Özvektör Merkezi̇lli̇ği̇
- Ortaya koyan
- Bonacich, P.
- Yıl
- 1972
- Tür
- Centrality measure
- Aile
- Network science
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Özvektör merkezi̇lli̇ği̇, 1972'de Bonacich tarafından tanıtılmış olup, bir düğümün etkisini yalnızca kaç komşusu olduğunu değil, aynı zamanda bu komşuların ne kadar etkili olduğunu da dikkate alarak ölçer.
Yüksek puan alan düğümlere bağlı olması nedeniyle bir düğüm yüksek puan alır, bu da onu bir ağdaki yapısal önemin özyinelemeli, küresel olarak farkında olan bir ölçüsü haline getirir.
Yöntemin mantığı
İyi bağlı olmak önemlidir, ancak iyi bağlı kişilere bağlı olmak daha da önemlidir. Özvektör merkezi̇lli̇ği̇ bu özyinelemeli fikri yakalar: puanınız komşularınızın puanlarına bağlıdır, bu da sırayla onların komşularının puanlarına ve böylece tüm ağ boyunca devam eder. Etkinin ağ etrafında sürekli olarak akıp, her düğümün puanının komşularının puanlarının toplamına orantılı olduğu kararlı bir dengeye yerleşmesi gibidir — komşularının puanlarının toplamının en büyük özvektörüdür.
Tarih
Akademik atıf ağlarında ve ortak yazarlık grafiklerinde prestij ve etkiyi belirleme.
Ne zaman kullanılır?
Özvektör merkezi̇lli̇ği̇ni̇, yalnızca çok sayıda bağlantıya sahip oldukları için değil, aynı zamanda ağın yoğun bağlantılı, yüksek statülü bölgelerine gömülü oldukları için etkili olan düğümleri belirlemek istediğinizde kullanın — tipik olarak atıf ağlarında, sosyal etki araştırmalarında ve örgütsel prestij analizinde. Yönlendirilmemiş veya simetrik yönlendirilmiş ağlar için uygundur; burada karşılıklı pekiştirme kavramı anlamlı bir şekilde geçerlidir. Bağlantısız grafiklerde (izole bileşenler için puanlar tanımsız olur), yönlendirilmiş döngüsüz grafiklerde (en büyük özvektör bozulur) veya araştırma sorusu yerel bağlantı yerine küresel prestij olduğunda bundan kaçının. Asimetrik etkiye sahip yönlendirilmiş ağlar için, PageRank genellikle tercih edilir.
Sınırlar ve dikkat edilmesi gerekenler
- Ağ yoğunluğuna ve yapısına duyarlıdır: çok seyrek ağlarda, küçük bir merkez düğüm hariç neredeyse tüm düğümler sıfıra yakın puanlara düşer.
- Yol uzunluğunu veya köprü rollerini hesaba katmaz; iki yoğun kümeyi bağlayan bir düğüm, yapısal önemi göz önüne alındığında düşük puan alabilir.
- Yönlendirilmiş asimetrik ağlar için ölçüm uyarlama gerektirir (örneğin, PageRank) ve naif uygulama yanıltıcı olabilir.
- Özvektör merkezi̇lli̇ği̇ni̇, önce en büyük bağlı bileşeni çıkarmadan bağlantısız bir ağa uygulamak, tüm alt grafikler için sıfır puanlara yol açar.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Yalnızca yerel dereceden ziyade özyinelemeli, küresel etkiyi yakalar, prestiji ve yapısal önemi aynı anda ortaya çıkarır.
- Bağlantısız ağlar ve yönlendirilmiş döngüsüz grafikler için tanımsız veya bozuktur; burada en büyük özvektör tüm düğümler için anlamlı puanlar vermez.
- Doğal olarak yalnızca bağlantıların miktarını değil, bağlantıların kalitesini de hesaba katar, bu da onu prestij ve statü araştırmaları için uygun hale getirir.
- Büyük seyrek ağlarda bile güç yinelemesi yoluyla hesaplanması verimlidir.
