Skip to content
กลับไปยังผลการค้นหา

การวัดความเป็นศูนย์กลางแบบถ่วงน้ำหนัก (Weighted Degree Centrality)

ผู้เสนอ
Barrat, A.; Barthélemy, M.; Pastor-Satorras, R.; Vespignani, A.
ปี
2004
ประเภท
Centrality measure for weighted networks
กลุ่มวิธี
Network science

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การวัดความเป็นศูนย์กลางแบบถ่วงน้ำหนัก (Weighted degree centrality) หรือที่เรียกว่าความเข้มแข็งของโหนด (node strength) เป็นการขยายแนวคิดการวัดความเป็นศูนย์กลางแบบดีกรี (degree centrality) แบบดั้งเดิมไปสู่เครือข่ายที่เส้นเชื่อมมีค่าน้ำหนักเชิงตัวเลข แทนที่จะนับจำนวนการเชื่อมต่อของโหนดเพียงอย่างเดียว วิธีนี้จะรวมค่าน้ำหนักของเส้นเชื่อมทั้งหมดที่เชื่อมต่อกับโหนดนั้นเข้าด้วยกัน ซึ่งสะท้อนทั้งปริมาณและความเข้มข้นของความสัมพันธ์ของโหนดในคะแนนเดียวที่ตีความได้ง่าย

แนวคิดเบื้องหลังวิธีการ

ในเครือข่ายที่ไม่มีการถ่วงน้ำหนัก ดีกรีของโหนดจะนับจำนวนเพื่อนบ้านที่มี แต่การที่นักวิจัยส่งอีเมลถึงเพื่อนร่วมงาน 10 คนทุกสัปดาห์นั้นไม่เท่ากับการส่งอีเมลถึงเพื่อนร่วมงานแต่ละคนปีละครั้ง การวัดความเป็นศูนย์กลางแบบถ่วงน้ำหนักสามารถแยกแยะความแตกต่างนี้ได้ โดยจะรวมความเข้มแข็งที่แท้จริงของการเชื่อมต่อแต่ละครั้งเข้าด้วยกัน คะแนนที่สูงบ่งชี้ว่าโหนดนั้นไม่เพียงแต่มีการเชื่อมต่อที่ดีเท่านั้น แต่ยังรักษาความสัมพันธ์ที่แข็งแกร่งหรือบ่อยครั้ง ทำให้เป็นมาตรวัดที่เป็นธรรมชาติของอิทธิพลหรือความสำคัญในการรับภาระในเครือข่ายสังคม ชีวภาพ หรือโครงสร้างพื้นฐานแบบถ่วงน้ำหนัก

ประวัติศาสตร์

แนวคิดเรื่องความเข้มแข็งของโหนดในฐานะการขยายดีกรีแบบถ่วงน้ำหนักได้รับการนำเสนออย่างเป็นทางการโดย Barrat, Barthélemy, Pastor-Satorras, และ Vespignani ในบทความ PNAS ปี 2004 ของพวกเขาที่วิเคราะห์สถาปัตยกรรมของเครือข่ายถ่วงน้ำหนักที่ซับซ้อน รวมถึงเครือข่ายการขนส่งทางอากาศทั่วโลก กรอบแนวคิดของพวกเขาได้กลายเป็นข้อมูลอ้างอิงพื้นฐานสำหรับวิทยาศาสตร์เครือข่ายถ่วงน้ำหนัก และปัจจุบันเป็นเนื้อหามาตรฐานในตำราการวิเคราะห์เครือข่าย เช่น Networks: An Introduction (2010) ของ Newman มาตรวัดนี้ได้ถูกนำไปประยุกต์ใช้ในสาขาประสาทวิทยา เศรษฐศาสตร์ นิเวศวิทยา และสังคมศาสตร์เชิงคำนวณ

