Structural network analysis: Correlation between centrality measures
Analyse structurel de réseau : Corrélation entre les mesures de centralité
Résumé
Centrality measures are important in network analysis and mining. The correlation structures between the centrality measures are subject of the structural network analysis to improve the understanding of the process in that network. The aim of this paper is to extract useful hidden structural information about the structural correlations between centrality measures study. With Data Science analysis and visualization technics, we propose a structural analysis and visualization of the Pearson correlation between centrality measures. Overall experimentations, the same results are shown in 31 social networks with different topologies. The results show the existence of a strong positive and structural correlation between degree and closeness centrality, degree and betweenness centrality, degree and eigenvector centrality. However, we observed a strong positive and non-structural correlation between eigenvector and betweenness centrality, betweenness and closeness centrality, closeness and eigenvector centrality. Furthermore, we suggest some structural implications of these centrality measures in a network. Finally, we identify influential nodes and their state of evolution that build an effective minimization policy for an infectious disease spread. With the strong positive and structural correlations observed, in large networks, high complexity centrality measure can be approximated by low complexity such as degree centrality.
Les mesures de centralité sont importantes dans l'analyse et l'exploitation des réseaux. Les structures de corrélation entre les mesures de centralité font l'objet de l'analyse structurelle du réseau afin d'améliorer la compréhension du processus dans ce réseau. L'objectif de cet article est d'extraire des informations structurelles cachées utiles sur l'étude des corrélations structurelles entre les mesures de centralité. Grâce aux techniques d'analyse et de visualisation de la science des données, nous proposons une analyse structurelle et une visualisation de la corrélation de Pearson entre les mesures de centralité. Dans l'ensemble des expérimentations, les mêmes résultats sont montrés dans 31 réseaux sociaux à de différentes topologies. Les résultats montrent l'existence d'une forte corrélation positive et structurelle entre la centralité de degré et la centralité de proximité, la centralité de degré et la centralité d'intermédiarité, la centralité de degré et la centralité de vecteur propre. Cependant, nous avons observé une forte corrélation positive et non structurelle entre la centralité de vecteur propre et la centralité d'intermédiarité, la centalité d'intermédiarité et la centralité de proximité, la centralité de proximité et la centralité de vecteur propre. De plus, nous suggérons quelques implications structurelles de ces mesures de centralité dans un réseau. Enfin, nous identifions les nœuds influents et leur état d'évolution qui permettrait de construire une politique de minimisation efficace pour la propagation d'une maladie infectieuse. Avec les fortes corrélations positives et structurelles observées, dans les grands réseaux, les mesures de centralité de haute complexité peuvent être approximées par des mesures de faible complexité telles que la centralité de degré.
Origine | Fichiers produits par l'(les) auteur(s) |
---|