تحلیل شبکه دوجانبه — شبکههای دوحالته
- معرفیشده توسط
- Borgatti & Everett (1997) formalised the two-mode network framework
- سال
- 1997
- نوع
- Graph-structural / relational analysis
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
تحلیل شبکه دوجانبه، که توسط بورگاتی و اورت در سال ۱۹۹۷ صورتبندی شد، روشی ساختار گرافی برای مطالعه شبکههایی است که در آن گرهها به دو مجموعه مجزا — کنشگران و رویدادها — تقسیم میشوند و یالها فقط بین مجموعهها وجود دارند، هرگز درون آنها. این چارچوب طبیعی برای دادههای نویسنده-مقاله، بیمار-بیماری، کاربر-محصول، و هرگونه داده وابستگی دیگر است و با ارائه معیارهایی و تکنیکهای پروجکشن که برای ساختار دوحالته مناسبسازی شدهاند، تحلیل شبکه یکحالته را گسترش میدهد.
شهود پشت روش
یک صفحه گسترده را تصور کنید که در آن ردیفها افراد و ستونها گروههایی هستند که به آنها تعلق دارند. یک سلول علامتگذاری میشود اگر شخص الف به گروه ب تعلق داشته باشد. ابزارهای استاندارد شبکه انتظار دارند که همه مستقیماً به همه افراد دیگر متصل شوند، اما در اینجا افراد فقط به گروهها متصل میشوند، نه به افراد دیگر. تحلیل شبکه دوجانبه این ساختار دوطرفه را همانطور که هست میخواند — اندازهگیری اینکه هر فرد یا گروه در کل الگوی وابستگی چقدر مرکزی است — و سپس میتواند آن را به یک شبکه فقط از افراد تا کند که در آن دو نفر به هم متصل میشوند اگر حداقل یک گروه را به اشتراک بگذارند، تصویری غنیتر از صرفاً نادیده گرفتن ماهیت دوحالته دادهها ارائه میدهد.
تاریخ
درمان رسمی دادههای شبکه دوحالته توسط بورگاتی و اورت در مقاله سال ۱۹۹۷ آنها در Social Networks تأسیس شد، که معیارهای گراف استاندارد را به مورد دوجانبه گسترش داد و چارچوب پروجکشن را معرفی کرد. گیوم و لاتپی (۲۰۰۶) متعاقباً نشان دادند که بسیاری از شبکههای پیچیده تجربی — از اینترنت گرفته تا سیستمهای بیولوژیکی — زیرساختار دوجانبه را نشان میدهند، که کلیت رویکرد را تقویت میکند. این روش از آن زمان در کتابسنجی، تحقیقات سیستمهای توصیهگر، و علوم اجتماعی محاسباتی استاندارد شده است.
چه زمانی استفاده شود
هنگامی که دادههای رابطهای شما به طور طبیعی به دو نوع گره مجزا — کنشگران و رویدادها، کاربران و اقلام، بیماران و تشخیصها — تقسیم میشوند و شما میخواهید خواص ساختاری آن الگوی وابستگی را مطالعه کنید، از تحلیل شبکه دوجانبه استفاده کنید. این روش برای اهداف اکتشافی، رابطهای، و طبقهبندی کاربرد دارد و وزنهای یال باینری، پیوسته، یا دستهای را مدیریت میکند. حداقل ۲۰ گره در مجموع برای معیارهای ساختاری معنیدار توصیه میشود. فرض اصلی سختگیرانه است: یالها فقط بین دو مجموعه گره وجود دارند، هرگز درون یک مجموعه واحد. اگر این پارتیشن در دادههای شما وجود ندارد، تحلیل شبکه یکحالته استاندارد مناسبتر است.
محدودیتها و ملاحظات
- پروجکشن به شبکههای یکحالته اطلاعات را از دست میدهد: دو کنشگر ممکن است وزن یال پروجکت شده یکسانی را علیرغم الگوهای مشارکت مشترک بسیار متفاوت داشته باشند.
- معیارهای مرکزیت استاندارد طراحیشده برای گرافهای یکحالته باید تطبیق داده شوند یا مجدداً تفسیر شوند؛ کاربرد ناآگاهانه رتبهبندیهای گمراهکننده ایجاد میکند.
- گرافهای دوجانبه بسیار پراکنده (اتصالات کم به ازای هر گره) تخمینهای مرکزیت نامعتبر تولید میکنند.
