Skip to content
بازگشت به نتایج جست‌وجو

تحلیل شبکه چندلایه‌ای — شبکه‌های چندوجهی

معرفی‌شده توسط
Kivelä et al. (2014); De Domenico et al. (2013)
سال
2013–2014 (formal mathematical framework)
نوع
Graph-theoretic network model

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل شبکه چندلایه‌ای یک چارچوب نظریه گراف است که توسط کیولا و همکاران (2014) و د دومنیکو و همکاران (2013) صورت‌بندی شده است و مجموعه‌ای یکسان از گره‌ها را به‌طور همزمان در لایه‌های رابطه‌ای متعدد نمایش می‌دهد. در حالی که یک شبکه تک‌لایه‌ای تمام روابط را در یک گراف ادغام می‌کند، مدل چندلایه‌ای زمینه رابطه‌ای متمایز هر لایه — پلتفرم اجتماعی، نوع تعامل بیولوژیکی، یا سطح زیرساخت — را حفظ می‌کند و در عین حال چگونگی اتصال لایه‌ها به یکدیگر از طریق یال‌های بین‌لایه‌ای را نیز مدل‌سازی می‌کند.

شهود پشت روش

گروهی از پژوهشگران را تصور کنید که از طریق ایمیل همکاری می‌کنند، مقالات مشترک می‌نویسند و یکدیگر را در یک شبکه حرفه‌ای دنبال می‌کنند. یک نمودار شبکه واحد، هر سه نوع ارتباط را در یک گراف درهم‌پیچیده ادغام می‌کند و اطلاعاتی مبنی بر اینکه یک ارتباط هم‌تألیفی بسیار قوی‌تر از دنبال کردن در توییتر است را از دست می‌دهد. تحلیل شبکه چندلایه‌ای هر نوع رابطه را در لایه مخصوص به خود نگه می‌دارد — مانند صفحات شفاف جداگانه‌ای که روی هم قرار گرفته‌اند — اما به شما امکان می‌دهد بپرسید که چگونه فعالیت در یک لایه، فعالیت در لایه دیگر را پیش‌بینی یا تقویت می‌کند. مرکزیت در این زمینه دیگر صرفاً «این گره چقدر خوب به‌طور کلی متصل است؟» نیست، بلکه «این گره در تمام لایه‌ها به‌طور همزمان چقدر مهم است، با احتساب مسیرهای درون‌لایه‌ای و بین‌لایه‌ای؟»

تاریخ

علم شبکه مدت‌ها سیستم‌های پیچیده را به‌عنوان گراف‌های منفرد مدل می‌کرد، اما در طول دهه 2000 مشخص شد که بسیاری از سیستم‌های دنیای واقعی شامل انواع متعددی از روابط هستند که با یکدیگر تعامل دارند. د دومنیکو و همکاران (2013) یک فرمول‌بندی ریاضی تانسوری دقیق ارائه کردند که تلاش‌های پراکنده قبلی را یکپارچه کرد. کیولا و همکاران (2014)، با انتشار مرور جامع در Journal of Complex Networks، واژگان مشترکی — لایه‌ها، جنبه‌ها، ماتریس‌های فرا-مجاورتی، یال‌های بین‌لایه‌ای — ایجاد کردند و کاربردها را در زیست‌شناسی، حمل‌ونقل، رسانه‌های اجتماعی و زیرساخت‌ها بررسی کردند. این دو مقاله با هم پایه و اساس رسمی متعارف این حوزه را تشکیل می‌دهند.

چه زمانی استفاده شود

تحلیل شبکه چندلایه‌ای زمانی مناسب است که موجودیت‌های مورد علاقه به‌طور همزمان در بیش از یک نوع رابطه شرکت می‌کنند و آن روابط را نمی‌توان بدون از دست دادن اطلاعات معنی‌دار ادغام کرد. این چارچوب به حداقل 20 گره با یال‌های بین‌لایه‌ای تعریف‌شده نیاز دارد و وزن‌های لایه باید معانی اساسی را حمل کنند — تخصیص دلخواه لایه منجر به معیارهای جفت‌شدگی غیرقابل تفسیر می‌شود. نرمال بودن لازم نیست. این روش برای اهداف پژوهشی اکتشافی، توصیفی و رابطه‌ای مناسب است. اگر کمتر از 20 گره در دسترس باشد، تحلیل مرکزیت تک‌لایه‌ای گزینه ایمن‌تری است.

