Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Komplex hálózatok: alapfogalmak, modellek, módszerek
London András, Németh Tamás
2015. április 13.
Közösségek
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Hálózatok mindenhol!
ábra 1:
Facebook kapcsolati háló
Közösségek
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Közösségek
Hálózatok mindenhol!
ábra 2:
9/11 terrorista hálózat (kapcsolatok, pénzáramlás). Bármely két
pont legfeljebb 2 távolságra van egymástól. Forrás: Paul Sperry, NY Post
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Hálózatok mindenhol!
ábra 3:
Európai légi közlekedési hálózat dinamikusan.
Közösségek
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Hálózatok mindenhol!
ábra 4:
Az USA elektromos ellátó rendszere. 2003.08.14-én az
észak-keleti áramellátás teljesen leállt.
Közösségek
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Hálózatok mindenhol!
ábra 5:
A Trónok harca szerepl®inek interakciói (1-2. évad). Az élek
vastagsága a találkozások számával arányos.
Közösségek
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Mit®l komplex?
Sok egymással kapcsolatban álló és egymásra ható szerepl® Adaptivitás: visszajelzés, kooperáció Növekedés, evolúció Nincs linearitás: Az egész több, mint a részek összessége!
Közösségek
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Közösségek
Gráfok
Deníció (Gráf )
G := (V , E ) gráf, ahol V = (1, 2 . . . , N) a gráf csúcsai
ábra 6:
és
E ⊆V ×V
a gráf élei.
Gráfok, alapfogalmak. (Forrás: Aaron Clauset, Network Analysis
and Modelling course)
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Közösségek
Gráfreprezentációk
ábra 7:
Gráfreprezentációk: Szomszédsági mátrix, szomszéd lista, éllista
(Forrás: Aaron Clauset, Network Analysis and Modelling course)
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Közösségek
Fokszámok, utak, komponensek
A = [aij ] ∈ Rn×n i
pont foka:
ki =
Fokszámeloszlás:
G Pn
szomszédsági mátrixa:
j=1 aij
P(egy
Út: csúcsok sorozata,
véletlenül választott pont foka
(i, j, k, . . . , m, n),
k)
ahol az egymást
követ® csúcsok között van él; legrövidebb út két pont között: az összes lehetséges út közül a legrövidebb. Komponens, er®sen összefügg® komponens, stb.
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Közösségek
Mennyire fontosak a hálózat pontjai?
struktúrális tulajdonság szempontjából, például magas fokszámú a központban van valamilyen dinamikus folyamat szempontjából fontos (pl. fert®zés terjedés, véletlen bolyongás)
=⇒
Centralitás
Minél centrálisabb annál fontosabb, minél kevésbé centrális annál kevésbé fontos
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Fokszám
Nagyobb fokszám
ki =
→
Pn
fontosabb pont
j=1 aij ; irányított:
ábra 8:
kibe =
Pn
j=1 aji ,
kiki =
Be- és kifok centralitás.
Pn
j=1 aij
Közösségek
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Közösségek
Közelség (closenes), köztiség (betweennes)
Closeness: mennyire van a központban a pont
→
átlagosan
milyen hosszúak a pontból induló legröviebb utak a hálózat többi pontjába
n−1 C (i) = P , i6=j `ij ahol
`ij
=⇒
Számolás: Floyd-Warshall algoritmus
az
i
és
j
közti legrövidebb út hossza.
ábra 9:
Mennyi X és Y closeness értéte?
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Közösségek
Közelség (closenes), köztiség (betweennes) Betweenness: Két pont milyen messze van egymástól, ha át kell menni egy kijelölt harmadik ponton
BC (k) =
X σij (k) , σij
i6=k6=j ahol
σij
a
i
legrövidebb
=⇒
j közötti legrövidebb utak száma, σij (k) i − j utak száma, melyek átmennek k -n
és
Szorgalmi: gondolkozzunk egy
O(nm)
futási idej¶
algoritmuson (m a gráf éleinek száma)
ábra 10:
Mennyi X és Y betweennes értéte?
pedig azon
BC
számító
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Sajátérték, PageRank
Alapötlet: nem minden szomszéd egyforma súllyal számít a centralitás kiszámításánal Rekurzív formula:
(t+1)
xi
=
n X
(t)
wij xj
j=1 Minél fontosabb a szomszéd, annál jobban járul hozzá az adott pont fontosságához Mátrix formában:
x
x
A = λ1 , ahol
λ1
az
A
mátrixhoz tartozó legnagyobb sajátérték
Közösségek
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Sajátérték, PageRank Mi a helyzet ha a gráf nem összefügg®?