ควรใช้เมื่อใด

ใช้การวัดความเป็นศูนย์กลางแบบถ่วงน้ำหนักเมื่อเครือข่ายของคุณมีค่าน้ำหนักเส้นเชื่อมเชิงตัวเลขที่มีความหมาย เช่น ความถี่ในการทำงานร่วมกัน, ปริมาณการสื่อสาร, มูลค่าการค้า, การไหลทางกายภาพ และคุณต้องการระบุโหนดที่กระตือรือร้นหรือมีอิทธิพลมากที่สุดโดยไม่มีความซับซ้อนของมาตรวัดที่อิงตามเส้นทาง เป็นมาตรวัดความเป็นศูนย์กลางแรกที่เหมาะสมเมื่อดีกรีแบบไบนารีจะละทิ้งความแปรปรวนที่สำคัญในความเข้มแข็งของความสัมพันธ์ อย่าใช้เมื่อค่าน้ำหนักเส้นเชื่อมเป็นหมวดหมู่นามหรือเรียงลำดับ (ควรแปลงเป็นคะแนนเรียงลำดับที่มีความหมายก่อน) เมื่อโครงสร้างเครือข่ายมีความสำคัญมากกว่าปริมาณงานดิบ (ควรใช้ betweenness หรือ eigenvector centrality) หรือเมื่อเครือข่ายไม่ได้ถ่วงน้ำหนัก (ควรใช้ standard degree centrality แทน)

ข้อจำกัดและข้อควรพิจารณา

  • อ่อนไหวต่อมาตราส่วนและการกระจายตัวของค่าน้ำหนักเส้นเชื่อม; ค่าน้ำหนักที่เบ้สามารถทำให้คะแนนของโหนดบางโหนดสูงขึ้นอย่างมาก
  • ไม่ได้คำนึงถึงตำแหน่งของโหนดในโครงสร้างเครือข่ายโดยรวม — โหนดที่อยู่รอบนอกแต่มีน้ำหนักมากอาจได้คะแนนสูงกว่าโหนดที่เป็นศูนย์กลางทางโครงสร้าง
  • ละเลยทิศทางของเส้นเชื่อมในเครือข่ายแบบมีทิศทาง เว้นแต่จะคำนวณความเข้มแข็งขาเข้า (in-strength) และความเข้มแข็งขาออก (out-strength) แยกกัน
  • ไม่ให้ข้อมูลเกี่ยวกับการรวมกลุ่ม (clustering), การเป็นตัวกลาง (brokerage) หรือการเข้าถึงการเชื่อมต่อทางอ้อม

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • คำนวณได้ง่าย — O(m) โดยที่ m คือจำนวนเส้นเชื่อม — และสามารถประมวลผลแบบขนานได้อย่างง่ายดายสำหรับเครือข่ายขนาดใหญ่
  • การตีความที่เข้าใจง่าย: สะท้อนโดยตรงถึงปริมาณรวมหรือความเข้มข้นของการเชื่อมต่อของโหนด
  • แยกแยะความแตกต่างระหว่างโหนดที่มีดีกรีเท่ากันแต่มีความเข้มแข็งของความสัมพันธ์ต่างกัน ซึ่งการวัดความเป็นศูนย์กลางแบบดีกรีแบบไบนารีไม่สามารถทำได้
  • มีการนำไปใช้งานอย่างแพร่หลายใน NetworkX, igraph, Gephi และแพ็คเกจ igraph ของ R
  • สามารถใช้ร่วมกับดีกรีที่ไม่ได้ถ่วงน้ำหนักได้อย่างเป็นธรรมชาติเพื่อตรวจจับว่าโหนดที่มีดีกรีสูงมีการจราจรหนาแน่นด้วยหรือไม่

การประยุกต์ใช้

  • การระบุผู้กระทำการที่กระตือรือร้นหรือมีอิทธิพลมากที่สุดในเครือข่ายสังคมและการทำงานร่วมกันแบบถ่วงน้ำหนัก
  • การตรวจจับศูนย์กลางหลักในเครือข่ายการขนส่งและการค้าโดยพิจารณาจากปริมาณการไหลรวม
  • การจัดอันดับภูมิภาคสมองตามความเข้มแข็งของการเชื่อมต่อแบบซินแนปส์หรือการทำงานในงานวิจัยคอนเนกโตม
  • การหาปริมาณการเขียนร่วมที่มีผลงานมากหรืออิทธิพลการอ้างอิงในเครือข่ายบรรณานุกรม
  • การตรวจจับชนิดพันธุ์หลักในสายใยอาหารเชิงนิเวศวิทยาที่ถ่วงน้ำหนักด้วยความถี่ของการปฏิสัมพันธ์หรือการไหลของชีวมวล
  • การเปรียบเทียบความสำคัญของโหนดก่อนที่จะใช้มาตรวัดความเป็นศูนย์กลางที่อิงตามเส้นทางซึ่งมีค่าใช้จ่ายสูงกว่า

