Skip to content
กลับไปยังผลการค้นหา

การวิเคราะห์เครือข่ายสองโหมด

ผู้เสนอ
Breiger, R. L.
ปี
1974
ประเภท
Bipartite graph analysis
กลุ่มวิธี
Network science

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การวิเคราะห์เครือข่ายสองโหมดจะตรวจสอบเครือข่ายที่สร้างขึ้นจากโหนดสองประเภทที่แตกต่างกัน เช่น นักแสดงและเหตุการณ์, ผู้เขียนและเอกสาร, หรือบริษัทและกรรมการบริษัท ซึ่งเชื่อมโยงกันเฉพาะระหว่างประเภทเท่านั้น ด้วยการวิเคราะห์โครงสร้างแบบทวิภาคนี้โดยตรง หรือฉายภาพไปยังเครือข่ายหนึ่งโหมด นักวิจัยจะค้นพบรูปแบบความสัมพันธ์, การเป็นสมาชิกที่ใช้ร่วมกัน, และความเป็นคู่เชิงโครงสร้างที่มองไม่เห็นในการวิเคราะห์เครือข่ายสังคมแบบหนึ่งโหมดมาตรฐาน

แนวคิดเบื้องหลังวิธีการ

เครือข่ายสังคมส่วนใหญ่เกี่ยวข้องกับเอนทิตีสองชนิด: บุคคลและกลุ่ม, เหตุการณ์, หรือสิ่งประดิษฐ์ที่พวกเขาเป็นสมาชิก การพิจารณาสิ่งเหล่านี้เป็นชุดโหนดเดียวจะบังคับให้เกิดการเชื่อมโยงที่ผิดพลาด เช่น ระหว่างผู้เขียนสองคนที่ไม่ได้เขียนร่วมกัน แต่ทั้งคู่ตีพิมพ์ในวารสารเดียวกัน การวิเคราะห์สองโหมดจะแยกชุดข้อมูลทั้งสองออกจากกัน โดยเคารพความเป็นคู่ที่แท้จริงของพวกมัน นักสังคมวิทยา Ronald Breiger ได้ทำให้แนวคิดนี้เป็นทางการในปี 1974: ความสัมพันธ์ของการเป็นสมาชิกพร้อมกันกำหนดความสัมพันธ์ร่วมกันระหว่างบุคคลต่อบุคคล และการเป็นสมาชิกกลุ่มต่อกลุ่ม ซึ่งเป็นมุมมองเสริมสองมุมมองของข้อมูลชุดเดียวกัน

ประวัติศาสตร์

บทความของ Ronald Breiger ในปี 1974 เรื่อง 'The Duality of Persons and Groups' ได้วางรากฐานทางทฤษฎีสำหรับการวิเคราะห์เครือข่ายสองโหมด โดยแสดงให้เห็นว่าการเป็นสมาชิกของนักแสดงร่วมกันและการเป็นสมาชิกของกลุ่มร่วมกันเป็นมุมมองเสริมสองมุมมองของโครงสร้างความสัมพันธ์เดียว Borgatti และ Everett ได้ทำให้ชุดเครื่องมือวิเคราะห์เป็นทางการในบทความ Social Networks ปี 1997 โดยขยายมาตรวัดความเป็นศูนย์กลางและความเหนียวแน่นไปยังกราฟทวิภาค แนวทางนี้ได้รับการใช้งานเชิงประจักษ์อย่างกว้างขวางในการศึกษาการเชื่อมโยงคณะกรรมการบริษัท, การทำงานร่วมกันทางวิทยาศาสตร์, และการมีส่วนร่วมในชุมชนออนไลน์ และปัจจุบันมีการนำไปใช้เป็นประจำในแพ็คเกจซอฟต์แวร์ เช่น UCINET, igraph และ NetworkX

