Skip to content
กลับไปยังผลการค้นหา

การวิเคราะห์เครือข่ายสองส่วน — เครือข่ายสองโหมด

ผู้เสนอ
Borgatti & Everett (1997) formalised the two-mode network framework
ปี
1997
ประเภท
Graph-structural / relational analysis

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การวิเคราะห์เครือข่ายสองส่วน (Bipartite network analysis) ซึ่งถูกทำให้เป็นรูปนัยโดย Borgatti และ Everett ในปี 1997 เป็นวิธีการเชิงโครงสร้างกราฟสำหรับการศึกษาเครือข่ายที่ซึ่งโหนด (nodes) ถูกแบ่งออกเป็นสองชุดที่แยกจากกัน — ผู้แสดง (actors) และเหตุการณ์ (events) — และเส้นเชื่อม (edges) จะมีอยู่เฉพาะระหว่างชุดเท่านั้น ไม่เคยอยู่ภายในชุดเดียวกัน เป็นกรอบการทำงานตามธรรมชาติสำหรับข้อมูลผู้แต่ง–บทความ, ผู้ป่วย–โรค, ผู้ใช้–ผลิตภัณฑ์, หรือข้อมูลการสังกัดประเภทอื่นใด และเป็นการขยายการวิเคราะห์เครือข่ายแบบโหมดเดียว (one-mode network analysis) โดยการจัดเตรียมตัวชี้วัด (metrics) และเทคนิคการฉายภาพ (projection techniques) ที่ปรับให้เหมาะกับโครงสร้างแบบสองโหมด

แนวคิดเบื้องหลังวิธีการ

ลองนึกภาพตารางข้อมูลที่แถวคือผู้คนและคอลัมน์คือชมรมที่พวกเขาเป็นสมาชิก เซลล์จะถูกทำเครื่องหมายหากบุคคล A เป็นสมาชิกชมรม B เครื่องมือเครือข่ายมาตรฐานคาดหวังว่าทุกคนจะเชื่อมต่อโดยตรงกับทุกคนอื่น ๆ แต่ในที่นี้ผู้คนเชื่อมต่อกับชมรมเท่านั้น ไม่ใช่กับคนอื่น ๆ การวิเคราะห์เครือข่ายสองส่วนอ่านโครงสร้างสองด้านนี้ตามที่เป็นอยู่ — วัดว่าแต่ละคนหรือแต่ละชมรมมีความสำคัญเพียงใดภายในรูปแบบการสังกัดทั้งหมด — และจากนั้นสามารถพับลงเป็นเครือข่ายเฉพาะบุคคลที่ซึ่งคนสองคนจะเชื่อมโยงกันหากพวกเขามีชมรมอย่างน้อยหนึ่งแห่งร่วมกัน ซึ่งให้ภาพที่สมบูรณ์กว่าการละเลยลักษณะสองโหมดของข้อมูลไปโดยสิ้นเชิง

ประวัติศาสตร์

การรักษาอย่างเป็นรูปนัยของข้อมูลเครือข่ายแบบสองโหมดได้รับการก่อตั้งโดย Borgatti และ Everett ในบทความ Social Networks ปี 1997 ของพวกเขา ซึ่งได้ขยายตัวชี้วัดกราฟมาตรฐานไปยังกรณีสองส่วนและแนะนำกรอบการทำงานการฉายภาพ ต่อมา Guillaume และ Latapy (2006) ได้แสดงให้เห็นว่าเครือข่ายที่ซับซ้อนเชิงประจักษ์จำนวนมาก — ตั้งแต่อินเทอร์เน็ตไปจนถึงระบบชีวภาพ — แสดงโครงสร้างย่อยแบบสองส่วน ซึ่งตอกย้ำความเป็นสากลของแนวทางนี้ วิธีการนี้ได้กลายเป็นมาตรฐานในการวิจัยบรรณานุกรม, การวิจัยระบบแนะนำ, และวิทยาศาสตร์สังคมเชิงคำนวณ

