Sentralitas Eigenvector
- Diperkenalkan oleh
- Bonacich, P.
- Tahun
- 1972
- Jenis
- Centrality measure
- Keluarga
- Network science
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Sentralitas eigenvector, diperkenalkan oleh Bonacich pada tahun 1972, mengukur pengaruh sebuah simpul dengan mempertimbangkan tidak hanya berapa banyak tetangganya, tetapi seberapa berpengaruh tetangga-tetangga tersebut.
Sebuah simpul mendapat skor tinggi jika terhubung ke simpul lain yang berperingkat tinggi, menjadikannya ukuran kepentingan struktural yang rekursif dan sadar-global dalam sebuah jaringan.
Intuisi di balik metode
Memiliki banyak koneksi itu penting, tetapi terhubung dengan orang-orang yang memiliki banyak koneksi lebih penting lagi. Sentralitas eigenvector menangkap ide rekursif ini: skor Anda bergantung pada skor tetangga Anda, yang pada gilirannya bergantung pada skor tetangga mereka, dan seterusnya di seluruh jaringan. Seolah-olah pengaruh mengalir terus menerus di sekitar jaringan hingga mencapai keseimbangan yang stabil — eigenvector terkemuka dari matriks ketetanggaan — di mana skor setiap simpul berbanding lurus dengan jumlah skor tetangganya.
Sejarah
Sentralitas eigenvector diformalkan oleh Phillip Bonacich dalam makalah tahun 1972 tentang pendekatan faktorisasi dan pembobotan untuk skor status, yang menetapkan dasar teoretis untuk ukuran sentralitas berbasis prestise. Gagasan bahwa kepentingan sebuah simpul berbanding lurus dengan jumlah kepentingan tetangganya telah ada sebelum Bonacich dalam gagasan sosiologis tentang status, tetapi formalisasi aljabarnya membuatnya dapat dihitung. Ukuran ini mendapatkan adopsi luas dalam analisis jaringan sosial dan kemudian dalam bibliometrik dan analisis graf web, secara langsung menginspirasi algoritma PageRank Google (1998), yang menambahkan faktor redaman untuk menangani graf berarah dan terputus.
Kapan digunakan
Gunakan sentralitas eigenvector ketika Anda ingin mengidentifikasi simpul yang berpengaruh bukan hanya karena mereka memiliki banyak koneksi, tetapi karena mereka tertanam dalam wilayah jaringan yang padat terhubung dan berstatus tinggi — tipikal dalam jaringan kutipan, penelitian pengaruh sosial, dan analisis prestise organisasi. Ini sesuai untuk jaringan tak berarah atau jaringan berarah simetris di mana gagasan penguatan timbal balik memiliki makna substantif. Hindari penggunaannya pada graf terputus (skor menjadi tidak terdefinisi untuk komponen terisolasi), pada graf asiklik berarah (eigenvector terkemuka menjadi degeneratif), atau ketika konektivitas lokal daripada prestise global adalah pertanyaan penelitian. Untuk jaringan berarah dengan pengaruh asimetris, PageRank umumnya lebih disukai.
Batasan dan pertimbangan
- Tidak terdefinisi atau degeneratif pada graf terputus dan graf asiklik berarah, di mana eigenvector terkemuka tidak menghasilkan skor yang bermakna untuk semua simpul.
- Sensitif terhadap kepadatan dan struktur jaringan: dalam jaringan yang sangat renggang hampir semua simpul runtuh ke skor mendekati nol kecuali beberapa hub kecil.
- Tidak memperhitungkan panjang jalur atau peran penghubung; sebuah simpul yang menghubungkan dua kluster padat mungkin mendapat skor rendah meskipun kepentingan strukturalnya.
- Untuk jaringan asimetris berarah, ukuran ini memerlukan adaptasi (misalnya, PageRank), dan penerapan naif dapat menyesatkan.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Menangkap pengaruh global yang rekursif daripada sekadar derajat lokal, mengungkapkan prestise dan kepentingan struktural secara bersamaan.
- Didasarkan pada kerangka kerja aljabar linear yang berprinsip dengan solusi unik yang dijamin oleh teorema Perron-Frobenius untuk jaringan yang terhubung.
- Secara alami memperhitungkan kualitas koneksi, bukan hanya kuantitasnya, membuatnya cocok untuk penelitian prestise dan status.
- Efisien untuk dihitung melalui iterasi pangkat bahkan pada jaringan renggang yang besar.
- Dapat diinterpretasikan secara langsung: skor mencerminkan pengaruh proporsional relatif terhadap simpul paling sentral.
Penerapan
- Mengidentifikasi prestise dan pengaruh dalam jaringan kutipan akademik dan graf kolaborasi penulisan.
- Memetakan struktur kekuasaan dan pemimpin opini dalam jaringan organisasi dan politik.
- Mendeteksi simpul hub dalam jaringan interaksi protein biologis dan jaringan regulasi gen.
- Memberi peringkat halaman web dan dokumen berdasarkan otoritas struktural (mendasari PageRank).
- Menganalisis difusi pengaruh dan penyebar kunci dalam jaringan media sosial.
- Menilai hierarki status dalam studi jaringan sosiometrik dan persahabatan.
