Centralità di vicinanza
- Introdotto da
- Bavelas, A.; formalized by Freeman, L. C.
- Anno
- 1950 (formalized 1979)
- Tipo
- Node-level centrality index
- Famiglia
- Network science
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
La centralità di vicinanza misura quanto rapidamente un nodo può raggiungere tutti gli altri in una rete calcolando l'inverso della sua distanza media dai cammini più brevi verso ogni altro nodo.
Descritto per la prima volta da Bavelas (1950) e formalizzato da Freeman (1979), identifica i nodi che possono diffondere informazioni o risorse in modo efficiente attraverso l'intero grafo — non semplicemente i nodi con molti contatti diretti.
L’intuizione alla base del metodo
Immaginate di far cadere un messaggio su un nodo e osservare quanto velocemente raggiunge ogni angolo della rete. Un nodo con alta vicinanza si trova vicino al centro della rete di connessioni: necessita di meno passi in media per raggiungere chiunque altro. Un nodo periferico, anche se con molti vicini, potrebbe essere ancora lontano da ampie parti della rete. La vicinanza cattura questa idea di geografia della rete: una breve distanza media significa alta vicinanza, e alta vicinanza significa trasmissione efficiente o rapido accesso alle informazioni che fluiscono attraverso il grafo.
Storia
Alex Bavelas introdusse il concetto di centralità di comunicazione basata sui cammini più brevi nel 1950 mentre studiava l'efficienza della risoluzione dei problemi di gruppo al MIT. L'articolo fondamentale di Linton Freeman del 1979 su Social Networks formalizzò la centralità di vicinanza insieme a grado e intermediazione come una delle tre misure canoniche di centralità a livello di nodo, fornendo un quadro matematico unificato che divenne la base dell'analisi moderna delle reti sociali.
Quando usarlo
Utilizzare la centralità di vicinanza quando si desidera identificare i nodi che possono trasmettere informazioni, mobilitare risorse o accedere al resto della rete nel modo più efficiente con intermediari minimi — ad esempio, localizzare semi di diffusione ottimali, comunicatori influenti o snodi di transito. È appropriata per grafi connessi o quasi connessi di qualsiasi dimensione. Non usarla come misura di centralità primaria quando la rete è altamente frammentata (molte componenti disconnesse), perché i punteggi grezzi di vicinanza diventano quasi zero e privi di significato; applicare la normalizzazione di Wasserman-Faust o analizzare le componenti separatamente. Evitare di confondere la vicinanza con il grado: un nodo può avere molti legami diretti ma essere comunque periferico in termini di portata globale.
Limiti e considerazioni
- Sensibile alla connettività del grafo: nelle reti disconnesse la misura grezza collassa e richiede aggiustamenti di normalizzazione.
- Tratta tutti i cammini più brevi come ugualmente importanti; non tiene conto del volume di traffico o della probabilità che un determinato cammino venga effettivamente utilizzato.
- Computazionalmente costosa su grafi molto grandi (milioni di nodi) poiché il calcolo di tutti i cammini più brevi scala male senza algoritmi di approssimazione.
- Non distingue tra un nodo vicino a molti legami deboli e uno vicino a pochi legami forti e strategicamente importanti.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Cattura la raggiungibilità globale piuttosto che la sola connettività locale, rendendola ideale per studiare il flusso di informazioni e la diffusione.
- Il punteggio normalizzato (da 0 a 1) consente il confronto tra reti di dimensioni diverse.
- Solida base teorica con decenni di validazione in sociologia, epidemiologia e informatica.
- Completa la centralità di grado e di intermediazione per fornire un quadro più ricco dei ruoli dei nodi.
- Computabile in modo efficiente con BFS (non pesato) o Dijkstra (pesato) per la maggior parte delle reti empiriche.
Applicazioni
- Identificare intermediari chiave di informazioni o leader d'opinione nelle reti organizzative e sociali.
- Selezionare nodi seme ottimali per massimizzare la velocità di diffusione di informazioni o malattie.
- Classificare stazioni di transito o incroci stradali in base alla loro accessibilità complessiva nelle reti di trasporto.
- Localizzare proteine o geni influenti nelle reti di interazione biologica.
- Individuare primi adottanti influenti negli studi di diffusione tecnologica.
- Dare priorità agli obiettivi di intervento nelle reti di contatto della sanità pubblica per rallentare la diffusione epidemica.
Come funziona
Come funziona
Rappresentare la rete come un grafo in cui i nodi sono attori (persone, organizzazioni, pagine web, geni, ecc.) e gli archi codificano relazioni o interazioni. Il grafo può essere non orientato o orientato; gli archi possono essere non pesati (ogni passo costa 1) o pesati (il costo è uguale al peso dell'arco, interpretato come distanza o forza inversa).
