Saltar al contenido
Volver a los resultados

Análisis de Redes Bipartitas — Redes de Dos Modos

Propuesto por
Borgatti & Everett (1997) formalised the two-mode network framework
Año
1997
Tipo
Graph-structural / relational analysis

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El análisis de redes bipartitas, formalizado por Borgatti y Everett en 1997, es un método estructural de grafos para estudiar redes en las que los nodos se dividen en dos conjuntos disjuntos —actores y eventos— y las aristas existen solo entre conjuntos, nunca dentro de ellos.

Es el marco natural para datos de autor-artículo, paciente-enfermedad, usuario-producto, o cualquier otro dato de afiliación, y extiende el análisis de redes de un modo al proporcionar métricas y técnicas de proyección adaptadas a la estructura de dos modos.

La intuición detrás del método

Imagine una hoja de cálculo donde las filas son personas y las columnas son los clubes a los que pertenecen. Una celda se marca si la persona A pertenece al club B. Las herramientas de red estándar esperan que todos se conecten directamente entre sí, pero aquí las personas solo se conectan a los clubes, no a otras personas. El análisis de redes bipartitas lee esa estructura de dos caras tal como es —midiendo cuán central es cada persona o club dentro del patrón de afiliación completo— y luego puede plegarla en una red solo de personas donde dos personas se vinculan si comparten al menos un club, ofreciendo una imagen más rica que simplemente ignorar la naturaleza de dos modos de los datos.

Historia

El tratamiento formal de los datos de redes de dos modos fue establecido por Borgatti y Everett en su artículo de 1997 en Social Networks, que extendió las métricas de grafos estándar al caso bipartito e introdujo el marco de proyección. Guillaume y Latapy (2006) demostraron posteriormente que muchas redes complejas empíricas —desde Internet hasta sistemas biológicos— exhiben subestructura bipartita, reforzando la generalidad del enfoque. Desde entonces, el método se ha convertido en estándar en bibliometría, investigación de sistemas de recomendación y ciencias sociales computacionales.

Cuándo usarlo

Utilice el análisis de redes bipartitas siempre que sus datos relacionales se dividan naturalmente en dos tipos de nodos disjuntos —actores y eventos, usuarios y artículos, pacientes y diagnósticos— y desee estudiar las propiedades estructurales de ese patrón de afiliación. El método se aplica a propósitos exploratorios, relacionales y de clasificación, y maneja pesos de aristas binarios, continuos o categóricos. Se recomiendan al menos 20 nodos en total para métricas estructurales significativas. La suposición central es estricta: las aristas existen solo entre los dos conjuntos de nodos, nunca dentro de un solo conjunto. Si esa partición no existe en sus datos, el análisis de redes de un modo estándar es más apropiado.

Limitaciones y consideraciones

  • La proyección a redes de un modo pierde información: dos actores pueden compartir el mismo peso de arista proyectada a pesar de patrones de coparticipación muy diferentes.
  • Las métricas de centralidad estándar diseñadas para grafos de un modo deben adaptarse o reinterpretarse; la aplicación ingenua produce rankings engañosos.
  • Grafos bipartitos muy dispersos (pocas conexiones por nodo) producen estimaciones de centralidad poco fiables.
  • El método describe la estructura pero no modela mecanismos causales; inferir por qué los actores se afilian requiere métodos complementarios.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Respeta la estructura inherente de dos lados de los datos de afiliación en lugar de forzarlos a una representación de un modo que descarta información.
  • La proyección a redes de un modo permite el análisis posterior con el conjunto completo de métodos de red estándar.
  • Aplicable en diversos dominios —bibliometría, sistemas de recomendación, epidemiología, ecología y comercio minorista— donde surjan datos de actor-evento.
  • La comparación estadística contra el modelo nulo BiRG permite la prueba de significancia de los patrones estructurales observados.

Aplicaciones

  • Bibliometría: mapeo de redes de afiliación autor-artículo para identificar investigadores influyentes y comunidades colaborativas.
  • Sistemas de recomendación: análisis de grafos de interacción usuario-artículo para identificar patrones de copra o covisión.
  • Epidemiología: estudio de redes paciente-enfermedad o huésped-patógeno para detectar clústeres de comorbilidad.
  • Ecología: modelado de redes alimentarias bipartitas planta-polinizador o presa-depredador.
  • Investigación organizacional: examen de redes empleado-proyecto o miembro de junta-empresa para estudiar el intercambio de recursos y la intermediación.

Cómo funciona

Cómo funciona

1

Los datos brutos de afiliación se ensamblan en un grafo bipartito B con dos particiones de nodos disjuntas —convencionalmente llamadas el conjunto superior (actores) y el conjunto inferior (eventos)— y aristas dibujadas solo a través del límite de la partición. La entrada es típicamente una matriz de incidencia o una lista de aristas de dos columnas; no se permite ninguna arista dentro de una sola partición, que es la restricción estructural definitoria de un grafo bipartito.

2

Antes de calcular métricas, se verifica la propiedad de dos modos: cada nodo debe pertenecer a exactamente una partición y no puede existir ninguna arista dentro de la partición. Se puede generar un modelo nulo aleatorio de dos modos —el Grafo Aleatorio Bipartito (BiRG, por sus siglas en inglés), que preserva las secuencias de grado— en esta etapa para servir como línea de base estadística para comparaciones posteriores.

3

Se calculan métricas de centralidad y agrupamiento adaptadas a la estructura bipartita en el grafo completo de dos modos. Se puede calcular la transitividad o cercanía estándar de un modo, pero deben interpretarse con la conciencia de que los caminos siempre alternan entre particiones. Los coeficientes de agrupamiento específicos de bipartitas (como el coeficiente de redundancia) son preferibles porque respetan la restricción estructural de que los actores nunca se conectan directamente entre sí.

4

El grafo de dos modos se colapsa opcionalmente en una o ambas proyecciones de un modo. En la proyección de actores, dos actores se conectan si comparten al menos un evento; los pesos de las aristas típicamente codifican el recuento de eventos compartidos o una puntuación ponderada de coparticipación. La proyección descarta información, por lo que se recomiendan proyecciones ponderadas y la comparación con el modelo nulo BiRG para evaluar qué coparticipaciones son estadísticamente inesperadas.

5

Los rankings de centralidad, los coeficientes de agrupamiento y la estructura de proyección se interpretan en términos del dominio —por ejemplo, identificar los autores más influyentes en una red de coautoría, los eventos más asistidos en una red actor-evento, o los pares de copra más fuertes en una red minorista. Los hallazgos deben compararse con el modelo nulo para distinguir patrones estructurales significativos de fluctuaciones aleatorias.

Errores comunes

  • Tratar el grafo bipartito como un grafo de un modo ignorando la pertenencia a la partición — esto viola la suposición estructural y produce métricas sin sentido.
  • Usar proyección no ponderada cuando los eventos difieren mucho en tamaño de asistencia — una coparticipación en un taller para dos personas no debería tener el mismo peso que la coasistencia en una conferencia para mil personas; use proyecciones ponderadas en su lugar.
  • Aplicar coeficientes de agrupamiento de un modo sin ajuste — dado que los actores nunca comparten aristas directas, los coeficientes de agrupamiento ingenuos colapsan a cero; use una medida de agrupamiento apropiada para bipartitas.
  • Omitir la comparación del modelo nulo — sin la línea de base BiRG es imposible juzgar si un recuento de coparticipación observado es estructuralmente significativo o simplemente un producto de un alto grado.

Preguntas frecuentes

¿En qué se diferencia una red bipartita de una red regular (de un modo)?

En una red regular, todos los nodos pueden conectarse potencialmente a cualquier otro nodo. En una red bipartita, los nodos se dividen en dos conjuntos disjuntos —actores y eventos— y las aristas solo están permitidas a través del límite de la partición. Esta restricción refleja la estructura natural de los datos de afiliación, donde las personas se unen a grupos pero los grupos no se unen directamente a otros grupos.

¿Qué hace la proyección y cuándo debo usarla?

La proyección pliega el grafo de dos modos en un grafo de un modo conectando actores que comparten al menos un evento (o eventos que comparten al menos un actor). Es útil cuando se desean aplicar métricas estándar de un modo, pero descarta información. Siempre use proyecciones ponderadas y compare contra un modelo nulo para distinguir la coparticipación significativa de la superposición aleatoria impulsada por un alto grado.

¿Puedo usar medidas de centralidad estándar en un grafo bipartito?

Se pueden calcular medidas estándar como grado, transitividad y cercanía, pero deben interpretarse cuidadosamente porque todos los caminos alternan entre particiones. Las versiones adaptadas a bipartitas de los coeficientes de agrupamiento son muy preferibles a sus contrapartes de un modo, que colapsan a cero por construcción en un grafo bipartito.

¿Cuál es el tamaño mínimo de datos necesario?

Se recomienda un mínimo de 20 nodos en total entre ambas particiones para que las métricas estructurales sean significativas. Grafos bipartitos muy pequeños producen estimaciones de centralidad altamente inestables. Si su red es más pequeña, los resúmenes descriptivos de grado y recuentos de coparticipación son más informativos que las métricas estructurales globales.

Métodos relacionados

Fuentes

  1. Borgatti, S.P. & Everett, M.G. (1997). Network Analysis of 2-Mode Data. Social Networks, 19(3), 243-269.

    Abrir referencia de la publicación
    Copiado.
  2. Guillaume, J.L. & Latapy, M. (2006). Bipartite Structure of All Complex Networks. Information Processing Letters, 90(5), 215-221.

    Abrir referencia de la publicación
    Copiado.