วิธีการทำงาน

วิธีการทำงาน

1

แสดงเครือข่ายเป็นกราฟถ่วงน้ำหนัก G = (V, E, W) โดยที่โหนด V คือผู้กระทำการหรือเอนทิตี, เส้นเชื่อม E คือความสัมพันธ์, และเมทริกซ์น้ำหนัก W กำหนดค่าจริงบวก w_ij ให้กับเส้นเชื่อมแต่ละเส้น ซึ่งเข้ารหัสความถี่, ความเข้มข้น, ต้นทุน หรือปริมาณอื่น ๆ ที่เกี่ยวข้องกับโดเมน ค่าน้ำหนักติดลบต้องมีการประมวลผลล่วงหน้าอย่างระมัดระวังหรือการกำหนดสูตรทางเลือก

2

สำหรับแต่ละโหนด i ให้รวมค่าน้ำหนักของเส้นเชื่อมทั้งหมดที่เชื่อมต่อกับเพื่อนบ้าน: s_i = ผลรวมของ w_ij สำหรับทุก j ในบริเวณใกล้เคียงของ i ปริมาณนี้ถูกเรียกว่าความเข้มแข็งของโหนด (node strength) ในวรรณกรรมของ Barrat et al. (2004) และเป็นการขยายดีกรีแบบไบนารีไปสู่กรณีถ่วงน้ำหนักโดยตรง

สูตร
s_i = \sum_{j \in \mathcal{N}(i)} w_{ij}
3

หารความเข้มแข็งของแต่ละโหนดด้วยน้ำหนักรวมในเครือข่าย (หรือด้วยความเข้มแข็งของโหนดสูงสุด) เพื่อให้ได้คะแนนที่ถูกทำให้เป็นมาตรฐานระหว่าง 0 ถึง 1 การทำให้เป็นมาตรฐานช่วยให้สามารถเปรียบเทียบเครือข่ายที่มีขนาดหรืองบประมาณน้ำหนักรวมที่แตกต่างกันได้อย่างยุติธรรม และเป็นแนวปฏิบัติมาตรฐานก่อนการจัดอันดับหรือการวิเคราะห์การถดถอย

สูตร
s_i^{\text{norm}} = \frac{s_i}{\sum_k s_k}
4

จัดเรียงโหนดตามคะแนนความเข้มแข็งที่ถูกทำให้เป็นมาตรฐานและระบุโหนดที่มีความเป็นศูนย์กลางสูง ในเครือข่ายสังคม โหนดเหล่านี้คือผู้กระทำการที่กระตือรือร้นหรือมีอิทธิพลมากที่สุด; ในเครือข่ายการค้า คือศูนย์กลางที่ใหญ่ที่สุด; ในเครือข่ายการเขียนร่วม คือผู้ร่วมงานที่มีผลงานมากที่สุด เปรียบเทียบกับดีกรีที่ไม่ได้ถ่วงน้ำหนักเพื่อระบุโหนดที่อิทธิพลถูกขยายหรือลดทอนลงด้วยความเข้มแข็งของความสัมพันธ์

ข้อผิดพลาดที่พบบ่อย

  • การถือว่าค่าน้ำหนักดิบสามารถเปรียบเทียบกันได้ในชุดข้อมูลต่าง ๆ โดยไม่มีการทำให้เป็นมาตรฐานหรือการแปลงลอการิทึมเมื่อค่าน้ำหนักมีการเบ้มาก
  • การลืมคำนวณความเข้มแข็งขาเข้าและความเข้มแข็งขาออกแยกกันในเครือข่ายแบบมีทิศทาง และรวมเข้าเป็นคะแนนเดียวโดยไม่มีเหตุผล
  • การรายงานการวัดความเป็นศูนย์กลางแบบถ่วงน้ำหนักโดยไม่เปรียบเทียบกับการวัดความเป็นศูนย์กลางแบบดีกรีแบบไบนารี ซึ่งทำให้พลาดไปว่าความเข้มแข็งสูงนั้นเกิดจากความสัมพันธ์ที่อ่อนแอจำนวนมากหรือความสัมพันธ์ที่แข็งแกร่งจำนวนน้อย
  • การใช้มาตรวัดกับ self-loops โดยไม่ได้ตัดสินใจว่าจะรวมหรือแยกค่าน้ำหนักแนวทแยง
  • การละเลยค่าน้ำหนักที่ขาดหายไปหรือมีค่าเป็นศูนย์จำนวนมาก ซึ่งอาจทำให้ประเมินความเข้มแข็งของโหนดที่สังเกตได้ไม่ดีต่ำเกินไปอย่างเป็นระบบ

คำถามที่พบบ่อย

การวัดความเป็นศูนย์กลางแบบถ่วงน้ำหนักแตกต่างจากการวัดความเป็นศูนย์กลางแบบดีกรีมาตรฐานอย่างไร?

