Взвешенная центральность по собственному вектору
- Автор метода
- Bonacich, P. (binary); Opsahl, T. et al. (weighted extension)
- Год
- 1987 (binary); 2010 (weighted generalization)
- Тип
- Spectral centrality measure
- Семейство
- Network science
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Взвешенная центральность по собственному вектору расширяет классическую меру центральности по собственному вектору для графов, где ребра несут числовые веса, оценивая каждый узел пропорционально сумме оценок его соседей, умноженных на веса соединяющих ребер.
Узлы получают высокую оценку не только за счет большого числа связей, но и за счет сильных связей с другими влиятельными узлами, что делает меру чувствительной одновременно к силе связи и положению в сети.
Интуиция метода
В невзвешенной сети центральность по собственному вектору рекурсивно отражает престиж: связь с важными узлами повышает вашу собственную важность. В взвешенной сети слабая связь с центральным актером имеет меньшее значение, чем сильная связь с тем же актером. Взвешенная центральность по собственному вектору учитывает эту интуицию, заменяя простую матрицу смежности матрицей весов, так что исследователь, интенсивно сотрудничающий с лидером в своей области, получает более высокий рейтинг, чем тот, кто имеет лишь поверхностное соавторство с тем же лидером. Оценка каждого узла пропорциональна взвешенной сумме оценок его соседей.
История
Центральность по собственному вектору была введена Филлипом Боначиком в 1987 году как мера престижа для социальных сетей, обобщая простую степень путем взвешивания каждой связи по центральности ее источника. Явное расширение на взвешенные сети получило формальное рассмотрение в работе Opsahl, Agneessens, and Skvoretz (2010), которые предоставили унифицированную структуру, обобщающую как центральность по степени, так и центральность, основанную на путях, для взвешенных графов. Эта мера теперь является стандартным инструментом в наукометрии, нейронаучной коннектомике и анализе сетей международной торговли.
Когда применять
Используйте взвешенную центральность по собственному вектору, когда ваша сеть имеет значимые веса ребер (частота сотрудничества, объем коммуникаций, торговый поток, количество совместных упоминаний) и вам нужно выявить узлы, которые одновременно сильно связаны и связаны с другими хорошо связанными узлами. Это особенно уместно в сетях соавторства, экономических торговых сетях и анализе связности мозга. Избегайте ее, когда веса ребер являются порядковыми или произвольно масштабированными, когда сеть очень разрежена или несвязна (главный собственный вектор может не сойтись или может быть доминирован небольшим кликом), когда веса представляют расстояния, а не сходства, или когда интерпретируемость одной сводной оценки недостаточна и более релевантны меры, основанные на путях, такие как посредничество.
Ограничения и замечания
- Проблематична на несвязных или почти несвязных графах, где главный собственный вектор может схлопнуться до нуля для периферийных компонентов.
- Чувствительна к масштабированию весов: умножение всех весов на константу изменяет собственные значения, но не ранжирование, однако произвольные преобразования весов могут исказить результаты.
- Не учитывает длину пути или роли мостов; узлы на важных кратчайших путях могут быть недооценены по сравнению с мерами, основанными на посредничестве.
- Вычислительно затратна для очень больших плотных сетей; на масштабе требуются разреженные аппроксимации или методы степенных итераций.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Учитывает одновременно силу связи и глобальный престиж, в отличие от центральности по степени, которая игнорирует, кто является соседями.
- Теоретически обоснована спектральной теорией графов; теорема Перрона — Фробениуса гарантирует единственное, неотрицательное решение для связных неотрицательных матриц.
- Чувствительна к неоднородности весов ребер, вознаграждая узлы с сильными связями с другими влиятельными узлами выше, чем узлы со многими слабыми связями.
- Широко реализована в стандартных библиотеках для работы с сетями (NetworkX, igraph, пакет igraph для R), что делает ее доступной без написания пользовательского кода.
- Применима как к неориентированным, так и к ориентированным взвешенным сетям.
Применение
- Выявление ключевых влиятельных лиц в взвешенных сетях сотрудничества или соавторства в наукометрии.
- Картографирование узловых областей в сетях связности мозга, где веса ребер отражают силу корреляции сигналов.
- Ранжирование стран по центральности в глобальных торговых сетях, взвешенных по объему экспорта.
- Обнаружение доминирующих видов или ключевых узлов в экологических пищевых сетях с весами силы взаимодействия.
- Приоритизация узлов для вмешательства в эпидемиологические сети контактов с весами частоты контактов.
- Оценка важности маршрутизаторов или серверов в сетях связи, взвешенных по объему трафика.
