Skip to content
Retour aux résultats

Centralité de vecteur propre

Introduite par
Bonacich, P.
Année
1972
Type
Centrality measure
Famille
Network science

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

La centralité de vecteur propre, introduite par Bonacich en 1972, mesure l'influence d'un nœud en considérant non seulement le nombre de ses voisins, mais aussi l'influence de ces voisins.

Un nœud obtient un score élevé s'il est connecté à d'autres nœuds à score élevé, ce qui en fait une mesure récursive et globalement consciente de l'importance structurelle dans un réseau.

L’intuition derrière la méthode

Être bien connecté est important, mais être connecté à des personnes bien connectées l'est encore plus. La centralité de vecteur propre capture cette idée récursive : votre score dépend des scores de vos voisins, qui à leur tour dépendent des scores de leurs voisins, et ainsi de suite à travers tout le réseau. C'est comme si l'influence circulait continuellement dans le réseau jusqu'à ce qu'elle atteigne un équilibre stable — le vecteur propre dominant de la matrice d'adjacence — où le score de chaque nœud est proportionnel à la somme des scores de ses voisins.

Histoire

La centralité de vecteur propre a été formalisée par Phillip Bonacich dans un article de 1972 sur les approches de factorisation et de pondération des scores de statut, établissant la base théorique des mesures de centralité basées sur le prestige. L'idée que l'importance d'un nœud est proportionnelle à la somme des importances de ses voisins est antérieure à Bonacich dans la notion sociologique de statut, mais sa formalisation algébrique l'a rendue calculable. La mesure a été largement adoptée dans l'analyse des réseaux sociaux, puis dans la bibliométrie et l'analyse des graphes web, inspirant directement l'algorithme PageRank de Google (1998), qui ajoute un facteur d'amortissement pour gérer les graphes dirigés et déconnectés.

Quand l’utiliser

Utilisez la centralité de vecteur propre lorsque vous souhaitez identifier les nœuds qui sont influents non pas simplement parce qu'ils ont de nombreuses connexions, mais parce qu'ils sont intégrés dans des régions densément connectées et de haut statut du réseau — typique dans les réseaux de citation, la recherche sur l'influence sociale et l'analyse du prestige organisationnel. Elle est appropriée pour les réseaux non dirigés ou dirigés symétriques où la notion de renforcement mutuel a un sens substantiel. Évitez-la sur les graphes déconnectés (les scores deviennent indéfinis pour les composants isolés), sur les graphes acycliques dirigés (le vecteur propre dominant dégénère), ou lorsque la question de recherche concerne la connectivité locale plutôt que le prestige global. Pour les réseaux dirigés avec une influence asymétrique, PageRank est généralement préférable.

Limites et points d’attention

  • Indéfinie ou dégénérée sur les graphes déconnectés et les graphes acycliques dirigés, où le vecteur propre dominant ne produit pas de scores significatifs pour tous les nœuds.
  • Sensible à la densité et à la structure du réseau : dans les réseaux très creux, presque tous les nœuds ont des scores proches de zéro, à l'exception d'un petit hub.
  • Ne tient pas compte de la longueur du chemin ou des rôles de pontage ; un nœud connectant deux clusters denses peut obtenir un score faible malgré son importance structurelle.
  • Pour les réseaux asymétriques dirigés, la mesure nécessite une adaptation (par exemple, PageRank), et une application naïve peut être trompeuse.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Capture l'influence récursive et globale plutôt que le simple degré local, révélant simultanément le prestige et l'importance structurelle.
  • Fondée sur un cadre algébrique linéaire rigoureux avec une solution unique garantie par le théorème de Perron-Frobenius pour les réseaux connectés.
  • Tient naturellement compte de la qualité des connexions, et pas seulement de leur quantité, ce qui la rend adaptée à la recherche sur le prestige et le statut.
  • Efficace à calculer via l'itération de puissance même sur de grands réseaux creux.
  • Directement interprétable : les scores reflètent une influence proportionnelle par rapport au nœud le plus central.

Applications

  • Identifier le prestige et l'influence dans les réseaux de citation académiques et les graphes de co-auteurs.
  • Cartographier les structures de pouvoir et les leaders d'opinion dans les réseaux organisationnels et politiques.
  • Détecter les nœuds centraux dans les réseaux biologiques d'interaction protéique et de régulation génique.
  • Classer les pages web et les documents par autorité structurelle (fondamental pour PageRank).
  • Analyser la diffusion de l'influence et les principaux diffuseurs dans les réseaux sociaux.
  • Évaluer les hiérarchies de statut dans les études de réseaux sociométriques et d'amitié.

Comment ça marche

Comment ça marche

1

Le réseau est représenté comme une matrice d'adjacence A, où l'entrée A_ij est égale à 1 (ou au poids de l'arête pour les réseaux pondérés) si les nœuds i et j sont connectés, et 0 sinon. Cette matrice encode la topologie complète des connexions sur laquelle la centralité sera calculée.