ควรใช้เมื่อใด

ใช้การวิเคราะห์เครือข่ายสองส่วนเมื่อใดก็ตามที่ข้อมูลความสัมพันธ์ของคุณแบ่งออกเป็นประเภทโหนดที่แยกจากกันสองประเภทโดยธรรมชาติ — ผู้แสดงและเหตุการณ์, ผู้ใช้และรายการ, ผู้ป่วยและการวินิจฉัย — และคุณต้องการศึกษาคุณสมบัติเชิงโครงสร้างของรูปแบบการสังกัดนั้น วิธีการนี้ใช้สำหรับวัตถุประสงค์ในการสำรวจ, ความสัมพันธ์, และการจำแนกประเภท และจัดการกับน้ำหนักเส้นเชื่อมแบบทวิภาค (binary), ต่อเนื่อง (continuous), หรือประเภท (categorical) ขอแนะนำให้มีโหนดอย่างน้อย 20 โหนดทั้งหมดเพื่อการวัดเชิงโครงสร้างที่มีความหมาย ข้อสมมติฐานหลักคือเข้มงวด: เส้นเชื่อมมีอยู่เฉพาะระหว่างชุดโหนดทั้งสองเท่านั้น ไม่เคยอยู่ภายในชุดเดียว หากพาร์ติชันนั้นไม่มีอยู่ในข้อมูลของคุณ การวิเคราะห์เครือข่ายแบบโหมดเดียวมาตรฐานจะเหมาะสมกว่า

ข้อจำกัดและข้อควรพิจารณา

  • การฉายภาพไปยังเครือข่ายแบบโหมดเดียวสูญเสียข้อมูล: ผู้แสดงสองคนอาจมีน้ำหนักเส้นเชื่อมที่ฉายภาพเหมือนกัน แม้ว่าจะมีรูปแบบการเข้าร่วมร่วมกันที่แตกต่างกันมากก็ตาม
  • ตัวชี้วัดความเป็นศูนย์กลางมาตรฐานที่ออกแบบมาสำหรับกราฟแบบโหมดเดียวจะต้องได้รับการปรับปรุงหรือตีความใหม่ การใช้งานโดยไม่ระมัดระวังจะให้การจัดอันดับที่ทำให้เข้าใจผิด
  • กราฟสองส่วนที่เบาบางมาก (การเชื่อมต่อน้อยต่อโหนด) ให้ค่าประมาณความเป็นศูนย์กลางที่ไม่น่าเชื่อถือ
  • วิธีการนี้อธิบายโครงสร้าง แต่ไม่ได้สร้างแบบจำลองกลไกเชิงสาเหตุ การอนุมานว่าเหตุใดผู้แสดงจึงสังกัดจึงต้องใช้วิธีการเสริม

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • เคารพโครงสร้างสองด้านโดยธรรมชาติของข้อมูลการสังกัด แทนที่จะบังคับให้เป็นรูปแบบโหมดเดียวที่สูญเสียข้อมูล
  • การฉายภาพไปยังเครือข่ายแบบโหมดเดียวช่วยให้สามารถวิเคราะห์ขั้นต่อไปด้วยชุดเครื่องมือเต็มรูปแบบของวิธีการเครือข่ายมาตรฐาน
  • สามารถนำไปใช้ได้ในหลากหลายโดเมน — บรรณานุกรม (bibliometrics), ระบบแนะนำ (recommendation systems), ระบาดวิทยา (epidemiology), นิเวศวิทยา (ecology), และการค้าปลีก (retail) — ทุกที่ที่ข้อมูลผู้แสดง–เหตุการณ์เกิดขึ้น
  • การเปรียบเทียบทางสถิติต่อแบบจำลองว่างเปล่า BiRG ช่วยให้สามารถทดสอบนัยสำคัญของรูปแบบเชิงโครงสร้างที่สังเกตได้

การประยุกต์ใช้

  • บรรณานุกรม: การสร้างแผนที่เครือข่ายการสังกัดของผู้แต่ง–บทความเพื่อระบุนักวิจัยที่มีอิทธิพลและชุมชนความร่วมมือ
  • ระบบแนะนำ: การวิเคราะห์กราฟปฏิสัมพันธ์ของผู้ใช้–รายการเพื่อแสดงรูปแบบการซื้อร่วมหรือการดูร่วมกัน
  • ระบาดวิทยา: การศึกษาเครือข่ายผู้ป่วย–โรค หรือโฮสต์–เชื้อโรค เพื่อตรวจจับกลุ่มโรคที่เกิดร่วมกัน (comorbidity clusters)
  • นิเวศวิทยา: การสร้างแบบจำลองเครือข่ายใยอาหารสองส่วนระหว่างพืช–แมลงผสมเกสร หรือเหยื่อ–ผู้ล่า
  • การวิจัยองค์กร: การตรวจสอบเครือข่ายพนักงาน–โครงการ หรือกรรมการ–บริษัท เพื่อศึกษาการแบ่งปันทรัพยากรและการเป็นตัวกลาง (brokerage)

วิธีการทำงาน

วิธีการทำงาน

1

ข้อมูลการสังกัดดิบจะถูกรวบรวมเป็นกราฟสองส่วน B โดยมีพาร์ติชันโหนดที่แยกจากกันสองชุด — โดยทั่วไปเรียกว่าชุดบน (ผู้แสดง) และชุดล่าง (เหตุการณ์) — และเส้นเชื่อมจะถูกวาดเฉพาะข้ามขอบเขตพาร์ติชัน อินพุตโดยทั่วไปคือเมทริกซ์การเกิด (incidence matrix) หรือรายการเส้นเชื่อมสองคอลัมน์ ไม่อนุญาตให้มีเส้นเชื่อมภายในพาร์ติชันเดียว ซึ่งเป็นข้อจำกัดเชิงโครงสร้างที่กำหนดของกราฟสองส่วน

