Анализ центральности — степень, посредничество, собственный вектор
- Автор метода
- Linton C. Freeman
- Год
- 1979
- Тип
- Descriptive / exploratory network measure family
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Анализ центральности — это семейство сетевых аналитических метрик, формализованных Фрименом (Freeman, 1979), которые количественно определяют структурную значимость отдельных узлов в графе.
Каждый индекс центральности отражает отдельный механизм влияния: центральность по степени отражает прямую связность, центральность по посредничеству выявляет узлы, которые опосредуют поток информации, центральность по близости отражает близость ко всем остальным, а центральность по собственному вектору (наряду с PageRank) вознаграждает за связь с сильно связанными соседями.
Интуиция метода
Не каждый узел в сети одинаково важен. Город, через который проходит много дорог, более критичен для движения, чем город, расположенный в конце тупиковой улицы, даже если оба города имеют одинаковое количество прямых дорожных связей. Меры центральности переводят эту интуицию в числа. Центральность по степени просто подсчитывает, сколько соседей имеет узел. Центральность по посредничеству подсчитывает, как часто узел находится на кратчайшем пути между каждой другой парой, выявляя «привратников». Центральность по близости измеряет, как быстро узел может достичь всех остальных. Центральность по собственному вектору взвешивает вклад каждого соседа по тому, насколько централен этот сосед, поэтому связь с влиятельными узлами имеет большее значение, чем простое количество. Каждая мера отвечает на свой вопрос о том, кто или что наиболее важно в сети.
История
Фримен (Freeman, 1979) представил основополагающее концептуальное уточнение в этой области, объединив три ранее разрозненные идеи — степень, посредничество и близость — в единую теоретическую основу для центральности в социальных сетях. Боргатти (Borgatti, 2005) расширил эту основу, связав каждый тип центральности с конкретными моделями сетевого потока, что дало мерам более чёткое теоретическое обоснование. Центральность по собственному вектору имела более ранние корни в спектральном анализе матриц и позже была операционализирована для сетей; Google PageRank (1998) является её наиболее известным прикладным потомком.
Когда применять
Анализ центральности применяется всякий раз, когда реляционные данные могут быть представлены в виде графа и вопрос касается того, какие узлы структурно наиболее важны. Он используется в анализе социальных сетей, библиометрии, биологии, транспорте и исследованиях информационных систем. Не требуется никаких предположений о нормальности, и метод подходит для поперечных и продольных сетевых данных. Сеть должна быть связной, или компоненты должны анализироваться отдельно, чтобы меры, основанные на путях, такие как посредничество и близость, были хорошо определены. Для интерпретируемости показателей требуется не менее 10 узлов, а для статистической значимости рангов центральности — не менее 20. Взвешенные сети требуют теоретически обоснованного определения веса до вычисления центральности.
Ограничения и замечания
- Центральность по посредничеству имеет вычислительную сложность O(VE), что делает её дорогостоящей для очень больших сетей.
- Меры, основанные на путях (посредничество, близость), не определены или требуют специальной обработки в несвязных графах.
- Показатели центральности чувствительны к выбору определения веса ребра во взвешенных сетях; плохо выбранный вес искажает каждый индекс.
- При количестве узлов менее 20 меры не обладают статистической мощностью и должны рассматриваться как исследовательские описания, а не как результаты вывода.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Каждый индекс отражает отдельный механизм структурной значимости, давая многомерный портрет сети.
- Не требуется никаких предположений о распределении; метод работает с любым графом независимо от типа переменной.
- Центральность по степени и по собственному вектору эффективно масштабируются до очень больших графов; центральность по степени вычисляется за O(V+E).
- Широко поддерживается в различных дисциплинах — от социологии и биологии до информатики — что делает результаты широко применимыми.
Применение
- Выявление ключевых лидеров мнений и информационных брокеров в социальных и организационных сетях.
- Картирование научного влияния путём вычисления центральности в сетях соавторства или цитирования.
- Определение критически важных узлов инфраструктуры в транспортных, электроэнергетических и интернет-сетях.
- Приоритизация вакцинации или целей мониторинга в эпидемиологических сетях путём выявления распространителей с высоким посредничеством.
- Выявление «привратников» в цепочках поставок и финансовых сетях для оценки системного риска.
Как это работает
Как это работает
Граф составляется из реляционных данных: узлы представляют сущности (людей, учреждения, веб-страницы), а рёбра — отношения или взаимодействия между ними. Аналитик решает, являются ли рёбра направленными или ненаправленными, и несут ли они веса. В направленных сетях входящая и исходящая степени вычисляются отдельно и интерпретируются по-разному. Достоверность показателей центральности полностью зависит от того, насколько структура графа точно отражает исследуемые реальные отношения.