ควรใช้เมื่อใด

ใช้การวิเคราะห์เครือข่ายสองโหมดเมื่อข้อมูลของคุณบันทึกความสัมพันธ์ระหว่างเอนทิตีสองประเภทที่แตกต่างกันโดยธรรมชาติ: ผู้เขียนและสิ่งพิมพ์, ผู้ป่วยและการวินิจฉัย, ผู้อำนวยการและคณะกรรมการบริษัท, หรือคำและเอกสาร นี่คือกรอบการทำงานที่เหมาะสมเมื่อใดก็ตามที่คุณต้องการทำความเข้าใจว่าการเป็นสมาชิกในกลุ่มทั่วไปกำหนดความคล้ายคลึงกันของนักแสดงอย่างไร หรือนักแสดงกำหนดการทับซ้อนกันของกลุ่มอย่างไร อย่าบังคับข้อมูลสองโหมดให้เข้ากับกรอบการทำงานหนึ่งโหมดโดยไม่รับทราบถึงสิ่งประดิษฐ์จากการฉายภาพ หลีกเลี่ยงการใช้เมื่อชุดโหนดทั้งสองไม่แตกต่างกันในเชิงแนวคิด เมื่อเมทริกซ์อุบัติการณ์มีความเบาบางมาก (นักแสดงส่วนใหญ่เกี่ยวข้องกับเหตุการณ์เดียวเท่านั้น) หรือเมื่อคำถามวิจัยเกี่ยวข้องกับความสัมพันธ์ระหว่างนักแสดงที่ไม่ได้ถูกเชื่อมโยงโดยการเป็นสมาชิกที่ใช้ร่วมกัน

ข้อจำกัดและข้อควรพิจารณา

  • การฉายภาพหนึ่งโหมดทำให้เกิดการขยายขอบเขต: เหตุการณ์ขนาดใหญ่และเป็นที่นิยมสร้างกลุ่มย่อย (cliques) ในหมู่สมาชิกทั้งหมด ทำให้ความหนาแน่นและความเป็นศูนย์กลางบิดเบือน
  • รูทีนซอฟต์แวร์ SNA มาตรฐานจำนวนมากถือว่าอินพุตเป็นหนึ่งโหมดและต้องมีการปรับเปลี่ยนหรือวิธีแก้ปัญหาสำหรับข้อมูลทวิภาค
  • การตีความชุมชนนักแสดงและเหตุการณ์พร้อมกันต้องใช้ความรู้เฉพาะทางในการติดป้ายและตรวจสอบกลุ่มที่ตรวจพบ
  • เมทริกซ์อุบัติการณ์ที่เบาบาง (นักแสดงที่เกี่ยวข้องกับเหตุการณ์น้อยมาก) ทำให้เกิดการฉายภาพที่แตกแยกซึ่งมีประโยชน์ในการวิเคราะห์จำกัด

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • รักษาความเป็นคู่ที่แท้จริงของนักแสดงและกลุ่มโดยไม่ยุบโครงสร้างให้กลายเป็นการฉายภาพหนึ่งโหมดที่สูญเสียข้อมูล
  • เผยให้เห็นตำแหน่งเชิงโครงสร้าง เช่น ผู้ประสานงานระหว่างกลุ่มที่แยกจากกัน ซึ่งมองไม่เห็นในการวิเคราะห์หนึ่งโหมด
  • สามารถนำไปใช้ได้โดยตรงกับข้อมูลความสัมพันธ์ที่มีอยู่ทั่วไป: การเป็นผู้เขียนร่วม, การเชื่อมโยงคณะกรรมการ, การเข้าร่วมกิจกรรมร่วมกัน, การเกิดร่วมกันของแท็ก
  • เมตริกแบบทวิภาคโดยกำเนิด (เช่น สัมประสิทธิ์การจัดกลุ่มแบบทวิภาค) หลีกเลี่ยงสิ่งประดิษฐ์ความหนาแน่นที่สูงเกินจริงจากการฉายภาพ
  • มีพื้นฐานทางทฤษฎีในหลักการความเป็นคู่ของ Breiger ซึ่งให้แนวทางการตีความที่ชัดเจน
  • เข้ากันได้กับการขยายแบบถ่วงน้ำหนักและแบบมีทิศทางสำหรับข้อมูลความสัมพันธ์ที่ซับซ้อนยิ่งขึ้น

การประยุกต์ใช้

  • เครือข่ายการเขียนร่วมทางวิทยาศาสตร์ที่ได้จากเมทริกซ์อุบัติการณ์ผู้เขียนต่อเอกสาร
  • การวิจัยธรรมาภิบาลองค์กร: เครือข่ายการเชื่อมโยงกรรมการต่อคณะกรรมการ
  • การศึกษาความสัมพันธ์ทางการเมือง: เครือข่ายสมาชิกสภานิติบัญญัติต่อคณะกรรมการ หรือนักการเมืองต่อผู้บริจาค
  • ชุมชนออนไลน์: เครือข่ายการมีส่วนร่วมของผู้ใช้ต่อฟอรัม หรือผู้ใช้ต่อแฮชแท็ก
  • การวิเคราะห์บรรณานุกรม: เมทริกซ์ความสัมพันธ์คำสำคัญต่อเอกสาร หรือวารสารต่อบทความ
  • สาธารณสุข: เครือข่ายการสัมผัสผู้ป่วยต่อการวินิจฉัย หรือผู้ติดต่อต่อสถานที่

