کنید که برایتان مهم است کدام گره‌ها جریان اطلاعات یا منابع را در طول کوتاه‌ترین مسیرها کنترل می‌کنند — کارگزاران و پل‌ها در یک شبکه. از مرکزیت درجه وزنی زمانی استفاده کنید که به فعالیت یا توان عملیاتی خام در هر گره اهمیت می‌دهید. این دو مکمل یکدیگر هستند و اغلب هنگام گزارش همزمان، آموزنده می‌باشند.

روش‌های مرتبط

منابع

  1. Barrat, A., Barthélemy, M., Pastor-Satorras, R., & Vespignani, A. (2004). The architecture of complex weighted networks. Proceedings of the National Academy of Sciences, 101(11), 3747–3752.

    باز کردن مرجع DOI
    کپی شد.
  2. Newman, M. E. J. (2010). Networks: An Introduction. Oxford University Press.

    شابک: 978-0-19-920665-0
    کپی شد.