Analisi di Reti Bipartite — Reti a Due Modi
- Introdotto da
- Borgatti & Everett (1997) formalised the two-mode network framework
- Anno
- 1997
- Tipo
- Graph-structural / relational analysis
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
L'analisi di reti bipartite, formalizzata da Borgatti ed Everett nel 1997, è un metodo strutturale basato su grafi per lo studio di reti in cui i nodi sono divisi in due insiemi disgiunti — attori ed eventi — e gli archi esistono solo tra gli insiemi, mai al loro interno.
È il quadro naturale per dati autore–articolo, paziente–malattia, utente–prodotto, o qualsiasi altro dato di affiliazione, ed estende l'analisi di reti a un modo fornendo metriche e tecniche di proiezione su misura per la struttura a due modi.
L’intuizione alla base del metodo
Immaginate un foglio di calcolo in cui le righe sono persone e le colonne sono i club a cui appartengono. Una cella viene contrassegnata se la persona A appartiene al club B. Gli strumenti di rete standard si aspettano che tutti si connettano direttamente a tutti gli altri, ma qui le persone si connettono solo ai club, non ad altre persone. L'analisi di reti bipartite legge quella struttura a due lati così com'è — misurando quanto sia centrale ogni persona o club all'interno del modello di affiliazione complessivo — e può quindi ripiegarla in una rete di sole persone in cui due persone sono collegate se condividono almeno un club, fornendo un quadro più ricco rispetto al semplice ignorare la natura a due modi dei dati.
Storia
Il trattamento formale dei dati di rete a due modi è stato stabilito da Borgatti ed Everett nel loro articolo del 1997 su Social Networks, che ha esteso le metriche standard dei grafi al caso bipartito e introdotto il quadro di proiezione. Guillaume e Latapy (2006) hanno successivamente dimostrato che molte reti complesse empiriche — da Internet ai sistemi biologici — esibiscono una sottostruttura bipartita, rafforzando la generalità dell'approccio. Il metodo è da allora diventato standard nella bibliometria, nella ricerca sui sistemi di raccomandazione e nelle scienze sociali computazionali.
Quando usarlo
Utilizzare l'analisi di reti bipartite ogni volta che i vostri dati relazionali si dividono naturalmente in due tipi di nodi disgiunti — attori ed eventi, utenti e articoli, pazienti e diagnosi — e si desidera studiare le proprietà strutturali di quel modello di affiliazione. Il metodo si applica a scopi esplorativi, relazionali e di classificazione e gestisce pesi degli archi binari, continui o categorici. Si raccomanda un minimo di 20 nodi in totale per metriche strutturali significative. L'assunzione fondamentale è rigorosa: gli archi esistono solo tra i due insiemi di nodi, mai all'interno di un singolo insieme. Se tale partizione non esiste nei vostri dati, l'analisi di reti a un modo standard è più appropriata.
Limiti e considerazioni
- La proiezione in reti a un modo perde informazioni: due attori possono condividere lo stesso peso di arco proiettato nonostante schemi di copartecipazione molto diversi.
- Le metriche di centralità standard progettate per grafi a un modo devono essere adattate o reinterpretate; l'applicazione ingenua produce classifiche fuorvianti.
- Grafi bipartiti molto sparsi (poche connessioni per nodo) producono stime di centralità inaffidabili.
- Il metodo descrive la struttura ma non modella meccanismi causali; inferire perché gli attori si affiliano richiede metodi complementari.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Rispetta la struttura intrinseca a due lati dei dati di affiliazione piuttosto che forzarla in una rappresentazione a un modo che scarta informazioni.
- La proiezione in reti a un modo abilita l'analisi downstream con il set completo di strumenti standard per le reti.
- Applicabile in diversi domini — bibliometria, sistemi di raccomandazione, epidemiologia, ecologia e vendita al dettaglio — ovunque emergano dati attore–evento.
- Il confronto statistico con il modello nullo BiRG consente il test di significatività dei modelli strutturali osservati.
Applicazioni
- Bibliometria: mappatura di reti di affiliazione autore–articolo per identificare ricercatori influenti e comunità collaborative.
- Sistemi di raccomandazione: analisi di grafi di interazione utente–articolo per far emergere schemi di acquisto congiunto o visualizzazione congiunta.
- Epidemiologia: studio di reti paziente–malattia o ospite–patogeno per rilevare cluster di comorbidità.
- Ecologia: modellazione di reti trofiche bipartite pianta–impollinatore o preda–predatore.
- Ricerca organizzativa: esame di reti dipendente–progetto o membro del consiglio–impresa per studiare la condivisione di risorse e il brokerage.
Come funziona
Come funziona
I dati grezzi di affiliazione vengono assemblati in un grafo bipartito B con due partizioni di nodi disgiunte — convenzionalmente chiamate insieme superiore (attori) e insieme inferiore (eventi) — e archi tracciati solo attraverso il confine della partizione. L'input è tipicamente una matrice di incidenza o un elenco di archi a due colonne; nessun arco è permesso all'interno di una singola partizione, che è il vincolo strutturale distintivo di un grafo bipartito.