2

La plus grande valeur propre et son vecteur propre associé sont calculés à partir de la matrice d'adjacence en utilisant l'itération de puissance ou un solveur d'algèbre linéaire standard. La valeur propre dominante lambda_max est garantie d'être réelle et positive pour les réseaux connectés par le théorème de Perron-Frobenius, assurant une solution unique et interprétable.

Formule
\mathbf{A}\mathbf{x} = \lambda_{\max}\mathbf{x}
3

Chaque nœud se voit attribuer la composante correspondante du vecteur propre dominant comme score de centralité. Le score satisfait la condition de point fixe : le score d'un nœud est égal à (1/lambda_max) fois la somme des scores de ses voisins, de sorte que les nœuds à score élevé augmentent récursivement les scores de leurs voisins.

Formule
x_i = \frac{1}{\lambda_{\max}} \sum_{j \in N(i)} x_j
4

Les scores sont généralement mis à l'échelle de sorte que la valeur maximale soit égale à 1, ce qui les rend comparables entre des réseaux de tailles différentes. Le classement relatif des nœuds est préservé quelle que soit la convention de normalisation utilisée.

Pièges courants

  • Appliquer la centralité de vecteur propre à un réseau déconnecté sans extraire d'abord la plus grande composante connexe, ce qui conduit à des scores nuls pour des sous-graphes entiers.
  • Confondre la centralité de vecteur propre avec la centralité de degré et omettre de rapporter quelle mesure est utilisée ; elles peuvent produire des classements très différents.
  • L'utiliser sur un réseau dirigé sans vérifier que le graphe est fortement connecté ou sans l'adapter à une variante dirigée telle que PageRank.
  • Traiter de petites différences dans les scores normalisés comme significatives lorsque le réseau est creux et que les scores sont numériquement compressés près de zéro.
  • Omettre les vérifications de sensibilité : les classements de centralité peuvent changer considérablement si quelques nœuds hub de haut degré sont supprimés.

Questions fréquentes

En quoi la centralité de vecteur propre diffère-t-elle de la centralité de degré ?

La centralité de degré ne compte que les voisins immédiats, traitant toutes les connexions comme égales. La centralité de vecteur propre pondère chaque voisin par la centralité propre de ce voisin, de sorte qu'une connexion à un nœud très central contribue plus qu'une connexion à un nœud périphérique. Un nœud avec peu de voisins mais très influents peut surpasser un nœud de degré élevé connecté principalement à des nœuds périphériques.

Pourquoi la centralité de vecteur propre échoue-t-elle sur les graphes acycliques dirigés ?

Dans un graphe acyclique dirigé, il n'y a pas de cycles, donc l'influence ne peut pas remonter le courant. Le vecteur propre dominant de la matrice d'adjacence attribue des scores nuls à tous les nœuds sauf ceux sans arêtes sortantes (puits), ce qui rend la mesure dégénérée. PageRank résout ce problème en ajoutant un terme de téléportation qui redistribue le poids uniformément.

Puis-je utiliser la centralité de vecteur propre sur des réseaux pondérés ?

Oui. Remplacez la matrice d'adjacence binaire par une matrice d'adjacence pondérée et appliquez la même décomposition propre. Le vecteur propre dominant reflète alors à la fois le nombre et la force des connexions. Assurez-vous que les poids des arêtes sont non négatifs pour que les garanties de Perron-Frobenius soient valides.

Comment dois-je rapporter la centralité de vecteur propre dans un article ?

Rapportez les scores de centralité de vecteur propre normalisés (max = 1), spécifiez le logiciel et la version utilisés (par exemple, NetworkX, igraph), indiquez si le réseau était dirigé ou non dirigé, et confirmez que la plus grande composante connexe a été utilisée si le graphe est déconnecté. Une visualisation colorant ou dimensionnant les nœuds en fonction de leur score facilite grandement l'interprétation.

Quelle est la relation entre la centralité de vecteur propre et PageRank ?

PageRank est une généralisation dirigée et amortie de la centralité de vecteur propre. Il ajoute un facteur d'amortissement (généralement 0,85) et une probabilité de téléportation uniforme pour gérer les graphes déconnectés et dirigés. Pour les réseaux connectés non dirigés, PageRank et la centralité de vecteur propre produisent des classements presque identiques.

Méthodes associées

Sources

  1. Bonacich, P. (1972). Factoring and weighting approaches to status scores and clique identification. Journal of Mathematical Sociology, 2(1), 113–120.

    Ouvrir la référence DOI
    Copié.
  2. Eigenvector centrality. Wikipedia.

    Ouvrir la référence de la publication
    Copié.