Skip to content
بازگشت به نتایج جست‌وجو

تحلیل شبکه چندوجهی

معرفی‌شده توسط
Kivela, M.; Boccaletti, S. et al.
سال
2014
نوع
Structural network model
خانواده
Network science

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

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل شبکه چندوجهی به مطالعه سیستم‌هایی می‌پردازد که در آن‌ها مجموعه‌ای یکسان از گره‌ها توسط انواع مختلفی از روابط به هم متصل شده‌اند، که هر کدام به عنوان یک لایه شبکه مجزا نمایش داده می‌شود. با تحلیل همزمان لایه‌ها به جای تحلیل مجزای آن‌ها، این روش نشان می‌دهد که چگونه انواع مختلف روابط در میان همان بازیگران یا موجودیت‌ها با یکدیگر تعامل می‌کنند، یکدیگر را تقویت می‌کنند یا یکدیگر را جبران می‌کنند.

شهود پشت روش

گروهی از پژوهشگران را تصور کنید که همزمان از طریق سه شبکه مختلف به هم متصل هستند: هم‌تألیفی، استناد و حضور در کنفرانس. تحلیل استاندارد تک‌لایه‌ای شما را مجبور می‌کند یکی را انتخاب کنید یا هر سه را در یک گراف واحد ادغام کنید و اطلاعات را از دست بدهید. تحلیل چندوجهی هر سه لایه را دست‌نخورده نگه می‌دارد و آن‌ها را با هم مطالعه می‌کند. گره‌ها می‌توانند در یک لایه مرکزی و در لایه‌ای دیگر حاشیه‌ای باشند، و تعامل بین لایه‌ها — اینکه آیا یک اتصال قوی در یک لایه، یک اتصال ضعیف در لایه‌ای دیگر را پیش‌بینی می‌کند یا جبران می‌کند — دقیقاً همان چیزی است که روش‌های چندوجهی برای ثبت آن طراحی شده‌اند.

تاریخ

چارچوب نظری رسمی برای شبکه‌های چندوجهی و چند-لایه‌ای در دو مقاله مرجع برجسته سال ۲۰۱۴ پدیدار شد — Kivela et al. در Journal of Complex Networks و Boccaletti et al. در Physics Reports — که کارهای پراکنده قبلی را تحت یک فرمالیسم ریاضی مشترک یکپارچه کردند. مطالعات تجربی قبلی انواع روابط متعدد را بدون چارچوب یکپارچه به موازات هم تحلیل کرده بودند. از سال ۲۰۱۴، روش‌های چندوجهی برای سیستم‌های حمل و نقل، پلتفرم‌های اجتماعی آنلاین، کانکتوم‌های علوم اعصاب و شبکه‌های استناد به کار گرفته شده‌اند، با نرم‌افزارهای اختصاصی (MuxViz, multinet, pymnet) که مجموعه ابزار را تثبیت می‌کنند.

چه زمانی استفاده شود

هنگامی از تحلیل شبکه چندوجهی استفاده کنید که گره‌های یکسان توسط چندین نوع پیوند کیفی متمایز به هم مرتبط شده‌اند و ادغام آن پیوندها در یک لایه واحد تفاوت‌های مهم را مبهم می‌کند، برای مثال، مطالعه همزمان دانشمندانی که از طریق هم‌تألیفی، استناد و ایمیل به هم متصل هستند. این روش به ویژه زمانی قدرتمند است که نظریه پیش‌بینی می‌کند انواع مختلف روابط یکدیگر را تقویت یا جبران می‌کنند. زمانی از آن استفاده نکنید که فقط یک نوع رابطه در دسترس است، زمانی که مجموعه‌های گره به طور قابل توجهی در انواع روابط متفاوت هستند (به جای آن از تحلیل دو-حالته یا چند-لایه‌ای استفاده کنید)، یا زمانی که حجم نمونه برای تخمین قابل اعتماد معیارهای خاص لایه بسیار کوچک است.

محدودیت‌ها و ملاحظات

  • هزینه جمع‌آوری داده بالا است زیرا لیست کامل یال‌ها باید برای هر لایه به طور مستقل جمع‌آوری شود.
  • هزینه محاسباتی با تعداد لایه‌ها و گره‌ها افزایش می‌یابد؛ شبکه‌های چندوجهی بزرگ به حافظه قابل توجهی نیاز دارند.
  • تفسیر زمانی پیچیده می‌شود که لایه‌های زیادی با تراکم‌ها و ساختارهای متفاوت ترکیب شوند.
  • نرم‌افزارهای استاندارد برای شبکه‌های تک‌لایه‌ای باید جایگزین یا گسترش یابند؛ بسته‌های آگاه از چندوجهی (MuxViz, multinet) کمتر بالغ هستند.

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

نقاط قوت

  • تمایزات کیفی بین انواع روابط را به جای اجبار به تجمیع مصنوعی حفظ می‌کند.
  • امتیازات مرکزیت چندوجهی تصویری غنی‌تر از اهمیت گره نسبت به هر معیار تک‌لایه‌ای ارائه می‌دهند.
  • آماره‌های مقایسه لایه نشان می‌دهند که کدام انواع روابط تکراری و کدام مکمل هستند.
  • تشخیص جامعه در سراسر لایه‌ها، گروه‌های پایدارتر و با معنای نظری بیشتری را به دست می‌دهد.
  • قابل اعمال به طیف گسترده‌ای از محیط‌های تجربی: شبکه‌های اجتماعی، بیولوژیکی، حمل و نقل و اطلاعاتی.

کاربردها

  • علوم اجتماعی: تحلیل همزمان دوستی، ارائه مشاوره و اعتماد در درون یک سازمان واحد.
  • کتاب‌سنجی: هم‌تألیفی، هم‌استنادی و هم‌وقوعی کلمات کلیدی به عنوان لایه‌های موازی بر روی همان مجموعه پژوهشگران.
  • حمل و نقل: شبکه‌های جاده‌ای، ریلی و هوایی که گره‌های شهری یکسان را به اشتراک می‌گذارند و با هم مطالعه می‌شوند.
  • علوم اعصاب: لایه‌های مختلف اتصال‌پذیری عملکردی در باندهای فرکانسی مختلف بر روی همان مجموعه نواحی مغزی.
  • پلتفرم‌های آنلاین: دنبال کردن، بازنشر (retweeting) و ذکر کردن (mentioning) به عنوان لایه‌های متمایز بر روی همان مجموعه کاربر.

چگونه کار می‌کند

چگونه کار می‌کند

1

هر نوع رابطه متمایز به عنوان یک ماتریس مجاورت یا لیست یال مجزا کدگذاری می‌شود و یک لایه از شبکه چندوجهی را تشکیل می‌دهد. همه لایه‌ها مجموعه گره یکسانی — همان بازیگران، موجودیت‌ها یا واحدها — را به اشتراک می‌گذارند، اما یال‌ها در هر لایه نشان‌دهنده نوع متفاوتی از پیوند هستند، مانند دوستی در مقابل همکاری حرفه‌ای در مقابل تبادل اطلاعات.

2

یال‌های بین لایه‌ای یا وزن‌های اتصال برای نمایش چگونگی اتصال هر گره به همتای خود در لایه‌های دیگر تعریف می‌شوند. در ساده‌ترین حالت، هر گره با وزن واحد به خودش در هر لایه دیگر متصل است (اتصال دسته‌ای). اتصالات پیچیده‌تر می‌توانند احتمالات انتقال یا شباهت بین لایه‌ها را کدگذاری کنند.

3

معیارهای مرکزیت چندوجهی، معیارهای استاندارد تک‌لایه‌ای — درجه، بینابینی، ویژه، PageRank — را به کل پشته لایه‌ها تعمیم می‌دهند. نمونه‌ها شامل امتیاز تطبیق‌پذیری (versatility score) است که PageRank را در سراسر لایه‌ها تعمیم می‌دهد، و درجه همپوشان (overlapping degree) که تعداد لایه‌های متمایزی را که یک گره در آن‌ها شرکت می‌کند، می‌شمارد. این امتیازات اهمیت کلی یک گره را در تمام انواع روابط به طور همزمان ثبت می‌کنند.

4

لایه‌ها از نظر ساختاری از طریق معیارهایی مانند همپوشانی یال (کسری از جفت گره‌های متصل در بیش از یک لایه)، همبستگی لایه و اطلاعات متقابل بین لایه‌ای مقایسه می‌شوند. همپوشانی بالا نشان‌دهنده انواع روابط تکراری است؛ همپوشانی کم به کانال‌های مکمل یا مستقل اشاره دارد.

5

الگوریتم‌های تشخیص جامعه به تنظیمات چندوجهی با بهینه‌سازی یک تابع مدولاریت تعمیم‌یافته در تمام لایه‌ها به طور همزمان یا با استفاده از تجزیه تانسور گسترش می‌یابند. جوامع یافت شده در داده‌های چندوجهی نسبت به جوامع استخراج شده از هر لایه منفرد، قوی‌تر هستند، زیرا باید در چندین نوع رابطه سازگار باشند.

