Skip to content
返回搜索结果

二部网络分析 — 双模网络

提出者
Borgatti & Everett (1997) formalised the two-mode network framework
年份
1997
类型
Graph-structural / relational analysis

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

二部网络分析(Bipartite network analysis),由 Borgatti 和 Everett 于 1997 年正式提出,是一种图结构方法,用于研究节点被划分为两个不相交集合(参与者和事件)的网络,并且边仅存在于集合之间,从不出现在集合内部。它是作者–论文、患者–疾病、用户–产品或任何其他隶属关系数据的自然框架,并通过为双模结构量身定制的度量和投影技术扩展了单模网络分析。

方法背后的直觉

想象一个电子表格,其中行代表人员,列代表他们所属的俱乐部。如果人员 A 属于俱乐部 B,则标记一个单元格。标准的网络工具期望每个人都与其他所有人直接连接,但在这里,人们只连接到俱乐部,而不连接到其他人。二部网络分析按原样读取这种双面结构——衡量每个人或每个俱乐部在整个隶属关系模式中的中心性——然后可以将其折叠成一个仅包含人员的网络,其中如果两个人共享至少一个俱乐部,则他们之间存在连接,这比仅仅忽略数据的双模性质提供了更丰富的图景。

历史学

双模网络数据的正式处理由 Borgatti 和 Everett 在其 1997 年的《Social Networks》论文中确立,该论文将标准图度量扩展到二部情况并引入了投影框架。 Guillaume 和 Latapy (2006) 随后表明,许多经验复杂网络——从互联网到生物系统——都表现出二部子结构,这加强了该方法的普遍性。此后,该方法已成为文献计量学、推荐系统研究和计算社会科学的标准方法。

何时使用

每当您的关系数据自然地划分为两种不相交的节点类型——参与者和事件、用户和项目、患者和诊断——并且您想研究该隶属关系模式的结构属性时,请使用二部网络分析。该方法适用于探索性、关系性和分类目的,并处理二元、连续或分类边权重。建议总共有至少 20 个节点以获得有意义的结构度量。核心假设是严格的:边仅存在于两个节点集之间,从不出现在单个集合内部。如果您的数据中不存在这种分区,则标准的单模网络分析更合适。

局限与注意事项

  • 投影到单模网络会丢失信息:两个参与者可能具有相同的投影边权重,尽管他们的共同参与模式截然不同。
  • 为单模图设计的标准中心性度量必须进行调整或重新解释;天真的应用会产生误导性的排名。
  • 非常稀疏的二部图(每个节点的连接很少)会产生不可靠的中心性估计。
  • 该方法描述结构但不模拟因果机制;推断参与者为何隶属需要补充方法。

来源中的条件不能替代独立的科学审查或分析引擎的验证。

优势

  • 尊重隶属关系数据的固有双面结构,而不是将其强行纳入会丢失信息的单模表示。
  • 投影到单模网络使能够使用完整的标准网络方法工具集进行下游分析。
  • 适用于各种领域——文献计量学、推荐系统、流行病学、生态学和零售业——只要出现参与者–事件数据。
  • 与 BiRG 零模型进行统计比较,可以对观察到的结构模式进行显著性检验。

应用

  • 文献计量学:绘制作者–论文隶属关系网络,以识别有影响力的研究者和协作社区。
  • 推荐系统:分析用户–项目交互图,以揭示共同购买或共同观看的模式。
  • 流行病学:研究患者–疾病或宿主–病原体网络,以检测合并症簇。
  • 生态学:模拟植物–传粉者或捕食者–猎物二部食物网。
  • 组织研究:检查员工–项目或董事会成员–公司网络,以研究资源共享和中介。

使用方式

使用方式

1

原始隶属关系数据被组装成一个二部图 B,其中包含两个不相交的节点分区——通常称为顶集(参与者)和底集(事件)——并且边仅在分区边界处绘制。输入通常是关联矩阵或两列边列表;不允许在单个分区内存在边,这是二部图的定义性结构约束。

2

在计算度量之前,会验证双模属性:每个节点必须恰好属于一个分区,并且不允许存在分区内的边。此时可以生成一个随机双模零模型——二部随机图(Bipartite Random Graph, BiRG),它保留了度序列——作为后续比较的统计基准。

3

在完整的双模图上计算适用于二部结构的中心性和聚类度量。可以计算标准的单模介数或紧密度,但必须谨慎解释,因为路径总是交替出现在分区之间。二部特定的聚类系数(如冗余系数)是更可取的,因为它们尊重参与者之间从不直接连接的结构约束。

4

双模图可以选择性地折叠成一个或两个单模投影。在参与者投影中,如果两个参与者共享至少一个事件,则它们之间存在连接;边权重通常编码共享事件的数量或加权的共同参与得分。投影会丢失信息,因此建议使用加权投影并与 BiRG 零模型进行比较,以评估哪些共同参与是统计上意外的。

5

根据领域术语解释中心性排名、聚类系数和投影结构——例如,识别合著网络中最具影响力的作者、参与者–事件网络中出席次数最多的事件,或零售网络中最强的共同购买对。应将结果与零模型进行比较,以区分有意义的结构模式和随机波动。

常见陷阱

  • 将二部图视为单模图,忽略分区成员身份——这违反了结构假设,并产生了无意义的度量。
  • 在事件的出席人数差异很大时使用未加权投影——两个人研讨会的共同参与不应与一千人会议的共同出席具有相同的权重;请改用加权投影。
  • 在没有调整的情况下应用单模聚类系数——因为参与者之间从不共享直接边,所以天真的聚类系数会折叠为零;请使用适合二部图的聚类度量。
  • 跳过零模型比较——没有 BiRG 基线,就无法判断观察到的共同参与计数是否在结构上具有意义,或者仅仅是由于高次数。

常见问题

二部网络与常规(单模)网络有何不同?

在常规网络中,所有节点都可以与任何其他节点连接。在二部网络中,节点被划分为两个不相交的集合——参与者和事件——并且只允许在分区边界处存在边。这种约束反映了隶属关系数据的自然结构,即人们加入群体,但群体不直接加入其他群体。

投影的作用是什么?何时应使用它?

投影将双模图折叠成单模图,方法是连接共享至少一个事件的参与者(或共享至少一个参与者的事件)。当您想应用标准的单模度量时,它很有用,但它会丢失信息。请始终使用加权投影并与零模型进行比较,以区分有意义的共同参与和由高次数驱动的随机重叠。

我可以在二部图上使用标准的中心性度量吗?

可以计算度、介数和紧密度等标准度量,但必须仔细解释,因为所有路径都会在分区之间交替。强烈推荐使用适用于二部的聚类系数版本,而不是它们在二部图中因构造而折叠为零的单模对应物。

需要的最少数据量是多少?

建议总共至少有 20 个节点(分布在两个分区中)以使结构度量有意义。非常小的二部图会产生高度不稳定的中心性估计。如果您的网络较小,度数和共同参与计数的描述性摘要比全局结构度量更有信息量。

相关方法

参考文献

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

    打开出版物文献
    已复制。
  2. Guillaume, J.L. & Latapy, M. (2006). Bipartite Structure of All Complex Networks. Information Processing Letters, 90(5), 215-221.

    打开出版物文献
    已复制。