Ağırlıklı Özvektör Merkeziyeti
Weighted Eigenvector Centrality (Spectral Prestige in Weighted Networks) · Ayrıca şöyle bilinir: WEC, weighted spectral centrality, strength-weighted eigenvector centrality, weighted eigenvector prestige
Ağırlıklı özvektör merkeziyeti, kenarların sayısal ağırlıklar taşıdığı grafikler için klasik özvektör merkeziyeti ölçüsünü genişletir; her düğümü, komşularının puanlarının kenar ağırlıklarıyla çarpılmış toplamına orantılı olarak puanlar. Düğümler yalnızca çok sayıda bağlantıya sahip oldukları için değil, aynı zamanda diğer etkili düğümlere güçlü bir şekilde bağlı oldukları için yüksek puan alır; bu da ölçüyü hem bağ gücü hem de ağ konumu açısından eş zamanlı olarak hassas hale 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
Ağınızda anlamlı kenar ağırlıkları (işbirliği sıklığı, iletişim hacmi, ticaret akışı, birlikte ortaya çıkma sayısı) olduğunda ve hem güçlü bağlantılara sahip hem de diğer iyi bağlantılı düğümlere bağlı olan düğümleri belirlemeniz gerektiğinde ağırlıklı özvektör merkeziyetini kullanın. Özellikle ortak yazarlık ağlarında, ekonomik ticaret ağlarında ve beyin bağlantılılık analizlerinde uygundur. Kenar ağırlıklarının sıralı veya rastgele ölçeklendiği, ağın oldukça seyrek veya bağlantısız olduğu (ana özvektör yakınsamayabilir veya küçük bir küme tarafından domine edilebilir), ağırlıkların benzerlikler yerine mesafeleri temsil ettiği veya tek bir özet puanın yorumlanabilirliğinin yetersiz olduğu ve aracılık (betweenness) gibi yola dayalı ölçümlerin daha ilgili olduğu durumlarda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Derece merkeziyetinin aksine, hem bağ gücünü hem de küresel prestiji eş zamanlı olarak yakalar; komşuların kim olduğunu göz ardı eder.
- Spektral grafik teorisine teorik olarak dayanır; Perron-Frobenius teoremi, bağlı negatif olmayan matrisler için benzersiz, negatif olmayan bir çözüm garanti eder.
- Kenar ağırlığı heterojenliğine duyarlıdır, çok sayıda zayıf bağlantısı olan düğümler yerine diğer etkili düğümlere güçlü bağlantıları olan düğümleri ödüllendirir.
- Standart ağ kütüphanelerinde (NetworkX, igraph, R'nin igraph paketi) yaygın olarak uygulanmıştır, bu da özel kod gerektirmeden erişilebilir olmasını sağlar.
- Hem yönsüz hem de yönlendirilmiş ağırlıklı ağlara uygulanabilir.
- Bağlantısız veya neredeyse bağlantısız grafiklerde sorunludur; burada ana özvektör, çevresel bileşenler için sıfıra çökebilir.
- Ağırlık ölçeklendirmesine duyarlıdır: tüm ağırlıkları bir sabitle çarpmak özdeğerleri değiştirir ancak sıralamaları değiştirmez, ancak rastgele ağırlık dönüşümleri sonuçları bozabilir.
- Yol uzunluğunu veya köprüleme rollerini hesaba katmaz; önemli en kısa yollardaki düğümler, aracılık (betweenness) tabanlı ölçümlere kıyasla hafife alınabilir.
- Çok büyük yoğun ağlar için hesaplama açısından pahalıdır; ölçekte seyrek yaklaşımlar veya güç-yineleme yöntemleri gereklidir.
SSS
Ağırlıklı özvektör merkeziyeti, standart (ikili) özvektör merkeziyetinden nasıl farklıdır?
İkili özvektör merkeziyeti, ağırlıksız bir komşuluk matrisi kullanır, bu nedenle her komşu, bağ gücünden bağımsız olarak eşit katkıda bulunur. Ağırlıklı sürüm bir ağırlık matrisi kullanır, bu nedenle bir komşu, bağlanan kenarın ağırlığına orantılı olarak katkıda bulunur, bu da bağ gücünü prestij hesaplamasının açık bir parçası haline getirir.
Ağım yönlendirilmişse ne olur?
Yönlendirilmiş ağırlıklı ağlar için ağırlık matrisi asimetriktir. Etkinin kimden geldiğiyle mi yoksa kime gittiğiyle mi ilgilendiğinize bağlı olarak, sol özvektörleri (ağırlıklı bir hub puanına benzer şekilde, etki akışını yansıtan) veya sağ özvektörleri (etki akışını yansıtan) hesaplayabilirsiniz. Bu, HITS'deki otorite ve hub puanları arasındaki ayrım gibidir.
Negatif kenar ağırlıkları kullanılabilir mi?
Negatif olmayan ana özvektörün Perron-Frobenius garantisi yalnızca negatif olmayan matrisler için geçerlidir. Negatif ağırlıklar (örneğin, düşmanca ilişkiler) bu garantiyi bozar ve işaretleri karışık, yorumlanması zor özvektörler üretebilir. Negatif ağırlıkları, pozitif ve negatif katmanları ayırarak veya mutlak değer dönüşümünü dikkatlice uygulayarak önceden işleyin.
Ağırlıklı derece (güç) merkeziyetinden daha mı iyi?
Farklı şeyleri yakalarlar. Ağırlıklı derece (düğüm gücü), doğrudan bağların toplam ağırlığını sayar ancak komşuların kim olduğunu göz ardı eder. Ağırlıklı özvektör merkeziyeti, küresel ağ konumunu özyinelemeli olarak içerir. Pratikte, iki ölçü birçok ampirik ağda güçlü bir şekilde ilişkilidir, bu nedenle özvektör merkeziyeti yakınsamadığında veya grafik bağlantısız olduğunda, düğüm gücü daha güvenli bir yedek olabilir.
Çok büyük ağlarla nasıl başa çıkmalıyım?
Tam özdeğer ayrıştırması yerine seyrek matris temsillerini ve güç-yineleme algoritmalarını (NetworkX ve igraph'ta mevcuttur) kullanın. Yakınsama toleransını ve yineleme sınırlarını kontrol edin. Milyonlarca düğüme sahip ağlar için, ölçüyü uygulamadan önce örnekleme veya topluluk düzeyinde toplama yapmayı düşünün.
Kaynaklar
- Bonacich, P. (1987). Power and centrality: A family of measures. American Journal of Sociology, 92(5), 1170–1182. DOI: 10.1086/228631 ↗
- Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3), 245–251. DOI: 10.1016/j.socnet.2010.03.006 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Weighted Eigenvector Centrality (Spectral Prestige in Weighted Networks). ScholarGate. https://scholargate.app/tr/network-analysis/weighted-eigenvector-centrality
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Derece Merkezi̇li̇ği̇Ağ analizi↔ karşılaştır
- Özvektör Merkezi̇lli̇ği̇Ağ analizi↔ karşılaştır
- Ağırlıklı Aradalık MerkeziyetiAğ analizi↔ karşılaştır
- Ağırlıklı Yakınlık MerkeziyetiAğ analizi↔ karşılaştır
- Ağırlıklı Derece MerkeziliğiAğ analizi↔ karşılaştır
- Weighted PageRank (Ağırlıklı Sayfa Sıralaması)Ağ analizi↔ karşılaştır