2

ก่อนที่จะคำนวณตัวชี้วัด จะต้องตรวจสอบคุณสมบัติแบบสองโหมด: โหนดแต่ละโหนดจะต้องเป็นสมาชิกของพาร์ติชันเดียวเท่านั้น และจะไม่มีเส้นเชื่อมภายในพาร์ติชันใด ๆ สามารถสร้างแบบจำลองว่างเปล่าแบบสุ่มสองโหมด (random two-mode null model) — กราฟสุ่มสองส่วน (Bipartite Random Graph - BiRG) ซึ่งรักษาลำดับขั้นของดีกรี (degree sequences) — ในขั้นตอนนี้เพื่อใช้เป็นฐานอ้างอิงทางสถิติสำหรับการเปรียบเทียบในภายหลัง

3

ตัวชี้วัดความเป็นศูนย์กลาง (centrality) และการจัดกลุ่ม (clustering) ที่ปรับให้เหมาะกับโครงสร้างสองส่วนจะถูกคำนวณบนกราฟสองโหมดเต็ม ตัวชี้วัดความเป็นศูนย์กลางแบบระหว่างกลาง (betweenness) หรือความใกล้ชิด (closeness) แบบโหมดเดียวสามารถคำนวณได้ แต่ต้องตีความด้วยความตระหนักว่าเส้นทางจะสลับระหว่างพาร์ติชันเสมอ สัมประสิทธิ์การจัดกลุ่มเฉพาะสำหรับเครือข่ายสองส่วน (เช่น สัมประสิทธิ์ความซ้ำซ้อน - redundancy coefficient) จะเป็นที่นิยมมากกว่า เนื่องจากเคารพข้อจำกัดเชิงโครงสร้างที่ผู้แสดงไม่เคยเชื่อมต่อโดยตรงซึ่งกันและกัน

4

กราฟสองโหมดจะถูกยุบเป็นหนึ่งหรือทั้งสองการฉายภาพแบบโหมดเดียวตามทางเลือก ในการฉายภาพผู้แสดง ผู้แสดงสองคนจะเชื่อมต่อกันหากพวกเขามีเหตุการณ์ร่วมกันอย่างน้อยหนึ่งเหตุการณ์ น้ำหนักของเส้นเชื่อมโดยทั่วไปจะเข้ารหัสจำนวนเหตุการณ์ที่ใช้ร่วมกันหรือคะแนนการเข้าร่วมร่วมกัน (co-participation score) การฉายภาพจะสูญเสียข้อมูล ดังนั้นจึงแนะนำให้ใช้การฉายภาพแบบถ่วงน้ำหนักและการเปรียบเทียบกับแบบจำลองว่างเปล่า BiRG เพื่อประเมินว่าการเข้าร่วมร่วมกันใดบ้างที่ไม่คาดคิดในทางสถิติ

5

อันดับความเป็นศูนย์กลาง สัมประสิทธิ์การจัดกลุ่ม และโครงสร้างการฉายภาพจะถูกตีความในแง่ของโดเมน — ตัวอย่างเช่น การระบุผู้เขียนที่มีอิทธิพลมากที่สุดในเครือข่ายการเขียนร่วม, เหตุการณ์ที่มีผู้เข้าร่วมมากที่สุดในเครือข่ายผู้แสดง–เหตุการณ์, หรือคู่การซื้อร่วมที่แข็งแกร่งที่สุดในเครือข่ายค้าปลีก ผลลัพธ์ควรเปรียบเทียบกับแบบจำลองว่างเปล่าเพื่อแยกแยะรูปแบบเชิงโครงสร้างที่มีความหมายออกจากความผันผวนแบบสุ่ม

