مرکزیت بردار ویژه وزندار
- معرفیشده توسط
- Bonacich, P. (binary); Opsahl, T. et al. (weighted extension)
- سال
- 1987 (binary); 2010 (weighted generalization)
- نوع
- Spectral centrality measure
- خانواده
- Network science
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
مرکزیت بردار ویژه وزندار، معیار کلاسیک مرکزیت بردار ویژه را به نمودارهایی تعمیم میدهد که یالهایشان دارای وزنهای عددی هستند. این معیار به هر گره امتیازی متناسب با مجموع امتیازات همسایگانش ضربدر وزن یالهای متصلکننده میدهد. گرهها نه تنها با داشتن اتصالات زیاد، بلکه با داشتن پیوندهای قوی با گرههای تأثیرگذار دیگر، امتیاز بالایی کسب میکنند، که این معیار را همزمان نسبت به قدرت پیوند و موقعیت شبکه حساس میسازد.
شهود پشت روش
در یک شبکه بدون وزن، مرکزیت بردار ویژه، پرستیژ را به صورت بازگشتی ثبت میکند: اتصال به گرههای مهم، اهمیت خود شما را افزایش میدهد. در یک شبکه وزندار، یک پیوند ضعیف با یک عامل مرکزی کمتر از یک پیوند قوی با همان عامل اهمیت دارد. مرکزیت بردار ویژه وزندار این شهود را با جایگزینی ماتریس مجاورت ساده با یک ماتریس وزن درونی میکند، به طوری که یک محقق که به شدت با یک رهبر حوزه همکاری میکند، رتبه بالاتری نسبت به کسی دارد که تنها یک همکاری سطحی با همان رهبر دارد. امتیاز هر گره متناسب با مجموع وزندار امتیازات همسایگانش است.
تاریخ
مرکزیت بردار ویژه توسط فیلیپ بوناسیچ در سال 1987 به عنوان یک معیار پرستیژ برای شبکههای اجتماعی معرفی شد، که درجه ساده را با وزندهی هر اتصال بر اساس مرکزیت منبع آن تعمیم داد. تعمیم صریح به شبکههای وزندار در Opsahl, Agneessens, and Skvoretz (2010) به صورت رسمی مورد بررسی قرار گرفت، که یک چارچوب یکپارچه را ارائه دادند که هم مرکزیتهای درجه و هم مرکزیتهای مبتنی بر مسیر را به نمودارهای وزندار تعمیم میداد. این معیار اکنون یک ابزار استاندارد در علمسنجی، کانکتومیکس علوم اعصاب و تحلیل شبکه تجارت بینالمللی است.
چه زمانی استفاده شود
هنگامی که شبکه شما دارای وزنهای یال معنادار (فراوانی همکاری، حجم ارتباطات، جریان تجارت، تعداد همرخدادی) است و نیاز به شناسایی گرههایی دارید که هم به شدت متصل هستند و هم به گرههای دیگر با اتصال خوب متصل هستند، از مرکزیت بردار ویژه وزندار استفاده کنید. این معیار به ویژه در شبکههای همنویسندگی، شبکههای تجارت اقتصادی و تحلیلهای اتصال مغزی مناسب است. از آن زمانی که وزنهای یال ترتیبی یا به صورت دلخواه مقیاسبندی شدهاند، زمانی که شبکه بسیار پراکنده یا قطع شده است (بردار ویژه اصلی ممکن است همگرا نشود یا تحت سلطه یک گروه کوچک قرار گیرد)، زمانی که وزنها به جای وابستگیها نشاندهنده فواصل هستند، یا زمانی که قابلیت تفسیر یک امتیاز خلاصه واحد کافی نیست و معیارهای مبتنی بر مسیر مانند بینابینی مرتبطتر هستند، از آن اجتناب کنید.
محدودیتها و ملاحظات
- در نمودارهای قطع شده یا تقریباً قطع شده مشکلساز است، جایی که بردار ویژه اصلی میتواند برای مؤلفههای محیطی به صفر برسد.
- نسبت به مقیاسبندی وزن حساس است: ضرب همه وزنها در یک ثابت، مقادیر ویژه را تغییر میدهد اما رتبهبندیها را نه، با این حال تبدیلهای وزن دلخواه میتوانند نتایج را مخدوش کنند.
