Analyse de réseaux bipartis
- Introduite par
- Breiger, R. L.
- Année
- 1974
- Type
- Bipartite graph analysis
- Famille
- Network science
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
L'analyse de réseaux bipartis examine des réseaux construits à partir de deux types distincts de nœuds — tels que des acteurs et des événements, des auteurs et des articles, ou des entreprises et des membres de conseils d'administration — connectés uniquement entre les types.
En analysant cette structure bipartite directement ou en la projetant sur des réseaux unipartis, les chercheurs découvrent des schémas d'affiliation, des appartenances partagées et une dualité structurelle qui sont invisibles dans l'analyse de réseaux sociaux unipartis standard.
L’intuition derrière la méthode
La plupart des réseaux sociaux impliquent deux types d'entités : les personnes et les groupes, événements ou artefacts auxquels elles appartiennent. Traiter ceux-ci comme un ensemble unique de nœuds force de fausses connexions entre, par exemple, deux auteurs qui n'ont jamais co-écrit mais qui ont tous deux publié dans la même revue. L'analyse bipartite maintient les deux ensembles séparés, respectant leur véritable dualité. Le sociologue Ronald Breiger a formalisé cette idée en 1974 : les liens d'appartenance définissent simultanément la co-affiliation personne-à-personne et la co-appartenance groupe-à-groupe, deux perspectives complémentaires sur les mêmes données.
Histoire
L'article de Ronald Breiger de 1974, « The Duality of Persons and Groups », a établi les fondements théoriques de l'analyse de réseaux bipartis en montrant que la co-appartenance d'acteurs et la co-appartenance de groupes sont deux vues complémentaires d'une même structure d'affiliation. Borgatti et Everett ont formalisé la boîte à outils analytique dans leur article de 1997 paru dans Social Networks, étendant les mesures de centralité et de cohésion aux graphes bipartis. L'approche a trouvé une large utilisation empirique dans les études sur les interconnexions de conseils d'administration, la collaboration scientifique et la participation aux communautés en ligne, et est maintenant couramment implémentée dans des progiciels tels que UCINET, igraph et NetworkX.
Quand l’utiliser
Utilisez l'analyse de réseaux bipartis lorsque vos données enregistrent naturellement des affiliations entre deux types distincts d'entités : auteurs et publications, patients et diagnostics, administrateurs et conseils d'administration, ou mots et documents. C'est le cadre approprié chaque fois que vous voulez comprendre comment l'appartenance à des groupes communs façonne la similarité des acteurs, ou comment les acteurs façonnent le chevauchement des groupes. Ne forcez pas les données bipartites dans un cadre unipartite sans reconnaître les artefacts de projection. Évitez-la lorsque les deux ensembles de nœuds ne sont pas conceptuellement distincts, lorsque la matrice d'incidence est extrêmement creuse (la plupart des acteurs affiliés à un seul événement), ou lorsque la question de recherche concerne les relations entre acteurs qui ne sont pas médiatisées par une appartenance partagée.
Limites et points d’attention
- Les projections unipartites introduisent une inflation des arêtes : les événements importants et populaires créent des cliques parmi tous leurs membres, faussant la densité et la centralité.
- De nombreuses routines logicielles SNA standard supposent une entrée unipartite et nécessitent une adaptation ou des solutions de contournement pour les données bipartites.
- L'interprétation des communautés simultanées d'acteurs et d'événements nécessite des connaissances du domaine pour étiqueter et valider les groupes détectés.
- Les matrices d'incidence creuses (acteurs affiliés à très peu d'événements) produisent des projections fragmentées avec un levier analytique limité.
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Préserve la dualité authentique des acteurs et des groupes sans réduire la structure à une projection unipartite avec perte d'information.
- Révèle des positions structurelles — telles que des courtiers entre des groupes autrement séparés — qui sont invisibles dans l'analyse unipartite.
- Directement applicable aux données d'affiliation omniprésentes : co-écriture, interconnexions de conseils d'administration, co-participation à des événements, co-occurrence de balises.
- Les métriques natives bipartites (par exemple, le coefficient de regroupement biparti) évitent les artefacts de densité gonflée des projections.
- Théoriquement fondée sur le principe de dualité de Breiger, qui fournit des orientations interprétatives claires.
- Compatible avec les extensions pondérées et dirigées pour des données d'affiliation plus riches.
Applications
- Réseaux de co-auteurs scientifiques dérivés de matrices d'incidence auteur-par-article.
- Recherche en gouvernance d'entreprise : réseaux d'interconnexion administrateur-par-conseil.
- Études d'affiliation politique : réseaux législateur-par-comité ou politicien-par-donateur.
- Communautés en ligne : réseaux de participation utilisateur-par-forum ou utilisateur-par-hashtag.
- Analyse bibliométrique : matrices d'affiliation mot-clé-par-document ou revue-par-article.
- Santé publique : réseaux d'exposition patient-par-diagnostic ou contact-par-lieu.
