Skip to content
Назад к результатам поиска

Двухмодальный сетевой анализ

Автор метода
Breiger, R. L.
Год
1974
Тип
Bipartite graph analysis
Семейство
Network science

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

Размер шрифта

Что он делает?

Двухмодальный сетевой анализ исследует сети, построенные из двух различных типов узлов — таких как акторы и события, авторы и статьи, или компании и члены правления — связанных только между типами.

Анализируя эту бипартийную структуру напрямую или проецируя ее на одномодовые сети, исследователи выявляют паттерны принадлежности, общие членства и структурную двойственность, которые невидимы в стандартном одномодовом анализе социальных сетей.

Интуиция метода

Большинство социальных сетей включают два типа сущностей: людей и группы, события или артефакты, к которым они принадлежат. Рассмотрение их как единого множества узлов приводит к ложным связям между, скажем, двумя авторами, которые никогда не были соавторами, но оба публиковались в одном и том же журнале. Двухмодальный анализ сохраняет оба множества раздельно, уважая их истинную двойственность. Социолог Рональд Бригер формализовал это понимание в 1974 году: связи членства одновременно определяют совместную принадлежность людей к группам и совместное членство групп, две комплементарные перспективы на одни и те же данные.

История

Статья Рональда Бригера 1974 года «Двойственность личностей и групп» заложила теоретическую основу для двухмодального сетевого анализа, показав, что совместное членство акторов и совместное членство групп являются двумя комплементарными взглядами на единую структуру принадлежности. Боргатти и Эверетт формализовали аналитический инструментарий в своей статье 1997 года в журнале Social Networks, расширив меры центральности и сплоченности на бипартийные графы. Подход получил широкое эмпирическое применение в исследованиях межкорпоративных связей, научного сотрудничества и участия в онлайн-сообществах и в настоящее время регулярно реализуется в пакетах программного обеспечения, таких как UCINET, igraph и NetworkX.

Когда применять

Используйте двухмодальный сетевой анализ, когда ваши данные естественно фиксируют принадлежность между двумя различными типами сущностей: авторы и публикации, пациенты и диагнозы, директора и корпоративные советы директоров, или слова и документы. Это подходящая структура, когда вы хотите понять, как членство в общих группах формирует сходство акторов, или как акторы формируют пересечение групп. Не пытайтесь втиснуть двухмодовые данные в одномодовую структуру без учета артефактов проекции. Избегайте этого, когда два множества узлов концептуально неразличимы, когда матрица инцидентности чрезвычайно разрежена (большинство акторов связаны только с одним событием), или когда исследовательский вопрос касается отношений между акторами, которые не опосредованы общим членством.

Ограничения и замечания

  • Одномодовые проекции вносят раздувание связей: крупные, популярные события создают клики среди всех их членов, искажая плотность и центральность.
  • Многие стандартные процедуры SNA предполагают одномодовый ввод и требуют адаптации или обходных путей для бипартийных данных.
  • Интерпретация одновременных сообществ акторов и событий требует знаний предметной области для маркировки и валидации обнаруженных групп.
  • Разреженные матрицы инцидентности (акторы, связанные с очень малым числом событий) приводят к фрагментированным проекциям с ограниченной аналитической мощностью.

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

Сильные стороны

  • Сохраняет истинную двойственность акторов и групп, не сводя структуру к потерянной одномодовой проекции.
  • Выявляет структурные позиции — такие как брокеры между изначально разделенными группами — которые невидимы в одномодовом анализе.
  • Непосредственно применимо к повсеместным данным о принадлежности: авторство, межкорпоративные связи, совместное посещение мероприятий, совместное использование тегов.
  • Собственные бипартийные метрики (например, бипартийный коэффициент кластеризации) позволяют избежать артефактов завышенной плотности при проекции.
  • Теоретически обоснован принципом двойственности Бригера, который обеспечивает четкое руководство по интерпретации.
  • Совместимо с взвешенными и направленными расширениями для более богатых данных о принадлежности.

Применение

  • Сети научного соавторства, полученные из матриц инцидентности автор-статья.
  • Исследования корпоративного управления: сети межкорпоративных связей директоров.
  • Исследования политической принадлежности: сети законодателей-комитетов или политиков-доноров.
  • Онлайн-сообщества: сети участия пользователей-форумов или пользователей-хештегов.
  • Библиометрический анализ: матрицы принадлежности ключевых слов-документов или журналов-статей.
  • Общественное здравоохранение: сети пациентов-диагнозов или контактов-местоположений.

Как это работает

Как это работает

1

Исходные данные кодируются в виде бинарной или взвешенной матрицы инцидентности B размером (акторы × события/группы), где запись равна единице (или ее весу), когда актор принадлежит соответствующему событию или группе. Между двумя акторами или двумя событиями ребра не проводятся; все связи пересекают границу типов, образуя бипартийный граф.

