多层网络分析 — 复数网络
- 提出者
- Kivelä et al. (2014); De Domenico et al. (2013)
- 年份
- 2013–2014 (formal mathematical framework)
- 类型
- Graph-theoretic network model
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
多层网络分析是一种图论框架,由 Kivelä 等人(2014 年)和 De Domenico 等人(2013 年)正式提出,它在多个关系层上同时表示同一组节点。单层网络将所有关系合并为一个图,而多层模型则保留了每个关系层(社交平台、生物相互作用类型或基础设施层级)的独特关系背景,同时还模拟了各层之间如何通过层间边耦合。
方法背后的直觉
设想一群研究人员通过电子邮件协作、合著论文并在专业网络上相互关注。单个网络图会将这三种联系合并为一个纠缠不清的图,从而丢失了合著关系比 Twitter 关注关系强得多的信息。多层网络分析将每种关系类型保留在自己的层上——就像投影仪上堆叠的独立透明胶片一样——但允许您询问一个层上的活动如何预测或放大另一个层上的活动。在这种情况下,中心性不再仅仅是“这个节点总体上连接得有多好?”,而是“这个节点在所有层上同时有多重要,同时计算层内和跨层路径?”
历史学
网络科学长期以来将复杂系统建模为单个图,但到 2000 年代,人们清楚地认识到许多现实世界系统涉及多种相互作用的关系类型。De Domenico 等人(2013 年)提供了一个严格的张量数学公式,统一了各种早期的尝试。Kivelä 等人(2014 年)在《复杂网络杂志》上发表了权威的综述,建立了共享词汇——层、方面、超邻接矩阵、层间边——并调查了生物学、交通、社交媒体和基础设施领域的应用。这两篇论文共同构成了该领域的规范形式基础。
何时使用
当所关注的实体同时参与一种以上关系且这些关系不能在不丢失有意义信息的情况下合并时,就适合进行多层网络分析。该框架至少需要 20 个具有明确层间边的节点,并且层权重具有实质性意义——任意的层分配会导致无法解释的耦合度量。不需要正态性。该方法适用于探索性、描述性和关系性研究目的。如果节点少于 20 个,则单层中心性分析是更安全的回退选项。
局限与注意事项
- 需要至少 20 个具有明确定义的层间边的节点;节点少于此数量,该方法无法可靠地揭示复数结构。
- 层权重必须具有实质性意义;如果层是任意定义的,耦合度量将无法解释。
- 计算成本随着层数和节点数的增加而增加;大型复数图需要高效的稀疏表示。
- 复数中心性度量与它们的单层类似物的行为不同,需要仔细解释以避免混淆两者。
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
- 在保留每种关系类型的结构特异性的同时,仍然能够进行跨层比较,这是单个合并网络无法做到的。
- 复数中心性度量识别那些因在多个层上连接良好而重要的节点,而不仅仅是在一个层上占主导地位的节点。
- 适用于各种实质性领域——社交媒体平台、多组学生物网络、基础设施系统——而无需分布假设。
- 捕获在逐层分析中不可见的涌现属性(级联故障、复数社群)。
应用
- 分析跨平台社交媒体互动,其中每个平台(Twitter、Facebook、LinkedIn)都是一个层,共享相同的用户节点。
- 多组学生物网络分析,其中基因调控、蛋白质相互作用和代谢反应网络在共享分子实体上形成不同的层。
- 基础设施韧性研究,将电力、交通和通信电网建模为耦合层,以评估级联故障风险。
- 协作网络研究,识别在多个合著或引用层中充当中心节点的研究人员或机构。
使用方式
使用方式
分析师识别构成系统的不同关系类型,并将每种类型分配到一个层。每个层必须覆盖相同的节点集,或至少是其一个明确定义的子集。层间边——连接一个层中的节点与另一个层中的相同或不同节点的连接——与层内边一起指定。这一步是概念性的但至关重要:如果层的定义含糊不清,所有下游指标都将无法解释。
多层图被组装成一个超邻接矩阵或一个张量对象。在超邻接表示中,所有层都沿着块对角线堆叠,层间耦合块出现在对角线之外。这个数学对象编码了层内拓扑和层间耦合强度,使其成为后续计算的主力。
多层中心性度量——复数度、复数介数中心性、复数特征向量中心性以及参与系数——从超邻接结构计算得出。这些度量与它们的单层对应物在根本上不同,因为它们考虑了跨层路径。为多层图改编的社群检测算法也可以在此阶段应用,以识别同时在多个层上密集连接的节点群组。
分析师检查层间耦合模式:一个层上的高中心性是否与另一个层上的高中心性相关(层相关性),社群是否跨层对齐(层相似性),以及哪些节点充当复数中心节点或桥梁。具有高参与系数的节点在各层之间均匀活跃;参与系数低的节点是特定层的专家。这些结构性见解有助于领域解释——例如,哪些研究机构连接了多个协作网络,或者哪些蛋白质在几种生物相互作用类型中至关重要。
常见陷阱
- 在没有理论依据的情况下定义层会导致耦合度量在数值上定义但实质上无意义——始终将层边界与领域知识联系起来。
- 将复数中心性与单层中心性混淆:一个节点在复数网络中可能全局中心,但在每个单独的层中都处于外围,反之亦然。
- 完全忽略层间边并将层视为独立图,会放弃该框架的关键优势——跨层耦合——并将分析简化为一组独立的网络研究。
- 在少于 20 个节点上运行复数分析;在非常小的复数图中检测到的结构模式可能不可靠,应优先选择单层中心性分析。
常见问题
多层网络与简单地对每种关系类型运行单独的网络分析有何不同?
单独的分析忽略了一个层上的活动如何影响另一个层上的活动。多层分析明确地对层间边进行建模,并计算跨越层间路径的中心性度量,揭示了其重要性恰恰源于其跨层桥梁作用的节点——这是任何单层分析都无法检测到的。
什么是层间边,我总是需要它们吗?
层间边将一个节点在某一层中的副本与其在另一层中的副本连接起来,编码了这两层是如何耦合的。在复数网络中,它们通常将每个节点与其在各层中的副本连接起来(对角线耦合)。它们必须被定义;省略它们会将各层分割成独立图,并破坏多层框架的目的。
参与系数告诉我什么?
节点的参与系数衡量其连接在各层上的分布均匀程度。接近 1 的值表示节点在许多层上大致相等地活跃;接近 0 的值表示其连接集中在单个层上。高参与度的节点是复数通才;低参与度的节点是特定层的专家。
我应该在什么时候回退到单层中心性分析?
当节点少于 20 个时,或者当数据不包含具有实质性层间耦合的真正不同的关系类型时。在这些情况下,多层框架的开销不值得,并且在单个合并图上进行标准中心性分析更可靠。