Centralidade de Autovetor
- Proposto por
- Bonacich, P.
- Ano
- 1972
- Tipo
- Centrality measure
- 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 autovetor, introduzida por Bonacich em 1972, mede a influência de um nó considerando não apenas quantos vizinhos ele tem, mas quão influentes são esses vizinhos.
Um nó obtém uma pontuação alta se estiver conectado a outros nós de alta pontuação, tornando-a uma medida recursiva e globalmente consciente da importância estrutural em uma rede.
A intuição por trás do método
Estar bem conectado importa, mas estar conectado a pessoas bem conectadas importa ainda mais. A centralidade de autovetor captura essa ideia recursiva: sua pontuação depende das pontuações de seus vizinhos, que por sua vez dependem das pontuações de seus vizinhos, e assim por diante em toda a rede. É como se a influência fluísse continuamente pela rede até se estabilizar em um equilíbrio estável — o autovetor principal da matriz de adjacência — onde a pontuação de cada nó é proporcional à soma das pontuações de seus vizinhos.
História
A centralidade de autovetor foi formalizada por Phillip Bonacich em um artigo de 1972 sobre abordagens de fatoração e ponderação para pontuações de status, estabelecendo a base teórica para medidas de centralidade baseadas em prestígio. A ideia de que a importância de um nó é proporcional à soma das importâncias de seus vizinhos precede Bonacich na noção sociológica de status, mas sua formalização algébrica a tornou computável. A medida ganhou ampla adoção em análise de redes sociais e, posteriormente, em bibliometria e análise de grafos da web, inspirando diretamente o algoritmo PageRank do Google (1998), que adiciona um fator de amortecimento para lidar com grafos direcionados e desconectados.
Quando usar
Use a centralidade de autovetor quando quiser identificar nós que são influentes não apenas porque têm muitas conexões, mas porque estão embutidos em regiões densamente conectadas e de alto status da rede — típico em redes de citação, pesquisa de influência social e análise de prestígio organizacional. É apropriado para redes não direcionadas ou direcionadas simétricas onde a noção de reforço mútuo faz sentido substantivo. Evite-o em grafos desconectados (as pontuações tornam-se indefinidas para componentes isolados), em grafos direcionados acíclicos (o autovetor principal degenera), ou quando a conectividade local, em vez do prestígio global, é a questão de pesquisa. Para redes direcionadas com influência assimétrica, o PageRank é geralmente preferível.
Limitações e considerações
- Indefinido ou degenerado em grafos desconectados e grafos direcionados acíclicos, onde o autovetor principal não produz pontuações significativas para todos os nós.
- Sensível à densidade e estrutura da rede: em redes muito esparsas, quase todos os nós colapsam para pontuações próximas de zero, exceto um pequeno hub.
- Não leva em conta o comprimento do caminho ou papéis de ponte; um nó que conecta dois clusters densos pode obter uma pontuação baixa, apesar de sua importância estrutural.
- Para redes direcionadas assimétricas, a medida requer adaptação (por exemplo, PageRank), e a aplicação ingênua pode ser enganosa.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Captura influência recursiva e global em vez de apenas grau local, revelando prestígio e importância estrutural simultaneamente.
- Fundamentado em um quadro algébrico linear principiado com uma solução única garantida pelo teorema de Perron-Frobenius para redes conectadas.
- Naturalmente leva em conta a qualidade das conexões, não apenas sua quantidade, tornando-o adequado para pesquisa de prestígio e status.
- Eficiente para calcular via iteração de potência mesmo em grandes redes esparsas.
- Diretamente interpretável: as pontuações refletem influência proporcional em relação ao nó mais central.
Aplicações
- Identificação de prestígio e influência em redes de citação acadêmica e grafos de coautoria.
- Mapeamento de estruturas de poder e líderes de opinião em redes organizacionais e políticas.
- Detecção de nós hub em redes biológicas de interação proteica e regulação gênica.
- Ranking de páginas da web e documentos por autoridade estrutural (fundamental para o PageRank).
- Análise de difusão de influência e disseminadores-chave em redes de mídia social.
- Avaliação de hierarquias de status em estudos de redes sociométricas e de amizade.
Como funciona
Como funciona
A rede é representada como uma matriz de adjacência A, onde a entrada A_ij é igual a 1 (ou o peso da aresta para redes ponderadas) se os nós i e j estiverem conectados, e 0 caso contrário. Esta matriz codifica a topologia completa das conexões sobre as quais a centralidade será calculada.