2

Для применения стандартных мер SNA бипартийный граф проецируется на одно или оба множества узлов. Умножение B на ее транспонированную матрицу дает матрицу совместной принадлежности акторов, где запись A_{ij} подсчитывает, сколькими группами совместно владеют акторы i и j. Аналогичная проекция дает матрицу пересечения групп. Эти одномодовые проекции позволяют выполнять привычные вычисления центральности и кластеризации.

Формула
A_{ij} = \sum_{k} B_{ik} B_{jk}
3

Центральность по степени, между центральностью и близостью вычисляются либо непосредственно на бипартийном графе (с использованием алгоритмов, адаптированных для бипартийной топологии), либо на спроецированных одномодовых графах. Метрики центральности, присущие бипартийным графам, позволяют избежать искажений, вносимых проекцией, таких как искусственно завышенная плотность в случае крупных событий.

4

Алгоритмы обнаружения сообществ, адаптированные для бипартийных графов — такие как максимизация бипартийной модулярности — одновременно идентифицируют сплоченные подмножества акторов и событий. Альтернативно, классические алгоритмы, такие как Louvain, могут быть применены к спроецированной одномодовой сети, хотя при этом теряется некоторая структурная информация.

5

Наблюдаемая бипартийная сеть сравнивается с нулевыми моделями — обычно конфигурационной моделью, которая сохраняет последовательность степеней обоих множеств узлов — чтобы определить, превышают ли обнаруженные сообщества, ранжирования центральности или паттерны кластеризации случайные значения. Статистическая значимость может быть оценена с помощью перестановочных тестов или аналитических аппроксимаций.

Частые ошибки

  • Проектирование в один режим с последующим применением стандартного SNA без раскрытия или исправления артефактов проекции.
  • Рассмотрение количества совместных принадлежностей как прямой меры силы связи без нормализации по размеру события (предпочтительна нормализация Жаккара или косинуса).
  • Использование невзвешенных проекций, когда доступны данные о частоте или интенсивности принадлежности, игнорируя значимые вариации.
  • Применение алгоритмов модулярности, разработанных для одномодовых сетей, к бипартийному графу без использования бипартийных версий.
  • Игнорирование нулевой модели: представление наблюдаемой кластеризации или центральности без сравнения со случайной базовой линией, сохраняющей последовательность степеней.

Часто задаваемые вопросы

Следует ли анализировать бипартийный граф напрямую или сначала спроецировать его?

Прямой бипартийный анализ сохраняет больше структурной информации и позволяет избежать артефактов проекции. Проекция на один режим удобна для применения привычных инструментов SNA, но увеличивает плотность и может создавать ложные клики среди членов крупных событий. Когда это возможно, используйте собственные бипартийные алгоритмы и сообщайте результаты проекции только в качестве дополнительной проверки.

Как обрабатывать неоднородность размеров событий при проекции?

Крупные события создают связи между всеми их членами, искусственно увеличивая количество совместных принадлежностей. Нормализуйте спроецированную матрицу с использованием индекса Жаккара (общие принадлежности, деленные на объединение) или косинусного сходства перед вычислением центральности, чтобы скорректировать различия в популярности событий.

Какое программное обеспечение поддерживает двухмодальный сетевой анализ?

igraph (R и Python), NetworkX (Python), UCINET и Gephi поддерживают бипартийные графы. Функция igraph bipartite.projection() и модуль NetworkX bipartite нативно обрабатывают проекцию и специфичные для бипартийных графов метрики.

Можно ли применить обнаружение сообществ к двухмодовой сети?

Да, но используйте алгоритмы, разработанные для бипартийных графов, такие как бипартийная модулярность Барбера, а не стандартные Louvain или Girvan-Newman, которые предполагают одномодовую структуру. Бипартийное обнаружение сообществ одновременно присваивает совместные членства как акторам, так и событиям.

Подходит ли двухмодовый анализ для очень маленьких наборов данных?

При менее чем примерно 20 акторах или событиях ранжирование центральности и разделение на сообщества становятся очень чувствительными к отдельным точкам данных. Перестановочные тесты значимости особенно важны при малых размерах, и результаты следует интерпретировать с осторожностью.

Похожие методы

Источники

  1. Breiger, R. L. (1974). The duality of persons and groups. Social Forces, 53(2), 181–190.

    Открыть ссылку DOI
    Скопировано.
  2. Borgatti, S. P., & Everett, M. G. (1997). Network analysis of 2-mode data. Social Networks, 19(3), 243–269.

    Открыть ссылку DOI
    Скопировано.