Ağırlıklı Modülerlik Analizi
Weighted Modularity Analysis (Q-weighted community structure detection) · Ayrıca şöyle bilinir: weighted modularity, weighted Q optimization, weighted network community detection, strength-based modularity
Ağırlıklı modülerlik analizi, klasik Newman-Girvan modülerlik ölçütünü, kenarların sayısal ağırlıklar (frekanslar, yoğunluklar, maliyetler) taşıdığı ağlara genişletir. İkili komşuluğu bağ ağırlıklarıyla değiştirerek, alt grupların ağırlıklı bir boş model altında beklenene göre ne kadar yoğun bir şekilde birbirine bağlı olduğunu yansıtan topluluk bölümlendirmeleri bulur ve kenar ağırlığının anlamlı bir şekilde değiştiği veriler üzerinde ağırlıksız yaklaşımlardan daha incelikli gruplamalar elde eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Ağ verileriniz anlamlı sayısal kenar ağırlıkları içerdiğinde — anket bağ güçleri, eş-oluşma frekansları, akış hacimleri, korelasyon büyüklükleri — ve yalnızca yapı değil, etkileşim yoğunluğunu yansıtan topluluklar tespit etmek istediğinizde ağırlıklı modülerliği kullanın. Değerli ağlar için standart modülerliğin uygun genellemesidir. Kenarların gerçekten ikili olduğu ve ağırlıkların keyfi yer tutucular olduğu durumlarda, ağın yaklaşık 20'den az düğümü olduğu durumlarda (topluluklar önemsiz hale gelir), modülerliğin çözünürlük sınırının araştırma sorunuz için bilinen bir sorun olduğu durumlarda (çok sayıda küçük topluluğa sahip çok büyük ağlar çözünürlük parametresi uzantıları gerektirebilir) veya nokta bölümlendirmesi yerine çıkarımsal belirsizlik tahminlerine ihtiyaç duyduğunuzda (bunun yerine Bayesci stokastik blok modeli kullanın) kullanmayın.
Güçlü yönler & sınırlılıklar
- Topluluk tespiti, etkileşim yoğunluğunu yansıtan bölümlendirmeler elde etmek için bağ gücünü doğrudan içerir.
- Önemli bir boş modelle iyi incelenmiş, yaygın olarak kıyaslanmış bir çerçeveyi (Newman-Girvan Q) ağırlıklı grafikler için genişletir.
- Milyonlarca kenarı olan ağları işleyebilen Louvain ve Leiden gibi hızlı, ölçeklenebilir iyileştiricilerle uyumludur.
- Q_w, genel topluluk yapısı kalitesini özetleyen tek, yorumlanabilir bir skalerdir.
- Minimal kurulumla büyük ağ analizi kütüphanelerinde (NetworkX, igraph, graph-tool) mevcuttur.
- Modülerlik çözünürlük sınırına tabidir: büyük ağlara gömülü çok küçük topluluklar birleştirilebilir veya kaçırılabilir.
- Optimizasyon NP-zorludur; sezgisel yöntemler, kararlılık kontrolleri gerektiren farklı çalıştırmalarla farklı bölümlendirmeler verebilir.
- Kenar ağırlıkları anlamlı olmalıdır; yöntemin keyfi veya gürültülü ağırlıklara uygulanması topluluk kalitesini düşürür.
- Belirsizlik nicemlemesi olmadan bir nokta bölümlendirmesi sağlar; topluluk üyeliği hakkında çıkarım ek yöntemler gerektirir.
SSS
Ağırlıklı modülerlik, standart modülerlikten nasıl farklıdır?
Standart modülerlik ikili kenarlar kullanır ve gerçek bağ sayımlarını derece koruyan bir boş modelle karşılaştırır. Ağırlıklı modülerlik, bağ sayılarını bağ güçleriyle değiştirir ve güç koruyan bir boş model kullanır, bu nedenle topluluklar yalnızca bağların varlığı değil, etkileşim yoğunluğunu yansıtır.
Ağırlıklı modülerlik için hangi iyileştiriciyi kullanmalıyım?
Louvain algoritması en yaygın seçenektir ve çoğu ağ boyutu için iyi çalışır. Tekrarlanabilirlik ve biraz daha iyi bölümlendirme kalitesi için, Leiden algoritması (Traag vd., 2019) tercih edilir çünkü iyi bağlı toplulukları garanti eder ve kararlı bir bölümlendirmeye yakınsar.
İyi bir Q_w değeri nedir?
Evrensel bir eşik değeri yoktur, ancak 0.3'ün üzerindeki Q_w değerleri genellikle anlamlı topluluk yapısını gösterdiği kabul edilir. Ağlar arasındaki karşılaştırmalar mutlak değerlerden daha bilgilendiricidir ve Q_w'yi birden çok iyileştirici çalıştırması boyunca bir kararlılık kontrolüyle eşleştirmelisiniz.
Yönlendirilmiş ağlarda ağırlıklı modülerlik kullanabilir miyim?
Evet, ancak boş model ve modülerlik formülü yönlendirilmiş bağ güçleri için uyarlanmalıdır (ayrı giriş-gücü ve çıkış-gücü terimleri kullanarak). Çoğu ağ kütüphanesi, aynı arayüzler aracılığıyla yönlendirilmiş ağırlıklı modülerliği destekler.
Bunun yerine ne zaman stokastik blok modeli kullanmalıyım?
Topluluk üyeliği etrafında çıkarımsal belirsizlik nicemlemesi gerektiğinde, tespit edilen toplulukların istatistiksel olarak anlamlı olup olmadığını test etmek istediğinizde veya modülerliğin çözünürlük sınırı bir endişe kaynağı olduğunda bir stokastik blok modeli kullanın.
Kaynaklar
- Newman, M. E. J. (2004). Analysis of weighted networks. Physical Review E, 70(5), 056131. DOI: 10.1103/PhysRevE.70.056131 ↗
- Newman, M. E. J. (2006). Modularity and community structure in networks. Proceedings of the National Academy of Sciences, 103(23), 8577–8582. DOI: 10.1073/pnas.0601602103 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Weighted Modularity Analysis (Q-weighted community structure detection). ScholarGate. https://scholargate.app/tr/network-analysis/weighted-modularity-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Arakesme MerkeziyetiAğ analizi↔ karşılaştır
- Modülerlik AnaliziAğ analizi↔ karşılaştır
- Ağırlıklı Aradalık MerkeziyetiAğ analizi↔ karşılaştır
- Ağırlıklı Topluluk TespitiAğ analizi↔ karşılaştır
- Ağırlıklı Sosyal Ağ AnaliziAğ analizi↔ karşılaştır