Skip to content
Назад к результатам поиска

Бипартивный сетевой анализ — двухрежимные сети

Автор метода
Borgatti & Everett (1997) formalised the two-mode network framework
Год
1997
Тип
Graph-structural / relational analysis

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Бипартивный сетевой анализ, формализованный Боргатти и Эвереттом в 1997 году, представляет собой графоструктурный метод изучения сетей, в которых узлы делятся на два непересекающихся множества — акторы и события — а рёбра существуют только между множествами, но никогда внутри них.

Это естественная основа для данных типа «автор–статья», «пациент–заболевание», «пользователь–продукт» и любых других данных об аффилиации, и он расширяет однорежимный сетевой анализ, предоставляя метрики и методы проекции, адаптированные к двухрежимной структуре.

Интуиция метода

Представьте себе электронную таблицу, где строки — это люди, а столбцы — это клубы, к которым они принадлежат. Ячейка отмечается, если человек A принадлежит клубу B. Стандартные сетевые инструменты предполагают, что каждый напрямую связан со всеми остальными, но здесь люди связаны только с клубами, а не с другими людьми. Бипартивный сетевой анализ считывает эту двухстороннюю структуру как есть — измеряя, насколько центральным является каждый человек или клуб в общей схеме аффилиации — а затем может свернуть её в сеть, состоящую только из людей, где два человека связаны, если они состоят хотя бы в одном общем клубе, что даёт более полную картину, чем просто игнорирование двухрежимной природы данных.

История

Формальная трактовка двухрежимных сетевых данных была установлена Боргатти и Эвереттом в их статье 1997 года в журнале Social Networks, которая расширила стандартные графовые метрики на бипартивный случай и представила концепцию проекции. Гийом и Латапи (2006) впоследствии показали, что многие эмпирические сложные сети — от Интернета до биологических систем — демонстрируют бипартивную подструктуру, что подтверждает общность подхода. С тех пор этот метод стал стандартным в библиометрии, исследованиях рекомендательных систем и вычислительных социальных науках.

Когда применять

Используйте бипартивный сетевой анализ всякий раз, когда ваши реляционные данные естественным образом делятся на два непересекающихся типа узлов — акторы и события, пользователи и элементы, пациенты и диагнозы — и вы хотите изучить структурные свойства этой схемы аффилиации. Метод применяется для исследовательских, реляционных и классификационных целей и обрабатывает бинарные, непрерывные или категориальные веса рёбер. Для получения значимых структурных метрик рекомендуется не менее 20 узлов в общей сложности. Основное допущение строгое: рёбра существуют только между двумя множествами узлов, но никогда внутри одного множества. Если такое разделение не существует в ваших данных, более уместен стандартный однорежимный сетевой анализ.

Ограничения и замечания

  • Проекция в однорежимные сети приводит к потере информации: два актора могут иметь одинаковый вес спроецированного ребра, несмотря на очень разные паттерны совместного участия.
  • Стандартные метрики центральности, разработанные для однорежимных графов, должны быть адаптированы или переинтерпретированы; наивное применение приводит к вводящим в заблуждение ранжированиям.
  • Очень разреженные бипартивные графы (мало связей на узел) дают ненадёжные оценки центральности.
  • Метод описывает структуру, но не моделирует причинно-следственные механизмы; для вывода о том, почему акторы аффилированы, требуются дополнительные методы.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Учитывает присущую данным об аффилиации двухстороннюю структуру, а не принудительно преобразует её в однорежимное представление, которое отбрасывает информацию.
  • Проекция в однорежимные сети позволяет проводить последующий анализ с использованием полного набора стандартных сетевых методов.
  • Применимо в различных областях — библиометрии, рекомендательных системах, эпидемиологии, экологии и розничной торговле — везде, где возникают данные типа «актор–событие».
  • Статистическое сравнение с нулевой моделью BiRG позволяет проверять значимость наблюдаемых структурных паттернов.

Применение

  • Библиометрия: картирование сетей аффилиации «автор–статья» для выявления влиятельных исследователей и сообществ сотрудничества.
  • Рекомендательные системы: анализ графов взаимодействия «пользователь–элемент» для выявления паттернов совместных покупок или просмотров.
  • Эпидемиология: изучение сетей «пациент–заболевание» или «хозяин–патоген» для обнаружения кластеров коморбидности.
  • Экология: моделирование бипартивных пищевых сетей «растение–опылитель» или «жертва–хищник».
  • Организационные исследования: изучение сетей «сотрудник–проект» или «член совета директоров–фирма» для изучения распределения ресурсов и посредничества.

Как это работает

Как это работает

1

Исходные данные об аффилиации собираются в бипартивный граф B с двумя непересекающимися разделами узлов — обычно называемыми верхним множеством (акторы) и нижним множеством (события) — и рёбра проводятся только через границу раздела. Входными данными обычно является матрица инцидентности или список рёбер из двух столбцов; рёбра не допускаются внутри одного раздела, что является определяющим структурным ограничением бипартивного графа.

