Собственная центральность
- Автор метода
- Bonacich, P.
- Год
- 1972
- Тип
- Centrality measure
- Семейство
- Network science
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Собственная центральность, введенная Боначичем в 1972 году, измеряет влияние узла, учитывая не только количество его соседей, но и влиятельность этих соседей.
Узел получает высокий балл, если он связан с другими узлами с высоким баллом, что делает его рекурсивной, глобально осведомленной мерой структурной важности в сети.
Интуиция метода
Наличие хороших связей имеет значение, но связь с хорошо связанными людьми имеет еще большее значение. Собственная центральность отражает эту рекурсивную идею: ваш балл зависит от баллов ваших соседей, которые, в свою очередь, зависят от баллов их соседей и так далее по всей сети. Это похоже на то, как влияние непрерывно течет по сети, пока не установится в стабильном равновесии — ведущем собственном векторе матрицы смежности — где балл каждого узла пропорционален сумме баллов его соседей.
История
Собственная центральность была формализована Филиппом Боначичем в статье 1972 года, посвященной факторизации и взвешиванию подходов к оценке статуса, установив теоретическую основу для мер центральности, основанных на престиже. Идея о том, что важность узла пропорциональна сумме важностей его соседей, предшествовала Боначичу в социологическом понятии статуса, но его алгебраическая формализация сделала ее вычислимой. Мера получила широкое распространение в анализе социальных сетей, а затем в библиометрии и анализе веб-графов, напрямую вдохновив алгоритм Google PageRank (1998), который добавляет фактор затухания для обработки ориентированных и несвязных графов.
Когда применять
Используйте собственную центральность, когда вы хотите выявить узлы, которые влиятельны не просто потому, что у них много связей, а потому, что они встроены в плотно связанные, высокостатусные области сети — типично для сетей цитирования, исследований социального влияния и анализа организационного престижа. Она подходит для неориентированных или симметричных ориентированных сетей, где понятие взаимного усиления имеет существенный смысл. Избегайте ее на несвязных графах (баллы становятся неопределенными для изолированных компонентов), на ориентированных ациклических графах (ведущий собственный вектор вырождается) или когда вопрос исследования касается локальной связности, а не глобального престижа. Для ориентированных сетей с асимметричным влиянием, как правило, предпочтительнее PageRank.
Ограничения и замечания
- Неопределенна или вырождена на несвязных графах и ориентированных ациклических графах, где ведущий собственный вектор не дает осмысленных баллов для всех узлов.
- Чувствительна к плотности и структуре сети: в очень разреженных сетях почти все узлы схлопываются к баллам, близким к нулю, за исключением небольшого числа хабов.
- Не учитывает длину пути или связующие роли; узел, соединяющий два плотных кластера, может получить низкий балл, несмотря на свою структурную важность.
- Для ориентированных асимметричных сетей мера требует адаптации (например, PageRank), и наивное применение может быть вводящим в заблуждение.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Отражает рекурсивное, глобальное влияние, а не только локальную степень, одновременно выявляя престиж и структурную важность.
- Основана на принципиальной линейно-алгебраической основе с уникальным решением, гарантированным теоремой Перрона-Фробениуса для связных сетей.
- Естественным образом учитывает качество связей, а не только их количество, что делает ее подходящей для исследований престижа и статуса.
- Эффективно вычисляется с помощью степенной итерации даже на больших разреженных сетях.
- Прямо интерпретируема: баллы отражают пропорциональное влияние относительно наиболее центрального узла.
Применение
- Выявление престижа и влияния в сетях академических цитирований и графах совместных публикаций.
- Картографирование структур власти и лидеров мнений в организационных и политических сетях.
- Обнаружение узлов-хабов в биологических сетях белковых взаимодействий и генной регуляции.
- Ранжирование веб-страниц и документов по структурному авторитету (основа для PageRank).
- Анализ диффузии влияния и ключевых распространителей в сетях социальных медиа.
- Оценка иерархий статуса в социометрических исследованиях и исследованиях сетей дружбы.
Как это работает
Как это работает
Сеть представлена матрицей смежности A, где элемент A_ij равен 1 (или весу ребра для взвешенных сетей), если узлы i и j связаны, и 0 в противном случае. Эта матрица кодирует полную топологию связей, на основе которой будет вычисляться центральность.
