کنشگر برجسته در شبکه

در بسیاری از تحلیل­های داده، داده ­ها در ساختار مستطیلی ذخیره می­ شوند؛ جایی که ردیف­ها بیانگر موارد یا مشاهدات و ستون­ها بیانگر متغیرهای فردی است. شبکه ­ها به­ دلیل تشریح ساختارهای رابطه­ ای پیچیده ­تر، نیازمند نوع متفاوتی از ذخیره داده می ­باشد. در تحلیل شبکه ، جزو اساسی اطلاعات، رابطه(پیوند) بین دو عضو شبکه است. یک شیوه برای ترسیم داده­های شبکه که بسیار کاربردی نیز هست، مرتب کردن داده­ ها در ماتریس است. یک ماتریس اجتماعی^[1] ، ماتریس مربعی است که در آن 1 اشاره به وجود پیوند بین دو نود دارد و صفر حاکی از عدم ارتباط بین دو نود است. قرار بر این است که ردیف ­ها اشاره به نود فرستنده و ستون­ها اشاره به نود دریافت ­کننده داشته باشند. به ماتریس اجتماعی، گاهی ماتریس مجاورت^[2] نیز گفته می­شود، چرا که بیان می­کند کدام نودها در مجاورت نودهای دیگر قرار دارد. اگر شبکه بی ­سویه باشد (لبه به­ جای قوس)، ماتریس شبکه حول قطر، متقارن خواهد شد. در شبکه­ های ساده، خود اتصالی^[3] وجود ندارد، بنابراین، قطر همه شبکه­های ساده صفر می­ باشد

هدف از ترسیم گرافیکی شبکه، تولید تصویری است که مهم­ترین یا جالب­ترین اطلاعات جای­گرفته در داده­های شبکه را نشان دهد. برای این منظور، تحلیلگر می­بایست در خصوص عنصر گرافیکی که در تصویر ظاهر می­شود، تصمیم بگیرد.

شبکه­ ها به ­دلیل الگوهای ساختاری خاص خود و این­که چگونه ساختار آنها بر اعضای شبکه اثرگذار است، ارزش مطالعه دارند. شبکه ­ها بر مبنای نحوه جای گیری اعضای خود در شبکه­ ها بر اعضای خود اثرگذار هستند؛ فردی که به بسیاری از اعضای یک شبکه متصل است، احتمالاً سایر شبکه را بسیار متفاوت­ تر از فردی می­بیند که از سایر افراد، دور افتاده یا ایزوله است.

با بررسی موقعیت تک تک اعضای شبکه می ­توان برجستگی هر یک را بررسی کرد. کنشگری برجسته است که پیوندهایش آن را مورد توجه سایر اعضای شبکه سازد. یکی از مهم­ترین روش­های معمول بررسی برجستگی اعضای شبکه مرکزیت است؛ نودی که در بسیاری از پیوندهای شبکه درگیر است.

[1] Sociomatrix

[2] Adjacency matrix

[3] Self-loop