การวัดความเป็นศูนย์กลางแบบดีกรีมาตรฐานนับจำนวนเส้นเชื่อมที่เชื่อมต่อกับโหนด โดยถือว่าการเชื่อมต่อทั้งหมดเท่ากัน การวัดความเป็นศูนย์กลางแบบถ่วงน้ำหนักจะรวมค่าน้ำหนักของเส้นเชื่อมเข้าด้วยกัน ดังนั้นโหนดที่เชื่อมต่อกับความสัมพันธ์ที่แข็งแกร่งมากเพียงหนึ่งเดียวอาจได้คะแนนสูงกว่าโหนดที่มีความสัมพันธ์ที่อ่อนแอจำนวนมาก มาตรวัดทั้งสองร่วมกันจะเปิดเผยว่าอิทธิพลของโหนดมาจากความกว้างหรือความเข้มข้นของการเชื่อมต่อ

ฉันควรแปลงค่าน้ำหนักเส้นเชื่อมเป็นลอการิทึมก่อนคำนวณความเข้มแข็งของโหนดหรือไม่?

เมื่อค่าน้ำหนักครอบคลุมหลายอันดับของขนาด — เช่น ปริมาณการค้าที่แตกต่างกันตั้งแต่หลักพันไปจนถึงหลักพันล้าน — การแปลงลอการิทึมจะช่วยป้องกันไม่ให้ความสัมพันธ์ที่รุนแรงเพียงไม่กี่รายการครอบงำคะแนน ควรตรวจสอบการกระจายตัวของค่าน้ำหนักเสมอและใช้การแปลงหากมีการเบ้ขวาอย่างมาก

ฉันจะจัดการกับเครือข่ายแบบมีทิศทางได้อย่างไร?

คำนวณความเข้มแข็งขาเข้า (ผลรวมของค่าน้ำหนักเส้นเชื่อมขาเข้า) และความเข้มแข็งขาออก (ผลรวมของค่าน้ำหนักเส้นเชื่อมขาออก) แยกกัน ความเข้มแข็งขาเข้ามักสะท้อนถึงความนิยมหรืออำนาจ ในขณะที่ความเข้มแข็งขาออกสะท้อนถึงกิจกรรมหรือความพยายาม การรวมเข้าเป็นคะแนนเดียวจะทำให้ข้อมูลทิศทางหายไป

ซอฟต์แวร์ใดที่เหมาะสมสำหรับการคำนวณการวัดความเป็นศูนย์กลางแบบถ่วงน้ำหนัก?

NetworkX ใน Python (เมธอด strength ผ่าน degree พร้อมพารามิเตอร์ weight), igraph ใน R หรือ Python (ฟังก์ชัน strength) และ Gephi (คอลัมน์ weighted degree ในตัว) ทั้งหมดคำนวณความเข้มแข็งของโหนดด้วยการเรียกใช้ฟังก์ชันเดียว สำหรับเครือข่ายขนาดใหญ่ที่เบาบางมาก การใช้งาน graph-tool หรือ GraphBLAS จะมีประสิทธิภาพมากกว่า

ฉันควรเลือกใช้ betweenness centrality แทน weighted degree centrality เมื่อใด?

ใช้ betweenness centrality เมื่อคุณสนใจว่าโหนดใดควบคุมข้อมูลหรือการไหลของทรัพยากรตามเส้นทางที่สั้นที่สุด — ตัวกลางและสะพานในเครือข่าย ใช้ weighted degree centrality เมื่อคุณสนใจกิจกรรมดิบหรือปริมาณงานที่แต่ละโหนด มาตรวัดทั้งสองเป็นส่วนเสริมซึ่งกันและกันและมักให้ข้อมูลที่เป็นประโยชน์เมื่อรายงานร่วมกัน

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  1. Barrat, A., Barthélemy, M., Pastor-Satorras, R., & Vespignani, A. (2004). The architecture of complex weighted networks. Proceedings of the National Academy of Sciences, 101(11), 3747–3752.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  2. Newman, M. E. J. (2010). Networks: An Introduction. Oxford University Press.

    ISBN: 978-0-19-920665-0
    คัดลอกแล้ว