Netzwerkgraph

Netzwerkgraph ist eine Visualisierungsform, die Beziehungen zwischen Entitäten als Knoten (Nodes) und verbindende Linien (Edges/Kanten) darstellt und so Strukturen, Cluster und Einflussknoten sichtbar macht.

Rubrik: Mediendesign & Digitale Medien · Unterrubrik: Infografik & Datenvisualisierung · Niveau: Einsteiger

Was ist ein Netzwerkgraph?

Ein Netzwerkgraph (auch: Netzwerkdiagramm, Graph-Visualisierung) stellt Beziehungen zwischen Elementen in einer abstrakten, nicht-linearen Anordnung dar. Die Grundbausteine:

• Nodes (Knoten): Die Entitäten im Netzwerk – Personen, Webseiten, Stationen, Konzepte.
• Edges (Kanten): Die Verbindungen zwischen Knoten – Freundschaften, Hyperlinks, Kommunikationswege.
• Gewichte: Kanten können unterschiedliche Stärken haben (z. B. Häufigkeit der Kommunikation), dargestellt durch Liniendicke.
• Gerichtet vs. ungerichtet: Gerichtete Graphen (Digraphen) haben Pfeile an den Kanten, die die Richtung der Beziehung angeben (A folgt B, aber nicht umgekehrt). Ungerichtete Graphen zeigen symmetrische Beziehungen.

Erklärung

Force-Directed Layout:

Das beliebteste Layout für Netzwerkgraphen ist das Force-Directed Layout. Dabei werden Knoten wie physikalische Partikel behandelt: Verbundene Knoten ziehen sich an (Federkraft), alle Knoten stoßen sich gegenseitig ab (Coulomb-Kraft). Das Gleichgewicht dieser Kräfte erzeugt organisch wirkende Anordnungen, bei denen eng verbundene Knoten nahe beieinander liegen.

Der Nachteil: Das Force-Directed Layout ist nicht deterministisch – das gleiche Netzwerk kann bei jeder Berechnung etwas anders aussehen. Und bei sehr großen Netzwerken (>500 Knoten) wird die Darstellung oft unleserlich: ein „Hairball" (Haarball) aus verworrenen Linien.

Zentralitätsmaße:

Aus der Netzwerkanalyse (Graph Theory) stammen Metriken, die wichtige Knoten identifizieren:

• Degree-Zentralität: Knoten mit vielen Verbindungen (Hubs).
• Betweenness-Zentralität: Knoten, die auf vielen kürzesten Wegen liegen (Brücken).
• Closeness-Zentralität: Knoten, die im Durchschnitt kurze Wege zu allen anderen haben.

Diese Werte können als Knotengröße im Graphen kodiert werden – größere Knoten = zentralere Akteure.

Cluster und Communities:

Algorithmen wie Louvain oder Girvan-Newman erkennen Gemeinschaften (Communities) im Netzwerk – Gruppen von Knoten, die untereinander stark verbunden sind, aber wenig Verbindungen nach außen haben. Diese können farblich hervorgehoben werden.

Lesbarkeit ist die größte Herausforderung:

Netzwerkgraphen sind notorisch schwer lesbar, sobald sie über einige Dutzend Knoten hinausgehen. Cairo (2016) warnt: Ein schöner, chaotischer Netzwerkgraph, der beeindruckend aussieht, aber keine klare Botschaft trägt, ist schlechtes Design. Immer fragen: Welche Knoten und welche Strukturmuster sollen kommuniziert werden?

Wann einsetzen / wann nicht

Einsetzen, wenn:

• Beziehungsstrukturen zwischen Entitäten das Kernthema sind (soziale Netzwerke, Kommunikationsflüsse, Hyperlink-Strukturen).
• Cluster, Hubs und Brücken im Netzwerk kommuniziert werden sollen.
• Die Anzahl der Knoten überschaubar ist (< 100 für lesbare Darstellungen, < 50 für Publikationen).
• Interaktivität möglich ist (Hover, Zoom, Filter) – dann können auch größere Netzwerke exploriert werden.

Nicht einsetzen, wenn:

• Die Beziehungen eigentlich hierarchisch sind (Organigramm, Taxonomie) – dafür ist ein Baumdiagramm klarer.
• Flüsse und Mengen kommuniziert werden sollen – dafür ist das Sankey-Diagramm besser.
• Das Netzwerk zu groß und unübersichtlich ist, ohne klare analytische Botschaft.
• Eine einfache Tabelle der Beziehungen die Frage besser beantwortet.