ข้อผิดพลาดที่พบบ่อย

  • การปฏิบัติต่อกราฟสองส่วนเสมือนกราฟแบบโหมดเดียวโดยการละเว้นการเป็นสมาชิกพาร์ติชัน — สิ่งนี้ละเมิดข้อสมมติฐานเชิงโครงสร้างและสร้างตัวชี้วัดที่ไร้ความหมาย
  • การใช้การฉายภาพแบบไม่ถ่วงน้ำหนักเมื่อเหตุการณ์มีขนาดการเข้าร่วมที่แตกต่างกันมาก — การเข้าร่วมร่วมกันในเวิร์กช็อปสำหรับสองคนไม่ควรมีน้ำหนักเท่ากับการเข้าร่วมการประชุมสำหรับผู้เข้าร่วมพันคน; ควรใช้การฉายภาพแบบถ่วงน้ำหนักแทน
  • การใช้สัมประสิทธิ์การจัดกลุ่มแบบโหมดเดียวโดยไม่มีการปรับปรุง — เนื่องจากผู้แสดงไม่เคยมีเส้นเชื่อมโดยตรง สัมประสิทธิ์การจัดกลุ่มโดยทั่วไปจะยุบเป็นศูนย์; ควรใช้มาตรวัดการจัดกลุ่มที่เหมาะสมกับเครือข่ายสองส่วน
  • การข้ามการเปรียบเทียบแบบจำลองว่างเปล่า — หากไม่มีฐานอ้างอิง BiRG จะเป็นไปไม่ได้ที่จะตัดสินว่าจำนวนการเข้าร่วมร่วมกันที่สังเกตได้นั้นมีความหมายเชิงโครงสร้างหรือไม่ หรือเป็นเพียงผลผลิตของดีกรีที่สูง

คำถามที่พบบ่อย

เครือข่ายสองส่วนแตกต่างจากเครือข่ายปกติ (โหมดเดียว) อย่างไร

ในเครือข่ายปกติ โหนดทั้งหมดสามารถเชื่อมต่อกับโหนดอื่น ๆ ได้ทั้งหมด ในเครือข่ายสองส่วน โหนดจะถูกแบ่งออกเป็นสองชุดที่แยกจากกัน — ผู้แสดงและเหตุการณ์ — และอนุญาตให้มีเส้นเชื่อมเฉพาะข้ามขอบเขตพาร์ติชัน ข้อจำกัดนี้สะท้อนถึงโครงสร้างตามธรรมชาติของข้อมูลการสังกัด ซึ่งผู้คนเข้าร่วมกลุ่ม แต่กลุ่มไม่ได้เข้าร่วมกลุ่มอื่นโดยตรง

การฉายภาพทำอะไรและเมื่อใดที่ฉันควรใช้

การฉายภาพจะพับกราฟสองโหมดเป็นกราฟโหมดเดียวโดยการเชื่อมต่อผู้แสดงที่แบ่งปันเหตุการณ์อย่างน้อยหนึ่งเหตุการณ์ (หรือเหตุการณ์ที่แบ่งปันผู้แสดงอย่างน้อยหนึ่งคน) มีประโยชน์เมื่อคุณต้องการใช้ตัวชี้วัดแบบโหมดเดียวมาตรฐาน แต่จะสูญเสียข้อมูล ควรใช้การฉายภาพแบบถ่วงน้ำหนักเสมอและเปรียบเทียบกับแบบจำลองว่างเปล่าเพื่อแยกแยะการเข้าร่วมร่วมกันที่มีความหมายจากการทับซ้อนแบบสุ่มที่เกิดจากดีกรีสูง

ฉันสามารถใช้มาตรวัดความเป็นศูนย์กลางมาตรฐานกับกราฟสองส่วนได้หรือไม่

มาตรวัดมาตรฐาน เช่น ดีกรี, ความเป็นศูนย์กลางแบบระหว่างกลาง, และความใกล้ชิด สามารถคำนวณได้ แต่ต้องตีความอย่างระมัดระวัง เนื่องจากเส้นทางทั้งหมดจะสลับระหว่างพาร์ติชัน สัมประสิทธิ์การจัดกลุ่มที่ปรับให้เหมาะกับเครือข่ายสองส่วนเป็นที่นิยมอย่างยิ่งเมื่อเทียบกับคู่ของมันในแบบโหมดเดียว ซึ่งจะยุบเป็นศูนย์ตามการสร้างในกราฟสองส่วน

ขนาดข้อมูลขั้นต่ำที่ต้องการคือเท่าใด

แนะนำให้มีโหนดรวมกันอย่างน้อย 20 โหนดในทั้งสองพาร์ติชัน เพื่อให้การวัดเชิงโครงสร้างมีความหมาย กราฟสองส่วนที่มีขนาดเล็กมากจะให้ค่าประมาณความเป็นศูนย์กลางที่ไม่เสถียรอย่างยิ่ง หากเครือข่ายของคุณมีขนาดเล็กกว่านั้น การสรุปเชิงพรรณนาเกี่ยวกับดีกรีและจำนวนการเข้าร่วมร่วมกันจะมีประโยชน์มากกว่าการวัดเชิงโครงสร้างโดยรวม

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว
  2. Guillaume, J.L. & Latapy, M. (2006). Bipartite Structure of All Complex Networks. Information Processing Letters, 90(5), 215-221.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว