Analiza sieci dwuosiowych
- Autor metody
- Breiger, R. L.
- Rok
- 1974
- Typ
- Bipartite graph analysis
- Rodzina
- Network science
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Analiza sieci dwuosiowych (two-mode network analysis) bada sieci zbudowane z dwóch odrębnych typów węzłów – takich jak aktorzy i wydarzenia, autorzy i publikacje, czy firmy i członkowie zarządu – połączonych wyłącznie między typami.
Analizując tę dwudzielną strukturę bezpośrednio lub rzutując ją na sieci jednoosiowe, badacze odkrywają wzorce afiliacji, wspólne członkostwa i dualizm strukturalny, które są niewidoczne w standardowej analizie sieci społecznych jednoosiowych.
Intuicja stojąca za metodą
Większość sieci społecznych obejmuje dwa rodzaje bytów: ludzi i grupy, wydarzenia lub artefakty, do których należą. Traktowanie ich jako jednego zbioru węzłów wymusza fałszywe powiązania między, powiedzmy, dwoma autorami, którzy nigdy nie publikowali wspólnie, ale obaj opublikowali prace w tym samym czasopiśmie. Analiza dwuosiowa utrzymuje oba zbiory oddzielnie, szanując ich rzeczywisty dualizm. Socjolog Ronald Breiger sformalizował tę spostrzeżenie w 1974 roku: więzi członkostwa jednocześnie definiują współafiliację osób ze sobą oraz współczłonkostwo grup ze sobą, dwie komplementarne perspektywy na te same dane.
Historia
Praca Ronalda Breigera z 1974 roku „The Duality of Persons and Groups” ustanowiła teoretyczne podstawy analizy sieci dwuosiowych, pokazując, że współczłonkostwo aktorów i współczłonkostwo grup są dwoma komplementarnymi widokami jednej struktury afiliacji. Borgatti i Everett sformalizowali narzędzia analityczne w swoim artykule z 1997 roku w czasopiśmie Social Networks, rozszerzając miary centralności i spójności na grafy dwudzielne. Podejście to zyskało szerokie zastosowanie empiryczne w badaniach powiązań między zarządami korporacji, współpracy naukowej i uczestnictwa w społecznościach internetowych, i jest obecnie rutynowo wdrażane w pakietach oprogramowania, takich jak UCINET, igraph i NetworkX.
Kiedy stosować
Używaj analizy sieci dwuosiowych, gdy Twoje dane naturalnie rejestrują afiliacje między dwoma odrębnymi typami bytów: autorami i publikacjami, pacjentami i diagnozami, dyrektorami i radami nadzorczymi, lub słowami i dokumentami. Jest to odpowiednie ramy, gdy chcesz zrozumieć, jak przynależność do wspólnych grup kształtuje podobieństwo aktorów, lub jak aktorzy kształtują nakładanie się grup. Nie wpychaj danych dwuosiowych w ramy jednoosiowe bez uznania artefaktów projekcji. Unikaj jej, gdy dwa zbiory węzłów nie są koncepcyjnie odrębne, gdy macierz incydencji jest niezwykle rzadka (większość aktorów afiliowana tylko z jednym wydarzeniem), lub gdy pytanie badawcze dotyczy relacji między aktorami, które nie są pośredniczone przez wspólne członkostwo.
Ograniczenia i uwagi
- Projekcje jednoosiowe wprowadzają inflację krawędzi: duże, popularne wydarzenia tworzą kliki wśród wszystkich swoich członków, zniekształcając gęstość i centralność.
- Wiele standardowych procedur oprogramowania SNA zakłada dane jednoosiowe i wymaga adaptacji lub obejść dla danych dwudzielnych.
- Interpretacja jednoczesnych społeczności aktorów i wydarzeń wymaga wiedzy dziedzinowej do etykietowania i walidacji wykrytych grup.
- Rzadkie macierze incydencji (aktorzy afiliowani z bardzo niewielką liczbą wydarzeń) generują fragmentaryczne projekcje o ograniczonej sile analitycznej.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Zachowuje rzeczywisty dualizm aktorów i grup bez zapadania się struktury w stratną projekcję jednoosiową.
- Ujawnia pozycje strukturalne – takie jak pośrednicy między innymi oddzielnymi grupami – które są niewidoczne w analizie jednoosiowej.
- Bezpośrednio stosowalna do wszechobecnych danych afiliacyjnych: autorstwo, powiązania między zarządami, współuczestnictwo w wydarzeniach, współwystępowanie tagów.
- Miary natywne dla grafów dwudzielnych (np. dwudzielny współczynnik klastrowania) unikają zawyżonych artefaktów gęstości projekcji.
- Teoretycznie ugruntowana w zasadzie dualizmu Breigera, która zapewnia jasne wskazówki interpretacyjne.
- Kompatybilna z rozszerzeniami ważonymi i skierowanymi dla bogatszych danych afiliacyjnych.
Zastosowania
- Sieci współpracy naukowej pochodzące z macierzy incydencji autor-publikacja.
- Badania ładu korporacyjnego: sieci powiązań dyrektor-rada nadzorcza.
- Badania afiliacji politycznych: sieci legislator-komisja lub polityk-darczyńca.
- Społeczności internetowe: sieci uczestnictwa użytkownik-forum lub użytkownik-hashtag.
- Analiza bibliometryczna: macierze afiliacji słowo kluczowe-dokument lub czasopismo-artykuł.
- Zdrowie publiczne: sieci pacjent-diagnoza lub kontakt-lokalizacja ekspozycji.