Наибольшее собственное значение и соответствующий ему собственный вектор вычисляются из матрицы смежности с использованием степенной итерации или стандартного решателя линейной алгебры. Согласно теореме Перрона-Фробениуса, для связных сетей ведущее собственное значение lambda_max гарантированно является действительным и положительным, обеспечивая уникальное, интерпретируемое решение.
Формула
\mathbf{A}\mathbf{x} = \lambda_{\max}\mathbf{x}Каждому узлу присваивается соответствующий компонент ведущего собственного вектора в качестве его балла центральности. Балл удовлетворяет условию неподвижной точки: балл узла равен (1/lambda_max) умноженному на сумму баллов его соседей, поэтому узлы с высоким баллом рекурсивно повышают баллы своих соседей.
Формула
x_i = \frac{1}{\lambda_{\max}} \sum_{j \in N(i)} x_jБаллы обычно масштабируются так, чтобы максимальное значение равнялось 1, что делает их сопоставимыми между сетями разного размера. Относительный рейтинг узлов сохраняется независимо от используемой конвенции нормализации.
Частые ошибки
- Применение собственной центральности к несвязной сети без предварительного выделения наибольшего связного компонента, что приводит к нулевым баллам для целых подграфов.
- Смешение собственной центральности с центральностью по степени и несообщение о том, какая мера используется; они могут давать очень разные ранжирования.
- Использование ее на ориентированной сети без проверки того, что граф сильно связан, или без адаптации к ориентированному варианту, такому как PageRank.
- Рассмотрение небольших различий в нормализованных баллах как значимых, когда сеть разрежена, а баллы численно сжаты около нуля.
- Пропуск проверок на чувствительность: ранжирование центральности может существенно измениться, если удалить несколько узлов-хабов с высокой степенью.
Часто задаваемые вопросы
Чем собственная центральность отличается от центральности по степени?
Центральность по степени учитывает только непосредственных соседей, рассматривая все связи как равные. Собственная центральность взвешивает каждого соседа по собственной центральности этого соседа, поэтому связь с высокоцентральным узлом вносит больший вклад, чем связь с периферийным. Узел с небольшим количеством, но очень влиятельными соседями может превзойти узел с высокой степенью, связанный в основном с периферийными узлами.
Почему собственная центральность не работает на ориентированных ациклических графах?
В ориентированном ациклическом графе нет циклов, поэтому влияние не может течь обратно вверх по течению. Ведущий собственный вектор матрицы смежности присваивает нулевые баллы всем узлам, кроме тех, у которых нет исходящих ребер (стоков), что приводит к вырождению меры. PageRank решает эту проблему, добавляя член телепортации, который равномерно перераспределяет вес.
Могу ли я использовать собственную центральность на взвешенных сетях?
Да. Замените бинарную матрицу смежности взвешенной матрицей смежности и примените ту же процедуру разложения на собственные значения. Ведущий собственный вектор затем отражает как количество, так и силу связей. Убедитесь, что веса ребер неотрицательны, чтобы гарантии Перрона-Фробениуса выполнялись.
Как следует сообщать о собственной центральности в статье?
Сообщайте нормализованные баллы собственной центральности (максимум = 1), указывайте используемое программное обеспечение и его версию (например, NetworkX, igraph), указывайте, была ли сеть ориентированной или неориентированной, и подтверждайте, что был использован наибольший связный компонент, если граф несвязный. Визуализация, окрашивающая или масштабирующая узлы по их баллам, значительно облегчает интерпретацию.
Какова связь между собственной центральностью и PageRank?
PageRank является ориентированным, затухающим обобщением собственной центральности. Он добавляет фактор затухания (обычно 0,85) и вероятность равномерной телепортации для обработки несвязных и ориентированных графов. Для неориентированных связных сетей PageRank и собственная центральность дают почти идентичные ранжирования.
Похожие методы
Источники
Bonacich, P. (1972). Factoring and weighting approaches to status scores and clique identification. Journal of Mathematical Sociology, 2(1), 113–120.
Открыть ссылку DOIСкопировано.Eigenvector centrality. Wikipedia.
Открыть ссылку на публикациюСкопировано.