搞懂图论中的中心性

大家好，欢迎来到IT知识分享网。

0. 前言

中心性（Centrality）表示的是图（Graph）中，每个节点的重要度。图在越来越多的领域中被应用，甚至在图像小样本分类中，也有了应用，比如2022年的一篇CVPR论文《Learning to Affiliate: Mutual Centralized Learning for Few-shot Classification》就用了中心性来解决小样本分类的问题。

本文就是对目前比较主流的几种求图中心性的方法进行的梳理。

在进行算法的说明之前，首先要搞清楚，什么是“节点的重要度”。不同的方法对其定义也不相同，比如重要度可以是有多少条边从这个节点出发的，可以是有多少边经过了这个节点，也可以是有多少条边到达了这个节点。对于无向图来说，这三者都是一样的。不同的定义，对应着不同的方法，下面会详细展开讲。

1. Degree Centrality

度中心性，这是容易理解的一种中心性。它对重要度的定义是节点的入度。这是非常直观的一种定义，比如一篇论文被引用的数量可以表示其重要度。

这种方法的缺点在于无视了与其相邻的邻居的重要度，这样很容易被造假。比如就网站的重要度而言，如果想要提高自己网站的重要度，只需要设计许多无意义的网站指向需要提高重要度的网站即可。

2. Eigenvector Centrality

特征向量中心性，如果使用转移矩阵，它对重要度的定义就是节点被访问的概率，如果使用邻接矩阵，它对重要度的定义就是邻居的重要度。这里涉及到一个随机游走(Random Walk)的概念，就是随机在图上的每个节点安排几个粒子，将粒子所在的位置作为起始点，然后每次随机走过一条边，记录每个节点被访问的概率，将这个概率作为重要度。

举个例子（以转移矩阵为例），图1-1所示的图的转移矩阵可以表示为

同理，可得此时落在各个节点的概率变为了

$$[3/8,5/24,5/24,5/24]]\approx [0.38,0.21,0.21,0.21]$$

可以发现，在这个例子之下，粒子落在每个节点的概率在逐渐收敛。

先说结论，这个最终收敛的概率向量就是邻接矩阵的特征向量，且这个特征向量对应的特征值是所有特征值中最大的。

并不是所有的$n\times n$转移矩阵$T$都是可以收敛的，这里要求转移矩阵是不可约矩阵(irreducible matrix)，也就是说该转移矩阵对应的图必须是强连通图，也就是说，图中的任意一个节点都可以到达图中另外一个节点。

根据Perron-Frobenius定理，如果$T$是不可约的，那么

• T有一个最大特征值$r$，且$r>0$；
• $r$对应的特征向量中的所有元素均为正

这里来证明一下为什么不断游走的过程最终会收敛到转移矩阵$T$特征值最大的特征向量。

首先，上述游走的过程就是初始概率$x_0$不断左乘邻接矩阵$T$的过程，第$t$步的概率可以表示为
$$x_t=T^t{x}_t=T{x}_{t-1}\text{\hspace{1em}(2-1)}$$

假设$n\times n$的转移矩阵$T$的单位特征向量为$v_1,v_2,\dots ,v_n$，对应的特征值为${\lambda }_1,{\lambda }_2,\dots ,{\lambda }_n$。这里为了最终表示方便令特征值是降序排列的，即${\lambda }_1>{\lambda }_2>\cdots >{\lambda }_n$。由于单位特征向量直接线性不相关，所以任意一个$x_t$都可以表示为其线性组合

$$x_t={\beta }_1{v}_1+{\beta }_2{v}_2+\cdots +{\beta }_n{v}_n\text{\hspace{1em}(2-2)}$$

那么就有

$$x_1=T{x}_0={\beta }_{1}T{v}_1+{\beta }_{2}T{v}_2+\cdots +{\beta }_{n}T{v}_n\text{\hspace{1em}(2-3)}$$

根据特征值的性质有$T{v}_1={\lambda }_1{v}_1$，带入$(2-3)$可得

$$x_1=T{x}_0={\beta }_1{\lambda }_1{v}_1+{\beta }_2{\lambda }_2{v}_2+\cdots +{\beta }_n{\lambda }_n{v}_n\text{\hspace{1em}(2-4)}$$

