CentralIity Measure

Centralidad y algunas medidas
Universidad Nacional de Colombia

Sede Manizales
22 de agosto de 2014
Medidas y metricas
Como bien sabemos, la estructura de un grafo nos permite calcular
una variedad de cantidades o medidas u
tiles que capturan
caractersticas particulares de el.
Grado de centralidad
Una gran cantidad de investigaciones sobre redes se han planteado
la pregunta: Cuales son los vertices mas centrales o importantes
en una red?[New10]
Eigenvector Centrality
Podemos pensar el grado de centralidad, como una asignacion de

centralidad para cada red de vecinos que tiene un vertice. No
todos los vecinos son equivalentes. En muchas circunstancias la
importancia de un vertice se ve incrementada por el n
umero de
conexiones que tiene con otros vertices que son ellos mismos
importantes.
Hagamos una suposici

on inicial xi de centralidad de cada vertice i.
Supongamos por ejemplo xi = 1, esto no es una medida u
til de
centralidad, pero puede usarse para hallar una mejor x0i . La cual
podemos definir como la suma
X
Aij xj
(1)
x0i =
j
donde Aij es un elemento de la matriz de adyacencia, en notacion

matricial x0 = Ax donde x0 es un vector con las medidas de
centralidad.
Repitiendo este proceso con el fin de obtener una mejor

estimacion, al cabo de t pasos el vector x(t) estara dado por
x(t) = At x(0)
(2)
Ahora escribamos x(0) como combinaci

on lineal de los vectores
propios vi de la matriz de adyacencia:
X
x(0) =
ci vi
(3)
i
La expresion (2) quedara:

x(t) = A
X
i
ci vi =
X
i
ci kit vi
kjt
X
i

ci
ki
kj
t
vi ,
(4)
donde cada ki son los valores propios de la matriz de adyacencia y

kj el mayor de todos ellos.
Dado que xxji < 1 para todo i 6= j, los terminos de la suma,

excepto el j decaen exponencialmente a medida que t aumenta y
obtenemos
x(t) cj kjt vj .
(5)
En otras palabras, el vector lmite de centralidades es simplemente
proporcional al lder de los vectores propios de la matriz de
adyacencia.
Equivalentemente podramos decir que la centralidad x satisface

Ax = kj x.
Este es entonces el eigenvector centrality propuesto inicialmente
por [Bon87].
(6)
Finalmente, como se haba afirmado, la centralidad xi del vertice i

es proporcional a la suma de las centralidades de los vecinos
X
xi = kj1
Air xr ,
(7)
r
note que esta medida tiene una buena propiedad, y es que puede
ser muy grande debido a que tiene muchos vecinos o sus vecinos
son muy importantes (o ambos).
Ademas, note que la ecuaci

on (6) no dice nada sobre
normalizacion, esto no importa, pues nos interesa saber que tan
alto o bajo es su nivel de centralidad y no ubicarlos en una escala
absoluta.
En teora eigenvector centrality puede ser calculado para los

casos de redes dirigidas y no dirigidas. Sin embargo, trabaja mejor
para el segundo caso; en el caso de redes dirigidas aparecen ciertas
complicaciones. Primero que todo, las redes dirigidas tienen una
matriz de adyacencia que en general, es asimetrica. Esto implica
que tiene dos conjuntos de valores propios, los vectores propios
izquierdos y los vectores propios derechos.
Cual de los dos conjuntos debe ser usado para definir

eigenvector centrality? La respuesta depende si queremos definir
esta medida de centralidad de un vertice dando importancia a las
relaciones que apuntan hacia el o las que salen de el.
El n
umero de citaciones de publicaciones que se hagan en un
artculo no significa que sea muy importante. Sin embargo, el
n
umero de citaciones que hagan de este es un claro indicador de
que tan importante o u
til es. Por otro lado, si un artculo cita a
otro, no significa que alla halla sido citado.
Por lo tanto, la correcta definici

on para este ejemplo de
eigenvector centrality de un vertice i en una red dirigida, se hace
proporcional a la centralidad de los vertices que apuntan hacia el.
X
xi = kj1
Air xr ,
(8)
r
la cual da Ax = kj x en notaci
on matricial, donde x es el vector
propio principal derecho de A.
Figura : Porci
on de una red dirigida.
Sin embargo, todava hay problemas con una red dirigida.

