二部ネットワーク分析 — 二部ネットワーク
- 提唱者
- Borgatti & Everett (1997) formalised the two-mode network framework
- 年
- 1997
- 種類
- Graph-structural / relational analysis
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
1997年にBorgattiとEverettによって形式化された二部ネットワーク分析は、ノードがアクターとイベントの2つの互いに素な集合に分割され、エッジは集合間にのみ存在し、それら内部には決して存在しないネットワークを研究するためのグラフ構造的手法である。これは著者–論文、患者–疾患、ユーザー–製品、その他のあらゆる所属データにとって自然な枠組みであり、二部構造に合わせた指標と投影技術を提供することで、一層のネットワーク分析を拡張する。
手法の背後にある直感
行が人で列が所属するクラブであるスプレッドシートを想像してほしい。セルは、人AがクラブBに所属している場合にマークされる。標準的なネットワークツールは、すべての人々が直接他のすべての人々と接続することを期待するが、ここでは人々は他の人々ではなく、クラブにのみ接続する。二部ネットワーク分析は、この二面構造をそのまま読み取り、全体的な所属パターンの中で各人または各クラブがどれほど中心的であるかを測定し、その後、2人の人々が少なくとも1つのクラブを共有している場合にリンクされるような、人々のネットワークに折りたたむことができる。これは、データの二部的性質を単に無視するよりも豊かな画像を提供する。
歴史学
二部ネットワークデータの形式的な扱いは、1997年のSocial Networks誌の論文でBorgattiとEverettによって確立された。彼らは標準的なグラフ指標を二部ケースに拡張し、投影フレームワークを導入した。その後、GuillaumeとLatapy(2006)は、インターネットから生物システムまで、多くの経験的な複雑ネットワークが二部サブ構造を示すことを示し、アプローチの一般性を強化した。この手法はその後、書誌学、推薦システム研究、および計算社会科学の標準となっている。
使うべき場面
関係データが自然に2つの互いに素なノードタイプ(アクターとイベント、ユーザーとアイテム、患者と診断)に分割され、その所属パターンの構造的特性を研究したい場合はいつでも、二部ネットワーク分析を使用する。この手法は、探索的、関係的、および分類目的で適用され、バイナリ、連続、またはカテゴリカルなエッジの重みを処理する。意味のある構造的指標には、合計で少なくとも20ノードが推奨される。中心的な仮定は厳密である:エッジは2つのノードセット間にのみ存在し、単一のセット内には決して存在しない。その分割がデータに存在しない場合は、標準的な一層ネットワーク分析がより適切である。
限界と注意点
- 一層ネットワークへの投影は情報を失う:2人のアクターは、非常に異なる共同参加パターンにもかかわらず、同じ投影されたエッジ重みを共有する可能性がある。
- 一層グラフ用に設計された標準的な中心性指標は、適応または再解釈する必要がある。単純な適用は誤解を招くランキングを生み出す。
- 非常に疎な二部グラフ(ノードあたりの接続が少ない)は、信頼性の低い中心性推定値をもたらす。
- この手法は構造を記述するが、因果メカニズムをモデル化しない。アクターが所属する理由を推論するには、補完的な手法が必要である。
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- 情報を失う一層表現に強制するのではなく、所属データの固有の二面構造を尊重する。
- 一層ネットワークへの投影により、標準的なネットワーク手法の完全なツールキットを用いた下流分析が可能になる。
- アクター–イベントデータが発生するあらゆる場所(書誌学、推薦システム、疫学、生態学、小売など)で、多様なドメインに適用可能。
- BiRGヌルモデルとの統計的比較により、観察された構造的パターンの有意性検定が可能になる。
応用
- 書誌学:影響力のある研究者と共同コミュニティを特定するために、著者–論文の所属ネットワークをマッピングする。
- 推薦システム:ユーザー–アイテム相互作用グラフを分析して、共同購入または共同視聴パターンを表面化する。
- 疫学:併存疾患クラスターを検出するために、患者–疾患または宿主–病原体ネットワークを研究する。