محدودیت‌ها و ملاحظات

  • به حداقل 20 گره با یال‌های بین‌لایه‌ای به‌طور صریح تعریف‌شده نیاز دارد؛ با گره‌های کمتر، روش نمی‌تواند به‌طور قابل‌اعتماد ساختار چندوجهی را آشکار کند.
  • وزن‌های لایه باید معانی اساسی را حمل کنند؛ اگر لایه‌ها به‌طور دلخواه تعریف شوند، معیارهای جفت‌شدگی غیرقابل تفسیر هستند.
  • هزینه محاسباتی با افزایش تعداد لایه‌ها و گره‌ها افزایش می‌یابد؛ گراف‌های چندوجهی بزرگ به نمایش‌های پراکنده کارآمد نیاز دارند.
  • معیارهای مرکزیت چندوجهی رفتار متفاوتی نسبت به آنالوگ‌های تک‌لایه‌ای خود دارند و برای جلوگیری از اشتباه گرفتن این دو، نیاز به تفسیر دقیق دارند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • ویژگی ساختاری هر نوع رابطه را حفظ می‌کند و در عین حال امکان مقایسه بین‌لایه‌ای را فراهم می‌آورد، کاری که یک شبکه ادغام‌شده واحد نمی‌تواند انجام دهد.
  • معیارهای مرکزیت چندوجهی گره‌هایی را شناسایی می‌کنند که دقیقاً به دلیل اتصال خوب در چندین لایه، نه فقط تسلط در یک لایه، مهم هستند.
  • در دامنه‌های موضوعی متنوع — پلتفرم‌های رسانه‌های اجتماعی، شبکه‌های بیولوژیکی چند-اُومیک، سیستم‌های زیرساختی — بدون نیاز به مفروضات توزیعی قابل‌اجرا است.
  • ویژگی‌های نوظهور (شکست‌های آبشاری، جوامع چندوجهی) را که در تحلیل لایه به لایه نامرئی هستند، ثبت می‌کند.

کاربردها

  • تحلیل تعاملات رسانه‌های اجتماعی بین پلتفرمی، که در آن هر پلتفرم (توییتر، فیس‌بوک، لینکدین) لایه‌ای است که گره‌های کاربر یکسانی را به اشتراک می‌گذارد.
  • تحلیل شبکه‌های بیولوژیکی چند-اُومیک، که در آن شبکه‌های تنظیم ژن، تعامل پروتئین و واکنش متابولیکی لایه‌های متمایزی را بر روی موجودیت‌های مولکولی مشترک تشکیل می‌دهند.
  • مطالعات تاب‌آوری زیرساخت‌ها، که در آن شبکه‌های برق، حمل‌ونقل و ارتباطات به‌عنوان لایه‌های جفت‌شده مدل‌سازی می‌شوند تا خطر شکست آبشاری ارزیابی شود.
  • پژوهش شبکه‌های همکاری، شناسایی پژوهشگران یا مؤسساتی که به‌عنوان هاب در چندین لایه هم‌تألیفی یا استنادی عمل می‌کنند.

چگونه کار می‌کند

چگونه کار می‌کند

1

تحلیلگر انواع روابط متمایزی را که سیستم را تشکیل می‌دهند شناسایی کرده و هر کدام را به یک لایه اختصاص می‌دهد. هر لایه باید مجموعه گره یکسانی را پوشش دهد، یا حداقل زیرمجموعه خوش‌تعریفی از آن را. یال‌های بین‌لایه‌ای — اتصالی که گره‌ای در یک لایه را به همان گره یا گره‌ای متفاوت در لایه دیگر متصل می‌کند — در کنار یال‌های درون‌لایه‌ای مشخص می‌شوند. این مرحله مفهومی اما حیاتی است: اگر لایه‌ها به‌طور مبهم تعریف شوند، تمام معیارهای پایین‌دستی غیرقابل تفسیر خواهند بود.

2

گراف چندلایه‌ای به‌عنوان یک ماتریس فرا-مجاورتی یا یک شیء تانسوری مونتاژ می‌شود. در نمایش فرا-مجاورتی، تمام لایه‌ها در امتداد یک بلوک قطری انباشته می‌شوند و بلوک‌های جفت‌شدگی بین‌لایه‌ای خارج از قطر ظاهر می‌شوند. این شیء ریاضی هم توپولوژی درون‌لایه‌ای و هم قدرت جفت‌شدگی بین‌لایه‌ای را رمزگذاری می‌کند و آن را به ابزار اصلی محاسبات بعدی تبدیل می‌کند.

3

معیارهای مرکزیت چندلایه‌ای — درجه چندوجهی، بینابینی چندوجهی، مرکزیت ویژه بردار چندوجهی، و ضریب مشارکت — از ساختار فرا-مجاورتی محاسبه می‌شوند. این معیارها اساساً با همتایان تک‌لایه‌ای خود متفاوت هستند زیرا مسیرهای بین‌لایه‌ای را در نظر می‌گیرند. الگوریتم‌های تشخیص جامعه که برای گراف‌های چندلایه‌ای تطبیق داده شده‌اند نیز می‌توانند در این مرحله برای شناسایی گروه‌هایی از گره‌ها که به‌طور همزمان در چندین لایه به‌شدت متصل هستند، به کار روند.