Jak to działa
Jak to działa
Surowe dane są kodowane jako binarna lub ważona macierz incydencji B o rozmiarze (aktorzy × wydarzenia/grupy), gdzie wpis równa się jeden (lub jego wagę), gdy aktor należy do odpowiedniego wydarzenia lub grupy. Nie są rysowane żadne krawędzie między dwoma aktorami lub dwoma wydarzeniami; wszystkie powiązania przekraczają granicę typu, tworząc graf dwudzielny.
Aby zastosować standardowe miary SNA, graf dwudzielny jest rzutowany na jeden lub oba zbiory węzłów. Pomnożenie B przez jej transpozycję daje macierz współafiliacji aktor-aktor, której wpis A_{ij} zlicza, ile grup dzielą aktorzy i oraz j. Analogiczna projekcja daje macierz nakładania się grup. Te projekcje jednoosiowe umożliwiają znane obliczenia centralności i klastrowania.
Wzór
A_{ij} = \sum_{k} B_{ik} B_{jk}Centralność stopnia, pośrednictwa i bliskości są obliczane albo bezpośrednio na grafie dwudzielnym (przy użyciu algorytmów dostosowanych do topologii dwudzielnej), albo na rzutowanych grafach jednoosiowych. Miary centralności natywne dla grafów dwudzielnych pozwalają uniknąć zniekształceń wprowadzanych przez projekcję, takich jak sztucznie zawyżone gęstości w dużych wydarzeniach.
Algorytmy detekcji społeczności dostosowane do grafów dwudzielnych – takie jak maksymalizacja dwudzielnej modularności – jednocześnie identyfikują spójne podzbiory aktorów i wydarzeń. Alternatywnie, klasyczne algorytmy, takie jak Louvain, mogą być stosowane do rzutowanego grafu jednoosiowego, chociaż z pewną utratą informacji strukturalnej.
Obserwowana sieć dwudzielna jest porównywana z modelami zerowymi – zazwyczaj z modelem konfiguracyjnym, który zachowuje sekwencję stopni obu zbiorów węzłów – w celu określenia, czy wykryte społeczności, rankingi centralności lub wzorce klastrowania przekraczają przypadek. Istotność statystyczną można ocenić za pomocą testów permutacji lub przybliżeń analitycznych.
Częste pułapki
- Rzutowanie na jeden tryb, a następnie stosowanie standardowego SNA bez ujawniania lub korygowania artefaktów projekcji.
- Traktowanie liczby współafiliacji jako bezpośredniej miary siły powiązania bez normalizacji według wielkości wydarzenia (preferowana jest normalizacja Jaccarda lub cosinusowa).
- Używanie nie ważonych projekcji, gdy dostępne są dane o częstotliwości lub intensywności afiliacji, odrzucając znaczącą zmienność.
- Stosowanie algorytmów modularności zaprojektowanych dla sieci jednoosiowych do grafu dwudzielnego bez używania wersji odpowiednich dla grafów dwudzielnych.
- Ignorowanie modelu zerowego: raportowanie obserwowanej klastrowania lub centralności bez porównania z losową bazą zachowującą sekwencję stopni.
Najczęściej zadawane pytania
Czy powinienem analizować graf dwudzielny bezpośrednio, czy najpierw go rzutować?
Bezpośrednia analiza dwudzielna zachowuje więcej informacji strukturalnych i unika artefaktów projekcji. Projekcja na jeden tryb jest wygodna do stosowania znanych narzędzi SNA, ale zawyża gęstość i może tworzyć pozorne kliki wśród członków dużych wydarzeń. Gdy jest to wykonalne, używaj algorytmów natywnych dla grafów dwudzielnych i zgłaszaj wyniki projekcji tylko jako dodatkowe sprawdzenie.
Jak radzić sobie z niejednorodnością wielkości wydarzeń w projekcjach?
Duże wydarzenia generują krawędzie między wszystkimi swoimi członkami, sztucznie zwiększając liczbę współafiliacji. Normalizuj rzutowaną macierz za pomocą indeksu Jaccarda (wspólne afiliacje podzielone przez sumę) lub podobieństwa cosinusowego przed obliczeniem centralności, aby skorygować różnice w popularności wydarzeń.
Jakie oprogramowanie obsługuje analizę sieci dwuosiowych?
igraph (R i Python), NetworkX (Python), UCINET i Gephi obsługują grafy dwudzielne. Funkcja igraph bipartite.projection() i moduł bipartite w NetworkX natywnie obsługują projekcję i specyficzne dla grafów dwudzielnych metryki.
Czy mogę zastosować detekcję społeczności do sieci dwuosiowej?
Tak, ale używaj algorytmów przeznaczonych dla grafów dwudzielnych, takich jak dwudzielna modularność Barbera, zamiast standardowych Louvain lub Girvan-Newman, które zakładają strukturę jednoosiową. Dwudzielna detekcja społeczności przypisuje jednoczesne członkostwa w społecznościach zarówno zbiorom aktorów, jak i wydarzeń.
Czy analiza dwuosiowa jest odpowiednia dla bardzo małych zbiorów danych?
Przy mniej niż około 20 aktorach lub wydarzeniach, rankingi centralności i partycje społeczności stają się bardzo wrażliwe na poszczególne punkty danych. Testy istotności oparte na permutacji są szczególnie ważne przy małych rozmiarach, a wyniki należy interpretować ostrożnie.
Pokrewne metody
Źródła
Breiger, R. L. (1974). The duality of persons and groups. Social Forces, 53(2), 181–190.
Otwórz odnośnik DOISkopiowano.Borgatti, S. P., & Everett, M. G. (1997). Network analysis of 2-mode data. Social Networks, 19(3), 243–269.
Otwórz odnośnik DOISkopiowano.