- Doğrudan yorumlanabilir: puanlar, en merkezi düğüme göre orantılı etkiyi yansıtır.
Uygulama alanları
- Örgütsel ve siyasi ağlarda güç yapılarını ve kanaat önderlerini haritalama.
- Biyolojik protein-etkileşim ve gen-düzenleyici ağlarda merkez düğümleri tespit etme.
- Web sayfalarını ve belgeleri yapısal otoriteye göre sıralama (PageRank'ın temeli).
- Sosyal medya ağlarında etki yayılımını ve ana yayıcıları analiz etme.
- Sosyometrik ve arkadaşlık ağı çalışmalarında statü hiyerarşilerini değerlendirme.
- Özvektör merkezi̇lli̇ği̇, derece merkezi̇lli̇ği̇nden nasıl farklıdır?
Nasıl çalışır?
Nasıl çalışır?
Ağ, A komşuluk matrisi olarak temsil edilir; burada A_ij girdisi, i ve j düğümleri bağlıysa 1'e (veya ağırlıklı ağlar için kenar ağırlığına) ve aksi takdirde 0'a eşittir. Bu matris, merkezi̇lli̇k hesaplanacak tüm bağlantı topolojisini kodlar.
En büyük özdeğer ve buna karşılık gelen özvektörü, güç yinelemesi veya standart bir doğrusal cebir çözücüsü kullanılarak komşuluk matrisinden hesaplanır. En büyük özdeğer lambda_max, Perron-Frobenius teoremi tarafından bağlı ağlar için gerçek ve pozitif olacağı garanti edilir, bu da benzersiz, yorumlanabilir bir çözüm sağlar.
Formül
\mathbf{A}\mathbf{x} = \lambda_{\max}\mathbf{x}Her düğüme, en büyük özvektörün karşılık gelen bileşeni merkezi̇lli̇k puanı olarak atanır. Puan, sabit nokta koşulunu sağlar: bir düğümün puanı, komşularının puanlarının toplamının (1/lambda_max) katına eşittir, bu nedenle yüksek puanlı düğümler komşularının puanlarını özyinelemeli olarak yukarı çeker.
Formül
x_i = \frac{1}{\lambda_{\max}} \sum_{j \in N(i)} x_jPuanlar tipik olarak maksimum değerin 1'e eşit olacak şekilde ölçeklenir, bu da onları farklı boyutlardaki ağlar arasında karşılaştırılabilir hale getirir. Düğümlerin göreceli sıralaması, kullanılan normalleştirme sözleşmesinden bağımsız olarak korunur.
Sık yapılan hatalar
- Özvektör merkezi̇lli̇ği̇ni̇ derece merkezi̇lli̇ği̇ ile karıştırmak ve hangi ölçümün kullanıldığını bildirmemek; çok farklı sıralamalar verebilirler.
- Bunu, grafın güçlü bir şekilde bağlı olduğunu doğrulamadan veya PageRank gibi yönlendirilmiş bir varyanta uyarlamadan yönlendirilmiş bir ağda kullanmak.
- Ağ seyrek olduğunda ve puanlar sıfıra yakın sayısal olarak sıkıştırıldığında anlamlı olarak kabul edilen normalleştirilmiş puanlardaki küçük farklılıkları ele almak.
- Hassasiyet kontrollerini atlamak: birkaç yüksek dereceli merkez düğüm kaldırılırsa merkezi̇lli̇k sıralamaları önemli ölçüde değişebilir.
- Özvektör merkezi̇lli̇ği̇, 1972'de Phillip Bonacich tarafından statü puanlarına yönelik faktörleme ve ağırlıklandırma yaklaşımları üzerine bir makalede biçimlendirilmiş, prestij tabanlı merkezi̇lli̇k ölçümleri için teorik temeli oluşturmuştur. Bir düğümün öneminin komşularının önemlerinin toplamına orantılı olduğu fikri, sosyolojik statü kavramında Bonacich'ten önceye dayanmaktadır, ancak cebirsel biçimlendirmesi onu hesaplanabilir hale getirmiştir. Bu ölçüm, sosyal ağ analizinde ve daha sonra bibliyometride ve web grafiği analizinde geniş çapta benimsenmiş, Google'ın PageRank algoritmasına (1998) doğrudan ilham vermiş ve yönlendirilmiş ve bağlantısız grafiklerle başa çıkmak için bir sönümleme faktörü eklemiştir.
