Przejdź do treści
Wróć do wyników wyszukiwania

Centralność bliskości

Autor metody
Bavelas, A.; formalized by Freeman, L. C.
Rok
1950 (formalized 1979)
Typ
Node-level centrality index
Rodzina
Network science

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Centralność bliskości mierzy, jak szybko dany węzeł może dotrzeć do wszystkich innych w sieci, obliczając odwrotność jego średniej odległości najkrótszej ścieżki do każdego innego węzła.

Po raz pierwszy opisana przez Bavelasa (1950) i formalnie ujednolicona przez Freemana (1979), identyfikuje węzły, które mogą efektywnie rozpowszechniać informacje lub zasoby w całym grafie — nie tylko węzły z wieloma bezpośrednimi kontaktami.

Intuicja stojąca za metodą

Wyobraźmy sobie upuszczenie wiadomości w węźle i obserwowanie, jak szybko dociera ona do każdego zakątka sieci. Węzeł o wysokiej bliskości znajduje się blisko centrum sieci połączeń: potrzebuje średnio mniej kroków, aby dotrzeć do kogokolwiek innego. Węzeł peryferyjny, nawet taki z wieloma sąsiadami, może nadal być daleko od dużych części sieci. Bliskość oddaje tę ideę geografii sieci: krótka średnia odległość oznacza wysoką bliskość, a wysoka bliskość oznacza efektywne nadawanie lub szybki dostęp do informacji przepływającej przez graf.

Historia

Alex Bavelas wprowadził koncepcję centralności komunikacyjnej opartej na najkrótszych ścieżkach w 1950 roku podczas badania efektywności rozwiązywania problemów grupowych na MIT. Przełomowy artykuł Lintona Freemana z 1979 roku w czasopiśmie Social Networks sformalizował centralność bliskości obok stopnia i pośrednictwa jako jedną z trzech kanonicznych miar centralności na poziomie węzła, dostarczając ujednoliconych ram matematycznych, które stały się podstawą nowoczesnej analizy sieci społecznych.

Kiedy stosować

Użyj centralności bliskości, gdy chcesz zidentyfikować węzły, które mogą najefektywniej nadawać informacje, mobilizować zasoby lub uzyskiwać dostęp do reszty sieci przy minimalnej liczbie pośredników — na przykład, lokalizując optymalne punkty dyfuzji, wpływowych komunikatorów lub węzły tranzytowe. Jest ona odpowiednia dla grafów połączonych lub prawie połączonych o dowolnej wielkości. Nie używaj jej jako głównej miary centralności, gdy sieć jest silnie rozdrobniona (wiele niepołączonych komponentów), ponieważ surowe wyniki bliskości stają się bliskie zeru i bez znaczenia; zastosuj normalizację Wassermana-Fausta lub analizuj komponenty oddzielnie. Unikaj mylenia bliskości z stopniem: węzeł może mieć wiele bezpośrednich powiązań, a mimo to być peryferyjny pod względem globalnego zasięgu.

Ograniczenia i uwagi

  • Wrażliwa na spójność grafu: w sieciach niepołączonych surowa miara załamuje się i wymaga dostosowań normalizacyjnych.
  • Traktuje wszystkie najkrótsze ścieżki jako równie ważne; nie uwzględnia wielkości ruchu ani prawdopodobieństwa, że dana ścieżka jest faktycznie używana.
  • Obliczeniowo kosztowna w bardzo dużych grafach (miliony węzłów), ponieważ obliczanie najkrótszych ścieżek między wszystkimi parami słabo skaluje się bez algorytmów aproksymacyjnych.
  • Nie rozróżnia między węzłem, który jest blisko wielu słabych powiązań, a węzłem blisko kilku silnych, strategicznie ważnych powiązań.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Uwzględnia globalną osiągalność, a nie tylko lokalną łączność, co czyni ją idealną do badania przepływu informacji i dyfuzji.
  • Znormalizowany wynik (od 0 do 1) umożliwia porównanie między sieciami o różnej wielkości.
  • Dobrze ugruntowana podstawa teoretyczna z dziesięcioleciami walidacji w socjologii, epidemiologii i informatyce.
  • Uzupełnia centralność stopnia i pośrednictwa, dając bogatszy obraz ról węzłów.
  • Efektywnie obliczalna za pomocą BFS (nieważony) lub Dijkstry (ważony) dla większości sieci empirycznych.

Zastosowania

  • Identyfikacja kluczowych pośredników informacji lub liderów opinii w sieciach organizacyjnych i społecznych.
  • Wybór optymalnych węzłów początkowych w celu maksymalizacji szybkości dyfuzji informacji lub chorób.
  • Ranking stacji tranzytowych lub skrzyżowań dróg pod względem ich ogólnej dostępności w sieciach transportowych.
  • Lokalizacja wpływowych białek lub genów w sieciach interakcji biologicznych.
  • Wykrywanie wpływowych wczesnych użytkowników w badaniach nad dyfuzją technologii.
  • Priorytetyzacja celów interwencji w sieciach kontaktów zdrowia publicznego w celu spowolnienia rozprzestrzeniania się epidemii.

Jak to działa

Jak to działa

1

Sieć reprezentujemy jako graf, w którym węzły to aktorzy (ludzie, organizacje, strony internetowe, geny itp.), a krawędzie kodują relacje lub interakcje. Graf może być nieskierowany lub skierowany; krawędzie mogą być nieważone (każdy krok kosztuje 1) lub ważone (koszt równy wadze krawędzi, interpretowany jako odległość lub odwrotność siły).

2

Dla każdego węzła v obliczamy odległość najkrótszej ścieżki d(u, v) do każdego innego osiągalnego węzła u, używając algorytmu przeszukiwania wszerz (BFS) dla grafów nieważonych lub algorytmu Dijkstry dla grafów ważonych. Dla grafów skierowanych dozwolone są tylko ścieżki zgodne z kierunkiem krawędzi, więc centralność przychodząca (in-closeness) i wychodząca (out-closeness) mogą się różnić.

Wzór
d(u,v) = \text{shortest path length between nodes } u \text{ and } v
3

Sumujemy wszystkie odległości najkrótszych ścieżek od v do każdego innego węzła, aby uzyskać odległość farness węzła v. Mała odległość farness oznacza, że v jest średnio blisko reszty sieci; duża odległość farness wskazuje na peryferyjność.

Wzór
\text{farness}(v) = \sum_{u \neq v} d(u, v)
4

Bierzemy odwrotność średniej odległości najkrótszej ścieżki: C(v) = (n-1) / suma d(u,v). Pomnożenie przez (n-1) daje znormalizowany wynik w przedziale (0, 1], dzięki czemu można porównywać węzły w sieciach o różnej wielkości. Wyższe wartości wskazują na bardziej centralną, osiągalną pozycję.

Wzór
C(v) = \frac{n-1}{\sum_{u \neq v} d(u, v)}
5

W grafach niepołączonych węzeł nie może dotrzeć do wszystkich innych, więc surowa bliskość jest zerowa lub niezdefiniowana dla nieosiągalnych par. Normalizacja Wassermana-Fausta rozszerza bliskość na grafy niepołączone, sumując tylko po osiągalnych węzłach i przeskalowując przez ułamek grafu, który jest osiągalny, zapobiegając fałszywie bliskim zeru wynikom dla izolowanych komponentów.

Częste pułapki

  • Raportowanie surowej bliskości w sieci z niepołączonymi komponentami bez zastosowania normalizacji Wassermana-Fausta, co prowadzi do wprowadzających w błąd wyników bliskich zeru.
  • Traktowanie centralności bliskości i stopnia jako zamiennych — wysoki stopień nie implikuje wysokiej bliskości i odwrotnie.
  • Ignorowanie, czy krawędzie są skierowane: w sieciach skierowanych bliskość powinna być obliczana oddzielnie dla kierunków przychodzącego i wychodzącego.
  • Stosowanie nieważonej bliskości do ważonej sieci, gdzie wagi krawędzi kodują znaczące odległości, tracąc informacje o sile relacji.
  • Porównywanie surowych (nieznormalizowanych) wyników bliskości między sieciami o różnej wielkości bez uwzględniania n.

Najczęściej zadawane pytania

Czym centralność bliskości różni się od centralności stopnia?

Centralność stopnia liczy tylko bezpośrednich sąsiadów, więc węzeł może uzyskać wysoki wynik, jeśli ma wiele połączeń, nawet jeśli te połączenia są skupione w jednym rogu sieci. Bliskość uwzględnia najkrótszą ścieżkę do każdego węzła w grafie, więc nagradza globalną osiągalność. Peryferyjny hub kliki może mieć wysoki stopień, ale niską bliskość.

Co należy zrobić, gdy moja sieć ma niepołączone komponenty?

Zastosuj normalizację harmoniczną lub dostosowaną do osiągalności Wassermana-Fausta (1994), która sumuje tylko osiągalne pary i przeskalowuje przez proporcję osiągalnego grafu. Alternatywnie, analizuj największy spójny komponent oddzielnie lub użyj centralności harmonicznej (sumy odwrotności odległości), która naturalnie obsługuje nieosiągalne pary, przypisując im zerowy wkład.

Czy centralność bliskości działa w sieciach ważonych?

Tak. Zastąp BFS algorytmem Dijkstry, używając wag krawędzi jako odległości (lub odwrotności wag siły/podobieństwa, jeśli wyższa waga oznacza bliżej). Wynikowa ważona bliskość odzwierciedla zarówno topologię, jak i jakość połączeń.

Jak interpretować znormalizowany wynik bliskości?

Wynik bliski 1 oznacza, że węzeł może dotrzeć do każdego innego węzła średnio w około jednym kroku — znajduje się w centrum sieci. Wynik bliski 0 oznacza, że węzeł jest bardzo peryferyjny. Wyniki powyżej około 0,6 zazwyczaj wskazują na prawdziwie centralne pozycje w większości sieci empirycznych.

Czy centralność bliskości jest odpowiednia dla sieci skierowanych?

Tak, ale obliczaj ją oddzielnie w każdym kierunku. Bliskość przychodząca (in-closeness) mierzy, jak łatwo inni mogą dotrzeć do węzła centralnego (przydatne do badania prestiżu lub podatności węzła), podczas gdy bliskość wychodząca (out-closeness) mierzy, jak łatwo węzeł centralny może dotrzeć do innych (przydatne do badania zdolności nadawczych).

Pokrewne metody

Źródła

  1. Freeman, L. C. (1979). Centrality in social networks: Conceptual clarification. Social Networks, 1(3), 215–239.

    Otwórz odnośnik DOI
    Skopiowano.
  2. Bavelas, A. (1950). Communication patterns in task-oriented groups. Journal of the Acoustical Society of America, 22(6), 725–730.

    Otwórz odnośnik DOI
    Skopiowano.