- طول مسیر یا نقشهای واسطهای را در نظر نمیگیرد؛ گرهها در مسیرهای کوتاه مهم ممکن است در مقایسه با معیارهای مبتنی بر بینابینی کمتر ارزیابی شوند.
- برای شبکههای متراکم بسیار بزرگ از نظر محاسباتی گران است؛ تقریبهای پراکنده یا روشهای تکرار توانی در مقیاس بزرگ مورد نیاز است.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- برخلاف مرکزیت درجه که همسایگان را نادیده میگیرد، همزمان قدرت پیوند و پرستیژ جهانی را ثبت میکند.
- از نظر تئوری مبتنی بر نظریه طیفی گراف است؛ قضیه پرون-فروبنیوس یک راهحل منحصر به فرد و نامنفی را برای ماتریسهای نامنفی متصل تضمین میکند.
- نسبت به ناهمگونی وزن یال حساس است و به گرههایی که پیوندهای قوی با گرههای تأثیرگذار دیگر دارند، پاداش بیشتری نسبت به گرههایی با پیوندهای ضعیف زیاد میدهد.
- به طور گسترده در کتابخانههای استاندارد شبکه (NetworkX, igraph, R's igraph package) پیادهسازی شده است، که دسترسی به آن را بدون کد سفارشی فراهم میکند.
- قابل استفاده برای شبکههای وزندار بدون جهت و جهتدار.
کاربردها
- شناسایی بازیگران کلیدی در شبکههای همکاری یا همنویسندگی وزندار در علمسنجی.
- نقشهبرداری مناطق هاب در شبکههای اتصال مغزی که وزنهای یال نشاندهنده قدرت همبستگی سیگنال هستند.
- رتبهبندی کشورها بر اساس مرکزیت در شبکههای تجارت جهانی وزندار بر اساس حجم صادرات.
- شناسایی گونههای غالب یا گرههای کلیدی در شبکههای غذایی اکولوژیکی با وزنهای قدرت تعامل.
- اولویتبندی گرهها برای مداخله در شبکههای تماس اپیدمیولوژیک با وزنهای فراوانی تماس.
- ارزیابی اهمیت روتر یا سرور در شبکههای ارتباطی وزندار بر اساس حجم ترافیک.
چگونه کار میکند
چگونه کار میکند
شبکه را به عنوان یک ماتریس مجاورت وزندار W نمایش دهید که در آن درایه W_ij وزن یال بین گرههای i و j را نشان میدهد. وزنها باید نامنفی باشند؛ ماتریسهای متقارن برای شبکههای بدون جهت به کار میروند، در حالی که ماتریسهای نامتقارن این معیار را به نمودارهای وزندار جهتدار تعمیم میدهند.
فرمول
W \in \mathbb{R}^{n \times n},\; W_{ij} = w_{ij} \geq 0مقادیر ویژه و بردارهای ویژه W را محاسبه کنید. بردار ویژه اصلی — مرتبط با بزرگترین مقدار ویژه مثبت — معادله بازگشتی Wx = lambda*x را ارضا میکند و تضمین میکند که امتیاز هر گره متناسب با مجموع وزندار امتیازات همسایگانش است.
فرمول
W \mathbf{x} = \lambda \mathbf{x}بردار ویژه متناظر با بزرگترین مقدار ویژه را انتخاب کنید (قضیه پرون-فروبنیوس تضمین میکند که این بردار ویژه برای یک ماتریس نامنفی متصل، دارای تمام درایههای نامنفی است)، که راهحل معنادار مرکزیت است.
فرمول
\mathbf{x}^* = \text{eigenvector for } \lambda_{\max}درایههای خام بردار ویژه را مقیاسبندی کنید تا حداکثر امتیاز برابر با 1 شود (یا نرم L2 برابر با 1 شود، بسته به قرارداد)، که منجر به امتیازات مرکزیت قابل تفسیر میشود که گرهها را نسبت به مرکزیترین گره در شبکه رتبهبندی میکند.
