Centralidad de vector propio

La centralidad de vector propio mide tu influencia según la importancia de las personas con las que te conectas, no solo según cuántas conexiones tienes. Reconoce que una sola relación con alguien muy influyente puede valer más que decenas de vínculos débiles. Piensa en la diferencia entre tener mil seguidores al azar en Twitter y que te siga Oprah; lo segundo te da acceso a su enorme red. Reflexiona sobre esto: identifica a una persona de tu vida que sirva de puente hacia un círculo social completamente distinto y de gran valor.

Este concepto funciona según un principio recursivo: un nodo es importante si está conectado con otros nodos importantes. A diferencia de la «centralidad de grado», que solo cuenta tus vecinos inmediatos, la centralidad de vector propio calcula tu puntuación a partir de la suma de las puntuaciones de tus vecinos. Si tus amigos ganan influencia, tu puntuación sube automáticamente. Así se crea un ciclo de retroalimentación que identifica los verdaderos centros de poder de una red.

Piensa en PageRank, el algoritmo de Google. Un sitio web no consigue una posición alta solo por tener muchos enlaces entrantes (cantidad); la consigue si recibe enlaces de sitios con autoridad, como The New York Times o los dominios de universidades (calidad). Un solo enlace de un sitio con mucha autoridad transmite más «fuerza» que cientos de enlaces de blogs poco conocidos.

En las redes sociales, esto explica por qué algunas personas «dan prestigio» a otras. En una escuela secundaria, tener amistad con el grupo más popular mejora tu posición social más que tener amistad con todo el club de ajedrez, aunque este tenga más miembros. Esta medida revela el «poder detrás del trono»: personas que quizá no llaman la atención ni son famosas, pero que cuentan con la atención de quienes sí lo hacen o lo son.

La centralidad de vector propio corresponde matemáticamente al vector propio principal de la matriz de adyacencia de la red. Esto implica que la centralidad de un nodo es proporcional a la suma de las centralidades de sus vecinos. Esta definición permite que la medida capte la influencia global, más allá de la popularidad local.

• Bonacich (1972): Estableció la base matemática formal para ponderar las conexiones según el estatus de la otra persona, y sostuvo que la centralidad es una propiedad de toda la estructura [1].
• Page et al. (1999): Adaptaron este concepto a la web mediante PageRank e introdujeron un factor de amortiguación para manejar los bucles infinitos en grafos dirigidos, como la web [3].
• Newman (2010): Muestra que, aunque funciona bien en redes fuertemente conexas, la medida puede fallar en redes acíclicas o dirigidas donde la influencia no puede volver al punto de partida, lo que exige ajustes como la centralidad alfa [2].

Requiere conocer toda la estructura de la red y que esta sea conexa (o fuertemente conexa). En redes muy grandes, calcularla puede exigir muchos recursos computacionales en comparación con medidas más sencillas. También tiende a «localizarse»: unos pocos nodos centrales con puntuaciones altas pueden dominar excesivamente la puntuación y ocultar la estructura de la periferia.