Comprendre la centralité du vecteur propre et son utilisation

Écrit par Coursera Staff • Mise à jour à

Découvrez la centralité du vecteur propre, un concept qui aide à prédire des modèles, ce qui le rend utile dans divers secteurs. Explorez ce qu'elle est et comment elle s'applique à plusieurs domaines professionnels.

[Image en vedette] Deux programmeurs discutent de l'utilisation de la centralité du vecteur propre, assis devant plusieurs écrans d'ordinateur dans un bureau.

Read in English (Lire en Anglais).

La centralité du vecteur propre est un concept utilisé dans de nombreux secteurs pour analyser les modèles de connectivité. Les professionnels peuvent utiliser ce type d'algorithme pour prédire les modèles sociaux, classer les pages web et même analyser les modèles cérébraux dans les scanners d'imagerie. Dans cet article, nous examinerons ce qu'est la centralité du vecteur propre, les applications courantes dans différents domaines et la manière dont vous pouvez approfondir votre compréhension de ce concept. 

Emplacement réservé

cours

HTML, CSS, and Javascript for Web Developers

Do you realize that the only functionality of a web application that the user directly interacts with is through the web page? Implement it poorly and, to ...

4.7

(16,787 évaluations)

1,180,932 déjà inscrits

Temps moyen : 8 heure(s)

Apprenez à votre propre rythme

Compétences que vous acquerrez :

HTML and CSS, Web Development

Qu'est-ce que la centralité du vecteur propre ?

La centralité du vecteur propre est une mesure utilisée pour déterminer l'influence d'un nœud (un élément individuel) au sein d'un réseau. La valeur de ce vecteur propre n'est pas seulement pondérée par le nombre de connexions d'un nœud, mais aussi par la qualité ou l'importance de ces connexions. En d'autres termes, un nœud est plus influent s'il est connecté à d'autres nœuds influents.

Pour simplifier le concept, imaginez que vous êtes à une fête pleine de monde. Si vous êtes en contact avec de nombreuses personnes, vous pouvez sembler influent dans un premier temps. Mais qu'en est-il si les personnes avec lesquelles vous êtes en contact ne connaissent pratiquement personne d'autre dans la salle ? Le fait d'être connecté à moins de personnes mais d'avoir des connexions influentes (par exemple, être connecté aux hôtes de la fête) vous rendrait probablement plus influent que le fait d'avoir de nombreuses connexions moins pondérées. La centralité du vecteur propre ne concerne pas seulement la quantité de connexions, mais aussi leur qualité.

Explication mathématique

En termes mathématiques, la formule de centralité du vecteur propre calcule la centralité d'un nœud en prenant la somme des scores de centralité de ses voisins (les nœuds auxquels il est connecté), en tenant compte de la force de ces connexions. Ces scores de centralité forment un vecteur propre (un vecteur non nul qui ne change que par un facteur scalaire lorsque vous lui appliquez une transformation linéaire) de la matrice d'adjacence du réseau.

Toutefois, la plupart des logiciels d'analyse de réseau calculent eux-mêmes la centralité des vecteurs propres, de sorte qu'il n'est généralement pas nécessaire de comprendre comment calculer soi-même les vecteurs propres. En comprenant les principes généraux du processus de création des poids des nœuds et des scores de centralité, vous pourrez vous faire une idée des applications de ce concept dans les différents secteurs.

Qu'est-ce qui fait qu'un nœud est important ?

Lors de la pondération des nœuds et de la détermination de la centralité du vecteur propre, l'algorithme tient compte de plusieurs paramètres. La centralité d'un nœud est basée sur le nombre de connexions qu'il possède (liens sortants) et sur le fait que ses liens sortants ont eux-mêmes un volume élevé de liens sortants. L'algorithme recherche également les liens entrants provenant de nœuds ayant un degré élevé de liens entrants. En substance, l'algorithme veut savoir combien de liens un nœud possède et si ces liens sont influents. 

