Skip to content
検索結果に戻る

固有ベクトル中心性

提唱者
Bonacich, P.
年
1972
種類
Centrality measure
系統
Network science

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

固有ベクトル中心性(Eigenvector centrality)は、1972年にBonacichによって導入され、ノードの影響力を、単に隣接ノードの数だけでなく、それらの隣接ノードがいかに影響力があるかを考慮して測定します。ノードは、スコアの高い他のノードに接続されている場合に高いスコアを獲得するため、ネットワークにおける構造的重要性を示す再帰的かつグローバルに認識された尺度となります。

手法の背後にある直感

多くのノードと接続されていることは重要ですが、影響力のある人々と接続されていることはさらに重要です。固有ベクトル中心性は、この再帰的な考え方を捉えています。あなたのスコアは隣接ノードのスコアに依存し、そのスコアはさらにその隣接ノードのスコアに依存し、ネットワーク全体で連鎖していきます。これは、影響力がネットワーク内を連続的に流れ、最終的に安定した平衡状態に落ち着くかのようです。この平衡状態では、各ノードのスコアは隣接ノードのスコアの合計に比例します。これは隣接行列の主要な固有ベクトルに対応します。

歴史学

固有ベクトル中心性は、1972年のPhillip Bonacichによるステータススコアの因子分解と重み付けに関する論文で形式化され、威信ベースの中心性尺度の理論的基盤を確立しました。ノードの重要性が隣接ノードの重要性の合計に比例するという考えは、社会学におけるステータスの概念としてBonacich以前から存在していましたが、彼の代数的定式化によって計算可能になりました。この尺度は、ソーシャルネットワーク分析、および後に書誌計量学やウェブグラフ分析で広く採用され、GoogleのPageRankアルゴリズム(1998年)に直接影響を与えました。PageRankは、有向グラフや非連結グラフを処理するためにダンピングファクターを追加しています。

使うべき場面

単に接続数が多いというだけでなく、ネットワークの高密度でステータスの高い領域に埋め込まれていることによって影響力を持つノードを特定したい場合に、固有ベクトル中心性を使用します。これは、引用ネットワーク、社会的影響力の研究、組織の威信分析などで典型的です。無向ネットワークまたは相互強化の概念が実質的に意味をなす対称的な有向ネットワークに適しています。非連結グラフ(孤立した成分のスコアが未定義になる)、有向非巡回グラフ(主要な固有ベクトルが退化する)、または研究課題がグローバルな威信ではなくローカルな接続性である場合には避けてください。非対称な影響力を持つ有向ネットワークの場合、PageRankが一般的に好まれます。

限界と注意点

  • 非連結グラフや有向非巡回グラフでは未定義または退化し、主要な固有ベクトルがすべてのノードに対して意味のあるスコアを生成しません。
  • ネットワークの密度と構造に敏感です。非常にスパースなネットワークでは、少数のハブノードを除いて、ほとんどすべてのノードのスコアがゼロに近くなります。
  • パス長やブリッジングの役割を考慮しません。2つの密なクラスターを接続するノードは、その構造的重要性にもかかわらず低いスコアになる可能性があります。
  • 有向非対称ネットワークの場合、この尺度は適応(例:PageRank)が必要であり、単純な適用は誤解を招く可能性があります。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • ローカルな次数だけでなく、再帰的でグローバルな影響力を捉え、威信と構造的重要性を同時に明らかにします。
  • 連結ネットワークに対するペロン・フロベニウスの定理によって一意の解が保証される、原則に基づいた線形代数フレームワークに根ざしています。
  • 接続の量だけでなく質も自然に考慮するため、威信やステータスに関する研究に適しています。
  • 大規模なスパースネットワークでも、べき乗法による効率的な計算が可能です。
  • 直接解釈可能:スコアは、最も中心的なノードに対する比例的な影響力を反映します。

応用

  • 学術引用ネットワークや共著グラフにおける威信と影響力の特定。
  • 組織ネットワークや政治ネットワークにおける権力構造やオピニオンリーダーのマッピング。
  • 生物学的なタンパク質相互作用ネットワークや遺伝子制御ネットワークにおけるハブノードの検出。
  • ウェブページや文書の構造的権威によるランキング(PageRankの基礎)。
  • ソーシャルメディアネットワークにおける影響力拡散とキーとなる拡散者の分析。
  • 社会測定学や友人関係ネットワーク研究におけるステータス階層の評価。