فرمول
x_i^* = \frac{x_i}{\max_j x_j}دامهای رایج
- استفاده از تعداد خام همرخدادی به عنوان وزن بدون نرمالسازی برای فعالیت گره، که مرکزیت را برای گرههای با حجم بالا بدون توجه به گزینشپذیری افزایش میدهد.
- اعمال معیار به نمودارهای قطع شده بدون استخراج ابتدا بزرگترین مؤلفه متصل، که منجر به امتیازات صفر بیمعنی برای گرههای محیطی میشود.
- برخورد با وزنهای از نوع فاصله (مثلاً فاصله جغرافیایی، تأخیر) به عنوان وزنهای وابستگی، که تفسیر را معکوس میکند — وزن بالا باید به معنای اتصال قوی باشد، نه هزینه زیاد.
- نادیده گرفتن تشخیصهای همگرایی هنگام استفاده از محاسبات تکراری (تکرار توانی)؛ عدم بررسی اینکه آیا الگوریتم قبل از اعتماد به امتیازات همگرا شده است یا خیر.
پرسشهای متداول
مرکزیت بردار ویژه وزندار چه تفاوتی با مرکزیت بردار ویژه استاندارد (دودویی) دارد؟
مرکزیت بردار ویژه دودویی از یک ماتریس مجاورت بدون وزن استفاده میکند، بنابراین هر همسایه بدون توجه به قدرت پیوند به طور مساوی مشارکت میکند. نسخه وزندار از یک ماتریس وزن استفاده میکند، بنابراین یک همسایه متناسب با وزن یال متصلکننده مشارکت میکند، که قدرت پیوند را به صراحت بخشی از محاسبه پرستیژ میسازد.
اگر شبکه من جهتدار باشد چه؟
برای شبکههای وزندار جهتدار، ماتریس وزن نامتقارن است. میتوانید بردارهای ویژه چپ (که پرستیژ ورودی را منعکس میکنند، مشابه امتیاز هاب وزندار) یا بردارهای ویژه راست (که پرستیژ خروجی را منعکس میکنند) را محاسبه کنید، بسته به اینکه به دریافت نفوذ اهمیت میدهید یا ارسال آن. این مشابه تمایز بین امتیازات اقتدار و هاب در HITS است.
آیا میتوان از وزنهای یال منفی استفاده کرد؟
تضمین پرون-فروبنیوس برای یک بردار ویژه اصلی نامنفی فقط برای ماتریسهای نامنفی اعمال میشود. وزنهای منفی (مثلاً روابط خصمانه) این تضمین را از بین میبرند و میتوانند بردارهای ویژهای با علائم مختلط تولید کنند که تفسیر آنها دشوار است. وزنهای منفی را با جدا کردن لایههای مثبت و منفی یا اعمال یک تبدیل قدر مطلق با احتیاط پیشپردازش کنید.
آیا از مرکزیت درجه وزندار (قدرت) بهتر است؟
آنها چیزهای متفاوتی را ثبت میکنند. درجه وزندار (قدرت گره) مجموع وزن پیوندهای مستقیم را میشمارد اما همسایگان را نادیده میگیرد. مرکزیت بردار ویژه وزندار موقعیت شبکه جهانی را به صورت بازگشتی در بر میگیرد. در عمل، این دو معیار در بسیاری از شبکههای تجربی به شدت همبستگی دارند، بنابراین اگر مرکزیت بردار ویژه همگرا نشود یا گراف قطع شده باشد، قدرت گره ممکن است جایگزین ایمنتری باشد.
چگونه باید با شبکههای بسیار بزرگ برخورد کنم؟
به جای تجزیه کامل مقادیر ویژه، از نمایشهای ماتریس پراکنده و الگوریتمهای تکرار توانی (موجود در NetworkX و igraph) استفاده کنید. تلرانس همگرایی و محدودیتهای تکرار را بررسی کنید. برای شبکههای با میلیونها گره، قبل از اعمال معیار، نمونهبرداری یا تجمیع در سطح جامعه را در نظر بگیرید.
روشهای مرتبط
منابع
Bonacich, P. (1987). Power and centrality: A family of measures. American Journal of Sociology, 92(5), 1170–1182.
باز کردن مرجع DOIکپی شد.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.