Skip to content
بازگشت به نتایج جست‌وجو

تحلیل شبکه دو-وجهی

معرفی‌شده توسط
Breiger, R. L.
سال
1974
نوع
Bipartite graph analysis
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 دو-وجهی به بررسی شبکه‌هایی می‌پردازد که از دو نوع متمایز گره ساخته شده‌اند — مانند بازیگران و رویدادها، نویسندگان و مقالات، یا شرکت‌ها و اعضای هیئت مدیره — که فقط بین انواع خود متصل هستند. با تحلیل مستقیم این ساختار دو بخشی یا پروجکت کردن آن بر روی شبکه‌های تک-وجهی، پژوهشگران الگوهای وابستگی، عضویت‌های مشترک، و دوگانگی ساختاری را کشف می‌کنند که در تحلیل استاندارد شبکه اجتماعی تک-وجهی نامرئی هستند.

شهود پشت روش

بیشتر شبکه‌های اجتماعی شامل دو نوع موجودیت هستند: افراد و گروه‌ها، رویدادها، یا مصنوعاتی که به آن‌ها تعلق دارند. در نظر گرفتن این‌ها به عنوان یک مجموعه گره واحد، اتصالات کاذبی بین، مثلاً، دو نویسنده که هرگز با هم هم‌تألیفی نداشته‌اند اما هر دو در یک مجله منتشر کرده‌اند، ایجاد می‌کند. تحلیل دو-وجهی هر دو مجموعه را جدا نگه می‌دارد و دوگانگی واقعی آن‌ها را حفظ می‌کند. جامعه‌شناس رونالد بریگر این بینش را در سال ۱۹۷۴ رسمی کرد: پیوندهای عضویت همزمان همبستگی مشترک فرد-به-فرد و هم‌عضوی مشترک گروه-به-گروه را تعریف می‌کنند، دو دیدگاه مکمل از یک داده واحد.

تاریخ

مقاله رونالد بریگر در سال ۱۹۷۴ با عنوان 'دوگانگی افراد و گروه‌ها' اساس نظری تحلیل شبکه دو-وجهی را با نشان دادن اینکه هم‌عضوی بازیگر و هم‌عضوی گروه دو دیدگاه مکمل از یک ساختار وابستگی واحد هستند، بنا نهاد. بورگاتی و اورت ابزار تحلیلی را در مقاله خود در سال ۱۹۹۷ در مجله Social Networks رسمی کردند و معیارهای مرکزیت و انسجام را به گراف‌های دو بخشی گسترش دادند. این رویکرد در مطالعات پیوندهای هیئت مدیره شرکتی، همکاری علمی، و مشارکت در جوامع آنلاین به طور گسترده‌ای مورد استفاده تجربی قرار گرفت و اکنون به طور معمول در بسته‌های نرم‌افزاری مانند UCINET، igraph و NetworkX پیاده‌سازی می‌شود.

چه زمانی استفاده شود

هنگامی که داده‌های شما به طور طبیعی وابستگی بین دو نوع متمایز از موجودیت‌ها را ثبت می‌کنند: نویسندگان و نشریات، بیماران و تشخیص‌ها، مدیران و هیئت مدیره‌های شرکتی، یا کلمات و اسناد، از تحلیل شبکه دو-وجهی استفاده کنید. این چارچوب مناسبی است هر زمان که بخواهید بفهمید چگونه عضویت در گروه‌های مشترک، شباهت بازیگران را شکل می‌دهد، یا چگونه بازیگران، هم‌پوشانی گروه را شکل می‌دهند. داده‌های دو-وجهی را بدون اذعان به مصنوعات پروجکشن، به زور در یک چارچوب تک-وجهی قرار ندهید. از آن اجتناب کنید زمانی که دو مجموعه گره از نظر مفهومی متمایز نیستند، زمانی که ماتریس برخورد بسیار پراکنده است (بیشتر بازیگران وابسته به تنها یک رویداد هستند)، یا زمانی که سوال پژوهش به روابط بین بازیگرانی مربوط می‌شود که از طریق عضویت مشترک میانجی‌گری نمی‌شوند.

محدودیت‌ها و ملاحظات

  • پروجکشن‌های تک-وجهی باعث تورم یال می‌شوند: رویدادهای بزرگ و محبوب، بین همه اعضای خود، گروه‌های همبسته ایجاد می‌کنند و تراکم و مرکزیت را مختل می‌کنند.
  • بسیاری از رویه‌های نرم‌افزاری استاندارد SNA ورودی تک-وجهی را فرض می‌کنند و برای داده‌های دو بخشی نیاز به سازگاری یا راه‌حل‌های جایگزین دارند.
  • تفسیر جوامع همزمان بازیگر و رویداد نیازمند دانش دامنه برای برچسب‌گذاری و اعتبارسنجی گروه‌های شناسایی شده است.
  • ماتریس‌های برخورد پراکنده (بازیگران وابسته به رویدادهای بسیار کم) پروجکشن‌های تکه‌تکه با قدرت تحلیلی محدود تولید می‌کنند.