วิธีการทำงาน

วิธีการทำงาน

1

ข้อมูลดิบจะถูกเข้ารหัสเป็นเมทริกซ์อุบัติการณ์ (incidence matrix) B แบบไบนารีหรือแบบถ่วงน้ำหนัก ขนาด (นักแสดง × เหตุการณ์/กลุ่ม) โดยที่รายการจะมีค่าเท่ากับหนึ่ง (หรือน้ำหนักของมัน) เมื่อนักแสดงเป็นสมาชิกของเหตุการณ์หรือกลุ่มที่เกี่ยวข้อง ไม่มีการลากเส้นเชื่อมระหว่างนักแสดงสองคนหรือเหตุการณ์สองเหตุการณ์ ความสัมพันธ์ทั้งหมดจะข้ามขอบเขตประเภท ทำให้เกิดกราฟทวิภาค (bipartite graph)

2

ในการประยุกต์ใช้มาตรวัด SNA มาตรฐาน กราฟทวิภาคจะถูกฉายภาพไปยังชุดโหนดหนึ่งชุดหรือทั้งสองชุด การคูณ B ด้วยเมทริกซ์สลับเปลี่ยน (transpose) ของมันจะให้เมทริกซ์ความสัมพันธ์ร่วมกันระหว่างนักแสดงต่อนักแสดง โดยที่รายการ A_{ij} นับจำนวนกลุ่มที่นักแสดง i และ j มีร่วมกัน การฉายภาพที่คล้ายกันจะให้เมทริกซ์การทับซ้อนกันระหว่างกลุ่มต่อกลุ่ม การฉายภาพหนึ่งโหมดเหล่านี้ช่วยให้สามารถคำนวณค่าความเป็นศูนย์กลางและการจัดกลุ่มที่คุ้นเคยได้

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

ค่าความเป็นศูนย์กลางแบบดีกรี (degree), บีทวีนเนส (betweenness) และความใกล้ชิด (closeness) จะถูกคำนวณโดยตรงบนกราฟทวิภาค (โดยใช้อัลกอริทึมที่ปรับให้เข้ากับโทโพโลยีแบบทวิภาค) หรือบนกราฟหนึ่งโหมดที่ฉายภาพแล้ว มาตรวัดความเป็นศูนย์กลางแบบทวิภาคโดยกำเนิดจะหลีกเลี่ยงความบิดเบือนที่เกิดจากการฉายภาพ เช่น ความหนาแน่นที่สูงเกินจริงในเหตุการณ์ขนาดใหญ่

4

อัลกอริทึมการตรวจจับชุมชนที่ปรับให้เข้ากับกราฟทวิภาค เช่น การเพิ่มประสิทธิภาพโมดูลาริตีแบบทวิภาค (bipartite modularity maximisation) จะระบุชุดย่อยที่เหนียวแน่นของนักแสดงและเหตุการณ์พร้อมกัน อีกทางเลือกหนึ่งคือ อัลกอริทึมคลาสสิก เช่น Louvain สามารถนำไปใช้กับเครือข่ายหนึ่งโหมดที่ฉายภาพแล้วได้ แม้ว่าจะมีการสูญเสียข้อมูลเชิงโครงสร้างบางส่วนไป

5

เครือข่ายทวิภาคที่สังเกตได้จะถูกเปรียบเทียบกับแบบจำลองว่าง (null models) ซึ่งโดยทั่วไปคือแบบจำลองการกำหนดค่า (configuration model) ที่รักษาลำดับดีกรีของชุดโหนดทั้งสอง เพื่อพิจารณาว่าชุมชนที่ตรวจพบ, การจัดอันดับความเป็นศูนย์กลาง, หรือรูปแบบการจัดกลุ่มนั้นเกินกว่าโอกาสหรือไม่ นัยสำคัญทางสถิติสามารถประเมินได้ผ่านการทดสอบการเรียงสับเปลี่ยน (permutation tests) หรือการประมาณค่าเชิงวิเคราะห์