=⇒
Véletlen
1 szörföz®, ld. Google keres®motor Rekurzió:
PR(i)
1
X PR(j) −λ +λ , n k ki (j) + j∈N (i)
ahol
λ ∈ [0, 1]
paraméter (ugró faktor),
N + (i)
az
be-szomszédsága
1
Brin & Page, Computer networks and ISDN systems ,1998
i
pont
Közösségek
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Gráfmodellek
Milyen általános közös tulajdonságai vannak tipikus gráfoknak? Tudjuk-e valamilyen modellel közelíteni a valóságban megjelen® hálózatokat? A különböz® területeken (társadalom, gazdaság, biológia, technológia) megjelen® hálózatok modelljei között mik a legfontosabb különbségek/hasonlóságok?
Közösségek
Motiváció
Alapfogalmak
Erd®s-Rényi modell
G (n, p)
Centralitás mértékek
Néhány gráfmodell
Közösségek
2
minden élt
p ∈ [0, 1]
valószín¶séggel húzunk be,
egymástól függetlenül élek száma várhatóan: átlagos fokszám:
n
2
p
k = (n − 1)p
fokszámeloszlás:
n−1 k P(ki = k) = p (1 − p)n−1−k , k azaz binomiális. Fontos és rendkívül sokat vizsgált matematikai modell A valóságban megjelen® hálózatok jellemz®en nem ilyen típusúak! 2
Erd®s & Rényi, 1959
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Közösségek
Kisvilág gráfok
Stanley Milgram (1933-84) kísérlete: véletlenül kiválasztott emberek küldjenek egy levelet egy közeli ismer®snek, hogy az szintén továbbküldje így, azzal a céllal, hogy egy általuk valószín¶leg ismeretlen bostoni orvoshoz eljusson végül a levél A 64 levél az USA 64 különböz® pontjáról átlagosan 5.5 levélváltás után célba ért
=⇒
Kicsi átmér®: A legtávolabbi pontok sincsenek túl messzire
egymstól... További fontos jellemz®: háromszögek száma nagy
Motiváció
Alapfogalmak
Centralitás mértékek
Watts-Strogatz modell
Néhány gráfmodell
3
Kiindul egy 4-reguláris gráfból (minden pont foka 4) Minden élt
p
valószín¶séggel átdrótoz ( azaz
választunk véletlenül egy töröljük
=⇒ ∼ log n
(i, j)-t
3
és behúzzuk
az átmér®; Ha
valószín¶séggel
k
(j, k)
(i, j)
pontot, és
p
(i, j)
él esetén
valószín¶séggel
(i, k)-t)
és
(i, k)
is él, akkor nagy
is az (azaz háromszövek száma nagy)
Watts & Strogatz, Nature, 1998
Közösségek
Motiváció
Alapfogalmak
Centralitás mértékek
Barabási-Albert modell
Néhány gráfmodell
Közösségek
4
Genaratív modell hogyan fejl®dhet ki egy hálózat? A
preferential attachment modell : kezetben egy összefügg® G0 gráf n0 ponton 2 t id®pontban hozzáadunk Gt -hez egy új v pontot 1
P(v -t
összekötjük egy meglév®
ki i -vel) = P j
4
Barabási & Albert, Science, 1999
kj
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Barabási-Albert modell
Úgynevezett skálafüggetlen hálózatot kapunk:
P(ki = k) ∼ k −α Hatványtörvény szerinti fokszámeloszlás: néhány pont foka nagy, viszont a legtöbb pontnak csak kevés szomszédja van Átlagos úthossz:
` ∼ ln n/ ln ln n
A valóságban számos hálózat ilyen tulajdonságot mutat: szociális hálók, pénzügyi hálózatok, WWW, biológiai hálózatok, közlekedési hálózatok, stb.
Közösségek
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Közösségek
Közösségek Nagyméret¶ szervez®dési mintázatok keresése Bizonyos pontok hasonlóbbak/ közelebb vannak egymáshoz, míg más pontoktól távol helyezkednek el
ábra 11:
Hálózat három közösséggel.
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Közösségek
Közösségek - modularitás
Az adott gráf mennyire tér el egy ugyanolyan fokszámeloszlású véletlen gráftól?
Modulartás
= #{közösségen belüli élek}
E[#{közösségen
belüli élek}) egy azonos fokszámeloszlású véletlen gráfban] Newman-modularitás
Q= δ
5 1
X
2M
a Dirac-delta függvény,
hogy
i
és
j
(aij − pij )δ(Ci , Cj ),
i,j
pij
pedig annak a valoszín¶sége,
össze van kötve egy véletlen (null-modell) gráfban
Szorgalmi: gondolkozzunk közösség keres® algorimusban, melynek lényege a modularitás függvény maximalizálása
5
Newman, Physical Review E, 2004
Motiváció
Alapfogalmak
Centralitás mértékek
Néhány gráfmodell
Néhány további fontos hálózati szerkezet Mag-periféria Hagymaszerkezet Nestedness (egymásba ágyazottság) Rich club
ábra 12:
További tipikus hálózat szerkezetek
Közösségek