Beispiele (5 konkrete)

1. Soziale Netzwerkanalyse auf Twitter/X: Knoten = Nutzer, Kanten = Retweet-Beziehungen. Cluster zeigen Echokammern und politische Lager. Hubs sind Influencer mit hoher Degree-Zentralität.
2. Zitiernetzwerk in der Wissenschaft: Knoten = wissenschaftliche Paper, Kanten = Zitate. Zeigt, welche Grundlagenarbeiten besonders häufig zitiert werden (hohe Degree-Zentralität) und welche „Brücken" zwischen Forschungsfeldern verbinden.
3. Hyperlink-Struktur einer Website: Knoten = Seiten, Kanten = Links zwischen Seiten. Zeigt, welche Seiten zentral (viele eingehende Links) und welche Sackgassen sind (viele Links rein, keine raus).
4. Abhängigkeitsdiagramm in Software: Knoten = Module oder Klassen, Kanten = import/require-Abhängigkeiten. Zeigt Kreisabhängigkeiten und übermäßig vernetzte Module. In DevOps ein wichtiges Analyse-Werkzeug.
5. Korruptionsnetzwerk: Journalistische Investigativ-Darstellung von Verflechtungen zwischen Personen und Unternehmen. Knoten = Personen/Firmen, Kanten = Eigentumsverhältnisse oder Zahlungen. OCCRP und andere Investigativ-Portale nutzen Netzwerkgraphen für solche Recherchen.

In der Praxis

Gephi: Gephi (gephi.org) ist die meistgenutzte Open-Source-Desktop-Anwendung für Netzwerkvisualisierungen. Sie importiert Graphen in GEXF, GraphML oder CSV-Format und bietet Force-Directed-Layouts, Community-Detection-Algorithmen und Statistiken. Gut für explorative Analyse, aber die Exporte für Web sind begrenzt.

Flourish: Flourish bietet ein Netzwerk-Template für einfache, webbasierte Netzwerkgraphen ohne Programmierkenntnisse. Gut für Redaktionen und Kommunikationszwecke; weniger flexibel als D3.js.

D3.js: D3.js ist das mächtigste Werkzeug für interaktive Netzwerkgraphen im Web. Das d3-force-Modul implementiert physikbasierte Simulationen für Force-Directed Layouts. Jeder Knoten und jede Kante ist ein SVG-Element, das individuell gestaltet und animiert werden kann. Die Lernkurve ist steil, aber die Ergebnisse sind vollständig anpassbar.

Observable Plot / Sigma.js: Sigma.js ist eine spezialisierte JavaScript-Bibliothek für Netzwerkgraphen, optimiert für große Netzwerke mit WebGL-Rendering. Für akademische Netzwerkanalyse mit Python ist NetworkX (mit Matplotlib oder Pyvis) die gängige Alternative.

Vergleich & Abgrenzung

Häufige Fragen (FAQ)

Warum sehen viele Netzwerkgraphen wie ein unentwirrter Wollknäuel aus? Das liegt am Hairball-Problem: Sobald ein Netzwerk mehr als einige Hundert Knoten und Tausende von Kanten hat, werden die Linien so dicht, dass keine Struktur mehr erkennbar ist. Lösungen: (1) Nur die wichtigsten Knoten (nach Zentralität) anzeigen; (2) Kanten nach Stärke filtern; (3) Communities durch Farben hervorheben und die Kanten zwischen Clustern ausblenden; (4) Interaktivität anbieten, sodass Nutzerinnen und Nutzer selbst filtern können.

Was ist der Unterschied zwischen einem gerichteten und einem ungerichteten Graphen? In einem ungerichteten Graphen ist jede Kante symmetrisch: Wenn A mit B verbunden ist, ist B auch mit A verbunden (Freundschaft, Co-Autorschaft). In einem gerichteten Graphen (Digraph) haben Kanten eine Richtung: A → B bedeutet nicht automatisch B → A (Follower auf Instagram, Hyperlinks, Geldtransfers). Der gerichtete Graph ist informativer, aber auch komplexer darzustellen.

Verwandte Einträge

• Sankey-Diagramm — Gerichtete Flüsse mit Mengen visualisieren
• Treemap — Hierarchien als Rechteckstrukturen
• Datenstorytelling — Netzwerkgraphen in narrativen Kontexten einbetten

Weiterführend

• Cairo, A. (2016). The Truthful Art, Kap. 11 (Network graphs). New Riders.
• Barabási, A.-L. (2016). Network Science. Cambridge University Press. (Open Access: networksciencebook.com)
• Wilke, C. O. (2019). Fundamentals of Data Visualization. O'Reilly Media.
• Gephi: gephi.org (Open-Source-Software für Netzwerkanalyse)