Centralidade de Proximidade
- Proposto por
- Bavelas, A.; formalized by Freeman, L. C.
- Ano
- 1950 (formalized 1979)
- Tipo
- Node-level centrality index
- Família
- Network science
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
A centralidade de proximidade mede a rapidez com que um nó pode alcançar todos os outros em uma rede, calculando o inverso de sua distância média de caminho mais curto para todos os outros nós.
Descrita pela primeira vez por Bavelas (1950) e unificada formalmente por Freeman (1979), ela identifica nós que podem espalhar informações ou recursos eficientemente por todo o grafo — não meramente nós com muitos contatos diretos.
A intuição por trás do método
Imagine soltar uma mensagem em um nó e observar quão rápido ela atinge todos os cantos da rede. Um nó com alta proximidade fica perto do centro da teia de conexões: ele precisa de menos saltos, em média, para chegar a qualquer outro. Um nó periférico, mesmo um com muitos vizinhos, ainda pode estar longe de grandes partes da rede. A proximidade captura essa ideia de geografia-da-rede: distância média curta significa alta proximidade, e alta proximidade significa difusão eficiente ou acesso rápido a informações que fluem pelo grafo.
História
Alex Bavelas introduziu o conceito de centralidade de comunicação com base em caminhos mais curtos em 1950, enquanto estudava a eficiência da resolução de problemas em grupo no MIT. O artigo marco de Linton Freeman em 1979 na revista Social Networks formalizou a centralidade de proximidade ao lado de grau e intermediação como uma das três medidas canônicas de centralidade em nível de nó, fornecendo um quadro matemático unificado que se tornou a base da análise moderna de redes sociais.
Quando usar
Use a centralidade de proximidade quando quiser identificar nós que podem transmitir informações mais eficientemente, mobilizar recursos ou acessar o resto da rede com intermediários mínimos — por exemplo, localizar sementes de difusão ótimas, comunicadores influentes ou centros de trânsito. É apropriada para grafos conectados ou quase conectados de qualquer tamanho. Não a use como medida de centralidade primária quando a rede for altamente fragmentada (muitos componentes desconectados), pois as pontuações de proximidade bruta se tornam próximas de zero e sem sentido; aplique a normalização de Wasserman-Faust ou analise os componentes separadamente. Evite confundir proximidade com grau: um nó pode ter muitos laços diretos, mas ainda assim ser periférico em alcance global.
Limitações e considerações
- Sensível à conectividade do grafo: em redes desconectadas, a medida bruta colapsa e requer ajustes de normalização.
- Trata todos os caminhos mais curtos como igualmente importantes; não leva em conta o volume de tráfego ou a probabilidade de um caminho específico ser realmente usado.
- Computacionalmente caro em grafos muito grandes (milhões de nós) porque o cálculo de todos os pares de caminhos mais curtos escala mal sem algoritmos de aproximação.
- Não distingue entre um nó que está próximo de muitos laços fracos versus um próximo de poucos laços fortes e estrategicamente importantes.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Captura a alcançabilidade global em vez de apenas a conectividade local, tornando-a ideal para estudar o fluxo de informações e a difusão.
- Pontuação normalizada (0 a 1) permite a comparação entre redes de tamanhos diferentes.
- Fundamentação teórica bem estabelecida com décadas de validação em sociologia, epidemiologia e ciência da computação.
- Complementa a centralidade de grau e de intermediação para fornecer uma imagem mais rica dos papéis dos nós.
- Computacionalmente eficiente com BFS (não ponderado) ou Dijkstra (ponderado) para a maioria das redes empíricas.
Aplicações
- Identificar corretores de informação chave ou líderes de opinião em redes organizacionais e sociais.
- Selecionar nós semente ótimos para maximizar a velocidade de difusão de informações ou doenças.
- Classificar estações de trânsito ou cruzamentos rodoviários por sua acessibilidade geral em redes de transporte.
- Localizar proteínas ou genes influentes em redes de interação biológica.
- Detectar adotantes iniciais influentes em estudos de difusão de tecnologia.
- Priorizar alvos de intervenção em redes de contato de saúde pública para retardar a propagação de epidemias.
Como funciona
Como funciona
Represente a rede como um grafo onde os nós são atores (pessoas, organizações, páginas da web, genes, etc.) e as arestas codificam relacionamentos ou interações. O grafo pode ser não direcionado ou direcionado; as arestas podem ser não ponderadas (cada salto custa 1) ou ponderadas (o custo é igual ao peso da aresta, interpretado como distância ou força inversa).
