如何选择最合适的中介中心性度量?一种决策树方法

中心性指标在网络分析中起着关键作用,而具体度量的选择显著影响结论的准确性,因为每种度量代表了节点重要性的独特概念。在已提出的 400 多种指标中,为特定应用选择最合适的指标仍是一项挑战。现有方法——基于模型的、数据驱动的和公理化的——均有局限性,需要关联模型、训练数据集或针对每个特定应用的限制性公理。为此,我们引入了筛选方法(culling method),其依赖于专家在简单图上对中心性行为的概念。筛选方法包括形成候选度量集合、生成区分各度量所需尽可能小的图列表、构建决策树调查、以及识别与专家概念一致的度量。我们将此方法应用于包含 40 种中心性(包括新颖的基于核的指标)的多样集合,并将其与公理化方法结合。值得注意的是,仅 13 棵小的 1-树就足以分离所有 40 种度量,即使对于紧密相关的成对度量也是如此。通过采用如自洽性或桥公理之类的简单序公理,可大幅缩减度量集合,使筛选调查简短。应用筛选方法对一些中心性指标(如 PageRank、桥接以及基于相异度的特征中心性度量等)给出了深刻发现。所提方法在人工和时间上提供了高性价比的解决方案,补充了现有的度量选择方法,并深入揭示了中心性度量的潜在机制。