Özvektör Merkezi̇lli̇ği̇
Eigenvector Centrality (Bonacich Power Centrality) · Ayrıca şöyle bilinir: eigenvector centrality, EC, Bonacich centrality, power centrality
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.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+8 tane daha
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.
Güçlü yönler & sınırlılıklar
- 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.
- 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.
SSS
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.
Kaynaklar
- Bonacich, P. (1972). Factoring and weighting approaches to status scores and clique identification. Journal of Mathematical Sociology, 2(1), 113–120. DOI: 10.1080/0022250X.1972.9989806 ↗
- Eigenvector centrality. Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Eigenvector Centrality (Bonacich Power Centrality). ScholarGate. https://scholargate.app/tr/network-analysis/eigenvector-centrality
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Arakesme MerkeziyetiAğ analizi↔ karşılaştır
- Yakınlık Merkezi̇lli̇ği̇Ağ analizi↔ karşılaştır
- Derece Merkezi̇li̇ği̇Ağ analizi↔ karşılaştır
- Modülerlik AnaliziAğ analizi↔ karşılaştır
- PageRank Merkezi̇li̇ği̇Ağ analizi↔ karşılaştır
- Sosyal Ağ AnaliziAğ analizi↔ karşılaştır