Para cada nó v, calcule a distância de caminho mais curto d(u, v) para todos os outros nós alcançáveis u usando a Busca em Largura para grafos não ponderados ou o algoritmo de Dijkstra para grafos ponderados. Para grafos direcionados, apenas caminhos que seguem a direção da aresta são válidos, então a proximidade de entrada (in-closeness) e a proximidade de saída (out-closeness) podem diferir.
Fórmula
d(u,v) = \text{shortest path length between nodes } u \text{ and } vSome todas as distâncias de caminho mais curto de v para todos os outros nós para obter a 'farness' de v. Uma 'farness' pequena significa que v está próximo, em média, do resto da rede; uma 'farness' grande indica perifericidade.
Fórmula
\text{farness}(v) = \sum_{u \neq v} d(u, v)Tome o recíproco da distância média de caminho mais curto: C(v) = (n-1) / soma de d(u,v). Multiplicar por (n-1) dá uma pontuação normalizada em (0, 1] para que nós em redes de tamanhos diferentes possam ser comparados. Valores mais altos indicam uma posição mais central e alcançável.
Fórmula
C(v) = \frac{n-1}{\sum_{u \neq v} d(u, v)}Em grafos desconectados, um nó não pode alcançar todos os outros, então a proximidade bruta é zero ou indefinida para pares inalcançáveis. A normalização de Wasserman-Faust estende a proximidade a grafos desconectados somando apenas sobre nós alcançáveis e reescalando pela fração do grafo que é alcançável, evitando pontuações espúrias próximas de zero para componentes isolados.
Erros comuns
- Relatar proximidade bruta em uma rede com componentes desconectados sem aplicar a normalização de Wasserman-Faust, produzindo pontuações enganosas próximas de zero.
- Tratar a centralidade de proximidade e de grau como intercambiáveis — alto grau não implica alta proximidade, e vice-versa.
- Ignorar se as arestas são direcionadas: em redes direcionadas, a proximidade deve ser calculada separadamente para as direções de entrada e saída.
- Aplicar proximidade não ponderada a uma rede ponderada onde os pesos das arestas codificam distâncias significativas, perdendo informações sobre a força do relacionamento.
- Comparar pontuações de proximidade brutas (não normalizadas) entre redes de tamanhos diferentes sem controlar por n.
Perguntas frequentes
Como a proximidade difere da centralidade de grau?
A centralidade de grau conta apenas vizinhos diretos, então um nó pode ter uma pontuação alta se tiver muitas conexões, mesmo que essas conexões estejam todas agrupadas em um canto da rede. A proximidade considera o caminho mais curto para cada nó no grafo, então recompensa a alcançabilidade global. Um hub de um clique periférico pode ter alto grau, mas baixa proximidade.
O que devo fazer quando minha rede tem componentes desconectados?
Aplique a normalização harmônica ou ajustada pela alcançabilidade de Wasserman-Faust (1994), que soma apenas pares alcançáveis e reescala pela proporção da rede alcançável. Alternativamente, analise o maior componente conectado separadamente, ou use a centralidade harmônica (a soma dos recíprocos das distâncias), que lida naturalmente com pares inalcançáveis atribuindo-lhes uma contribuição de zero.
A proximidade funciona em redes ponderadas?
Sim. Substitua o BFS pelo algoritmo de Dijkstra usando os pesos das arestas como distâncias (ou o inverso dos pesos de força/similaridade se um peso maior significar mais próximo). A proximidade ponderada resultante reflete tanto a topologia quanto a qualidade das conexões.
Como interpreto a pontuação de proximidade normalizada?
Uma pontuação próxima de 1 significa que o nó pode alcançar todos os outros nós em aproximadamente um salto, em média — ele fica no centro da rede. Uma pontuação próxima de 0 significa que o nó é muito periférico. Pontuações acima de cerca de 0,6 geralmente indicam posições genuinamente centrais na maioria das redes empíricas.
A proximidade é apropriada para redes direcionadas?
Sim, mas calcule-a separadamente em cada direção. A proximidade de entrada (in-closeness) mede a facilidade com que os outros podem alcançar o nó focal (útil para estudar o prestígio ou a receptividade do nó), enquanto a proximidade de saída (out-closeness) mede a facilidade com que o nó focal pode alcançar os outros (útil para estudar a capacidade de difusão).
Métodos relacionados
Fontes
Freeman, L. C. (1979). Centrality in social networks: Conceptual clarification. Social Networks, 1(3), 215–239.
Abrir referência DOICopiado.Bavelas, A. (1950). Communication patterns in task-oriented groups. Journal of the Acoustical Society of America, 22(6), 725–730.
Abrir referência DOICopiado.