Emplacement réservé

Exemples de centralité du vecteur propre

La centralité des vecteurs propres est utilisée dans plusieurs secteurs d'activité, mais elle est surtout citée dans le système PageRank de Google et dans les algorithmes de réseaux sociaux. Voici quelques exemples populaires où la centralité de la valeur propre joue un rôle : 

Classement des pages de recherche en ligne

Le principe de base de l'algorithme PageRank est de déterminer quels sont les sites web de la plus haute qualité et, par conséquent, les plus utiles aux navigateurs. Si une page web renvoie à plusieurs sites de grande qualité, il est probable que cette page soit également de grande qualité. 

Dans un modèle, les sites web sur l'internet peuvent être considérés comme des nœuds. Ces nœuds sont reliés par des flèches, qui représentent la direction du trafic web. Par exemple, si votre site web contient un lien vers une page externe, une flèche pointera de votre page vers la page externe. L'importance relative des sites web connectés à votre site, ainsi que le volume des pages web, influencent la manière dont l'algorithme PageRank classe votre page. PageRank calcule également la probabilité qu'une personne naviguant sur l'internet aboutisse sur votre site en cliquant sur des liens ou en "sautant" au hasard entre les sites. 

En substance, cet algorithme prend en compte les éléments suivants : 

  • le nombre de sites qui renvoient à votre site web

  • la qualité des sites qui renvoient à votre site web

  • le nombre de sites vers lesquels ces sites renvoient

Réseaux sociaux

Chaque personne ("acteur") d'un réseau de médias sociaux est liée à une ou plusieurs autres, et le schéma de ces connexions peut en dire long sur la structure et la dynamique du réseau. La centralité du vecteur propre nous aide à comprendre l'importance de chaque personne en comptant le nombre de connexions qu'elle a et en examinant la qualité de ces connexions. 

Ce type d'analyse des réseaux sociaux permet de déterminer qui est influent au sein de certains cercles sociaux. Vous pouvez utiliser ces informations pour piloter des stratégies de marketing, le développement de produits, l'analyse des tendances et bien d'autres fonctions. 

Sociologie

En sociologie, la mesure du pouvoir social relatif peut aider les sociologues à comprendre la dynamique des relations et les subtilités des réseaux sociaux. Les sociologues utilisent la centralité du vecteur propre pour déterminer si les personnes ont des positions favorables, des opportunités ou des contraintes, et comment cela est lié à leur influence relative. 

Par exemple, une personne ayant des relations très influentes est susceptible d'avoir accès à des ressources supplémentaires par le biais du partage des ressources, tandis qu'une personne n'ayant pas de relations avec une certaine ressource peut être confrontée à des limitations. Les mesures de proximité et d'interdépendance peuvent également montrer comment les avantages structurels entrent en jeu dans la dynamique sociale. 

Architecture neuronale

La centralité des vecteurs propres a également été appliquée dans le domaine des neurosciences afin de mieux comprendre l'architecture du cerveau. Cette approche, connue sous le nom de cartographie de la centralité du vecteur propre (ECM), permet de créer des cartes détaillées du cerveau, qui peuvent ensuite identifier les différences entre les divers états de l'activité cérébrale.

Les chercheurs ont utilisé cette technique de cartographie dans une étude pour concevoir un algorithme capable d'analyser les scanners cérébraux afin d'identifier les réseaux de plaques tournantes, qui sont des zones clés du cerveau présentant une forte connectivité avec d'autres zones. Les résultats ont montré l'existence d'un réseau de plaques tournantes. En appliquant des tests statistiques aux données ECM, les chercheurs ont pu identifier des différences significatives dans les scores de centralité entre les deux scanners. Lors du premier balayage, les scores de centralité du vecteur propre étaient significativement plus élevés dans le thalamus gauche et droit et dans le cervelet. Ces résultats démontrent le potentiel de l'ECM à capturer l'architecture intrinsèque du cerveau à un niveau détaillé.