2

Перед вычислением метрик проверяется двухрежимное свойство: каждый узел должен принадлежать ровно одному разделу, и не должно существовать рёбер внутри раздела. На этом этапе может быть сгенерирована случайная двухрежимная нулевая модель — бипартивный случайный граф (BiRG), который сохраняет последовательности степеней — для использования в качестве статистической основы для последующих сравнений.

3

Метрики центральности и кластеризации, адаптированные для бипартивной структуры, рассчитываются на полном двухрежимном графе. Могут быть вычислены стандартные однорежимные показатели посредничества (betweenness) или близости (closeness), но их следует интерпретировать с учётом того, что пути всегда чередуются между разделами. Бипартивно-специфические коэффициенты кластеризации (такие как коэффициент избыточности) предпочтительнее, поскольку они учитывают структурное ограничение, согласно которому акторы никогда не связаны напрямую друг с другом.

4

Двухрежимный граф опционально сворачивается в одну или обе однорежимные проекции. В проекции акторов два актора связаны, если они участвуют хотя бы в одном общем событии; веса рёбер обычно кодируют количество общих событий или взвешенную оценку совместного участия. Проекция отбрасывает информацию, поэтому для оценки того, какие совместные участия статистически неожиданны, рекомендуются взвешенные проекции и сравнение с нулевой моделью BiRG.

5

Ранги центральности, коэффициенты кластеризации и структура проекции интерпретируются в предметных терминах — например, для выявления наиболее влиятельных авторов в сети соавторства, наиболее посещаемых событий в сети «актор–событие» или наиболее сильных пар совместных покупок в розничной сети. Результаты следует сравнивать с нулевой моделью, чтобы отличить значимые структурные паттерны от случайных флуктуаций.

Частые ошибки

  • Рассмотрение бипартивного графа как однорежимного графа путём игнорирования принадлежности к разделам — это нарушает структурное допущение и приводит к бессмысленным метрикам.
  • Использование невзвешенной проекции, когда события сильно различаются по размеру аудитории — совместное участие в семинаре для двух человек не должно иметь тот же вес, что и совместное посещение конференции на тысячу человек; вместо этого используйте взвешенные проекции.
  • Применение однорежимных коэффициентов кластеризации без корректировки — поскольку акторы никогда не имеют прямых связей, наивные коэффициенты кластеризации сводятся к нулю; используйте меру кластеризации, подходящую для бипартивных графов.
  • Пропуск сравнения с нулевой моделью — без базовой модели BiRG невозможно судить, является ли наблюдаемое количество совместных участий структурно значимым или просто результатом высокой степени.

Часто задаваемые вопросы

Чем бипартивная сеть отличается от обычной (однорежимной) сети?

В обычной сети все узлы потенциально могут соединяться с любым другим узлом. В бипартивной сети узлы делятся на два непересекающихся множества — акторы и события — и рёбра допускаются только через границу раздела. Это ограничение отражает естественную структуру данных об аффилиации, где люди присоединяются к группам, но группы не присоединяются напрямую к другим группам.

Что делает проекция и когда её следует использовать?

Проекция сворачивает двухрежимный граф в однорежимный, соединяя акторов, которые участвуют хотя бы в одном общем событии (или события, которые имеют хотя бы одного общего актора). Она полезна, когда вы хотите применить стандартные однорежимные метрики, но она отбрасывает информацию. Всегда используйте взвешенные проекции и сравнивайте с нулевой моделью, чтобы отличить значимое совместное участие от случайного совпадения, вызванного высокой степенью.

Могу ли я использовать стандартные меры центральности на бипартивном графе?

Стандартные меры, такие как степень, посредничество (betweenness) и близость (closeness), могут быть вычислены, но их следует интерпретировать осторожно, поскольку все пути чередуются между разделами. Бипартивно-адаптированные версии коэффициентов кластеризации настоятельно предпочтительнее их однорежимных аналогов, которые по построению сводятся к нулю в бипартивном графе.

Какой минимальный размер данных необходим?

Для того чтобы структурные метрики были значимыми, рекомендуется минимум 20 узлов в общей сложности по обоим разделам. Очень маленькие бипартивные графы дают крайне нестабильные оценки центральности. Если ваша сеть меньше, описательные сводки степеней и количества совместных участий более информативны, чем глобальные структурные метрики.

Похожие методы

Источники

  1. Borgatti, S.P. & Everett, M.G. (1997). Network Analysis of 2-Mode Data. Social Networks, 19(3), 243-269.

    Открыть ссылку на публикацию
    Скопировано.
  2. Guillaume, J.L. & Latapy, M. (2006). Bipartite Structure of All Complex Networks. Information Processing Letters, 90(5), 215-221.

    Открыть ссылку на публикацию
    Скопировано.