Аналитик выбирает, какой индекс центральности — или комбинация индексов — соответствует содержательному вопросу. Центральность по степени уместна, когда интерес представляет прямая связность. Центральность по посредничеству выбирается, когда акцент делается на брокерстве и контроле информационных потоков, ценой более высоких вычислительных затрат (O(VE)) на больших графах. Центральность по близости имеет смысл, когда сеть связна или когда компоненты анализируются отдельно. Центральность по собственному вектору или PageRank выбирается, когда важны престиж и рекурсивное влияние. Для взвешенных сетей определение веса должно быть теоретически значимым до вычисления любого индекса.
Каждый выбранный индекс рассчитывается для графа. Центральность по степени нормализуется делением исходной степени на (n-1). Центральность по посредничеству подсчитывает кратчайшие пути через каждый узел и нормализуется общим количеством пар узлов. Центральность по близости является обратной величиной среднего расстояния кратчайшего пути от узла до всех достижимых узлов. Центральность по собственному вектору решается как главный собственный вектор матрицы смежности и требует итерации до сходимости. Узлы ранжируются по каждому показателю, и распределение показателей исследуется на предмет концентрации.
Полученные показатели центральности и ранги интерпретируются в содержательном контексте исследования. Узлы с высокой степенью являются хорошо связанными хабами; узлы с высоким посредничеством являются структурными мостами или брокерами; узлы с высокой близостью могут быстро распространять информацию; узлы с высоким собственным вектором встроены во влиятельные окрестности. Несколько индексов сравниваются для выявления узлов, которые занимают высокие позиции по одному измерению, но не по другому, что часто является наиболее теоретически интересным результатом. Сети с менее чем 20 узлами дают статистически слабые показатели центральности и должны рассматриваться как чисто описательные.
Частые ошибки
- Применение посредничества или близости к несвязному графу без предварительного разложения его на компоненты приводит к неопределённым или вводящим в заблуждение показателям для изолированных узлов.
- Рассмотрение всех пяти индексов центральности как взаимозаменяемых — каждый отвечает на свой вопрос, и выбор неверного индекса для содержательной гипотезы является распространённой ошибкой.
- Игнорирование направления рёбер в направленных сетях сводит входящую и исходящую степени к одному числу, теряя информацию об асимметрии отношений.
- Интерпретация показателей центральности в сетях с менее чем 20 узлами как статистически надёжных — ниже этого порога показатели являются только описательными и не должны использоваться для вывода заключений.
Часто задаваемые вопросы
Какую меру центральности мне следует использовать?
Выбор зависит от вашего содержательного вопроса. Используйте центральность по степени для выявления узлов с наибольшим количеством прямых связей. Используйте центральность по посредничеству для поиска брокеров, которые контролируют поток информации между частями сети. Используйте центральность по близости для выявления узлов, которые могут быстро достичь всех остальных. Используйте центральность по собственному вектору или PageRank, когда престиж соседей узла имеет такое же значение, как и их количество. Представление двух или трёх дополнительных индексов и сравнение рангов обычно более информативно, чем использование одной меры.
Можно ли применять анализ центральности к направленным сетям?
Да. В направленной сети входящая и исходящая степени вычисляются и интерпретируются отдельно: входящая степень отражает, как часто узел выбирается или цитируется другими, тогда как исходящая степень отражает, скольких других он достигает или на кого ссылается. Посредничество и близость также имеют направленные варианты. Центральность по собственному вектору на направленных графах обычно использует доминирующий левый или правый собственный вектор в зависимости от того, течёт ли престиж к узлу или от него.
Какой минимальный размер сети необходим для получения значимых результатов?
Реестр statwise указывает минимум 10 узлов для любого вычисления центральности, а для значимой статистической интерпретации требуется не менее 20. При количестве узлов менее 20 ранжирование нескольких узлов не обобщается, и более честным выбором является описательная сетевая статистика.
Как мне работать с несвязным графом?
Меры, основанные на путях — посредничество и близость — не определены между узлами в разных компонентах. Стандартный подход заключается в анализе каждой связной компоненты отдельно или в ограничении близости достижимыми узлами и соответствующей нормализации. Центральность по степени и по собственному вектору не требуют связности и могут быть вычислены для полного графа.
Похожие методы
Источники
Freeman, L.C. (1979). Centrality in Social Networks: Conceptual Clarification. Social Networks, 1(3), 215-239.
Открыть ссылку DOIСкопировано.Borgatti, S.P. (2005). Centrality and Network Flow. Social Networks, 27(1), 55-71.
Открыть ссылку DOIСкопировано.