Limites de la centralité du vecteur propre

Vous devez être conscient de certaines limites de la centralité du vecteur propre. Tout d'abord, l'algorithme PageRank pondère tous les nœuds de la même manière lorsqu'il s'agit de déterminer si une personne arriverait sur une page web en suivant des liens ou en "sautant" d'une page à l'autre. Or, dans la pratique, les humains peuvent être plus enclins à sélectionner une page plutôt qu'une autre, ce dont l'algorithme ne tient pas compte.

La centralité du vecteur propre ne tient pas non plus compte de l'influence localisée. Par exemple, un nœud peut avoir une influence significative au sein d'un petit groupe du réseau, même s'il n'est pas très bien connecté à l'ensemble du réseau. Dans ce cas, la centralité du vecteur propre peut sous-estimer l'importance du nœud en question.

Emplacement réservé

cours

HTML, CSS, and Javascript for Web Developers

Do you realize that the only functionality of a web application that the user directly interacts with is through the web page? Implement it poorly and, to ...

4.7

(16,787 évaluations)

1,180,932 déjà inscrits

Temps moyen : 8 heure(s)

Apprenez à votre propre rythme

Compétences que vous acquerrez :

HTML and CSS, Web Development

Apprendre la centralité du vecteur propre

Si vous souhaitez en savoir plus sur les mathématiques qui sous-tendent la centralité du vecteur propre, vous devez prendre plusieurs mesures pour vous familiariser avec la base mathématique, l'algèbre linéaire. 

  1. Familiarisez-vous avec l'algèbre et le calcul : Avant de vous lancer dans l'algèbre linéaire, assurez-vous de bien comprendre les mathématiques de base, en particulier l'algèbre, les statistiques et le calcul.

  1. Trouvez un manuel ou un cours en ligne : Vous pouvez apprendre de manière autonome en utilisant l'un des nombreux manuels et cours en ligne disponibles. Un manuel classique à considérer est Linear Algebra and Its Applications de Gilbert Strang. 

  1. Commencez par les bases : Commencez par comprendre les concepts fondamentaux tels que les vecteurs, les matrices et les systèmes d'équations linéaires. Entraînez-vous à résoudre des problèmes faisant appel à ces concepts.

  1. Apprenez à connaître les espaces vectoriels : Une fois que vous avez compris les bases, passez à des sujets plus complexes comme les espaces vectoriels, les valeurs propres et les vecteurs propres.

  1. Entraînez-vous : Comme pour tout autre domaine des mathématiques, la clé de la maîtrise de l'algèbre linéaire réside dans la pratique. Résolvez de nombreux problèmes et exemples pour renforcer votre compréhension.

Prochaines étapes

Vous pouvez en apprendre davantage sur l'analyse des réseaux et la centralité des vecteurs propres en suivant des cours sur Coursera. Envisagez de suivre le cours d'initiation Social Network Analysis proposé par l'UC Davis, ou d'acquérir une compréhension plus complète en suivant l'ensemble Computational Social Science Specialization.

Emplacement réservé

cours

HTML, CSS, and Javascript for Web Developers

Do you realize that the only functionality of a web application that the user directly interacts with is through the web page? Implement it poorly and, to ...

4.7

(16,787 évaluations)

1,180,932 déjà inscrits

Temps moyen : 8 heure(s)

Apprenez à votre propre rythme

Compétences que vous acquerrez :

HTML and CSS, Web Development

Mise à jour à
Écrit par :

Équipe éditoriale

L’équipe éditoriale de Coursera est composée de rédacteurs, de rédacteurs et de vérificateurs de fai...

Ce contenu a été mis à disposition à des fins d'information uniquement. Il est conseillé aux étudiants d'effectuer des recherches supplémentaires afin de s'assurer que les cours et autres qualifications suivis correspondent à leurs objectifs personnels, professionnels et financiers.