复杂网络中的结构洞理论及其Python实现

最新推荐文章于 2024-04-30 16:43:25 发布

Sun_Sherry

最新推荐文章于 2024-04-30 16:43:25 发布

阅读量4.2k

点赞数 4

分类专栏： Python 文章标签： python

本文链接：https://blog.csdn.net/yeshang_lady/article/details/124149987

版权

Python 专栏收录该内容

54 篇文章 17 订阅

订阅专栏

1. 结构洞理论

结构洞理论最早由美国社会学家Burt提出。结构洞可以理解为两个未连接节点之间的间隙，当两个节点通过第三个节点连接时，该间隙被填充，并为纽带节点创造了重要的优势。
Burt提出使用约束系数来识别结构洞节点，节点 $i$ 的结构洞约束系数越小，该节点越容易成为结构洞节点，相应的节点作用就越大。约束系数的定义如下： $C_{i}=\sum_{ j\in \Gamma(i)}(p_{ij}+\sum_{q}p_{iq}\cdot p_{qj})^{2},q\neq i,j$ 其中节点 $q$ 代表节点 $v_{i}$ 和节点 $v_{j}$ 的共同邻居集合。 $p_{ij}=a_{ij}/\sum_{j\in \Gamma(i)}a_{ij}$ 代表节点 $v_{i}$ 花费在节点 $v_{j}$ 上的精力。 $a_{ij}$ 为对网络对应的邻接矩阵的元素。

2. Python实现约束系数计算

import numpy as np
import networkx as nx

G=nx.Graph()
G.add_edges_from([(10,9),(11,9),(12,9),(9,6),(6,1),(6,7),
                  (1,7),(1,2),(1,5),(5,8),(5,7),(7,2),(7,4),
                  (7,3),(2,4)])
nx.draw(G,with_labels=True,alpha=0.8,node_size=500)
#得到邻接矩阵
A=np.array(nx.adjacency_matrix(G,nodelist=range(1,13)).todense())
#转化为p_ij矩阵。p_ij代表节点i花费在节点j上的精力。
A=A/A.sum(axis=0).reshape(-1,1)
C=[]#保存各个节点的约束系数
for i in range(A.shape[0]):
    #知道当前节点的邻居节点
    n_idx=np.where(A[i]>0)[0]
    c_i=0
    for j in n_idx:
        #节点i和节点j的共同邻居
        com_n_idx=np.where(np.logical_and(A[i]>0,A[j]>0))[0]
        tmp=sum([A[i][k]*A[k][j] for k in com_n_idx])+A[i][j]
        c_i+=tmp*tmp
    C.append(c_i)