Per ogni nodo v, calcolare la distanza del cammino più breve d(u, v) verso ogni altro nodo raggiungibile u utilizzando la Ricerca in Ampiezza (BFS) per grafi non pesati o l'algoritmo di Dijkstra per grafi pesati. Per i grafi orientati, sono validi solo i cammini che seguono la direzione degli archi, quindi la vicinanza in entrata (in-closeness) e la vicinanza in uscita (out-closeness) possono differire.
Formula
d(u,v) = \text{shortest path length between nodes } u \text{ and } vSommare tutte le distanze dei cammini più brevi da v a ogni altro nodo per ottenere la 'farness' (lontananza) di v. Una bassa 'farness' significa che v è mediamente vicino al resto della rete; un'alta 'farness' indica perifericità.
Formula
\text{farness}(v) = \sum_{u \neq v} d(u, v)Prendere il reciproco della distanza media dei cammini più brevi: C(v) = (n-1) / somma di d(u,v). Moltiplicare per (n-1) fornisce un punteggio normalizzato in (0, 1] in modo che i nodi in reti di dimensioni diverse possano essere confrontati. Valori più alti indicano una posizione più centrale e raggiungibile.
Formula
C(v) = \frac{n-1}{\sum_{u \neq v} d(u, v)}Nei grafi disconnessi un nodo non può raggiungere tutti gli altri, quindi la vicinanza grezza è zero o indefinita per coppie irraggiungibili. La normalizzazione di Wasserman-Faust estende la vicinanza ai grafi disconnessi sommando solo sui nodi raggiungibili e riscalando per la frazione del grafo che è raggiungibile, prevenendo punteggi spuri vicini allo zero per componenti isolate.
Errori comuni
- Riportare la vicinanza grezza su una rete con componenti disconnesse senza applicare la normalizzazione di Wasserman-Faust, producendo punteggi fuorvianti vicini allo zero.
- Trattare la vicinanza e la centralità di grado come intercambiabili — un alto grado non implica un'alta vicinanza, e viceversa.
- Ignorare se gli archi sono orientati: nelle reti orientate, la vicinanza dovrebbe essere calcolata separatamente per le direzioni in entrata e in uscita.
- Applicare la vicinanza non pesata a una rete pesata in cui i pesi degli archi codificano distanze significative, perdendo informazioni sulla forza della relazione.
- Confrontare punteggi di vicinanza grezzi (non normalizzati) tra reti di dimensioni diverse senza controllare per n.
Domande frequenti
In che modo la vicinanza differisce dalla centralità di grado?
La centralità di grado conta solo i vicini diretti, quindi un nodo può ottenere un punteggio elevato se ha molti collegamenti anche se tali collegamenti sono tutti raggruppati in un angolo della rete. La vicinanza considera il cammino più breve verso ogni nodo nel grafo, quindi premia la raggiungibilità globale. Un hub di un clique periferico può avere un alto grado ma una bassa vicinanza.
Cosa dovrei fare quando la mia rete ha componenti disconnesse?
Applicare la normalizzazione armonica o aggiustata per la raggiungibilità di Wasserman-Faust (1994), che somma solo le coppie raggiungibili e riscala in base alla proporzione della rete raggiungibile. In alternativa, analizzare separatamente la componente connessa più grande, o utilizzare la centralità armonica (la somma dei reciproci delle distanze), che gestisce naturalmente le coppie irraggiungibili assegnando loro un contributo pari a zero.
La vicinanza funziona su reti pesate?
Sì. Sostituire BFS con l'algoritmo di Dijkstra utilizzando i pesi degli archi come distanze (o l'inverso dei pesi di forza/similarità se un peso maggiore significa più vicino). La vicinanza pesata risultante riflette sia la topologia che la qualità delle connessioni.
Come interpreto il punteggio di vicinanza normalizzato?
Un punteggio vicino a 1 significa che il nodo può raggiungere ogni altro nodo in circa un passo in media — si trova al centro della rete. Un punteggio vicino a 0 significa che il nodo è molto periferico. Punteggi superiori a circa 0,6 indicano tipicamente posizioni veramente centrali nella maggior parte delle reti empiriche.
La vicinanza è appropriata per reti orientate?
Sì, ma calcolarla separatamente in ciascuna direzione. La vicinanza in entrata (in-closeness) misura quanto facilmente gli altri possono raggiungere il nodo focale (utile per studiare il prestigio o la ricettività del nodo), mentre la vicinanza in uscita (out-closeness) misura quanto facilmente il nodo focale può raggiungere gli altri (utile per studiare la capacità di trasmissione).
Metodi correlati
Fonti
Freeman, L. C. (1979). Centrality in social networks: Conceptual clarification. Social Networks, 1(3), 215–239.
Apri il riferimento DOICopiato.Bavelas, A. (1950). Communication patterns in task-oriented groups. Journal of the Acoustical Society of America, 22(6), 725–730.
Apri il riferimento DOICopiato.