Skip to content
返回搜索结果

加权特征向量中心性

提出者
Bonacich, P. (binary); Opsahl, T. et al. (weighted extension)
年份
1987 (binary); 2010 (weighted generalization)
类型
Spectral centrality measure
类别
Network science

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

加权特征向量中心性将经典的特征向量中心性度量扩展到具有数值权重边的图,其评分方式是每个节点的得分与其邻居得分的总和乘以连接边的权重成正比。节点得分高不仅是因为拥有许多连接,更是因为与许多有影响力的节点紧密相连,这使得该度量能够同时对连接强度和网络位置做出反应。

方法背后的直觉

在无权网络中,特征向量中心性通过递归方式捕捉声望:与重要节点相连会提升你自己的重要性。在加权网络中,与中心角色的弱连接不如与同一角色的强连接重要。加权特征向量中心性通过用权重矩阵替换简单的邻接矩阵来内化这种直觉,因此与领域领导者进行密集合作的研究人员的排名将高于与同一领导者仅有表面合作的研究人员。每个节点的得分与其邻居得分的加权总和成正比。

历史学

特征向量中心性由 Phillip Bonacich 于 1987 年引入,作为社交网络的声望度量,通过将每个连接按其来源的中心性加权来推广简单的度中心性。Opsahl、Agneessens 和 Skvoretz(2010 年)对加权网络的显式扩展进行了正式处理,他们提供了一个统一的框架,将度中心性和基于路径的中心性推广到加权图。该度量现在是科学计量学、神经科学连接组学和国际贸易网络分析的标准工具。

何时使用

当你的网络具有有意义的边权重(合作频率、通信量、贸易额、共现计数)并且你需要识别那些既有紧密连接又与许多其他连接良好的节点相连接的节点时,使用加权特征向量中心性。它尤其适用于共著网络、经济贸易网络和大脑连接性分析。当边权重是序数或任意缩放的、网络高度稀疏或不连通(主特征向量可能不收敛或被一个小团块主导)、权重代表距离而非亲和力,或者单个汇总得分的可解释性不足且像介数中心性这样的基于路径的度量更相关时,应避免使用它。

局限与注意事项

  • 在不连通或近乎不连通的图上存在问题,此时主特征向量可能对边缘组件归零。
  • 对权重缩放敏感:将所有权重乘以常数会改变特征值但不会改变排名,但任意的权重变换会扭曲结果。
  • 不考虑路径长度或桥接作用;重要最短路径上的节点可能被低估,不如基于介数的度量。
  • 对于非常大的密集网络,计算成本高昂;需要稀疏近似或幂迭代方法。

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

  • 同时捕捉连接强度和全局声望,不同于忽略邻居是谁的度中心性。
  • 理论上基于谱图理论;Perron-Frobenius 定理保证了连通非负矩阵的唯一非负解。
  • 对边权重异质性敏感,奖励与有影响力的节点有强连接的节点,而不是拥有许多弱连接的节点。
  • 在标准网络库(NetworkX、igraph、R 的 igraph 包)中广泛实现,无需自定义代码即可访问。
  • 可应用于无向和有向加权网络。

应用

  • 在科学计量学中识别加权合作或共著网络中的关键影响者。
  • 在边缘权重反映信号相关性强度的脑连接网络中绘制核心区域。
  • 根据出口额加权的全球贸易网络中的国家中心性进行排名。
  • 在具有交互强度权重的生态食物网中检测优势物种或关键节点。
  • 在具有接触频率权重的流行病学接触网络中优先干预节点。
  • 在由流量加权的通信网络中评估路由器或服务器的重要性。

使用方式

使用方式

1

将网络表示为加权邻接矩阵 W,其中条目 W_ij 表示节点 i 和 j 之间的边权重。权重必须是非负的;对称矩阵适用于无向网络,而非对称矩阵则将度量扩展到有向加权图。

公式
W \in \mathbb{R}^{n \times n},\; W_{ij} = w_{ij} \geq 0
2

计算 W 的特征值和特征向量。主特征向量——与最大正特征值相关——满足递归方程 Wx = lambda*x,保证每个节点的得分与其邻居得分的加权总和成正比。

公式
W \mathbf{x} = \lambda \mathbf{x}
3

选择对应于最大特征值的特征向量(根据 Perron-Frobenius 定理,对于连通的非负矩阵,该特征向量的所有条目都是非负的),这就是有意义的中心性解。

公式
\mathbf{x}^* = \text{eigenvector for } \lambda_{\max}
4

对原始特征向量条目进行重新缩放,使最高得分等于 1(或根据约定,L2 范数等于 1),从而得到可解释的中心性得分,该得分将节点相对于网络中最中心节点的排名。

公式
x_i^* = \frac{x_i}{\max_j x_j}

常见陷阱

  • 使用原始共现计数作为权重,而不对节点活动进行归一化,这会夸大高流量节点的中心性,而不管其选择性。
  • 在未先提取最大连通分量的情况下将度量应用于不连通图,导致边缘节点获得无意义的零分数。
  • 将距离型权重(例如,地理距离、延迟)视为亲和力权重,这会颠倒解释——高权重应表示强连接,而不是高成本。
  • 在使用迭代(幂迭代)计算时忽略收敛诊断;在信任分数之前未能检查算法是否收敛。

常见问题

加权特征向量中心性与标准(二元)特征向量中心性有何不同?

二元特征向量中心性使用无权邻接矩阵,因此每个邻居的贡献相等,而不考虑连接强度。加权版本使用权重矩阵,因此邻居的贡献与其连接边的权重成正比,从而使连接强度明确成为声望计算的一部分。

如果我的网络是有向的怎么办?

对于有向加权网络,权重矩阵是非对称的。你可以计算左特征向量(反映流入声望,类似于加权中心度)或右特征向量(反映流出声望),具体取决于你关心的是谁接收影响还是谁发送影响。这类似于 HITS 中权威度和中心度得分之间的区别。

可以使用负的边权重吗?

Perron-Frobenius 定理保证的主特征向量非负仅适用于非负矩阵。负权重(例如,对抗性关系)会破坏此保证,并可能产生难以解释的符号混合的特征向量。通过分离正负层或谨慎地应用绝对值变换来预处理负权重。

它比加权度(强度)中心性更好吗?

它们捕捉不同的东西。加权度(节点强度)计算直接连接的总权重,但不考虑邻居是谁。加权特征向量中心性递归地包含全局网络位置。在实践中,这两种度量在许多经验网络中高度相关,因此如果特征向量中心性无法收敛或图不连通,节点强度可能是更安全的选择。

如何处理非常大的网络?

使用稀疏矩阵表示和幂迭代算法(在 NetworkX 和 igraph 中可用),而不是完整的特征值分解。检查收敛容差和迭代次数限制。对于拥有数百万节点的网络,请考虑在应用度量之前进行采样或社区级别聚合。

相关方法

参考文献

  1. Bonacich, P. (1987). Power and centrality: A family of measures. American Journal of Sociology, 92(5), 1170–1182.

    打开 DOI 文献
    已复制。
  2. Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3), 245–251.

    打开 DOI 文献
    已复制。