Centralidad de Katz (medida de centralidad)

En teoría de grafos, la centralidad de Katz de un Node es una medida de centralidad en una red. Fue introducido por Leo Katz en 1953 y se utiliza para medir el grado relativo de influencia de un actor (o Node) dentro de una red social. A diferencia de las típicas medidas de centralidad que consideran solo el camino más corto (la geodésica) entre un par de actores, las medidas de centralidad de Katz influyen teniendo en cuenta el número total de caminatas entre un par de actores.

Es similar al PageRank de Google ya la centralidad del vector propio.

Midiendo la centralidad de Katz

Katz Centrality

Una red social simple: los Nodes representan personas o actores y los bordes entre Nodes representan alguna relación entre actores

La centralidad de Katz calcula la influencia relativa de un Node dentro de una red midiendo el número de vecinos inmediatos (Nodes de primer grado) y también todos los demás Nodes en la red que se conectan al Node en consideración a través de estos vecinos inmediatos. Sin embargo, las conexiones realizadas con vecinos lejanos están penalizadas por un factor de atenuación \alpha. A cada ruta o conexión entre un par de Nodes se le asigna un peso determinado por \alphay la distancia entre Nodes como \alpha ^{d}.

Por ejemplo, en la figura de la derecha, suponga que se mide la centralidad de John y que \alpha =0.5. El peso asignado a cada enlace que conecta a John con sus vecinos inmediatos Jane y Bob será (0.5)^{1}=0.5. Dado que Jose se conecta a John indirectamente a través de Bob, el peso asignado a esta conexión (compuesta por dos enlaces) será (0.5)^{2}=0.25. Del mismo modo, el peso asignado a la conexión entre Agneta y John a través de Aziz y Jane será (0.5)^{3}=0.125y el peso asignado a la conexión entre Agneta y John a través de Diego, Jose y Bob será (0.5)^{4}=0.0625.

Formulación matemática
Sea A la array de adyacencia de una red en consideración. Los elementos(a_{ij})de A son variables que toman el valor 1 si un Node i está conectado al Node j y 0 en caso contrario. Las potencias de A indican la presencia (o ausencia) de enlaces entre dos Nodes a través de intermediarios. Por ejemplo, en matrixA^{3}, if element(a_{2,12})=1, indica que el Node 2 y el Node 12 están conectados a través de algunos vecinos de primer y segundo grado del Node 2. If C_{\mathrm {Katz} }(i)denota la centralidad de Katz de un Node i, entonces matemáticamente:

C_{\mathrm {Katz} }(i)=\sum _{k=1}^{\infty }\sum _{j=1}^{n}\alpha ^{k}(A^{k})_{ji}
Note that the above definition uses the fact that the element at location (i,j) of the adjacency matrix A raised to the power k (i.e.  A^{k}) reflects the total number of k degree connections between nodes i and j . The value of the attenuation factor \alpha has to be chosen such that it is smaller than the reciprocal of the absolute value of the largest eigenvalue of the adjacency matrix A. In this case the following expression can be used to calculate Katz centrality:

{\overrightarrow {C}}_{\mathrm {Katz} }=((I-\alpha A^{T})^{-1}-I){\overrightarrow {I}}
HereI is the identity matrix, {\overrightarrow {I}} is an identity vector of size n (n is the number of nodes) consisting of ones. A^{T} denotes the transposed matrix of A and (I-\alpha A^{T})^{-1} denotes matrix inversion of the term (I-\alpha A^{T} ).

A continuación se muestra el código para el cálculo de la Centralidad de Katz del grafo y sus diversos Nodes.

def katz_centrality(G, alpha=0.1, beta=1.0,
                    max_iter=1000, tol=1.0e-6, 
                    nstart=None, normalized=True,
                    weight = 'weight'):
    """Compute the Katz centrality for the nodes 
        of the graph G.
  
  
    Katz centrality computes the centrality for a node 
    based on the centrality of its neighbors. It is a 
    generalization of the eigenvector centrality. The
    Katz centrality for node `i` is
  
    .. math::
  
        x_i = \alpha \sum_{j} A_{ij} x_j + \beta,
  
    where `A` is the adjacency matrix of the graph G 
    with eigenvalues `\lambda`.
  
    The parameter `\beta` controls the initial centrality and
  
    .. math::
  
        \alpha < \frac{1}{\lambda_{max}}.
  
  
    Katz centrality computes the relative influence of
    a node within a network by measuring the number of 
    the immediate neighbors (first degree nodes) and  
    also all other nodes in the network that connect
    to the node under consideration through these 
    immediate neighbors.
  