Cara kerjanya
Cara kerjanya
Jaringan direpresentasikan sebagai matriks ketetanggaan A, di mana entri A_ij sama dengan 1 (atau bobot tepi untuk jaringan berbobot) jika simpul i dan j terhubung, dan 0 jika tidak. Matriks ini mengkodekan topologi koneksi lengkap yang akan digunakan untuk menghitung sentralitas.
Nilai eigen terbesar dan eigenvector terkaitnya dihitung dari matriks ketetanggaan menggunakan iterasi pangkat atau pemecah aljabar linear standar. Nilai eigen terkemuka lambda_max dijamin bernilai riil dan positif untuk jaringan yang terhubung berdasarkan teorema Perron-Frobenius, memastikan solusi yang unik dan dapat diinterpretasikan.
Rumus
\mathbf{A}\mathbf{x} = \lambda_{\max}\mathbf{x}Setiap simpul diberi komponen yang sesuai dari eigenvector terkemuka sebagai skor sentralitasnya. Skor tersebut memenuhi kondisi titik tetap: skor sebuah simpul sama dengan (1/lambda_max) dikalikan jumlah skor tetangganya, sehingga simpul berperingkat tinggi secara rekursif meningkatkan skor tetangganya.
Rumus
x_i = \frac{1}{\lambda_{\max}} \sum_{j \in N(i)} x_jSkor biasanya dinormalisasi sehingga nilai maksimumnya sama dengan 1, membuatnya dapat dibandingkan di seluruh jaringan dengan ukuran yang berbeda. Peringkat relatif simpul dipertahankan terlepas dari konvensi normalisasi yang digunakan.
Kesalahan umum
- Menerapkan sentralitas eigenvector pada jaringan yang terputus tanpa terlebih dahulu mengekstrak komponen terhubung terbesar, yang menyebabkan skor nol untuk seluruh subgraf.
- Mencampuradukkan sentralitas eigenvector dengan sentralitas derajat dan gagal melaporkan ukuran mana yang digunakan; keduanya dapat menghasilkan peringkat yang sangat berbeda.
- Menggunakannya pada jaringan berarah tanpa memverifikasi bahwa graf tersebut terhubung kuat atau beradaptasi dengan varian berarah seperti PageRank.
- Memperlakukan perbedaan kecil dalam skor yang dinormalisasi sebagai bermakna ketika jaringan renggang dan skor secara numerik terkompresi mendekati nol.
- Menghilangkan pemeriksaan sensitivitas: peringkat sentralitas dapat bergeser secara substansial jika beberapa simpul hub berderajat tinggi dihapus.
Pertanyaan yang sering diajukan
Bagaimana sentralitas eigenvector berbeda dari sentralitas derajat?
Sentralitas derajat hanya menghitung tetangga langsung, memperlakukan semua koneksi sebagai setara. Sentralitas eigenvector memboboti setiap tetangga berdasarkan sentralitas tetangga itu sendiri, sehingga koneksi ke simpul yang sangat sentral berkontribusi lebih banyak daripada koneksi ke simpul periferal. Sebuah simpul dengan sedikit tetapi tetangga yang sangat berpengaruh dapat mengungguli simpul berderajat tinggi yang sebagian besar terhubung ke simpul periferal.
Mengapa sentralitas eigenvector gagal pada graf asiklik berarah?
Dalam graf asiklik berarah tidak ada siklus, sehingga pengaruh tidak dapat mengalir kembali ke hulu. Eigenvector terkemuka dari matriks ketetanggaan memberikan skor nol untuk semua simpul kecuali yang tidak memiliki tepi keluar (sink), membuat ukuran menjadi degeneratif. PageRank menyelesaikan ini dengan menambahkan istilah teleportasi yang mendistribusikan ulang bobot secara seragam.
Bisakah saya menggunakan sentralitas eigenvector pada jaringan berbobot?
Ya. Ganti matriks ketetanggaan biner dengan matriks ketetanggaan berbobot dan terapkan dekomposisi eigen yang sama. Eigenvector terkemuka kemudian mencerminkan jumlah dan kekuatan koneksi. Pastikan bobot tepi tidak negatif agar jaminan Perron-Frobenius berlaku.
Bagaimana saya harus melaporkan sentralitas eigenvector dalam sebuah makalah?
Laporkan skor sentralitas eigenvector yang dinormalisasi (maks = 1), sebutkan perangkat lunak dan versi yang digunakan (misalnya, NetworkX, igraph), nyatakan apakah jaringan berarah atau tak berarah, dan konfirmasikan bahwa komponen terhubung terbesar digunakan jika graf terputus. Visualisasi yang mewarnai atau mengubah ukuran simpul berdasarkan skornya sangat membantu interpretasi.
Apa hubungan antara sentralitas eigenvector dan PageRank?
PageRank adalah generalisasi berarah dan teredam dari sentralitas eigenvector. Ia menambahkan faktor redaman (biasanya 0,85) dan probabilitas teleportasi seragam untuk menangani graf terputus dan berarah. Untuk jaringan tak berarah yang terhubung, PageRank dan sentralitas eigenvector menghasilkan peringkat yang hampir identik.
Metode terkait
Sumber
Bonacich, P. (1972). Factoring and weighting approaches to status scores and clique identification. Journal of Mathematical Sociology, 2(1), 113–120.
Buka referensi DOIDisalin.Eigenvector centrality. Wikipedia.
Buka referensi publikasiDisalin.