Skip to content
Voltar aos resultados

Centralidade de Autovetor Ponderado

Proposto por
Bonacich, P. (binary); Opsahl, T. et al. (weighted extension)
Ano
1987 (binary); 2010 (weighted generalization)
Tipo
Spectral centrality measure
Família
Network science

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A centralidade de autovetor ponderado estende a medida clássica de centralidade de autovetor a grafos onde as arestas carregam pesos numéricos, pontuando cada nó proporcionalmente à soma das pontuações de seus vizinhos multiplicada pelos pesos das arestas de conexão.

Nós pontuam alto não apenas por terem muitas conexões, mas por estarem fortemente ligados a outros nós influentes, tornando a medida sensível à força do laço e à posição na rede simultaneamente.

A intuição por trás do método

Em uma rede não ponderada, a centralidade de autovetor captura o prestígio recursivamente: estar conectado a nós importantes aumenta sua própria importância. Em uma rede ponderada, um laço fraco a um ator central conta menos do que um laço forte ao mesmo ator. A centralidade de autovetor ponderado internaliza essa intuição substituindo a matriz de adjacência simples por uma matriz de pesos, de modo que um pesquisador que colabora intensamente com um líder de campo seja classificado mais alto do que aquele que tem apenas uma coautoria superficial com o mesmo líder. A pontuação de cada nó é proporcional à soma ponderada das pontuações de seus vizinhos.

História

A centralidade de autovetor foi introduzida por Phillip Bonacich em 1987 como uma medida de prestígio para redes sociais, generalizando o grau simples ao ponderar cada conexão pela centralidade de sua fonte. A extensão explícita para redes ponderadas ganhou tratamento formal em Opsahl, Agneessens e Skvoretz (2010), que forneceram um quadro unificado generalizando tanto a centralidade de grau quanto a baseada em caminhos para grafos ponderados. A medida é agora uma ferramenta padrão em cienciometria, conectômica de neurociência e análise de redes de comércio internacional.

Quando usar

Use a centralidade de autovetor ponderado quando sua rede tiver pesos de aresta significativos (frequência de colaboração, volume de comunicação, fluxo comercial, contagem de coocorrência) e você precisar identificar nós que são ambos fortemente conectados e conectados a outros nós bem conectados. É especialmente apropriado em redes de coautoria, redes de comércio econômico e análises de conectividade cerebral. Evite-o quando os pesos das arestas forem ordinais ou escalonados arbitrariamente, quando a rede for muito esparsa ou desconectada (o autovetor principal pode não convergir ou pode ser dominado por um pequeno clique), quando os pesos representarem distâncias em vez de afinidades, ou quando a interpretabilidade de uma única pontuação resumida for insuficiente e medidas baseadas em caminhos, como a intermediação, forem mais relevantes.

Limitações e considerações

  • Problemática em grafos desconectados ou quase desconectados, onde o autovetor principal pode colapsar para zero para componentes periféricos.
  • Sensível ao escalonamento dos pesos: multiplicar todos os pesos por uma constante altera os autovalores, mas não os rankings, no entanto, transformações arbitrárias de pesos podem distorcer os resultados.
  • Não leva em consideração o comprimento do caminho ou papéis de ponte; nós em caminhos mais curtos importantes podem ser subestimados em comparação com medidas baseadas na intermediação.
  • Computacionalmente caro para redes densas muito grandes; representações de matrizes esparsas ou métodos de iteração de potência são necessários em escala.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Captura simultaneamente a força do laço e o prestígio global, ao contrário da centralidade de grau que ignora quem são os vizinhos.
  • Teoricamente fundamentada na teoria espectral de grafos; o teorema de Perron-Frobenius garante uma solução única e não negativa para matrizes não negativas conectadas.
  • Sensível à heterogeneidade dos pesos das arestas, recompensando nós com laços fortes para outros nós influentes em detrimento de nós com muitos laços fracos.
  • Amplamente implementada em bibliotecas de rede padrão (NetworkX, igraph, pacote igraph do R), tornando-a acessível sem código personalizado.
  • Aplicável a redes ponderadas tanto não direcionadas quanto direcionadas.

Aplicações

  • Identificação de influenciadores-chave em redes ponderadas de colaboração ou coautoria em cienciometria.
  • Mapeamento de regiões de hub em redes de conectividade cerebral onde os pesos das arestas refletem a força da correlação do sinal.
  • Classificação de países por centralidade em redes de comércio global ponderadas pelo volume de exportação.
  • Detecção de espécies dominantes ou nós-chave em redes alimentares ecológicas com pesos de força de interação.
  • Priorização de nós para intervenção em redes de contato epidemiológicas com pesos de frequência de contato.
  • Avaliação da importância de roteadores ou servidores em redes de comunicação ponderadas pelo volume de tráfego.