Considere la Figura 1.
El vertice A en la figura esta conectado a los demas vertices del

grafo, pero solo tiene aristas que parten de el y ninguna que llegue.
Por lo tanto este vertice tendra siempre eigenvector centrality
igual a cero. Como consecuencia, el eigenvector centrality del
vertice B sera cero, pues el u
nico termino de la ecuacion (8) es
igual a cero.
Observacion
En terminos matematicos, para redes acclicas el eigenvector
centrality de todos los vertices sera cero.
Una variacion de eigenvector centrality que permite solucionar
estos problemas es la katz centrality la cual abordaremos a
continuacion.
Katz Centrality
Una solucion a los problemas de la secci

on anterior es la siguiente:
asignaremos una peque
na cantidad de centralidad de cierta manera
libre. Esto sin importar la posici
on en la red o la centralidad de
sus vecinos.
Katz Centrality
En otras palabras, definiremos

X
xi =
Air xi + ,
(9)
donde y son constantes positivas. La primera parte es el

termino de eigenvector centrality en el cual los vertices enlazados
a i son sumados y la segunda parte es el termino libre, la cual
reciben todos los vertices.
Katz Centrality
La Ecuacion (9) en terminos matriciales pueden se escritos como,

x = Ax + U,
Donde U es el vector (1, 1, . . . , 1).
(10)
Katz Centrality
Despejando x, podemos ver que

x = (I A)1 U,
(11)
esto si es posible invertir el termino I A. Esta medida de

centralidad fue inicialmente propuesta por Katz en 1953 [Kat53].
Katz Centrality
Si queremos hacer uso de katz centrality debemos escoger un

valor para la constante . De hecho es importante entender que
no debe ser arbitrariamente grande. Por otro lado si 0,
solamente sobrevivira el termino constante en la Ecuacion (9) y
todos los vertices tendran la misma centralidad . Usualmente se
escogen valores inferiores a 1/kj .
Katz Centrality
Un problema que surge al aplicar esta medida es que se le asignan

peque
nos valores positivos a vertices que no son centrales.
Otro problema surge al aplicar la Ecuaci
on (11) a redes muy
grandes, pues hallar la inversa de una matriz cuadrada de tama
no
n requiere un tiempo de computaci
on proporcional a n3 .
Katz Centrality
Para este u
ltimo es u
til hacer una aproximaci
on haciendo uso de la
Ecuacion (9) (o equivalentemente la Ecuaci
on (10)). Luego
calcular una mejor estimaci
on
x0 = Ax + U.
(12)
Katz Centrality
Si repetimos muchas veces este proceso, el valor x converge a un

valor cercano de la centralidad correcta.
Katz Centrality
Una posible variacion a katz centrality podra ser considerar una

medida un poco mas general
X
xi =
Air + i .
(13)
r
Entonces el vector x de centralidades esta dado por

x = (I A)1 .
Donde es un vector cuyos elementos son los i .
(14)
Katz Centrality
Una buena caracterstica de este enfoque es que la parte dficil del

calculo (la inversion de la matriz) solamente se hace para una
propuesta de . Para diferentes escogencias de i no necesitamos
recalcular la inversa, simplemente multiplicarla con diferentes
vectores .
Closeness Centrality
Una medida totalmente diferente de centralidad es proporcionada

por closeness centrality, la cual implica conocer la media de las
distancias de un vertice a otros.
Primero debemos conocer el concepto de camino geodesico, esto

es el camino mas corto a traves de la red entre dos vertices.
Supongamos que dij es el tama
no del camino geodesico de los
vertices i a j.
Entonces
li =
1X
dij ,
n
(15)
es la distancia media mas corta, del vertice i a todos los demas

vertices de una red.
En muchos textos, es com

un encontrarse con autores que excluyen
el termino i = j, por lo que la Ecuaci
on (15) quedara como:
li =
1 X
dij ,
n1
(16)
j(6=i)
es la distancia media mas corta, del vertice i a todos los demas