    Extra weight can be provided to immediate neighbors
    through the parameter :math:`\beta`.  Connections 
    made with distant neighbors are, however, penalized
    by an attenuation factor `\alpha` which should be 
    strictly less than the inverse largest eigenvalue 
    of the adjacency matrix in order for the Katz
    centrality to be computed correctly. 
  
  
    Parameters
    ----------
    G : graph
      A NetworkX graph
  
    alpha : float
      Attenuation factor
  
    beta : scalar or dictionary, optional (default=1.0)
      Weight attributed to the immediate neighborhood. 
      If not a scalar, the dictionary must have an value
      for every node.
  
    max_iter : integer, optional (default=1000)
      Maximum number of iterations in power method.
  
    tol : float, optional (default=1.0e-6)
      Error tolerance used to check convergence in
      power method iteration.
  
    nstart : dictionary, optional
      Starting value of Katz iteration for each node.
  
    normalized : bool, optional (default=True)
      If True normalize the resulting values.
  
    weight : None or string, optional
      If None, all edge weights are considered equal.
      Otherwise holds the name of the edge attribute
      used as weight.
  
    Returns
    -------
    nodes : dictionary
       Dictionary of nodes with Katz centrality as 
       the value.
  
    Raises
    ------
    NetworkXError
       If the parameter `beta` is not a scalar but 
       lacks a value for at least  one node
  
       
  
    Notes
    -----
      
    This algorithm it uses the power method to find
    the eigenvector corresponding to the largest 
    eigenvalue of the adjacency matrix of G.
    The constant alpha should be strictly less than 
    the inverse of largest eigenvalue of the adjacency
    matrix for the algorithm to converge.
    The iteration will stop after max_iter iterations 
    or an error tolerance ofnumber_of_nodes(G)*tol 
     has been reached.
  
    When `\alpha = 1/\lambda_{max}` and `\beta=0`, 
    Katz centrality is the same as eigenvector centrality.
  
    For directed graphs this finds "left" eigenvectors
    which corresponds to the in-edges in the graph.
    For out-edges Katz centrality first reverse the 
    graph with G.reverse().
  
      
    """
    from math import sqrt
  
    if len(G) == 0:
        return {}
  
    nnodes = G.number_of_nodes()
  
    if nstart is None:
  
        # choose starting vector with entries of 0
        x = dict([(n,0) for n in G])
    else:
        x = nstart
  
    try:
        b = dict.fromkeys(G,float(beta))
    except (TypeError,ValueError,AttributeError):
        b = beta
        if set(beta) != set(G):
            raise nx.NetworkXError('beta dictionary '
                                   'must have a value for every node')
  
    # make up to max_iter iterations
    for i in range(max_iter):
        xlast = x
        x = dict.fromkeys(xlast, 0)
  
        # do the multiplication y^T = Alpha * x^T A - Beta
        for n in x:
            for nbr in G[n]:
                x[nbr] += xlast[n] * G[n][nbr].get(weight, 1)
        for n in x:
            x[n] = alpha*x[n] + b[n]
  
        # check convergence
        err = sum([abs(x[n]-xlast[n]) for n in x])
        if err < nnodes*tol:
            if normalized:
  
                # normalize vector
                try:
                    s = 1.0/sqrt(sum(v**2 for v in x.values()))
  
                # this should never be zero?
                except ZeroDivisionError:
                    s = 1.0
            else:
                s = 1
            for n in x:
                x[n] *= s
            return x
  
    raise nx.NetworkXError('Power iteration failed to converge in '
                           '%d iterations.' % max_iter)

La función anterior se invoca usando la biblioteca networkx y una vez que la biblioteca está instalada, eventualmente puede usarla y el siguiente código debe escribirse en python para la implementación de la centralidad katz de un Node.

>>> import networkx as nx
>>> import math
>>> G = nx.path_graph(4)
>>> phi = (1+math.sqrt(5))/2.0 # largest eigenvalue of adj matrix
>>> centrality = nx.katz_centrality(G,1/phi-0.01)
>>> for n,c in sorted(centrality.items()):
...    print("%d %0.2f"%(n,c))

La salida del código anterior es:

0 0.37
1 0.60
2 0.60
3 0.37

El resultado anterior es un diccionario que representa el valor de la centralidad katz de cada Node. Lo anterior es una extensión de mi serie de artículos sobre las medidas de centralidad. Sigan haciendo networking!!!

Referencias
http://networkx.readthedocs.io/en/networkx-1.10/index.html
https://en.wikipedia.org/wiki/Katz_centrality

Publicación traducida automáticamente

Artículo escrito por Jayant Bisht y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *