Les mesures de centralité permettent d’identifier les nœuds les plus critiques ou ayant le plus d’influence sur un réseau. Les applications permettent de rechercher l’individu le plus connecté sur une plateforme de réseaux sociaux, d’identifier la partie d’une infrastructure critique affectant le plus un réseau en cas de dommage, de détecter des événements de superdiffusion d’une maladie et de tracer des contacts.
Une fois que vous disposez d’un diagramme de liens avec au moins un ensemble de nœuds et un ensemble de liens connectant vos nœuds, procédez comme suit pour effectuer une analyse de centralité :
- Cliquez sur Link Analysis (Analyse de liens)
dans l’onglet contextuel Link Chart (Diagramme de liens) pour ouvrir la fenêtre des outils d’analyse.Pour réduire la fenêtre, cliquez sur la flèche en haut à gauche.
- Sous Analysis Method (Méthode d’analyse), choisissez Centrality (Centralité).
- À côté de Centrality (Centralité), choisissez l’une des options suivantes :
- Betweenness Centrality (Centralité entre-deux) : fréquence à laquelle un nœud réside sur le chemin le plus court entre chaque paire de nœud sur le réseau. Le retrait ou l’ajout d’un nœud central peut entraîner une modification des chemins les plus courts, ce qui nécessite de recalculer la centralité d’intermédiarité. La centralité d’intermédiarité permet d’identifier les nœuds qui servent à connecter d’autres nœuds dans un réseau.
La centralité d’intermédiarité peut permettre de répondre aux questions suivantes :
- Quels individus connectent plusieurs cellules d’un réseau criminel donné ?
- Dans chaque pays, quelle fermeture d’aéroport aurait l’impact le plus fort sur le réseau de transport aérien ?
- Closeness Centrality (Centralité de proximité) : la réciproque de la somme des distances de chemin le plus court d’un nœud vers tous les autres nœuds sur le réseau. Un nœud doté du score de centralité de proximité le plus élevé possède le chemin moyen le plus court vers tous les autres nœuds dans le réseau. Utilisez la centralité de proximité pour déterminer quels nœuds sont le plus étroitement associés aux autres nœuds du réseau.
La centralité de proximité peut permettre de répondre aux questions suivantes :
- Lors d’une épidémie, qui était le patient zéro le plus probable ?
- Qui serait la meilleure personne ou la meilleure marque pour informer le plus de consommateurs à propos d’un produit sur les réseaux sociaux ?
- Degree Centrality (Centralité de degré) : le nombre total de connexions immédiates qu’un nœud donné possède sur le réseau. Ces connexions peuvent ensuite être à nouveau divisées en connexions entrantes ou sortantes qui permettent de mieux comprendre la nature des relations du nœud vers ses voisins. La centralité de degré permet de déterminer quels nœuds ont l’influence directe la plus forte sur le réseau. Les réseaux dirigés incluent également les options In Degree Centrality (Centralité de degré entrante) et Out Degree Centrality (Centralité de degré sortante). Elles représentent le nombre de connexions entrantes et sortantes sur un nœud donné.
La centralité de degré peut permettre de répondre aux questions suivantes :
- Qui sont les plus grands influenceurs sur un réseau social ?
- Quel aéroport offre le plus grand nombre de destinations ?
La centralité de degré entrante peut permettre de répondre aux questions suivantes :
- Qui est suivi par le plus grand nombre de personnes sur un réseau social donné ?
- Quel aéroport présente le plus grand nombre de vols à l’arrivée ?
La centralité de degré sortante peut permettre de répondre aux questions suivantes :
- Qui suit le plus grand nombre de personnes sur un réseau social donné ?
- Quel aéroport offre le plus grand nombre de destinations ?
- Eigenvector Centrality (Centralité de vecteur propre) : la centralité de vecteur propre se base sur les nœuds importants connectés à d’autres nœuds importants. La centralité de vecteur propre permet de déterminer si des grappes d’influence existent dans un réseau donné. La centralité de vecteur propre fonctionne lorsque toutes les relations dans le réseau sont bidirectionnelles ou que la directionalité est annotée sur le réseau.
La centralité de vecteur propre peut permettre de répondre aux questions suivantes :
- Existe-t-il des groupes de personnes très influentes sur un réseau social donné ? De qui s’agit-il ?
- PageRank Centrality (Centralité PageRank) : la centralité PageRank est similaire à la centralité de vecteur propre dans la mesure où elle permet de mesurer l’influence sur un réseau. Cependant, à l’inverse de la centralité de vecteur propre, la centralité PageRank tient compte de la directionalité. La centralité PageRank a été créée et popularisée par Google afin d’aider à renvoyer les meilleurs résultats de recherche à une question posée par un utilisateur.
La centralité PageRank peut permettre de répondre aux questions suivantes :
- Quel site Internet répond le mieux à ma question ?
- Quel nœud de mon réseau informatique est le plus critique ?
- Dans mon réseau criminel, qui exerce la plus forte influence sur la totalité du réseau ?
L’analyse s’exécute et les résultats tabulaires apparaissent dans la fenêtre d’analyse.
- Betweenness Centrality (Centralité entre-deux) : fréquence à laquelle un nœud réside sur le chemin le plus court entre chaque paire de nœud sur le réseau. Le retrait ou l’ajout d’un nœud central peut entraîner une modification des chemins les plus courts, ce qui nécessite de recalculer la centralité d’intermédiarité. La centralité d’intermédiarité permet d’identifier les nœuds qui servent à connecter d’autres nœuds dans un réseau.
Vous avez un commentaire à formuler concernant cette rubrique ?