O maior autovalor e seu autovetor associado são calculados a partir da matriz de adjacência usando iteração de potência ou um solucionador de álgebra linear padrão. O autovalor principal lambda_max é garantido como real e positivo para redes conectadas pelo teorema de Perron-Frobenius, garantindo uma solução única e interpretável.
Fórmula
\mathbf{A}\mathbf{x} = \lambda_{\max}\mathbf{x}Cada nó recebe o componente correspondente do autovetor principal como sua pontuação de centralidade. A pontuação satisfaz a condição de ponto fixo: a pontuação de um nó é igual a (1/lambda_max) vezes a soma das pontuações de seus vizinhos, de modo que nós de alta pontuação elevam as pontuações de seus vizinhos recursivamente.
Fórmula
x_i = \frac{1}{\lambda_{\max}} \sum_{j \in N(i)} x_jAs pontuações são tipicamente escalonadas de modo que o valor máximo seja igual a 1, tornando-as comparáveis entre redes de tamanhos diferentes. O ranking relativo dos nós é preservado, independentemente da convenção de normalização utilizada.
Erros comuns
- Aplicação da centralidade de autovetor a uma rede desconectada sem primeiro extrair o maior componente conectado, levando a pontuações zero para subgrafos inteiros.
- Confundir centralidade de autovetor com centralidade de grau e falhar em relatar qual medida é usada; elas podem produzir rankings muito diferentes.
- Usá-la em uma rede direcionada sem verificar se o grafo é fortemente conectado ou adaptar-se a uma variante direcionada como o PageRank.
- Tratar pequenas diferenças em pontuações normalizadas como significativas quando a rede é esparsa e as pontuações são numericamente comprimidas perto de zero.
- Omitir verificações de sensibilidade: os rankings de centralidade podem mudar substancialmente se alguns nós hub de alto grau forem removidos.
Perguntas frequentes
Como a centralidade de autovetor difere da centralidade de grau?
A centralidade de grau conta apenas vizinhos imediatos, tratando todas as conexões como iguais. A centralidade de autovetor pondera cada vizinho pela própria centralidade desse vizinho, de modo que uma conexão a um nó altamente central contribui mais do que uma conexão a um nó periférico. Um nó com poucos, mas vizinhos muito influentes, pode superar um nó de alto grau conectado principalmente a nós periféricos.
Por que a centralidade de autovetor falha em grafos direcionados acíclicos?
Em um grafo direcionado acíclico não há ciclos, então a influência não pode fluir para trás. O autovetor principal da matriz de adjacência atribui pontuações zero a todos os nós, exceto aqueles sem arestas de saída (sumidouros), tornando a medida degenerada. O PageRank resolve isso adicionando um termo de teletransporte que redistribui o peso uniformemente.
Posso usar centralidade de autovetor em redes ponderadas?
Sim. Substitua a matriz de adjacência binária por uma matriz de adjacência ponderada e aplique a mesma auto-decomposição. O autovetor principal então reflete tanto o número quanto a força das conexões. Certifique-se de que os pesos das arestas sejam não negativos para que as garantias de Perron-Frobenius se mantenham.
Como devo relatar a centralidade de autovetor em um artigo?
Relate as pontuações normalizadas de centralidade de autovetor (máximo = 1), especifique o software e a versão usados (por exemplo, NetworkX, igraph), indique se a rede era direcionada ou não direcionada e confirme se o maior componente conectado foi usado se o grafo for desconectado. Uma visualização colorindo ou dimensionando os nós por sua pontuação auxilia muito na interpretação.
Qual é a relação entre a centralidade de autovetor e o PageRank?
O PageRank é uma generalização direcionada e amortecida da centralidade de autovetor. Ele adiciona um fator de amortecimento (tipicamente 0,85) e uma probabilidade uniforme de teletransporte para lidar com grafos desconectados e direcionados. Para redes conectadas não direcionadas, PageRank e centralidade de autovetor produzem rankings quase idênticos.
Métodos relacionados
Fontes
Bonacich, P. (1972). Factoring and weighting approaches to status scores and clique identification. Journal of Mathematical Sociology, 2(1), 113–120.
Abrir referência DOICopiado.Eigenvector centrality. Wikipedia.
Abrir referência da publicaçãoCopiado.