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

نقاط قوت

  • دوگانگی واقعی بازیگران و گروه‌ها را بدون فروپاشی ساختار به یک پروجکشن تک-وجهیِ از دست‌دهنده اطلاعات، حفظ می‌کند.
  • موقعیت‌های ساختاری — مانند واسطه‌ها بین گروه‌های جدا از هم — را آشکار می‌کند که در تحلیل تک-وجهی نامرئی هستند.
  • مستقیماً قابل اعمال بر داده‌های وابستگی رایج: هم‌تألیفی، پیوندهای هیئت مدیره، حضور مشترک در رویدادها، هم‌رخدادی برچسب‌ها.
  • معیارهای بومی دو بخشی (مانند ضریب خوشه‌بندی دو بخشی) از مصنوعات تراکم متورم پروجکشن‌ها اجتناب می‌کنند.
  • از نظر تئوری بر اساس اصل دوگانگی بریگر بنا شده است که راهنمایی تفسیری روشنی ارائه می‌دهد.
  • سازگار با افزونه‌های وزنی و جهت‌دار برای داده‌های وابستگی غنی‌تر.

کاربردها

  • شبکه‌های هم‌تألیفی علمی مشتق شده از ماتریس‌های برخورد نویسنده-مقاله.
  • پژوهش حاکمیت شرکتی: شبکه‌های پیوند مدیر-هیئت مدیره.
  • مطالعات وابستگی سیاسی: شبکه‌های قانون‌گذار-کمیته یا سیاستمدار-اهداکننده.
  • جوامع آنلاین: شبکه‌های مشارکت کاربر-انجمن یا کاربر-هشتگ.
  • تحلیل کتاب‌سنجی: ماتریس‌های وابستگی کلیدواژه-سند یا مجله-مقاله.
  • بهداشت عمومی: شبکه‌های بیمار-تشخیص یا تماس-مکان مواجهه.

چگونه کار می‌کند

چگونه کار می‌کند

1

داده‌های خام به صورت یک ماتریس برخورد دودویی یا وزنی B به اندازه (بازیگران × رویدادها/گروه‌ها) کدگذاری می‌شوند، که در آن یک ورودی برابر با یک (یا وزن آن) است زمانی که یک بازیگر به رویداد یا گروه مربوطه تعلق دارد. هیچ یالی بین دو بازیگر یا دو رویداد رسم نمی‌شود؛ تمام پیوندها از مرز نوع عبور می‌کنند و یک گراف دو بخشی ایجاد می‌کنند.

2

برای اعمال معیارهای استاندارد SNA، گراف دو بخشی بر روی یک یا هر دو مجموعه گره پروجکت می‌شود. ضرب B در ترانهاده آن، یک ماتریس هم‌وابستگی بازیگر-به-بازیگر را تولید می‌کند که ورودی A_{ij} آن تعداد گروه‌هایی را که بازیگران i و j به اشتراک دارند، شمارش می‌کند. یک پروجکشن مشابه، یک ماتریس هم‌پوشانی گروه-به-گروه را تولید می‌کند. این پروجکشن‌های تک-وجهی محاسبات آشنای مرکزیت و خوشه‌بندی را امکان‌پذیر می‌سازند.

فرمول
A_{ij} = \sum_{k} B_{ik} B_{jk}
3

مرکزیت درجه، بینابینی، و نزدیکی، یا مستقیماً بر روی گراف دو بخشی (با استفاده از الگوریتم‌های سازگار شده برای توپولوژی دو بخشی) یا بر روی گراف‌های تک-وجهی پروجکت شده محاسبه می‌شوند. معیارهای مرکزیت بومی دو بخشی از اعوجاج‌های ناشی از پروجکشن، مانند افزایش مصنوعی تراکم در رویدادهای بزرگ، اجتناب می‌کنند.

4

الگوریتم‌های تشخیص جامعه سازگار شده برای گراف‌های دو بخشی — مانند حداکثرسازی مدولاریتی دو بخشی — زیرمجموعه‌های منسجم بازیگران و رویدادها را به طور همزمان شناسایی می‌کنند. به طور جایگزین، الگوریتم‌های کلاسیک مانند Louvain را می‌توان بر روی شبکه تک-وجهی پروجکت شده اعمال کرد، اگرچه با از دست دادن مقداری اطلاعات ساختاری.