Como funciona

Como funciona

1

Represente a rede como uma matriz de adjacência ponderada W onde a entrada W_ij detém o peso da aresta entre os nós i e j. Os pesos devem ser não negativos; matrizes simétricas aplicam-se a redes não direcionadas, enquanto matrizes assimétricas estendem a medida a grafos ponderados direcionados.

Fórmula
W \in \mathbb{R}^{n \times n},\; W_{ij} = w_{ij} \geq 0
2

Calcule os autovalores e autovetores de W. O autovetor principal — associado ao maior autovalor positivo — satisfaz a equação recursiva Wx = lambda*x, garantindo que a pontuação de cada nó seja proporcional à soma ponderada das pontuações de seus vizinhos.

Fórmula
W \mathbf{x} = \lambda \mathbf{x}
3

Selecione o autovetor correspondente ao maior autovalor (o teorema de Perron-Frobenius garante que este autovetor tenha todas as entradas não negativas para uma matriz não negativa conectada), que é a solução de centralidade significativa.

Fórmula
\mathbf{x}^* = \text{eigenvector for } \lambda_{\max}
4

Redimensione as entradas brutas do autovetor de modo que a pontuação máxima seja igual a 1 (ou a norma L2 seja igual a 1, dependendo da convenção), gerando pontuações de centralidade interpretáveis que classificam os nós em relação ao nó mais central da rede.

Fórmula
x_i^* = \frac{x_i}{\max_j x_j}

Erros comuns

  • Uso de contagens brutas de coocorrência como pesos sem normalizar pela atividade do nó, inflando a centralidade para nós de alto volume, independentemente da seletividade.
  • Aplicação da medida a grafos desconectados sem primeiro extrair o maior componente conectado, produzindo pontuações zero sem sentido para nós periféricos.
  • Tratamento de pesos do tipo distância (por exemplo, distância geográfica, latência) como pesos de afinidade, o que inverte a interpretação — um peso alto deve significar forte conexão, não custo grande.
  • Ignorar diagnósticos de convergência ao usar computação iterativa (iteração de potência); falha em verificar se o algoritmo convergiu antes de confiar nas pontuações.

Perguntas frequentes

Como a centralidade de autovetor ponderado difere da centralidade de autovetor padrão (binária)?

A centralidade de autovetor binária usa uma matriz de adjacência não ponderada, de modo que cada vizinho contribui igualmente, independentemente da força do laço. A versão ponderada usa uma matriz de pesos, de modo que um vizinho contribui proporcionalmente ao peso da aresta de conexão, tornando a força do laço explicitamente parte do cálculo de prestígio.

E se minha rede for direcionada?

Para redes ponderadas direcionadas, a matriz de pesos é assimétrica. Você pode calcular autovetores à esquerda (refletindo prestígio de entrada, análogo a uma pontuação de hub ponderada) ou autovetores à direita (refletindo prestígio de saída), dependendo se você se preocupa com quem recebe influência ou quem a envia. Isso é análogo à distinção entre pontuações de autoridade e hub em HITS.

Podem ser usados pesos de aresta negativos?

A garantia de Perron-Frobenius de um autovetor principal não negativo aplica-se apenas a matrizes não negativas. Pesos negativos (por exemplo, relações antagônicas) quebram essa garantia e podem produzir autovetores com sinais mistos que são difíceis de interpretar. Pré-processe pesos negativos separando camadas positivas e negativas ou aplicando uma transformação de valor absoluto com cautela.

É melhor que a centralidade de grau ponderado (força)?

Eles capturam coisas diferentes. O grau ponderado (força do nó) conta o peso total dos laços diretos, mas ignora quem são os vizinhos. A centralidade de autovetor ponderado incorpora a posição global da rede recursivamente. Na prática, as duas medidas se correlacionam fortemente em muitas redes empíricas, portanto, se a centralidade de autovetor falhar em convergir ou o grafo for desconectado, a força do nó pode ser o fallback mais seguro.

Como devo lidar com redes muito grandes?

Use representações de matrizes esparsas e algoritmos de iteração de potência (disponíveis em NetworkX e igraph) em vez de decomposição de autovalores completa. Verifique a tolerância de convergência e os limites de iteração. Para redes com milhões de nós, considere amostragem ou agregação em nível de comunidade antes de aplicar a medida.

Métodos relacionados

Fontes

  1. Bonacich, P. (1987). Power and centrality: A family of measures. American Journal of Sociology, 92(5), 1170–1182.

    Abrir referência DOI
    Copiado.
  2. Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3), 245–251.

    Abrir referência DOI
    Copiado.