Sık sorulan sorular
Derece merkezi̇lli̇ği̇ yalnızca doğrudan komşuları sayar ve tüm bağlantıları eşit kabul eder. Özvektör merkezi̇lli̇ği̇, her komşuyu o komşunun kendi merkezi̇lli̇ği̇ ile ağırlıklandırır, bu nedenle yüksek merkezi̇yetli bir düğüme olan bir bağlantı, çoğunlukla çevresel düğümlere bağlı yüksek dereceli bir düğümden daha fazla katkıda bulunur. Az ama çok etkili komşuları olan bir düğüm, çoğunlukla çevresel düğümlere bağlı yüksek dereceli bir düğümden daha yüksek bir sıralama alabilir.
Özvektör merkezi̇lli̇ği̇ neden yönlendirilmiş döngüsüz grafiklerde başarısız olur?
Yönlendirilmiş bir döngüsüz grafikte döngü yoktur, bu nedenle etki yukarı doğru geri akamaz. Komşuluk matrisinin en büyük özvektörü, dışarı giden kenarı olmayan (batıklar) düğümler hariç tüm düğümlere sıfır puan atar, bu da ölçümü bozar. PageRank, ağırlığı tekdüze bir şekilde yeniden dağıtan bir teleportasyon terimi ekleyerek bunu çözer.
Özvektör merkezi̇lli̇ği̇ni̇ ağırlıklı ağlarda kullanabilir miyim?
Evet. İkili komşuluk matrisini ağırlıklı bir komşuluk matrisi ile değiştirin ve aynı öz ayrıştırmayı uygulayın. En büyük özvektör daha sonra hem bağlantıların sayısını hem de gücünü yansıtır. Perron-Frobenius garantilerinin geçerli olması için kenar ağırlıklarının negatif olmadığından emin olun.
Özvektör merkezi̇lli̇ği̇ni̇ bir makalede nasıl rapor etmeliyim?
Normalleştirilmiş özvektör merkezi̇lli̇ği̇ puanlarını (maks = 1) rapor edin, kullanılan yazılımı ve sürümü belirtin (örneğin, NetworkX, igraph), ağın yönlendirilmiş mi yoksa yönlendirilmemiş mi olduğunu belirtin ve grafın bağlantısız olması durumunda en büyük bağlı bileşenin kullanıldığını onaylayın. Puanına göre düğümleri renklendiren veya boyutlandıran bir görselleştirme, yorumlamayı büyük ölçüde kolaylaştırır.
Özvektör merkezi̇lli̇ği̇ ile PageRank arasındaki ilişki nedir?
PageRank, özvektör merkezi̇lli̇ği̇nin yönlendirilmiş, sönümlenmiş bir genellemesidir. Bağlantısız ve yönlendirilmiş grafiklerle başa çıkmak için bir sönümleme faktörü (tipik olarak %0,85) ve tekdüze bir teleportasyon olasılığı ekler. Yönlendirilmemiş bağlı ağlar için PageRank ve özvektör merkezi̇lli̇ği̇ neredeyse aynı sıralamaları üretir.
Özvektör merkezi̇lli̇ği̇ni̇ kendi ağ verilerinizde doğrudan MethodMind'da çalıştırın — bir kenar listesi veya komşuluk matrisi yükleyin ve düğüm puanları, normalleştirilmiş sıralamalar ve merkezi̇lli̇k ölçekli düğümlerle bir ağ görselleştirmesi elde edin.
İlgili yöntemler
Kaynaklar
Bonacich, P. (1972). Factoring and weighting approaches to status scores and clique identification. Journal of Mathematical Sociology, 2(1), 113–120.
DOI kaynağını açKopyalandı.Eigenvector centrality. Wikipedia.
Yayın kaynağını açKopyalandı.