- 生態学:植物–送粉者または被食者–捕食者の二部食料網をモデル化する。
- 組織研究:リソース共有と仲介を研究するために、従業員–プロジェクトまたは役員–企業ネットワークを調べる。
使い方
使い方
生の所属データは、2つの互いに素なノード分割(慣習的にトップセット(アクター)とボトムセット(イベント)と呼ばれる)を持つ二部グラフBに組み立てられ、エッジは分割境界を越えてのみ描画される。入力は通常、インシデンス行列または2列のエッジリストであり、単一の分割内にはエッジは許可されない。これが二部グラフの定義的な構造的制約である。
指標を計算する前に、二部的性質が検証される:各ノードは正確に1つの分割に属しなければならず、分割内のエッジは存在してはならない。二部ランダムグラフ(BiRG)というランダムな二部ヌルモデル(次数系列を保持する)は、後続の比較のための統計的ベースラインとして機能するように、この段階で生成できる。
二部構造に適応された中心性およびクラスタリング指標は、完全な二部グラフ上で計算される。標準的な一層の媒介中心性または近接中心性を計算することは可能だが、パスは常に分割間を交互に通過することを認識して解釈する必要がある。二部固有のクラスタリング係数(冗長性係数など)は、アクターが互いに直接接続しないという構造的制約を尊重するため、好ましい。
二部グラフはオプションで、1つまたは両方の一層の投影に縮小される。アクター投影では、2つのアクターが少なくとも1つのイベントを共有している場合に接続される。エッジの重みは通常、共有イベントの数または重み付き共同参加スコアをエンコードする。投影は情報を失うため、重み付き投影とBiRGヌルモデルとの比較は、どの共同参加が統計的に予期されるかを評価するために推奨される。
中心性ランキング、クラスタリング係数、および投影構造は、ドメイン用語で解釈される。例えば、共著ネットワークにおける最も影響力のある著者、アクター–イベントネットワークで最も参加されたイベント、または小売ネットワークにおける最も強い共同購入ペアを特定する。発見はヌルモデルと比較して、意味のある構造的パターンをランダムな変動から区別する必要がある。
よくある落とし穴
- 分割メンバーシップを無視して二部グラフを一層グラフとして扱う。これは構造的仮定に違反し、無意味な指標を生み出す。
- イベントの参加規模が大きく異なる場合に重みなし投影を使用する。2人のワークショップでの共同参加は、1000人規模の会議への共同参加と同じ重みを持つべきではない。重み付き投影を使用すること。
- 一層グラフのクラスタリング係数を調整なしで使用する。アクターは直接エッジを共有しないため、単純なクラスタリング係数はゼロに収束する。二部グラフに適したクラスタリング尺度を使用すること。
- ヌルモデル比較のスキップ。BiRGベースラインなしでは、観察された共同参加数が構造的に意味があるのか、それとも単に高い次数による産物なのかを判断することは不可能である。
よくある質問
二部ネットワークは通常の(一層)ネットワークとどのように異なるか?
通常のネットワークでは、すべてのノードが他のすべてのノードに接続する可能性がある。二部ネットワークでは、ノードはアクターとイベントの2つの互いに素な集合に分割され、エッジは分割境界を越えてのみ許可される。この制約は、人々がグループに参加するが、グループが直接他のグループに参加しないという、所属データの自然な構造を反映している。
投影は何を行い、いつ使用すべきか?
投影は、少なくとも1つのイベントを共有するアクター(または少なくとも1つのアクターを共有するイベント)を接続することによって、二部グラフを一層グラフに折りたたむ。標準的な一層指標を適用したいが、情報が失われる場合に役立つ。常に重み付き投影を使用し、ヌルモデルと比較して、高い次数によって駆動されるランダムな重複から意味のある共同参加を区別すること。
二部グラフに標準的な中心性尺度を使用できるか?
次数、媒介中心性、近接中心性などの標準的な尺度は計算できるが、すべてのパスが分割間を交互に通過するため、注意深く解釈する必要がある。クラスタリング係数の二部適応バージョンは、二部グラフでは構築上ゼロに収束する一層の対応物よりも強く推奨される。
必要な最小データサイズは?
構造的指標が意味を持つためには、両方の分割に合計で少なくとも20ノードが必要であると推奨される。非常に小さな二部グラフは、非常に不安定な中心性推定値を生み出す。ネットワークがそれより小さい場合は、次数と共同参加数の記述的な要約が、全体的な構造的指標よりも情報量が多い。