我们之前已经假设了${\lambda }_1>{\lambda }_2>\cdots >{\lambda }_n$，故有
$$li{m}_{t\to +\infty }(\frac{{\lambda }_n}{{\lambda }_1}{)}^t=0\text{\hspace{1em}(2-7)}$$

则经过无穷多次迭代之后，就有

$$x_t=T{x}_{t-1}={\lambda }_1^t{\beta }_1{v}_1\text{\hspace{1em}(2-8)}$$

${\lambda }_1^t{\beta }_1$是个常数，也就是说，最后收敛得到的就是转移矩阵$T$特征值最大的对应的特征向量。

当然最终要能收敛还有一些约束条件，因为最大的特征值可能是负的之类的情况：

• 图中没有dead ends，也就是没有只进不出的向量，这会导致最终收敛到0；
• 图中没有spider traps，也就是没有cyclic structure

其实，这就是说矩阵要是不可约矩阵。

3. Katz Centrality

Katz中心性对重要度的定义和特征向量中心性的定义是一致的，一般使用邻接矩阵，那也就表示了邻居的重要度。

这个矩阵表示了图的结构，如果两个节点相连，那么对应的矩阵位置$ij$就是1。特征向量中心性也是可以用邻接矩阵来算的。

我们令两个邻接矩阵相乘可以得到

$$M^2=\left[\begin{array}{cccc}2& 0& 0& 2\\ 1& 2& 1& 0\\ 1& 2& 1& 0\\ 1& 1& 1& 1\end{array}\right]\text{\hspace{1em}(3-2)}$$

令三个邻接矩阵相乘可以得到

$$M^3=\left[\begin{array}{cccc}2& 4& 2& 0\\ 3& 1& 1& 3\\ 3& 1& 1& 3\\ 3& 2& 1& 2\end{array}\right]\text{\hspace{1em}(3-3)}$$

仔细观察可以发现，$M^t$中的位置$ij$表示从$i$走到$j$，长度为t的不同路径的数量。比如$M^2[1,0]=1$表示从A到B，长度为2的路径只有1条，观察图1-1可以发现，确实只有1条，为【A->D->B】。这就是邻接矩阵累乘的实际意义。

为了解决这个问题Leo Katz提出了用一个系数$\alpha \in (0,1)$来惩罚长的路径，其具体定义如下式$(3-5)$所示。
$$x_t=\alpha M{x}_{t-1}+\beta \text{\hspace{1em}(3-5)}$$

$\alpha$和$\beta$都是常数。$\beta$是初始化的中心性，这个其实无所谓，取度中心性就可以，取1取0也是有的。惩罚因子$\alpha$就比较重要了，$\alpha$不能太大，大了，比如取1，就相当于是特征向量中心性了，一般$\alpha <1/|r|$，$r$是$M$的最大特征值；$\alpha$也不能太小，小了，比如取0，就变成度中心性了。

假设最终可以收敛，令$x_t=x_{t-1}$，那么根据式(3-5)就有
$$x_t=\beta (I-\alpha M{)}^{-1}\text{\hspace{1em}(3-6)}$$

这就是计算katz中心性的式子。

4. PageRank

PageRank对重要度的定义和特征向量中心性的定义是一致的，也就是邻居的重要度。Katz中心性的问题是，一个高中心性的节点，会把其影响传播给其他的节点，比如google链接了无数的网站，google的中心性很高，这就会使得google指向的网站中心性都很高，这是我们不希望的。PageRank通过出度(out-degree)将中心性进行了稀释。

PageRank的定义为

$$x_t=\alpha M{D}^{-1}{x}_{t-1}+\beta \text{\hspace{1em}(4-1)}$$

其中$D$是一个对角矩阵，$d_{ii}=max(r_i^{out},1)$，对于没有出度的，令$d_{ii}=1$，相当于中心性除以了出度。

同样的，上式可以表示为

$$x_t=\beta (I-\alpha M{D}^{-1}{)}^{-1}=\beta D(D-\alpha A{)}^{-1}\text{\hspace{1em}(4-2)}$$

同样地，$\alpha$的取值是有范围的，不能大于$A{D}^{-1}$的最大特征值的倒数。特别地，对于无向图来说，这个值就是1。

参考资料