Comment ça marche
Comment ça marche
Les données brutes sont encodées sous forme de matrice d'incidence binaire ou pondérée B de taille (acteurs × événements/groupes), où une entrée est égale à un (ou à son poids) lorsqu'un acteur appartient à l'événement ou au groupe correspondant. Aucune arête n'est tracée entre deux acteurs ou deux événements ; tous les liens traversent la frontière de type, produisant un graphe biparti.
Pour appliquer les mesures standard de l'analyse de réseaux sociaux (SNA), le graphe biparti est projeté sur un ou les deux ensembles de nœuds. Multiplier B par sa transposée donne une matrice de co-affiliation acteur-par-acteur dont l'entrée A_{ij} compte le nombre de groupes que les acteurs i et j partagent. Une projection analogue donne une matrice de chevauchement groupe-par-groupe. Ces projections unipartites permettent des calculs familiers de centralité et de regroupement.
Formule
A_{ij} = \sum_{k} B_{ik} B_{jk}La centralité de degré, d'intermédiarité et de proximité est calculée soit directement sur le graphe biparti (en utilisant des algorithmes adaptés à la topologie bipartite), soit sur les graphes unipartis projetés. Les mesures de centralité natives bipartites évitent les distorsions introduites par la projection, telles que les densités artificiellement gonflées dans les grands événements.
Les algorithmes de détection de communautés adaptés aux graphes bipartis — tels que la maximisation de la modularité bipartite — identifient simultanément des sous-ensembles cohésifs d'acteurs et d'événements. Alternativement, des algorithmes classiques tels que Louvain peuvent être appliqués au réseau unipartite projeté, bien qu'avec une perte d'information structurelle.
Le réseau biparti observé est comparé à des modèles nuls — typiquement un modèle de configuration qui préserve la séquence de degrés des deux ensembles de nœuds — pour déterminer si les communautés détectées, les classements de centralité ou les schémas de regroupement dépassent le hasard. La signification statistique peut être évaluée par des tests de permutation ou des approximations analytiques.
Pièges courants
- Projetant en un mode puis appliquant la SNA standard sans divulguer ou corriger les artefacts de projection.
- Traiter le nombre de co-affiliations comme une mesure directe de la force des liens sans normaliser la taille de l'événement (la normalisation de Jaccard ou cosinus est préférable).
- Utiliser des projections non pondérées lorsque des données de fréquence ou d'intensité d'affiliation sont disponibles, écartant une variation significative.
- Appliquer des algorithmes de modularité conçus pour les réseaux unipartites à un graphe biparti sans utiliser de versions appropriées aux graphes bipartis.
- Ignorer le modèle nul : rapporter le regroupement ou la centralité observés sans les comparer à une ligne de base aléatoire préservant la séquence de degrés.
Questions fréquentes
Dois-je analyser le graphe biparti directement ou le projeter d'abord ?
L'analyse bipartite directe préserve plus d'informations structurelles et évite les artefacts de projection. La projection en un mode est pratique pour appliquer des outils SNA familiers mais gonfle la densité et peut créer des cliques fallacieuses parmi les membres de grands événements. Lorsque cela est faisable, utilisez des algorithmes natifs bipartis et ne rapportez les résultats de projection qu'à titre de vérification supplémentaire.
Comment gérer l'hétérogénéité de la taille des événements dans les projections ?
Les grands événements génèrent des arêtes entre tous leurs membres, augmentant artificiellement les comptes de co-affiliation. Normalisez la matrice projetée en utilisant l'indice de Jaccard (affiliations partagées divisées par l'union) ou la similarité cosinus avant de calculer la centralité, pour corriger les différences de popularité des événements.
Quel logiciel prend en charge l'analyse de réseaux bipartis ?
igraph (R et Python), NetworkX (Python), UCINET et Gephi prennent tous en charge les graphes bipartis. La fonction bipartite.projection() d'igraph et le module bipartite de NetworkX gèrent nativement la projection et les métriques spécifiques aux graphes bipartis.
Puis-je appliquer la détection de communautés à un réseau biparti ?
Oui, mais utilisez des algorithmes conçus pour les graphes bipartis, tels que la modularité bipartite de Barber, plutôt que les algorithmes standard de Louvain ou Girvan-Newman, qui supposent une structure unipartite. La détection de communautés bipartites attribue des appartenances de co-communauté aux ensembles d'acteurs et d'événements simultanément.
L'analyse bipartite est-elle appropriée pour de très petits ensembles de données ?
Avec moins d'environ 20 acteurs ou événements, les classements de centralité et les partitions de communautés deviennent très sensibles aux points de données individuels. Les tests de signification basés sur la permutation sont particulièrement importants pour les petites tailles, et les résultats doivent être interprétés avec prudence.
Méthodes associées
Sources
Breiger, R. L. (1974). The duality of persons and groups. Social Forces, 53(2), 181–190.
Ouvrir la référence DOICopié.Borgatti, S. P., & Everett, M. G. (1997). Network analysis of 2-mode data. Social Networks, 19(3), 243–269.
Ouvrir la référence DOICopié.