使い方

使い方

1

ネットワークは隣接行列Aで表現されます。ここで、要素A_ijは、ノードiとjが接続されている場合は1(重み付きネットワークの場合はエッジの重み)、そうでない場合は0となります。この行列は、中心性の計算対象となる接続の完全なトポロジーをエンコードします。

2

隣接行列から、べき乗法(power iteration)または標準的な線形代数ソルバーを使用して、最大の固有値とその固有ベクトルを計算します。連結ネットワークの場合、ペロン・フロベニウスの定理により、主要な固有値λ_maxは実数かつ正であることが保証されており、一意で解釈可能な解が得られます。

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

各ノードには、主要な固有ベクトルの対応する成分が中心性スコアとして割り当てられます。このスコアは不動点条件を満たします。すなわち、ノードのスコアは、隣接ノードのスコアの合計をλ_maxで割ったものに等しくなります。これにより、高スコアのノードが再帰的に隣接ノードのスコアを引き上げます。

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

スコアは通常、最大値が1になるように正規化され、異なるサイズのネットワーク間での比較が可能になります。正規化の方法にかかわらず、ノードの相対的な順位は保持されます。

よくある落とし穴

  • 非連結ネットワークに対して、まず最大の連結成分を抽出せずに固有ベクトル中心性を適用し、サブグラフ全体にゼロスコアをもたらす。
  • 固有ベクトル中心性と次数中心性を混同し、どちらの尺度を使用しているかを報告しない。これらは非常に異なる順位付けをもたらす可能性がある。
  • グラフが強連結であるかを確認せずに、またはPageRankのような有向バリアントに適合させずに、有向ネットワークに適用する。
  • ネットワークがスパースでスコアがゼロ付近に数値的に圧縮されている場合に、正規化されたスコアのわずかな違いを意味のあるものとして扱う。
  • 感度チェックを省略する。ハブノードを数個削除するだけで、中心性の順位が大きく変動する可能性がある。

よくある質問

固有ベクトル中心性は次数中心性とどのように異なりますか?

次数中心性は直接の隣接ノードのみをカウントし、すべての接続を等しく扱います。固有ベクトル中心性は、各隣接ノードをその隣接ノード自身の中心性で重み付けするため、中心性の高いノードへの接続は、周辺的なノードへの接続よりも大きく貢献します。影響力の高い隣接ノードをいくつか持つノードは、周辺的なノードに主に接続されている高次数ノードを上回る可能性があります。

なぜ固有ベクトル中心性は有向非巡回グラフで失敗するのですか?

有向非巡回グラフにはサイクルがないため、影響力は上流に逆流しません。隣接行列の主要な固有ベクトルは、出口のないノード(シンク)を除いてすべてのノードにゼロスコアを割り当てるため、尺度は退化します。PageRankは、均一に重みを再分配するテレポート項を追加することでこれを解決します。

重み付きネットワークに固有ベクトル中心性を使用できますか?

はい。二値隣接行列を重み付き隣接行列に置き換え、同じ固有値分解を適用します。主要な固有ベクトルは、接続の数と強さの両方を反映します。ペロン・フロベニウスの保証が成り立つためには、エッジの重みが非負であることを確認してください。

論文で固有ベクトル中心性をどのように報告すべきですか?

正規化された固有ベクトル中心性スコア(最大値=1)を報告し、使用したソフトウェアとそのバージョン(例:NetworkX、igraph)を指定し、ネットワークが有向か無向かを述べ、グラフが非連結の場合は最大の連結成分を使用したことを確認してください。スコアに応じてノードの色やサイズを変更したネットワークの可視化は、解釈を大いに助けます。

固有ベクトル中心性とPageRankの関係は何ですか?

PageRankは、固有ベクトル中心性の有向かつ減衰された一般化です。非連結グラフや有向グラフを処理するために、ダンピングファクター(通常0.85)と均一なテレポート確率を追加します。無向連結ネットワークの場合、PageRankと固有ベクトル中心性はほぼ同一のランキングを生成します。

関連する手法

参考文献

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

    DOI 文献を開く
    コピーしました。
  2. Eigenvector centrality. Wikipedia.

    出版物の文献を開く
    コピーしました。