- این روش ساختار را توصیف میکند اما مکانیسمهای سببی را مدل نمیکند؛ استنتاج چرایی وابستگی کنشگران به روشهای مکمل نیاز دارد.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- ساختار دوطرفه ذاتی دادههای وابستگی را به جای اجبار آن به یک نمایش یکحالته که اطلاعات را از دست میدهد، رعایت میکند.
- پروجکشن به شبکههای یکحالته امکان تحلیل پاییندستی با مجموعه کامل ابزارهای روشهای استاندارد شبکه را فراهم میکند.
- در دامنههای متنوع — کتابسنجی، سیستمهای توصیهگر، همهگیرشناسی، بومشناسی، و خردهفروشی — در هر کجا که دادههای کنشگر-رویداد رخ دهد، قابلاجرا است.
- مقایسه آماری با مدل پوچ BiRG امکان آزمون معناداری الگوهای ساختاری مشاهدهشده را فراهم میکند.
کاربردها
- کتابسنجی: نگاشت شبکههای وابستگی نویسنده-مقاله برای شناسایی محققان تأثیرگذار و جوامع همکار.
- سیستمهای توصیهگر: تجزیه و تحلیل گرافهای تعامل کاربر-اقلام برای نمایش الگوهای خرید مشترک یا مشاهده مشترک.
- همهگیرشناسی: مطالعه شبکههای بیمار-بیماری یا میزبان-عامل بیماریزا برای تشخیص خوشههای بیماریهای همزمان.
- بومشناسی: مدلسازی شبکههای غذایی دوجانبه گیاه-گردهافشان یا شکار-شکار.
- تحقیقات سازمانی: بررسی شبکههای کارمند-پروژه یا عضو هیئت مدیره-شرکت برای مطالعه اشتراک منابع و کارگزاری.
چگونه کار میکند
چگونه کار میکند
دادههای خام وابستگی در یک گراف دوجانبه B با دو پارتیشن گره مجزا — که به طور قراردادی مجموعه بالا (کنشگران) و مجموعه پایین (رویدادها) نامیده میشوند — و یالهایی که فقط در مرز پارتیشن کشیده میشوند، جمعآوری میشوند. ورودی معمولاً یک ماتریس وقوع یا یک لیست یال دو ستونی است؛ هیچ یالی در یک پارتیشن مجاز نیست، که محدودیت ساختاری تعریفکننده گراف دوجانبه است.
قبل از محاسبه معیارها، ویژگی دوحالته تأیید میشود: هر گره باید دقیقاً به یک پارتیشن تعلق داشته باشد و هیچ یال درونپارتیشنی نباید وجود داشته باشد. یک مدل پوچ گراف تصادفی دوحالته — گراف تصادفی دوجانبه (BiRG)، که توالی درجات را حفظ میکند — میتواند در این مرحله تولید شود تا به عنوان یک خط پایه آماری برای مقایسههای بعدی عمل کند.
معیارهای مرکزیت و خوشهبندی که برای ساختار دوجانبه تطبیق داده شدهاند، بر روی گراف کامل دوحالته محاسبه میشوند. مرکزیت یا نزدیکی یکحالته استاندارد قابل محاسبه است اما باید با آگاهی از اینکه مسیرها همیشه بین پارتیشنها متناوب هستند، تفسیر شوند. ضرایب خوشهبندی خاص دوجانبه (مانند ضریب افزونگی) ترجیح داده میشوند زیرا محدودیت ساختاری مبنی بر اینکه کنشگران هرگز مستقیماً به یکدیگر متصل نمیشوند را رعایت میکنند.
گراف دوحالته به صورت اختیاری به یک یا هر دو پروجکشن یکحالته فروپاشیده میشود. در پروجکشن کنشگر، دو کنشگر به هم متصل میشوند اگر حداقل یک رویداد را به اشتراک بگذارند؛ وزنهای یال معمولاً تعداد رویدادهای مشترک یا امتیاز مشارکت مشترک وزندار را کد میکنند. پروجکشن اطلاعات را از دست میدهد، بنابراین پروجکشنهای وزندار و مقایسه با مدل پوچ BiRG برای ارزیابی اینکه کدام مشارکتهای مشترک از نظر آماری غیرمنتظره هستند، توصیه میشود.
رتبهبندیهای مرکزیت، ضرایب خوشهبندی، و ساختار پروجکشن بر اساس اصطلاحات دامنه تفسیر میشوند — به عنوان مثال، شناسایی تأثیرگذارترین نویسندگان در یک شبکه همتألیفی، پربازدیدترین رویدادها در یک شبکه کنشگر-رویداد، یا قویترین جفتهای خرید مشترک در یک شبکه خردهفروشی. یافتهها باید با مدل پوچ مقایسه شوند تا الگوهای ساختاری معنیدار از نوسانات تصادفی تشخیص داده شوند.
دامهای رایج
- رفتار با گراف دوجانبه به عنوان یک گراف یکحالته با نادیده گرفتن عضویت پارتیشن — این فرض ساختاری را نقض میکند و معیارهای بیمعنی تولید میکند.
- استفاده از پروجکشن بدون وزن زمانی که رویدادها از نظر اندازه حضور بسیار متفاوت هستند — مشارکت مشترک در یک کارگاه دو نفره نباید همان وزن را با حضور مشترک در یک کنفرانس هزار نفره داشته باشد؛ به جای آن از پروجکشنهای وزندار استفاده کنید.
- استفاده از ضرایب خوشهبندی یکحالته بدون تنظیم — از آنجایی که کنشگران هرگز یال مستقیم را به اشتراک نمیگذارند، ضرایب خوشهبندی ناآگاهانه به صفر فرو میپاشند؛ از معیار خوشهبندی مناسب دوجانبه استفاده کنید.
- نادیده گرفتن مقایسه مدل پوچ — بدون خط پایه BiRG، قضاوت اینکه آیا تعداد مشارکت مشترک مشاهدهشده از نظر ساختاری معنیدار است یا صرفاً محصول درجه بالا است، غیرممکن است.
پرسشهای متداول
تفاوت شبکه دوجانبه با شبکه معمولی (یکحالته) چگونه است؟
در یک شبکه معمولی همه گرهها به طور بالقوه میتوانند به هر گره دیگری متصل شوند. در یک شبکه دوجانبه گرهها به دو مجموعه مجزا — کنشگران و رویدادها — تقسیم میشوند و یالها فقط در مرز پارتیشن مجاز هستند. این محدودیت منعکسکننده ساختار طبیعی دادههای وابستگی است، که در آن افراد به گروهها میپیوندند اما گروهها مستقیماً به گروههای دیگر نمیپیوندند.
پروجکشن چه کاری انجام میدهد و چه زمانی باید از آن استفاده کنم؟
پروجکشن گراف دوحالته را به یک گراف یکحالته با اتصال کنشگرانی که حداقل یک رویداد را به اشتراک میگذارند (یا رویدادهایی که حداقل یک کنشگر را به اشتراک میگذارند) فرو میپاشد. این زمانی مفید است که میخواهید معیارهای استاندارد یکحالته را اعمال کنید، اما اطلاعات را از دست میدهد. همیشه از پروجکشنهای وزندار استفاده کنید و با یک مدل پوچ مقایسه کنید تا مشارکت مشترک معنیدار را از همپوشانی تصادفی ناشی از درجه بالا تشخیص دهید.
آیا میتوانم از معیارهای مرکزیت استاندارد در یک گراف دوجانبه استفاده کنم؟
معیارهای استاندارد مانند درجه، بینابینی، و نزدیکی قابل محاسبه هستند، اما باید با دقت تفسیر شوند زیرا همه مسیرها بین پارتیشنها متناوب هستند. نسخههای تطبیقدادهشده دوجانبه ضرایب خوشهبندی به شدت بر همتایان یکحالته خود ترجیح داده میشوند، که طبق ساختار در گراف دوجانبه به صفر فرو میپاشند.
حداقل اندازه داده مورد نیاز چیست؟
حداقل ۲۰ گره در مجموع در هر دو پارتیشن برای معنیدار بودن معیارهای ساختاری توصیه میشود. گرافهای دوجانبه بسیار کوچک تخمینهای مرکزیت بسیار ناپایداری تولید میکنند. اگر شبکه شما کوچکتر است، خلاصههای توصیفی از درجه و تعداد مشارکت مشترک آموزندهتر از معیارهای ساختاری کلی هستند.
روشهای مرتبط
منابع
Borgatti, S.P. & Everett, M.G. (1997). Network Analysis of 2-Mode Data. Social Networks, 19(3), 243-269.
باز کردن مرجع انتشارکپی شد.Guillaume, J.L. & Latapy, M. (2006). Bipartite Structure of All Complex Networks. Information Processing Letters, 90(5), 215-221.
باز کردن مرجع انتشارکپی شد.