دام‌های رایج

  • در نظر گرفتن تمام لایه‌ها به عنوان اهمیت یکسان بدون بررسی اینکه آیا برخی لایه‌ها تقریباً خالی یا تکراری هستند.
  • نادیده گرفتن عدم تقارن داده‌های گمشده — گره‌ای که در یک لایه وجود دارد اما در لایه دیگر غایب است، اغلب به اشتباه مدیریت می‌شود.
  • مقایسه امتیازات مرکزیت در سراسر لایه‌ها بدون در نظر گرفتن تفاوت در تراکم یا اندازه لایه.
  • ادغام لایه‌ها با جمع کردن وزن یال‌ها قبل از تحلیل، که ساختار چندوجهی را که روش برای بهره‌برداری از آن طراحی شده است، از بین می‌برد.
  • اشتباه گرفتن شبکه‌های چندوجهی (گره‌های یکسان، انواع یال متفاوت) با شبکه‌های چند-لایه‌ای یا دوبخشی (مجموعه‌های گره متفاوت در هر لایه).

پرسش‌های متداول

تفاوت بین شبکه چندوجهی و شبکه چند-لایه‌ای چیست؟

در یک شبکه چندوجهی، هر لایه دقیقاً شامل مجموعه یکسانی از گره‌ها است؛ فقط انواع یال‌ها متفاوت هستند. شبکه‌های چند-لایه‌ای کلی‌تر هستند و مجموعه‌های گره متفاوتی را در هر لایه مجاز می‌دانند. شبکه‌های چندوجهی یک حالت خاص از شبکه‌های چند-لایه‌ای هستند.

آیا می‌توانم تمام لایه‌ها را در یک گراف وزن‌دار ادغام کنم؟

می‌توانید، اما اطلاعات حیاتی را از دست می‌دهید: یک جفت گره که در پنج لایه مختلف متصل هستند، دقیقاً مانند یک جفت که پنج بار در یک لایه واحد متصل هستند، به نظر می‌رسد. تحلیل چندوجهی به طور خاص برای حفظ و بهره‌برداری از تمایز بین انواع لایه‌ها طراحی شده است.

برای یک تحلیل چندوجهی معنادار به چند لایه نیاز دارم؟

از نظر رسمی، دو لایه برای نامیدن یک شبکه به عنوان چندوجهی کافی است، اما این روش با سه یا بیشتر نوع رابطه متمایز و با معنای موضوعی، بیشترین ارزش را اضافه می‌کند. لایه‌های بسیار پراکنده یا لایه‌هایی با همپوشانی یال نزدیک به صفر باید قبل از گنجاندن به دقت بررسی شوند.

کدام بسته‌های نرم‌افزاری از تحلیل شبکه چندوجهی پشتیبانی می‌کنند؟

MuxViz (R/Python)، multinet (R) و pymnet (Python) کتابخانه‌های اصلی اختصاصی هستند. NetworkX (Python) و igraph (R/Python) می‌توانند داده‌های چندوجهی را با کدنویسی سفارشی مدیریت کنند اما معیارهای چندوجهی بومی را ندارند.

تشخیص جامعه در شبکه چندوجهی چگونه متفاوت است؟

در یک محیط چندوجهی، تشخیص جامعه، مدولاریت تعمیم‌یافته‌ای را بهینه می‌کند که سهم‌ها را در تمام لایه‌ها به طور همزمان جمع می‌کند، یا از روش‌های تجزیه تانسور استفاده می‌کند. نتیجه یک پارتیشن واحد است که در تمام انواع روابط سازگار است، برخلاف اجرای جداگانه تشخیص برای هر لایه.

روش‌های مرتبط

منابع

  1. Kivela, M., Arenas, A., Barthelemy, M., Gleeson, J. P., Moreno, Y., & Porter, M. A. (2014). Multilayer networks. Journal of Complex Networks, 2(3), 203–271.

    باز کردن مرجع DOI
    کپی شد.
  2. Boccaletti, S., Bianconi, G., Criado, R., del Genio, C. I., Gomez-Gardenes, J., Romance, M., Sendina-Nadal, I., Wang, Z., & Zanin, M. (2014). The structure and dynamics of multilayer networks. Physics Reports, 544(1), 1–122.

    باز کردن مرجع DOI
    کپی شد.