接近中心性
- 提出者
- Bavelas, A.; formalized by Freeman, L. C.
- 年份
- 1950 (formalized 1979)
- 类型
- Node-level centrality index
- 类别
- Network science
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
接近中心性衡量一个节点通过计算其到所有其他节点的最短路径平均距离的倒数,能够多快地到达网络中的所有其他节点。该概念最早由 Bavelas (1950) 提出,并由 Freeman (1979) 正式统一,它识别那些能够有效地在整个图中传播信息或资源的节点——而不仅仅是拥有许多直接联系的节点。
方法背后的直觉
想象一下在一个节点上投放一条消息,观察它传播到网络各个角落的速度。一个接近中心性高的节点位于连接网络的中心附近:它平均需要更少的跳数就能到达任何人。一个外围节点,即使拥有许多邻居,也可能远离网络的大部分区域。接近中心性捕捉了这种网络地理学的概念:平均距离短意味着接近中心性高,而接近中心性高意味着有效的广播或快速获取跨图流动的信息。
历史学
Alex Bavelas 于 1950 年在麻省理工学院研究小组问题解决效率时,首次提出了基于最短路径的通信中心性概念。Linton Freeman 在 1979 年发表的里程碑式的《社会网络》论文中,将接近中心性与度中心性和介数中心性一起正式确立为三种典型的节点中心性度量,提供了统一的数学框架,成为现代社会网络分析的基础。
何时使用
当您想识别能够最有效地广播信息、动员资源或以最少中介到达网络其余部分的节点时,请使用接近中心性——例如,定位最优扩散种子、有影响力的传播者或交通枢纽。它适用于任何大小的连通或近连通图。当网络高度碎片化(许多不连通组件)时,不要将其作为主要的中心性度量,因为原始接近中心性分数会接近零且无意义;应用 Wasserman-Faust 归一化或单独分析组件。避免将接近中心性与度中心性混淆:一个节点可以拥有许多直接联系,但在全局可达性方面仍然是外围的。
局限与注意事项
- 对图的连通性敏感:在不连通网络中,原始度量会崩溃并需要归一化调整。
- 将所有最短路径视为同等重要;不考虑流量的大小或特定路径实际使用的概率。
- 在非常大的图(数百万个节点)上计算成本高昂,因为在没有近似算法的情况下,所有对最短路径的计算扩展性较差。
- 无法区分一个节点靠近许多弱联系与一个节点靠近少数几个重要战略联系。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 捕捉全局可达性而非仅仅局部连通性,使其成为研究信息流和扩散的理想选择。
- 归一化分数(0 到 1)使得可以跨不同大小的网络进行比较。
- 拥有数十年的社会学、流行病学和计算机科学验证,具有稳固的理论基础。
- 补充度中心性和介数中心性,以提供节点角色的更丰富图景。
- 对于大多数经验网络,使用 BFS(无权)或 Dijkstra(有权)可以高效计算。
应用
- 识别组织和社交网络中的关键信息中介或意见领袖。
- 选择最优种子节点以最大化信息或疾病扩散的速度。
- 在交通网络中根据整体可达性对公交站点或道路交叉口进行排名。
- 在生物相互作用网络中定位有影响力的蛋白质或基因。
- 在技术扩散研究中检测有影响力的早期采用者。
- 在公共卫生联系网络中优先考虑干预目标,以减缓流行病的传播。
使用方式
使用方式
将网络表示为一个图,其中节点是参与者(人、组织、网页、基因等),边编码关系或交互。图可以是无向的或有向的;边可以是无权的(每次跳跃成本为 1)或有权的(成本等于边权重,解释为距离或反向强度)。
对于每个节点 v,使用广度优先搜索(无权图)或 Dijkstra 算法(有权图)计算到每个其他可达节点 u 的最短路径距离 d(u, v)。对于有向图,只有沿着边方向的路径才是有效的,因此入接近中心性和出接近中心性可能不同。
公式
d(u,v) = \text{shortest path length between nodes } u \text{ and } v将 v 到每个其他节点的所有最短路径距离相加,得到 v 的远度。小的远度意味着 v 平均上接近网络的其余部分;大的远度表示外围性。
公式
\text{farness}(v) = \sum_{u \neq v} d(u, v)取平均最短路径距离的倒数:C(v) = (n-1) / sum of d(u,v)。乘以 (n-1) 得到一个 (0, 1] 范围内的归一化分数,这样就可以比较不同大小的网络中的节点。较高的值表示更中心、更易达的位置。
公式
C(v) = \frac{n-1}{\sum_{u \neq v} d(u, v)}在不连通图中,一个节点无法到达所有其他节点,因此对于不可达对,原始接近中心性为零或未定义。Wasserman-Faust 归一化通过仅对可达节点求和,并按可达图的比例进行重缩放,将接近中心性扩展到不连通图,从而避免了孤立组件出现虚假的接近零的分数。
常见陷阱
- 在具有不连通组件的网络上报告原始接近中心性而不应用 Wasserman-Faust 归一化,产生误导性的接近零的分数。
- 将接近中心性和度中心性视为可互换的——高度不意味着高接近中心性,反之亦然。
- 忽略边是有向的:在有向网络中,接近中心性应分别计算入向和出向。
- 在有权网络中应用无权接近中心性,而边权重编码了有意义的距离,丢失了关系强度的信息。
- 在未控制 n 的情况下,比较不同大小网络上的原始(未归一化)接近中心性分数。
常见问题
接近中心性与度中心性有何不同?
度中心性仅计算直接邻居,因此一个节点即使其许多连接都集中在网络的某个角落,只要连接数多,得分就可能很高。接近中心性考虑到达图中每个节点的最短路径,因此它奖励全局可达性。一个外围的团块中心可能具有很高的度中心性,但接近中心性却很低。
当我的网络包含不连通组件时,我应该怎么做?
应用 Wasserman-Faust (1994) 的调和或可达性调整归一化,它仅对可达对求和,并按可达图的比例进行重缩放。或者,单独分析最大的连通组件,或使用调和中心性(倒数距离之和),它自然地通过将不可达对的贡献设为零来处理不可达对。
接近中心性在有权网络上有效吗?
是的。用 Dijkstra 算法替换 BFS,使用边权重作为距离(或强度/相似性权重的倒数,如果权重越高表示越近)。由此产生的加权接近中心性反映了拓扑结构和连接质量。
如何解释归一化的接近中心性分数?
接近 1 的分数意味着该节点平均只需大约一次跳跃即可到达所有其他节点——它位于网络的中心。接近 0 的分数意味着该节点非常外围。在大多数经验网络中,高于约 0.6 的分数通常表示真正的中心位置。
接近中心性是否适用于有向网络?
是的,但应分别计算每个方向的接近中心性。入接近中心性衡量他人到达目标节点的容易程度(有助于研究节点声望或接受度),而出接近中心性衡量目标节点到达他人的容易程度(有助于研究广播能力)。