ข้อผิดพลาดที่พบบ่อย

  • การฉายภาพเป็นหนึ่งโหมดแล้วนำ SNA มาตรฐานมาใช้โดยไม่เปิดเผยหรือแก้ไขสิ่งประดิษฐ์จากการฉายภาพ
  • การถือว่าจำนวนความสัมพันธ์ร่วมกันเป็นมาตรวัดโดยตรงของความแข็งแรงของความสัมพันธ์โดยไม่ปรับให้เข้ากับขนาดของเหตุการณ์ (แนะนำให้ใช้การปรับค่า Jaccard หรือ cosine)
  • การใช้การฉายภาพแบบไม่ถ่วงน้ำหนักเมื่อมีข้อมูลความถี่หรือความเข้มข้นของความสัมพันธ์ ทำให้ละทิ้งความแปรปรวนที่มีความหมาย
  • การใช้อัลกอริทึมโมดูลาริตีที่ออกแบบมาสำหรับเครือข่ายหนึ่งโหมดกับกราฟทวิภาคโดยไม่ใช้เวอร์ชันที่เหมาะสมกับทวิภาค
  • การละเลยแบบจำลองว่าง: การรายงานการจัดกลุ่มหรือความเป็นศูนย์กลางที่สังเกตได้โดยไม่เปรียบเทียบกับเส้นฐานสุ่มที่รักษาลำดับดีกรี

คำถามที่พบบ่อย

ฉันควรวิเคราะห์กราฟทวิภาคโดยตรงหรือฉายภาพก่อน?

การวิเคราะห์ทวิภาคโดยตรงจะรักษาข้อมูลเชิงโครงสร้างได้มากกว่าและหลีกเลี่ยงสิ่งประดิษฐ์จากการฉายภาพ การฉายภาพเป็นหนึ่งโหมดสะดวกสำหรับการใช้เครื่องมือ SNA ที่คุ้นเคย แต่จะเพิ่มความหนาแน่นและสามารถสร้างกลุ่มย่อยปลอมในหมู่สมาชิกของเหตุการณ์ขนาดใหญ่ได้ หากเป็นไปได้ ให้ใช้อัลกอริทึมแบบทวิภาคโดยกำเนิดและรายงานผลการฉายภาพเพื่อตรวจสอบเพิ่มเติมเท่านั้น

ฉันจะจัดการกับความไม่สม่ำเสมอของขนาดเหตุการณ์ในการฉายภาพได้อย่างไร?

เหตุการณ์ขนาดใหญ่สร้างเส้นเชื่อมระหว่างสมาชิกทั้งหมด ทำให้จำนวนความสัมพันธ์ร่วมกันสูงขึ้นอย่างผิดปกติ ปรับเมทริกซ์ที่ฉายภาพแล้วโดยใช้ดัชนี Jaccard (ความสัมพันธ์ที่ใช้ร่วมกันหารด้วยผลรวม) หรือความคล้ายคลึงกันของโคไซน์ก่อนที่จะคำนวณความเป็นศูนย์กลาง เพื่อแก้ไขความแตกต่างของความนิยมของเหตุการณ์

ซอฟต์แวร์ใดบ้างที่รองรับการวิเคราะห์เครือข่ายสองโหมด?

igraph (R และ Python), NetworkX (Python), UCINET และ Gephi ล้วนรองรับกราฟทวิภาค ฟังก์ชัน bipartite.projection() ของ igraph และโมดูล bipartite ของ NetworkX จัดการการฉายภาพและเมตริกเฉพาะทวิภาคโดยกำเนิด

ฉันสามารถใช้การตรวจจับชุมชนกับเครือข่ายสองโหมดได้หรือไม่?

ได้ แต่ให้ใช้อัลกอริทึมที่ออกแบบมาสำหรับกราฟทวิภาค เช่น โมดูลาริตีแบบทวิภาคของ Barber แทนที่จะเป็น Louvain หรือ Girvan-Newman มาตรฐาน ซึ่งถือว่าโครงสร้างเป็นหนึ่งโหมด การตรวจจับชุมชนแบบทวิภาคจะกำหนดการเป็นสมาชิกชุมชนร่วมกันให้กับทั้งชุดนักแสดงและชุดเหตุการณ์พร้อมกัน

การวิเคราะห์สองโหมดเหมาะสมกับชุดข้อมูลขนาดเล็กมากหรือไม่?

เมื่อมีนักแสดงหรือเหตุการณ์น้อยกว่าประมาณ 20 รายการ การจัดอันดับความเป็นศูนย์กลางและการแบ่งส่วนชุมชนจะมีความไวสูงต่อจุดข้อมูลแต่ละจุด การทดสอบนัยสำคัญแบบอิงการเรียงสับเปลี่ยนมีความสำคัญอย่างยิ่งในขนาดเล็ก และผลลัพธ์ควรได้รับการตีความอย่างระมัดระวัง

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

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

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว