Centralność wektorowa
- Autor metody
- Bonacich, P.
- Rok
- 1972
- Typ
- Centrality measure
- Rodzina
- Network science
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Centralność wektorowa, wprowadzona przez Bonacicha w 1972 roku, mierzy wpływ węzła, biorąc pod uwagę nie tylko liczbę jego sąsiadów, ale także ich wpływowość.
Węzeł uzyskuje wysoki wynik, jeśli jest połączony z innymi węzłami o wysokich wynikach, co czyni go rekurencyjną, globalnie świadomą miarą znaczenia strukturalnego w sieci.
Intuicja stojąca za metodą
Posiadanie wielu połączeń jest ważne, ale połączenie z wpływowymi ludźmi jest jeszcze ważniejsze. Centralność wektorowa oddaje tę rekurencyjną ideę: Twój wynik zależy od wyników Twoich sąsiadów, które z kolei zależą od wyników ich sąsiadów i tak dalej w całej sieci. Jest to tak, jakby wpływ przepływał ciągle przez sieć, aż osiągnie stabilną równowagę — wiodący wektor własny macierzy sąsiedztwa — gdzie wynik każdego węzła jest proporcjonalny do sumy wyników jego sąsiadów.
Historia
Centralność wektorowa została sformalizowana przez Phillipa Bonacicha w artykule z 1972 roku na temat podejść faktoryzacyjnych i wagowych do wyników statusu, ustanawiając teoretyczne podstawy dla miar centralności opartych na prestiżu. Idea, że znaczenie węzła jest proporcjonalne do sumy znaczeń jego sąsiadów, wyprzedza Bonacicha w socjologicznej koncepcji statusu, ale jego algebraiczna formalizacja uczyniła ją obliczalną. Miara zyskała szerokie zastosowanie w analizie sieci społecznych, a później w bibliometrii i analizie grafów sieciowych, bezpośrednio inspirując algorytm PageRank Google (1998), który dodaje współczynnik tłumienia do obsługi grafów skierowanych i niepołączonych.
Kiedy stosować
Użyj centralności wektorowej, gdy chcesz zidentyfikować węzły, które są wpływowe nie tylko dlatego, że mają wiele połączeń, ale dlatego, że są osadzone w gęsto połączonych regionach sieci o wysokim statusie — typowe w sieciach cytowań, badaniach wpływu społecznego i analizie prestiżu organizacyjnego. Jest odpowiednia dla sieci nieskierowanych lub symetrycznych skierowanych, gdzie pojęcie wzajemnego wzmocnienia ma sens merytoryczny. Unikaj jej w przypadku grafów niepołączonych (wyniki stają się niezdefiniowane dla izolowanych komponentów), grafów skierowanych acyklicznych (wiodący wektor własny degeneruje) lub gdy pytanie badawcze dotyczy lokalnej łączności, a nie globalnego prestiżu. Dla sieci skierowanych z asymetrycznym wpływem, PageRank jest generalnie preferowany.
Ograniczenia i uwagi
- Niezdefiniowane lub zdegenerowane w grafach niepołączonych i grafach skierowanych acyklicznych, gdzie wiodący wektor własny nie daje znaczących wyników dla wszystkich węzłów.
- Wrażliwe na gęstość i strukturę sieci: w bardzo rzadkich sieciach prawie wszystkie węzły zapadają się do wyników bliskich zeru, z wyjątkiem kilku głównych węzłów (hubów).
- Nie uwzględnia długości ścieżki ani ról łączących; węzeł łączący dwa gęste klastry może uzyskać niski wynik pomimo swojego znaczenia strukturalnego.
- Dla sieci skierowanych asymetrycznych miara wymaga adaptacji (np. PageRank), a naiwne zastosowanie może być mylące.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Uchwycenie rekurencyjnego, globalnego wpływu, a nie tylko lokalnego stopnia, ujawniając jednocześnie prestiż i znaczenie strukturalne.
- Oparte na zasadniczych ramach algebraiczno-liniowych z unikalnym rozwiązaniem gwarantowanym przez twierdzenie Perrona-Frobeniusa dla sieci połączonych.
- Naturalnie uwzględnia jakość połączeń, a nie tylko ich ilość, co czyni ją odpowiednią do badań prestiżu i statusu.
- Efektywne obliczanie za pomocą iteracji potęgowej nawet w dużych, rzadkich sieciach.
- Bezpośrednio interpretowalne: wyniki odzwierciedlają proporcjonalny wpływ w stosunku do najbardziej centralnego węzła.
Zastosowania
- Identyfikacja prestiżu i wpływu w sieciach cytowań naukowych i grafach współautorstwa.
- Mapowanie struktur władzy i liderów opinii w sieciach organizacyjnych i politycznych.
- Wykrywanie węzłów centralnych (hubów) w biologicznych sieciach interakcji białek i sieciach regulacji genów.
- Ranking stron internetowych i dokumentów pod względem autorytetu strukturalnego (podstawa PageRank).
- Analiza dyfuzji wpływu i kluczowych rozprzestrzeniaczy w sieciach mediów społecznościowych.
- Ocena hierarchii statusu w badaniach sieci socjometrycznych i sieci przyjaźni.
Jak to działa
Jak to działa
Sieć jest reprezentowana jako macierz sąsiedztwa A, gdzie wpis A_ij równa się 1 (lub wagę krawędzi dla sieci ważonych), jeśli węzły i oraz j są połączone, i 0 w przeciwnym razie. Ta macierz koduje pełną topologię połączeń, na podstawie której obliczana jest centralność.
Największa wartość własna i jej powiązany wektor własny są obliczane z macierzy sąsiedztwa za pomocą iteracji potęgowej lub standardowego solwera algebry liniowej. Wiodąca wartość własna lambda_max jest gwarantowana jako rzeczywista i dodatnia dla sieci połączonych na mocy twierdzenia Perrona-Frobeniusa, zapewniając unikalne, interpretowalne rozwiązanie.
Wzór
\mathbf{A}\mathbf{x} = \lambda_{\max}\mathbf{x}Każdemu węzłowi przypisuje się odpowiedni komponent wiodącego wektora własnego jako jego wynik centralności. Wynik spełnia warunek punktu stałego: wynik węzła jest równy (1/lambda_max) razy suma wyników jego sąsiadów, więc węzły o wysokich wynikach rekurencyjnie podnoszą wyniki swoich sąsiadów.
Wzór
x_i = \frac{1}{\lambda_{\max}} \sum_{j \in N(i)} x_jWyniki są zazwyczaj skalowane tak, aby maksymalna wartość wynosiła 1, co czyni je porównywalnymi w sieciach o różnej wielkości. Względny ranking węzłów jest zachowany niezależnie od użytej konwencji normalizacji.
Częste pułapki
- Zastosowanie centralności wektorowej do sieci niepołączonej bez wcześniejszego wyodrębnienia największego połączonego komponentu, co prowadzi do zerowych wyników dla całych podgrafów.
- Mylenie centralności wektorowej z centralnością stopnia i niepodanie, która miara jest używana; mogą one dawać bardzo różne rankingi.
- Używanie jej w sieci skierowanej bez weryfikacji, czy graf jest silnie spójny, lub bez adaptacji do skierowanego wariantu, takiego jak PageRank.
- Traktowanie małych różnic w znormalizowanych wynikach jako znaczących, gdy sieć jest rzadka, a wyniki są liczbowo skompresowane blisko zera.
- Pomijanie testów wrażliwości: rankingi centralności mogą się znacznie zmienić, jeśli usuniętych zostanie kilka węzłów o wysokim stopniu (hubów).
Najczęściej zadawane pytania
Czym różni się centralność wektorowa od centralności stopnia?
Centralność stopnia liczy tylko bezpośrednich sąsiadów, traktując wszystkie połączenia jako równe. Centralność wektorowa waży każdego sąsiada przez własną centralność tego sąsiada, więc połączenie z wysoce centralnym węzłem wnosi więcej niż połączenie z węzłem peryferyjnym. Węzeł z niewielką liczbą, ale bardzo wpływowymi sąsiadami, może przewyższyć węzeł o wysokim stopniu połączony głównie z węzłami peryferyjnymi.
Dlaczego centralność wektorowa zawodzi w grafach skierowanych acyklicznych?
W grafie skierowanym acyklicznym nie ma cykli, więc wpływ nie może przepływać wstecz. Wiodący wektor własny macierzy sąsiedztwa przypisuje zerowe wyniki wszystkim węzłom z wyjątkiem tych bez krawędzi wychodzących (ujść), co powoduje degenerację miary. PageRank rozwiązuje ten problem, dodając człon teleportacji, który redystrybuuje wagę równomiernie.
Czy mogę używać centralności wektorowej w sieciach ważonych?
Tak. Zastąp binarną macierz sąsiedztwa ważoną macierzą sąsiedztwa i zastosuj tę samą eigendeopozcję. Wiodący wektor własny odzwierciedla wówczas zarówno liczbę, jak i siłę połączeń. Upewnij się, że wagi krawędzi są nieujemne, aby gwarancje Perrona-Frobeniusa były spełnione.
Jak powinienem raportować centralność wektorową w artykule?
Raportuj znormalizowane wyniki centralności wektorowej (max = 1), podaj użyte oprogramowanie i jego wersję (np. NetworkX, igraph), określ, czy sieć była skierowana, czy nieskierowana, i potwierdź, że użyto największego połączonego komponentu, jeśli graf jest niepołączony. Wizualizacja kolorująca lub skalująca węzły według ich wyników znacznie ułatwia interpretację.
Jaka jest zależność między centralnością wektorową a PageRank?
PageRank jest skierowaną, stłumioną generalizacją centralności wektorowej. Dodaje współczynnik tłumienia (zazwyczaj 0,85) i prawdopodobieństwo równomiernej teleportacji, aby obsługiwać grafy niepołączone i skierowane. Dla sieci nieskierowanych i połączonych, PageRank i centralność wektorowa dają prawie identyczne rankingi.
Pokrewne metody
Źródła
Bonacich, P. (1972). Factoring and weighting approaches to status scores and clique identification. Journal of Mathematical Sociology, 2(1), 113–120.
Otwórz odnośnik DOISkopiowano.Eigenvector centrality. Wikipedia.
Otwórz odnośnik do publikacjiSkopiowano.