vertices de una red.
Dado que por definicion dii es cero este termino no influye en la

suma. La u
nica diferencia entre ambas ecuaciones es el termino
1/(n 1) en lugar de 1/n. El significado de li cambia por un
factor de n/(n 1). Dado que este factor no depende de i en la
mayora de los casos es posible ignorar las diferencias entre las
Ecuaciones (15) y (16).
La distancia media li no es una medida de centralidad como las

otras consideradas hasta ahora. Puesto que se obtienen valores
bajos para vertices mas centrales y valores altos para otros menos
centrales.
Es com
un calcular la inversa de li en vez de la misma li . Esta
inversa es llamada closeness centrality Ci :
Ci =
1
n
=P
.
li
j dij
Esta es una medida muy natural de centralidad para ciertos

estudios de redes. Sin embargo tiene algunos problemas.
(17)
El primer problema es la dificultad de diferenciar entre vertices

centrales y otros no tanto. Esto debido al comportamiento
logartmico de la medida.
Surge otro problema al usar closeness centrality. Generalmente se

suele definir la distancia de un camino geodesico entre dos vertices
como infinito, si los vertices se encuentran en componentes
diferentes de una red. Entoces li es infinito para cualquier i en una
red con mas de una componente y Ci es cero.
Hay dos estrategias para solucionar esto. Una de las mas comunes
es simplemente considerar el promedio sobre aquellos vertices que
estan en la misma componente que i. Entonces n en la Ecuacion
(15) se convierte en el n
umero de vertices en la componente y la
suma es solamente sobre la misma componente.
Esto nos da una medida finita, aunque con sus propios problemas.
En particular las distancias geodesicas tienden a ser peque
nas en
componentes peque
nas. Entonces vertices en componentes
peque
nas tienden a tener medidas mas grandes que otros vertices
de la misma red pero en componentes mas grandes.
Tal vez, una mejor soluci

on, sera redefinir closeness centrality en
terminos de la distancia harm
onica media entre dos vertices, por
ejemplo, el promedio de la inversa de las distancias:
Ci0 =
1 X 1
n1
dij
j(6=i)
(18)
Hubs and Authorities
Introduccion
En el caso de redes dirigidas, hay otro par de medidas de
centralidad un poco intuitivas. A grandes rasgos, hemos
considerado medidas que asignan una alta centralidad a vertices si
aquellos que apuntaban a el tienen alta centralidad. Sin embargo,
en algunas redes es apropiado tambien acordar que un vertice tiene
alta centralidad si apuntan a otros con alta centralidad.
Aspectos relevantes
Aspectos relevantes
authorities son nodos que contienen informacion informacion
u
til sobre un tema de interes.
Aspectos relevantes
u
hubs son nodos que nos dicen donde los mejores authorities
van a ser encontrados.
Aspectos relevantes
u
hubs son nodos que nos dicen donde los mejores authorities
van a ser encontrados.
Un authority puede ser un hub y viceversa.
Algoritmo
Estas ideas fueron propuestas por [Kle99] y desarrolladas por
dentro de un algoritmo de centralidad llamado hyperlink-induced
topic search o HITS
Algoritmo
Algoritmo
Le asigna a cada vertice i una centralidad authority xi y una
centralidad hub yi .
Algoritmo
xi es alto, si el vertice i es se
nalado por muchos vertices
hubs, es decir, vertices con alta centralidad hub.
Algoritmo
xi es alto, si el vertice i es se
nalado por muchos vertices
hubs, es decir, vertices con alta centralidad hub.
yi es alto, si el nodo i apunta a muchos vertices con alta
centralidad authority.
En el trabajo de Kleinberg, la centralidad authority se

definio como la suma proporcional de las centralidades hub de los
vertices que apuntan hacia el:
X
Aij yj ,
(19)
xi =
j
donde es una constante.
Similarmente la centralidad hub de un vertice es proporcional a la

suma de las centralidades authority de los vertices que el seala:
X
yi =
Aji xj ,
(20)
j
con otra constante.
En terminos matriciales
x = Ay,
y = AT x,
(21)
AT Ay = y,
(22)
combinando ambas ecuaciones:

AAT x = x,
donde = ()1 .
Las medidas hub y authority son inmediatamente determinadas

por el lder de los vectores propios de AAT y AT A. De los
contrario no podramos satisfacer ambas condiciones en la
Ecuacion 22[New10].
Usualmente se suele resolver el sistema en la Ecuacion 22 para

encontrar el valor de x y hacer y = AT x.
Note que AAT es la matriz de co-citaciones y AT A es la matriz de

acoplamiento bibliografico.

Ventajas

Ventajas
Evade el problema que tiene eigenvector centrality con las
redes dirigidas.

Ventajas
redes dirigidas.
Es quizas una soluci
on mas elegante a la centralidad en redes
dirigidas, como en el caso de a
nadir una peque
na cantidad
como en la Ecuaci
on 9.

Ventajas
redes dirigidas.
Es quizas una soluci
on mas elegante a la centralidad en redes
dirigidas, como en el caso de a
nadir una peque
na cantidad
como en la Ecuaci
on 9.
Puede introducirse un termino constante o incluso la
normalizacion de la centralidad de vertices por el grado de
vertices que apuntan a ellos. [BRRT01, NZJ01]
Eigentrust
Introduccion
Piense en el sistema de reputaciones de eBay, compradores y
vendedores pueden calificarse unos a otros despues de cada
transaccion[KSGM03]. La reputaci
on general de cada persona es la
suma de las calificaciones de los u
ltimos seis meses.
Eigentrust
En cierto ambiente, un individuo i puede hacer una transaccion de

el individuo j, este puede calificarlo de manera positiva
(tr(i, j) = 1) o de manera negativa (tr(i, j) = 1).
Como el modelo de eBay, puede definirse un valor local de
confianza sij como la suma de las calificaciones que ha hecho el
individuo i al individuo j:
X
sij =
trij
(23)
= sat(i, j) unsat(i, j)
(24)
Eigentrust
Con la intension de generar una escala normalizada, se puede hacer

un valor de confianza normalizado
m
ax (sij , 0)
cij = P
ax (sij , 0)
j m
(25)
Eigentrust
Una forma natural de agregar estos valores de confianza es:

X
tik =
cij cjk ,
(26)
donde tik representa la confianza que el vertice i asigna al vertice

k basado en la opinion de sus amigos.
Eigentrust
Si C es la matriz [cij ] y t~i el vector que contiene los valores tik , la

Ecuacion 26 en forma matricial puede ser expresada como
t~i = C T c~i
Eigentrust
Sin embargo los valores anteriores solo reflejan la confianza de un

vertice a otros basado en su experiencia.
Con el fin de tener una gran opini
on el vertice i podra explorar la
opinion de los vecinos de sus vecinos (t = (C T )2 ci ). Si
continuamos con esta idea, t = (C T )2 ci , tendramos una opinion
completa del vertice i cuando n es muy grande.
Eigentrust
Por otro lado, podemos simplemente considerar:

~t = (C T )n~e
donde ~e es un vector de dimensi
on m, que representa la
probabilidad uniforme de todos los m vertices.
(27)
Eigentrust
Nociones previas de confianza

Supongamos que conocemos cierto conjunto de vertices P que son
confiables, entonces puede definirse

