Yönlendirilmiş Modülerlik Analizi
Directed Modularity Analysis (Leicht-Newman Directed Community Detection) · Ayrıca şöyle bilinir: directed community detection via modularity, directed Q-modularity, digraph modularity optimization, Leicht-Newman modularity
Yönlendirilmiş modülerlik analizi, klasik Newman-Girvan modülerlik çerçevesini, kenarların bir kaynak ve bir hedef taşıdığı yönlendirilmiş grafiklere genişletir. Leicht ve Newman tarafından 2008'de formüle edilen bu yöntem, düğümleri, boş modelde her düğümün ayrı gelen ve giden derecesini hesaba katan bir modülerlik skorunu maksimize ederek topluluklara ayırır; bu da onu atıf ağları, bilgi akışları ve diğer asimetrik ilişkisel verilerde topluluk tespiti için standart bir yaklaşım haline getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Ağınız asimetrik kenarlara sahip olduğunda — atıflar, takipler, bilgi akışları, ticaret bağlantıları veya köprüler — ve bağların yönü göz önüne alındığında tutarlı topluluklar oluşturan düğüm gruplarını keşfetmek istediğinizde yönlendirilmiş modülerlik analizini kullanın. Yönsüz modülerliğin verilerdeki anlamlı asimetriyi göz ardı edeceği durumlarda modülerliğin uygun genellemesidir. Minimum ağ boyutu yaklaşık 30-50 düğümdür; çok küçük ağlar nadiren kararlı topluluk yapısı gösterir. Kenarlar gerçekten yönsüz olduğunda (ortak yazarlık, birlikte geçme) kullanmayın — standart yönsüz modülerlik daha basit ve daha yorumlanabilirdir. Ayrıca, ağ çok seyrek veya neredeyse döngüsel olmadığında (örn. katı zamansal DAG'ler) da kaçının, çünkü yönlendirilmiş boş model kötü kalibre edilebilir.
Güçlü yönler & sınırlılıklar
- Boş modelde gelen ve giden dereceleri ayırarak asimetrik kenar yapısını doğru şekilde ele alır.
- Toplulukların rastgele beklentiyi ne kadar aştığını nicelendiren yorumlanabilir bir skaler Q skoru üretir.
- Milyonlarca kenara sahip ağlara ölçeklenebilen hızlı sezgisel yöntemlerle (Louvain, Leiden) uyumludur.
- Açık bir matematiksel türetmeyle fiziksel inceleme literatüründe iyi temellendirilmiştir (Leicht & Newman 2008).
- Yönsüz yöntemlerin gözden kaçırdığı topluluklar içindeki örtüşen gönderici/alıcı rollerini tanımlar.
- Modülerlik maksimizasyonu NP-zordur; tüm pratik algoritmalar sezgiseldir ve çalıştırmalar arasında farklı bölümlemeler döndürebilir.
- Çözünürlük sınırından muzdariptir: ağ boyutu tarafından belirlenen bir ölçekten daha küçük alt topluluklar daha büyük gruplara birleştirilebilir.
- Modülerlik skoru Q tek başına doğru topluluk sayısını belirlemez; ek doğrulama gereklidir.
- Boş model P_ij'nin kötü bir taban çizgisi haline geldiği çok seyrek yönlendirilmiş ağlarda performans düşer.
SSS
Yönlendirilmiş ağımı neden simetrik hale getirip standart modülerlik çalıştıramıyorum?
Simetrik hale getirme (her yönlendirilmiş kenarı yönsüz olarak ele alma), ağırlıklı olarak kenar gönderen düğümler ile ağırlıklı olarak kenar alan düğümler arasındaki ayrımı kaybeder. Örneğin, atıf ağlarında, çok atıf alan bir makale ile çok atıf yapan bir makale çok farklı yapısal roller oynar; yönlendirilmiş modülerlik bu ayrımı korurken, yönsüz modülerlik bunları karıştırır.
Hangi Q değeri iyi bir bölümlemeyi gösterir?
Evrensel bir eşik yoktur, ancak pratikte 0.3'ün üzerindeki Q değerleri genellikle anlamlı topluluk yapısının kanıtı olarak kabul edilir. Ancak, Q ağ boyutuna ve yoğunluğuna bağlıdır, bu nedenle mutlak bir kesme noktasına güvenmek yerine her zaman bir boş dağılım veya rastgele bir taban çizgisi ile karşılaştırın.
Yönlendirilmiş modülerliği maksimize etmek için hangi algoritmayı kullanmalıyım?
Yönlendirilmiş kenar desteği olan Louvain algoritması (igraph ve NetworkX'te mevcuttur), hızı nedeniyle orta ve büyük ağlar için en yaygın seçimdir. Leiden algoritması, Louvain bölümlemelerindeki bazı istikrarsızlıkları önleyen daha yeni bir iyileştirmedir. Küçük ağlar için, yönlendirilmiş modülerlik matrisi B'nin spektral optimizasyonu pratik olacak kadar kesindir.
Topluluk sayısını nasıl seçerim?
Yönlendirilmiş modülerlik optimizasyonu, Q'yu maksimize etmenin bir parçası olarak topluluk sayısını dolaylı olarak seçer. Belirli bir sayıya ihtiyacınız varsa, Louvain/Leiden'daki çözünürlük parametresini (gamma) kullanın: gamma'yı artırmak daha fazla, daha küçük topluluklar; azaltmak ise daha az, daha büyük topluluklar verir. Her zaman sonucu, her topluluğa kimin ait olduğunu inceleyerek niteliksel olarak doğrulayın.
Yönlendirilmiş modülerlik ağırlıklı kenarları işleyebilir mi?
Evet. İkili komşuluk matrisi A'yı ağırlıklı bir komşuluk matrisi W ile değiştirin, sayıları toplam ağırlıkla değiştirin ve k_i^out ile k_j^in'i sırasıyla toplam giden güç ve gelen güç olarak yeniden tanımlayın. Q formülü ve boş model P_ij doğrudan uyarlanır; çoğu grafik kütüphanesi bunu doğal olarak destekler.
Kaynaklar
- Leicht, E. A., & Newman, M. E. J. (2008). Community structure in directed networks. Physical Review Letters, 100(11), 118703. DOI: 10.1103/PhysRevLett.100.118703 ↗
- Newman, M. E. J., & Girvan, M. (2004). Finding and evaluating community structure in networks. Physical Review E, 69(2), 026113. DOI: 10.1103/PhysRevE.69.026113 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Directed Modularity Analysis (Leicht-Newman Directed Community Detection). ScholarGate. https://scholargate.app/tr/network-analysis/directed-modularity-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Arakesme MerkeziyetiAğ analizi↔ karşılaştır
- Yönlendirilmiş Topluluk TespitiAğ analizi↔ karşılaştır
- Yönlendirilmiş Sosyal Ağ Analizi (yönlendirilmiş SNA)Ağ analizi↔ karşılaştır
- Modülerlik AnaliziAğ analizi↔ karşılaştır
- Stokastik Blok ModeliAğ analizi↔ karşılaştır