Как это работает
Как это работает
Представьте сеть как взвешенную матрицу смежности W, где элемент W_ij содержит вес ребра между узлами i и j. Веса должны быть неотрицательными; симметричные матрицы применяются к неориентированным сетям, в то время как асимметричные матрицы расширяют меру на ориентированные взвешенные графы.
Формула
W \in \mathbb{R}^{n \times n},\; W_{ij} = w_{ij} \geq 0Вычислите собственные значения и собственные векторы матрицы W. Главный собственный вектор — связанный с наибольшим положительным собственным значением — удовлетворяет рекурсивному уравнению Wx = lambda*x, гарантируя, что оценка каждого узла пропорциональна взвешенной сумме оценок его соседей.
Формула
W \mathbf{x} = \lambda \mathbf{x}Выберите собственный вектор, соответствующий наибольшему собственному значению (теорема Перрона — Фробениуса гарантирует, что этот собственный вектор имеет все неотрицательные элементы для связной неотрицательной матрицы), который является осмысленным решением для центральности.
Формула
\mathbf{x}^* = \text{eigenvector for } \lambda_{\max}Масштабируйте сырые элементы собственного вектора так, чтобы максимальная оценка равнялась 1 (или норма L2 равнялась 1, в зависимости от соглашения), получая интерпретируемые оценки центральности, которые ранжируют узлы относительно наиболее центрального узла в сети.
Формула
x_i^* = \frac{x_i}{\max_j x_j}Частые ошибки
- Использование сырых количеств совместных упоминаний в качестве весов без нормализации по активности узлов, что увеличивает центральность для узлов с большим объемом независимо от их избирательности.
- Применение меры к несвязным графам без предварительного извлечения наибольшего связного компонента, что приводит к бессмысленным нулевым оценкам для периферийных узлов.
- Рассмотрение весов типа расстояния (например, географическое расстояние, задержка) как весов сходства, что меняет интерпретацию — большой вес должен означать сильную связь, а не большую стоимость.
- Игнорирование диагностических показателей сходимости при использовании итерационных (степенных итераций) вычислений; отказ от проверки сходимости алгоритма перед доверием к оценкам.
Часто задаваемые вопросы
Чем взвешенная центральность по собственному вектору отличается от стандартной (бинарной) центральности по собственному вектору?
Бинарная центральность по собственному вектору использует невзвешенную матрицу смежности, поэтому каждый сосед вносит равный вклад независимо от силы связи. Взвешенная версия использует матрицу весов, поэтому сосед вносит вклад пропорционально весу соединяющего ребра, делая силу связи явной частью расчета престижа.
Что если моя сеть ориентирована?
Для ориентированных взвешенных сетей матрица весов является асимметричной. Вы можете вычислить левые собственные векторы (отражающие престиж входящего потока, аналогично взвешенной оценке хаба) или правые собственные векторы (отражающие престиж исходящего потока), в зависимости от того, заботитесь ли вы о том, кто получает влияние или кто его отправляет. Это аналогично различию между оценками авторитета и хаба в HITS.
Можно ли использовать отрицательные веса ребер?
Гарантия Перрона — Фробениуса для неотрицательного главного собственного вектора применима только к неотрицательным матрицам. Отрицательные веса (например, антагонистические отношения) нарушают эту гарантию и могут привести к собственным векторам со смешанными знаками, которые трудно интерпретировать. Предварительно обработайте отрицательные веса, либо разделив положительные и отрицательные слои, либо с осторожностью применив преобразование абсолютного значения.
Лучше ли она, чем взвешенная центральность по степени (силе)?
Они учитывают разные вещи. Взвешенная центральность по степени (сила узла) подсчитывает общий вес прямых связей, но игнорирует, кто является соседями. Взвешенная центральность по собственному вектору рекурсивно учитывает глобальное положение в сети. На практике эти две меры сильно коррелируют во многих эмпирических сетях, поэтому, если взвешенная центральность по собственному вектору не сходится или граф несвязен, центральность по степени может быть более безопасным вариантом.
Как мне работать с очень большими сетями?
Используйте разреженные матричные представления и алгоритмы степенных итераций (доступные в NetworkX и igraph) вместо полного разложения на собственные значения. Проверяйте допуск сходимости и пределы итераций. Для сетей с миллионами узлов рассмотрите возможность выборки или агрегации на уровне сообществ перед применением меры.
Похожие методы
Источники
Bonacich, P. (1987). Power and centrality: A family of measures. American Journal of Sociology, 92(5), 1170–1182.
Открыть ссылку DOIСкопировано.Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3), 245–251.
Открыть ссылку DOIСкопировано.