5

شبکه دو بخشی مشاهده شده در برابر مدل‌های پوچ مقایسه می‌شود — معمولاً یک مدل پیکربندی که دنباله درجه هر دو مجموعه گره را حفظ می‌کند — برای تعیین اینکه آیا جوامع شناسایی شده، رتبه‌بندی‌های مرکزیت، یا الگوهای خوشه‌بندی از تصادف فراتر می‌روند. اهمیت آماری را می‌توان از طریق آزمون‌های جایگشتی یا تقریب‌های تحلیلی ارزیابی کرد.

دام‌های رایج

  • پروجکت کردن به یک وجه و سپس اعمال SNA استاندارد بدون افشای یا اصلاح مصنوعات پروجکشن.
  • در نظر گرفتن شمارش هم‌وابستگی به عنوان یک معیار مستقیم از قدرت پیوند بدون نرمال‌سازی برای اندازه رویداد (نرمال‌سازی ژاکارد یا کسینوس ترجیح داده می‌شود).
  • استفاده از پروجکشن‌های بدون وزن زمانی که داده‌های فراوانی یا شدت وابستگی در دسترس هستند، و دور ریختن تغییرات معنی‌دار.
  • اعمال الگوریتم‌های مدولاریتی طراحی شده برای شبکه‌های تک-وجهی بر روی یک گراف دو بخشی بدون استفاده از نسخه‌های مناسب دو بخشی.
  • نادیده گرفتن مدل پوچ: گزارش خوشه‌بندی یا مرکزیت مشاهده شده بدون مقایسه با یک خط پایه تصادفی که دنباله درجه را حفظ می‌کند.

پرسش‌های متداول

آیا باید گراف دو بخشی را مستقیماً تحلیل کنم یا ابتدا آن را پروجکت کنم؟

تحلیل دو بخشی مستقیم اطلاعات ساختاری بیشتری را حفظ می‌کند و از مصنوعات پروجکشن اجتناب می‌کند. پروجکشن به تک-وجهی برای اعمال ابزارهای آشنای SNA راحت است اما تراکم را متورم می‌کند و می‌تواند گروه‌های کاذب در بین اعضای رویدادهای بزرگ ایجاد کند. در صورت امکان، از الگوریتم‌های بومی دو بخشی استفاده کنید و نتایج پروجکشن را فقط به عنوان یک بررسی تکمیلی گزارش دهید.

چگونه ناهمگونی اندازه رویداد را در پروجکشن‌ها مدیریت کنم؟

رویدادهای بزرگ، یال‌هایی را در بین همه اعضای خود ایجاد می‌کنند و شمارش هم‌وابستگی را به طور مصنوعی افزایش می‌دهند. برای اصلاح تفاوت‌ها در محبوبیت رویداد، ماتریس پروجکت شده را با استفاده از شاخص ژاکارد (وابستگی‌های مشترک تقسیم بر اجتماع) یا شباهت کسینوس نرمال‌سازی کنید قبل از محاسبه مرکزیت.

چه نرم‌افزاری از تحلیل شبکه دو-وجهی پشتیبانی می‌کند؟

igraph (R و Python)، NetworkX (Python)، UCINET و Gephi همگی از گراف‌های دو بخشی پشتیبانی می‌کنند. تابع bipartite.projection() در igraph و ماژول bipartite در NetworkX به طور بومی پروجکشن و معیارهای خاص دو بخشی را مدیریت می‌کنند.

آیا می‌توانم تشخیص جامعه را به یک شبکه دو-وجهی اعمال کنم؟

بله، اما از الگوریتم‌های طراحی شده برای گراف‌های دو بخشی، مانند مدولاریتی دو بخشی باربر، استفاده کنید نه الگوریتم‌های استاندارد Louvain یا Girvan-Newman که ساختار تک-وجهی را فرض می‌کنند. تشخیص جامعه دو بخشی، عضویت‌های هم‌جامعه را به طور همزمان به هر دو مجموعه بازیگر و رویداد اختصاص می‌دهد.

آیا تحلیل دو-وجهی برای مجموعه داده‌های بسیار کوچک مناسب است؟

با کمتر از حدود ۲۰ بازیگر یا رویداد، رتبه‌بندی‌های مرکزیت و پارتیشن‌های جامعه به شدت به نقاط داده منفرد حساس می‌شوند. آزمون‌های اهمیت مبتنی بر جایگشت به ویژه در اندازه‌های کوچک مهم هستند و نتایج باید با احتیاط تفسیر شوند.

روش‌های مرتبط

منابع

  1. Breiger, R. L. (1974). The duality of persons and groups. Social Forces, 53(2), 181–190.

    باز کردن مرجع DOI
    کپی شد.
  2. Borgatti, S. P., & Everett, M. G. (1997). Network analysis of 2-mode data. Social Networks, 19(3), 243–269.

    باز کردن مرجع DOI
    کپی شد.