二部ネットワーク分析
- 提唱者
- Breiger, R. L.
- 年
- 1974
- 種類
- Bipartite graph analysis
- 系統
- Network science
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?
二部ネットワーク分析は、2つの異なるノードタイプ(例えば、アクターとイベント、著者と論文、あるいは企業と取締役)から構築され、タイプ間のみで接続されるネットワークを調査する。この二部構造を直接分析するか、あるいは単部ネットワークに投影することによって、研究者は標準的な単部ソーシャルネットワーク分析では見えない、所属パターン、共有メンバーシップ、および構造的二重性を明らかにする。
手法の背後にある直感
ほとんどのソーシャルネットワークは、人々と、それらが属するグループ、イベント、または人工物の2種類の実体を含んでいる。これらを単一のノードセットとして扱うと、例えば、共著したことのない著者同士が同じジャーナルに掲載したというだけで、偽の接続が生じてしまう。二部分析では、両方のセットを分離し、真の二重性を尊重する。社会学者のロナルド・ブライガーは1974年にこの洞察を形式化しました。メンバーシップのつながりは、同時に、人対人の共同所属とグループ対グループの共同メンバーシップを定義し、同じデータに対する2つの相補的な視点を提供します。
歴史学
ロナルド・ブライガーの1974年の論文「人の二重性とグループ」は、アクターの共同メンバーシップとグループの共同メンバーシップが単一の所属構造の2つの相補的な視点であることを示し、二部ネットワーク分析の理論的基盤を確立しました。ボルガッティとエベレットは、1997年のSocial Networks誌の論文で分析ツールキットを形式化し、中心性と結束度メトリックを二部グラフに拡張しました。このアプローチは、企業の取締役会の連結、科学的共同研究、オンラインコミュニティ参加の研究で広く経験的に使用されるようになり、現在ではUCINET、igraph、NetworkXなどのソフトウェアパッケージに標準的に実装されています。
使うべき場面
データが自然に2つの異なるエンティティタイプ間の所属(著者と出版物、患者と診断、取締役と企業取締役会、または単語と文書)を記録する場合に、二部ネットワーク分析を使用する。共通のグループへのメンバーシップがアクターの類似性をどのように形成するか、またはアクターがグループの重複をどのように形成するかを理解したい場合はいつでも、適切なフレームワークである。投影のアーティファクトを認識せずに、二部データを単部フレームワークに強制しないでください。2つのノードセットが概念的に区別されない場合、接続行列が極端にスパースである場合(ほとんどのアクターが1つのイベントにしか所属しない場合)、または研究の質問が共有メンバーシップによって媒介されないアクター間の関係に関係する場合に避けてください。
限界と注意点
- 単部投影はエッジの増加を引き起こす。大規模なイベントは、そのすべてのメンバー間にクリックを生成し、密度と中心性を歪める。
- 多くの標準的なSNAソフトウェアルーチンは単部入力を想定しており、二部データには適応または回避策が必要である。
- アクターとイベントの同時コミュニティの解釈には、検出されたグループにラベルを付け、検証するためのドメイン知識が必要である。
- スパースな接続行列(アクターが非常に少ないイベントに所属している)は、分析的影響力が限られた断片化された投影を生成する。
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
- 構造を損失のある単部投影に崩壊させることなく、アクターとグループの真の二重性を維持する。
- (分離されたグループ間の仲介者などの)構造的位置を明らかにする。これは単部分析では見えない。
- 一般的な所属データ(共著、取締役会の連結、イベントの共同参加、タグの共起)に直接適用可能。
- 二部グラフ固有のメトリック(例:二部クラスタリング係数)は、投影による密度の増加というアーティファクトを回避する。
- 明確な解釈ガイダンスを提供するブライガーの二重性原理に理論的に基づいている。
- より豊かな所属データを扱うための重み付きおよび有向拡張と互換性がある。
応用
- 著者対論文の接続行列から派生した科学的共著ネットワーク。
- 企業統治研究:取締役対取締役会の連結ネットワーク。
- 政治的所属研究:議員対委員会のネットワーク、または政治家対寄付者のネットワーク。
- オンラインコミュニティ:ユーザー対フォーラム、またはユーザー対ハッシュタグ参加ネットワーク。
- 書誌分析:キーワード対文書、またはジャーナル対記事の所属行列。
- 公衆衛生:患者対診断、または接触者対場所の曝露ネットワーク。
使い方
使い方
生データは、(アクター × イベント/グループ) のサイズのバイナリまたは重み付きの接続行列 B としてエンコードされる。アクターが対応するイベントまたはグループに属する場合、エントリは1(またはその重み)になる。2つのアクター間または2つのイベント間にはエッジは描画されず、すべてのつながりはタイプ境界を横切り、二部グラフを生成する。
標準的なSNAメトリックを適用するために、二部グラフは1つまたは両方のノードセットに投影される。Bにその転置行列を掛けると、アクターiとjが共有するグループの数を数えるアクター間共同所属行列 A_{ij} が得られる。同様の投影により、グループ間重複行列が得られる。これらの単部投影により、馴染みのある中心性およびクラスタリング計算が可能になる。
数式
A_{ij} = \sum_{k} B_{ik} B_{jk}次数中心性、媒介中心性、近接中心性は、二部グラフ上で直接(二部トポロジーに適応されたアルゴリズムを使用)、または投影された単部グラフ上で計算される。二部グラフ固有の中心性メトリックは、例えば大規模イベントにおける密度の上昇といった、投影によって導入される歪みを回避する。
二部グラフに適応されたコミュニティ検出アルゴリズム(例えば、二部モジュラリティ最大化)は、アクターとイベントの協調的なサブセットを同時に特定する。あるいは、Louvainのような古典的なアルゴリズムを投影された単部ネットワークに適用することもできるが、一部の構造情報が失われる。
観測された二部ネットワークは、ヌルモデル(通常は両方のノードセットの次数系列を維持する構成モデル)と比較され、検出されたコミュニティ、中心性ランキング、またはクラスタリングパターンが偶然を超えるかどうかを判断する。統計的有意性は、順列検定または解析的近似によって評価できる。
よくある落とし穴
- 単部への投影後、投影アーティファクトを明示または修正せずに標準SNAを適用すること。
- イベントサイズを正規化せずに(Jaccardまたはコサイン正規化が望ましい)、共同所属数を直接的なつながりの強さの尺度として扱うこと。
- 所属頻度または強度データが利用可能な場合に、重みなし投影を使用し、意味のある変動を無視すること。
- 単部ネットワーク用に設計されたモジュラリティアルゴリズムを、二部グラフに二部適応バージョンを使用せずに適用すること。
- ヌルモデルを無視すること。次数系列を維持するランダムベースラインと比較せずに、観測されたクラスタリングまたは中心性を報告すること。
よくある質問
二部グラフを直接分析すべきか、それとも最初に投影すべきか?
直接的な二部分析は、より多くの構造情報を維持し、投影アーティファクトを回避します。単部への投影は、馴染みのあるSNAツールを適用するのに便利ですが、密度を増加させ、大規模イベントのメンバー間に偽のクリックを作成する可能性があります。可能な場合は、二部グラフ固有のアルゴリズムを使用し、投影結果は補助的なチェックとしてのみ報告してください。
投影におけるイベントサイズの不均一性をどのように処理するか?
大規模なイベントは、そのすべてのメンバー間にエッジを生成し、共同所属数を人為的に増加させます。イベントの人気度の違いを修正するために、中心性を計算する前に、Jaccard指数(共有所属数を和集合で割ったもの)またはコサイン類似度を使用して投影行列を正規化してください。
二部ネットワーク分析をサポートするソフトウェアは?
igraph(RおよびPython)、NetworkX(Python)、UCINET、およびGephiはすべて二部グラフをサポートしています。igraphのbipartite.projection()関数とNetworkXのbipartiteモジュールは、投影と二部グラフ固有のメトリックをネイティブに処理します。
二部ネットワークにコミュニティ検出を適用できますか?
はい、ただし、Barberの二部モジュラリティなど、二部グラフ用に設計されたアルゴリズムを使用してください。LouvainやGirvan-Newmanのような標準的なアルゴリズムは単部構造を想定しているため、使用しないでください。二部コミュニティ検出は、アクターセットとイベントセットの両方に同時に共同コミュニティメンバーシップを割り当てます。
二部分析は非常に小さなデータセットに適していますか?
アクターまたはイベントが約20未満の場合、中心性ランキングとコミュニティ分割は個々のデータポイントに非常に敏感になります。順列ベースの有意性検定は、特に小さいサイズでは重要であり、結果は慎重に解釈する必要があります。