1/|P |,
si i P
pi =
(28)
0,
en otro caso
Eigentrust
vertices inactivos
Observe que es posible que la Ecuaci
on 25 no este definida, en este
caso cij redefinida sera
( max s ,0
P
ij
P
,
si
ax(sij , 0) 6= 0
j m
m
a
x(s
,0)
ij
j
cij =
(29)
pj ,
en otro caso
Eigentrust
Colectivos maliciosos
~t(k+1) = (1 a)C T ~t(k) + a~
p
(30)
References I
P. F. Bonacich.
Power and centrality: A family of measures.
Am. J. Sociol, 33:11701182, 1987.
A. Borodin, G. O. Roberts, J. S. Rosenthal, and P. Tsaparas.
Finding authorities and hubs from link structures on the world
wide web, in v. y. shen, n. saito, m. r. lyu, and m. e. zurko,
eds.
In Proceedings of the 10th International World Wide Web
Conference, pages 415429. Association of Computing
Machinery, New York, 2001.
References II
L. Katz.
A new status index derived from sociometric analysis.
Psychometrika, 18(3943), 1953.
J. M. Kleinberg.
Authoritative sources in a hyperlinked environment.
J. ACM, 46:604632, 1999.
Sepandar D. Kamvar, Mario T. Schlosser, and Hector
Garcia-Molina.
The eigentrust algorithm for reputation management in p2p
networks.
References III
In Proceedings of the 12th International Conference on World
Wide Web, WWW 03, pages 640651, New York, NY, USA,
2003. ACM.
M.E.J. Newman.
Networks: An Introduction.
Oxford, UK: Oxford University Press, 2010.
A. Y. Ng, A. X. Zheng, and M. I. Jordan.
Stable algorithms for link analysis, in d. h. kraft, w. b. croft, d.
j. harper, and j. zobel, eds.
In Proceedings of the 24th Annual International ACM SIGIR
Conference on Research and Development in Information
Retrieval, pages 258266. Association of Computing
Machinery, New York, 2001.

CentralIity Measure

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

CentralIity Measure

Uploaded by

Copyright:

Available Formats

Centralidad y algunas medidas

Universidad Nacional de Colombia

Centralidad y algunas medidas

Centralidad y algunas medidas

Centralidad y algunas medidas

Podemos pensar el grado de centralidad, como una asignacion de

Centralidad y algunas medidas

Hagamos una suposici

donde Aij es un elemento de la matriz de adyacencia, en notacion

Centralidad y algunas medidas

Repitiendo este proceso con el fin de obtener una mejor

Centralidad y algunas medidas

Ahora escribamos x(0) como combinaci

Centralidad y algunas medidas

La expresion (2) quedara:

donde cada ki son los valores propios de la matriz de adyacencia y

Centralidad y algunas medidas

Dado que xxji < 1 para todo i 6= j, los terminos de la suma,

Centralidad y algunas medidas

Equivalentemente podramos decir que la centralidad x satisface

Centralidad y algunas medidas

Finalmente, como se haba afirmado, la centralidad xi del vertice i

Centralidad y algunas medidas

Ademas, note que la ecuaci

Centralidad y algunas medidas

En teora eigenvector centrality puede ser calculado para los

Centralidad y algunas medidas

Cual de los dos conjuntos debe ser usado para definir

Centralidad y algunas medidas

Centralidad y algunas medidas

Por lo tanto, la correcta definici

Centralidad y algunas medidas

Centralidad y algunas medidas

Sin embargo, todava hay problemas con una red dirigida.

Centralidad y algunas medidas

El vertice A en la figura esta conectado a los demas vertices del

Centralidad y algunas medidas

Centralidad y algunas medidas

Una solucion a los problemas de la secci

Centralidad y algunas medidas

En otras palabras, definiremos

donde y son constantes positivas. La primera parte es el

Centralidad y algunas medidas

La Ecuacion (9) en terminos matriciales pueden se escritos como,

Centralidad y algunas medidas

Despejando x, podemos ver que

esto si es posible invertir el termino I A. Esta medida de

Centralidad y algunas medidas

Si queremos hacer uso de katz centrality debemos escoger un

Centralidad y algunas medidas

Un problema que surge al aplicar esta medida es que se le asignan

Centralidad y algunas medidas

Centralidad y algunas medidas

Si repetimos muchas veces este proceso, el valor x converge a un

Centralidad y algunas medidas

Una posible variacion a katz centrality podra ser considerar una

Entonces el vector x de centralidades esta dado por

Centralidad y algunas medidas

Una buena caracterstica de este enfoque es que la parte dficil del

Centralidad y algunas medidas

Una medida totalmente diferente de centralidad es proporcionada

Centralidad y algunas medidas

Primero debemos conocer el concepto de camino geodesico, esto