4

تحلیلگر الگوهای جفت‌شدگی بین‌لایه‌ای را بررسی می‌کند: آیا مرکزیت بالا در یک لایه با مرکزیت بالا در لایه دیگر همبستگی دارد (همبستگی لایه)، آیا جوامع در لایه‌ها هم‌تراز هستند (شباهت لایه)، و کدام گره‌ها به‌عنوان هاب‌های چندوجهی یا پل‌ها عمل می‌کنند. گره‌هایی با ضرایب مشارکت بالا به‌طور یکنواخت در لایه‌ها فعال هستند؛ گره‌های با مشارکت پایین متخصصان لایه خاص هستند. این بینش‌های ساختاری به تفسیر دامنه کمک می‌کنند — برای مثال، کدام مؤسسات پژوهشی چندین شبکه همکاری را به هم پیوند می‌دهند، یا کدام پروتئین‌ها در چندین نوع تعامل بیولوژیکی ضروری هستند.

دام‌های رایج

  • تعریف لایه‌ها بدون توجیه نظری منجر به معیارهای جفت‌شدگی می‌شود که از نظر عددی تعریف شده‌اند اما از نظر موضوعی بی‌معنی هستند — همیشه مرزهای لایه را بر اساس دانش دامنه قرار دهید.
  • اشتباه گرفتن مرکزیت چندوجهی با مرکزیت تک‌لایه‌ای: یک گره می‌تواند در چندوجهی مرکزی کلی باشد اما در هر لایه منفرد محیطی باشد، و بالعکس.
  • نادیده گرفتن کامل یال‌های بین‌لایه‌ای و در نظر گرفتن لایه‌ها به‌عنوان گراف‌های مستقل، مزیت کلیدی چارچوب — جفت‌شدگی بین‌لایه‌ای — را از بین می‌برد و تحلیل را به مجموعه‌ای از مطالعات شبکه مجزا کاهش می‌دهد.
  • اجرای تحلیل چندوجهی بر روی کمتر از 20 گره؛ الگوهای ساختاری شناسایی‌شده در گراف‌های چندوجهی بسیار کوچک به‌احتمال‌زیاد قابل‌اعتماد نیستند و باید تحلیل مرکزیت تک‌لایه‌ای ترجیح داده شود.

پرسش‌های متداول

تفاوت تحلیل شبکه چندلایه‌ای با اجرای صرف تحلیل‌های شبکه جداگانه بر روی هر نوع رابطه چیست؟

تحلیل‌های جداگانه نحوه تأثیرگذاری فعالیت در یک لایه بر فعالیت در لایه دیگر را نادیده می‌گیرند. تحلیل چندلایه‌ای به‌طور صریح یال‌های بین‌لایه‌ای را مدل‌سازی کرده و معیارهای مرکزیت را محاسبه می‌کند که از مسیرهای بین‌لایه‌ای عبور می‌کنند و گره‌هایی را آشکار می‌سازند که اهمیت آن‌ها دقیقاً از نقش پیوندی آن‌ها در بین لایه‌ها ناشی می‌شود — چیزی که هیچ تحلیل تک‌لایه‌ای نمی‌تواند تشخیص دهد.

یال‌های بین‌لایه‌ای چیستند و آیا همیشه به آن‌ها نیاز دارم؟

یال‌های بین‌لایه‌ای کپی یک گره را در یک لایه به کپی آن در لایه دیگر متصل می‌کنند و نحوه جفت‌شدگی دو لایه را رمزگذاری می‌کنند. در یک شبکه چندوجهی، آن‌ها معمولاً هر گره را به خودش در بین لایه‌ها متصل می‌کنند (جفت‌شدگی قطری). آن‌ها باید تعریف شوند؛ حذف آن‌ها لایه‌ها را به گراف‌های مستقل تقسیم کرده و هدف چارچوب چندلایه‌ای را از بین می‌برد.

ضریب مشارکت به من چه می‌گوید؟

ضریب مشارکت یک گره، میزان توزیع یکنواخت اتصالات آن در بین لایه‌ها را اندازه‌گیری می‌کند. مقداری نزدیک به 1 به این معنی است که گره در بسیاری از لایه‌ها تقریباً به‌طور مساوی فعال است؛ مقداری نزدیک به 0 به این معنی است که اتصالات آن در یک لایه واحد متمرکز شده است. گره‌های با مشارکت بالا، متخصصان چندوجهی هستند؛ گره‌های با مشارکت پایین، متخصصان لایه خاص هستند.

چه زمانی باید به تحلیل مرکزیت تک‌لایه‌ای بازگردم؟

زمانی که کمتر از 20 گره در دسترس باشد، یا زمانی که داده‌ها شامل انواع روابط واقعاً متمایز با جفت‌شدگی بین‌لایه‌ای اساسی نباشند. در آن موارد، سربار چارچوب چندلایه‌ای سودی ندارد و تحلیل مرکزیت استاندارد بر روی یک گراف ادغام‌شده واحد قابل‌اعتمادتر است.

روش‌های مرتبط

منابع

  1. Kivelä, M. et al. (2014). Multilayer Networks. Journal of Complex Networks, 2(3), 203–271.

    باز کردن مرجع DOI
    کپی شد.
  2. De Domenico, M. et al. (2013). Mathematical Formulation of Multilayer Networks. Physical Review X, 3(4), 041022.

    باز کردن مرجع DOI
    کپی شد.