Prima di calcolare le metriche, viene verificata la proprietà a due modi: ogni nodo deve appartenere esattamente a una partizione e non devono esistere archi interni alla partizione. Un modello nullo casuale a due modi — il grafo casuale bipartito (BiRG), che preserva le sequenze dei gradi — può essere generato in questa fase per servire da base statistica per confronti successivi.
Metriche di centralità e clustering adattate alla struttura bipartita vengono calcolate sul grafo completo a due modi. La centralità di intermediazione o vicinanza standard a un modo può essere calcolata ma deve essere interpretata con la consapevolezza che i percorsi alternano sempre tra le partizioni. Coefficienti di clustering specifici per grafi bipartiti (come il coefficiente di ridondanza) sono preferibili perché rispettano il vincolo strutturale che gli attori non si connettono mai direttamente tra loro.
Il grafo a due modi viene opzionalmente collassato in una o entrambe le proiezioni a un modo. Nella proiezione degli attori, due attori sono collegati se condividono almeno un evento; i pesi degli archi tipicamente codificano il conteggio degli eventi condivisi o un punteggio di copartecipazione ponderato. La proiezione scarta informazioni, quindi proiezioni ponderate e confronto con il modello nullo BiRG sono raccomandati per valutare quali copartecipazioni sono statisticamente inaspettate.
Classifiche di centralità, coefficienti di clustering e struttura di proiezione vengono interpretati in termini di dominio — ad esempio, identificando gli autori più influenti in una rete di co-autori, gli eventi più frequentati in una rete attore–evento, o le coppie di acquisto congiunto più forti in una rete di vendita al dettaglio. I risultati dovrebbero essere confrontati con il modello nullo per distinguere modelli strutturali significativi da fluttuazioni casuali.
Errori comuni
- Trattare il grafo bipartito come un grafo a un modo ignorando l'appartenenza alla partizione — ciò viola l'assunzione strutturale e produce metriche insensate.
- Utilizzare la proiezione non ponderata quando gli eventi differiscono notevolmente per dimensione di partecipazione — una copartecipazione in un workshop per due persone non dovrebbe avere lo stesso peso della co-partecipazione a una conferenza per mille persone; utilizzare invece proiezioni ponderate.
- Applicare coefficienti di clustering a un modo senza aggiustamenti — poiché gli attori non condividono mai archi diretti, i coefficienti di clustering ingenui collassano a zero; utilizzare una misura di clustering appropriata per grafi bipartiti.
- Saltare il confronto del modello nullo — senza la base BiRG è impossibile giudicare se un conteggio di copartecipazione osservato sia strutturalmente significativo o semplicemente un prodotto di alto grado.
Domande frequenti
In che modo una rete bipartita è diversa da una rete regolare (a un modo)?
In una rete regolare tutti i nodi possono potenzialmente connettersi a qualsiasi altro nodo. In una rete bipartita i nodi sono divisi in due insiemi disgiunti — attori ed eventi — e gli archi sono permessi solo attraverso il confine della partizione. Questo vincolo riflette la struttura naturale dei dati di affiliazione, dove le persone si uniscono a gruppi ma i gruppi non si uniscono direttamente ad altri gruppi.
Cosa fa la proiezione e quando dovrei usarla?
La proiezione ripiega il grafo a due modi in un grafo a un modo collegando attori che condividono almeno un evento (o eventi che condividono almeno un attore). È utile quando si desidera applicare metriche standard a un modo, ma scarta informazioni. Utilizzare sempre proiezioni ponderate e confrontare con un modello nullo per distinguere la copartecipazione significativa dalla sovrapposizione casuale guidata da un alto grado.
Posso usare misure di centralità standard su un grafo bipartito?
Misure standard come grado, intermediazione e vicinanza possono essere calcolate, ma devono essere interpretate attentamente perché tutti i percorsi alternano tra le partizioni. Versioni adattate per grafi bipartiti dei coefficienti di clustering sono fortemente preferite rispetto ai loro omologhi a un modo, che collassano a zero per costruzione in un grafo bipartito.
Qual è la dimensione minima dei dati necessaria?
Si raccomanda un minimo di 20 nodi totali in entrambe le partizioni affinché le metriche strutturali siano significative. Grafi bipartiti molto piccoli producono stime di centralità altamente instabili. Se la vostra rete è più piccola, riassunti descrittivi del grado e dei conteggi di copartecipazione sono più informativi delle metriche strutturali globali.
Metodi correlati
Fonti
Borgatti, S.P. & Everett, M.G. (1997). Network Analysis of 2-Mode Data. Social Networks, 19(3), 243-269.
Apri il riferimento della pubblicazioneCopiato.Guillaume, J.L. & Latapy, M. (2006). Bipartite Structure of All Complex Networks. Information Processing Letters, 90(5), 215-221.
Apri il riferimento della pubblicazioneCopiato.