多层网络分析
- 提出者
- Kivela, M.; Boccaletti, S. et al.
- 年份
- 2014
- 类型
- Structural network model
- 类别
- Network science
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?
多层网络分析研究的是同一组节点通过多种不同类型的关系连接起来的系统,每种关系类型都表示为一个单独的网络层。通过同时分析各层而不是孤立地分析,它揭示了不同关系类型如何在相同的参与者或实体之间相互作用、相互加强或相互补偿。
方法背后的直觉
设想同一组研究人员同时通过三个不同的网络连接:合作论文、引用和会议出席。标准的单层分析迫使您选择一个网络或将所有三个网络合并为一个单一图,从而丢失信息。多层分析则保持所有三个层完好无损并一起研究它们。节点在一个层中可能处于中心地位,而在另一个层中处于边缘地位,而层之间的相互作用——一个层中的强连接是否预测或补偿了另一个层中的弱连接——正是多层方法旨在捕捉的。
历史学
多层和多层网络的正式理论框架出现在两篇里程碑式的 2014 年综述中——Kivela 等人在《复杂网络期刊》和 Boccaletti 等人在《物理学报告》——它们在共同的数学形式主义下统一了先前分散的工作。在此之前的实证研究在没有统一框架的情况下并行分析了多种关系类型。自 2014 年以来,多层方法已应用于交通系统、在线社交平台、神经科学连接组和引用网络,专用软件(MuxViz、multinet、pymnet)巩固了工具集。
何时使用
当同一节点通过多种性质不同的关系连接,并且将这些关系合并为单层会模糊重要差异时,应使用多层网络分析,例如同时研究通过合作论文、引用和电子邮件连接的科学家。当理论预测不同关系类型会相互加强或补偿时,它尤其强大。当只有一种关系类型可用时,当节点集在不同关系类型之间存在显著差异时(改用二部网络或多层网络分析),或当样本量太小而无法可靠估计层特定指标时,则不应使用。
局限与注意事项
- 数据收集负担高,因为必须独立收集每层的完整边列表。
- 计算成本随层数和节点数而增加;大型多层网络需要大量内存。
- 当结合许多具有不同密度和结构的层时,解释会变得复杂。
- 标准的单层网络软件必须被替换或扩展;支持多层的软件包(MuxViz、multinet)不太成熟。
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
- 保留关系类型的定性差异,而不是强制进行人为聚合。
- 多层中心性得分比任何单层指标更能丰富地描绘节点重要性。
- 层比较统计揭示了哪些关系类型是冗余的,哪些是互补的。
- 跨层的社区检测可产生更稳定、理论上更有意义的群体。
- 适用于多种实证环境:社会、生物、交通和信息网络。
应用
- 社会科学:同时分析同一组织内的友谊、建议和信任关系。
- 文献计量学:合作论文、共同引用和关键词共同出现作为同一研究者集合上的并行层。
- 交通:道路、铁路和航空网络共享相同的城市节点一起研究。
- 神经科学:同一组大脑区域上的不同频带功能连接层。
- 在线平台:关注、转推和提及作为同一用户集合上的不同层。
使用方式
使用方式
每种不同的关系类型都编码为一个单独的邻接矩阵或边列表,形成多层网络的其中一层。所有层共享相同的节点集——相同的参与者、实体或单元——但每层中的边代表不同类型的联系,例如友谊与职业合作与信息交流。
定义层间边或耦合权重来表示每个节点如何与其在各层中的对应节点连接。在最简单的情况下,每个节点都以单位权重(分类耦合)连接到其在其他所有层中的对应节点。更复杂的耦合可以编码转换概率或层之间的相似性。
多层中心性度量将标准的单层指标——度、中介度、特征向量、PageRank——扩展到整个层堆栈。示例包括通用性得分(将PageRank泛化到各层)和重叠度(计算节点参与的不同层数)。这些得分同时捕捉了节点在所有关系类型中的整体重要性。
通过诸如边重叠(在多个层中连接的节点对的比例)、层相关性和层间互信息等度量来比较各层的结构。高重叠表明关系类型冗余;低重叠则指向互补或独立的渠道。
社区检测算法通过一次性优化所有层上的广义模块度函数或使用张量分解来扩展到多层设置。在多层数据中发现的社区比从任何单层中提取的社区更稳健,因为它们必须跨多种关系类型保持一致。
常见陷阱
- 将所有层视为同等重要,而不检查某些层是否接近空或冗余。
- 忽略缺失数据的不对称性——一个节点在一层中存在而在另一层中不存在通常会被错误处理。
- 在不考虑层密度或大小差异的情况下比较各层的中心性得分。
- 在分析之前通过对边权重求和来合并层,这会破坏该方法旨在利用的多层结构。
- 混淆多层网络(相同节点,不同边类型)与多层网络或二部网络(每层节点集不同)。
常见问题
多层网络与多层网络有什么区别?
在多层网络中,每一层包含完全相同的节点集;只有边的类型不同。多层网络更通用,允许每层有不同的节点集。多层网络是多层网络的特例。
我能将所有层合并为一个加权图吗?
可以,但您会丢失关键信息:一对节点在五个不同的层中连接起来,看起来与在单个层中连接五次的节点对相同。多层分析专门用于保留和利用层类型之间的区别。
我需要多少层才能进行有意义的多层分析?
形式上,两层足以称为多层网络,但该方法在三个或更多不同的、具有实质意义的关系类型时价值最大。在包含之前,应仔细检查非常稀疏的层或边重叠接近零的层。
哪些软件包支持多层网络分析?
MuxViz (R/Python)、multinet (R) 和 pymnet (Python) 是主要的专用库。NetworkX (Python) 和 igraph (R/Python) 可以通过自定义编码处理多层数据,但缺乏原生的多层指标。
多层网络中的社区检测有何不同?
在多层设置中,社区检测同时优化跨所有层的贡献的广义模块度,或使用张量分解方法。结果是一个在所有关系类型上保持一致的单一分区,这与为每层单独运行检测不同。
相关方法
参考文献
Kivela, M., Arenas, A., Barthelemy, M., Gleeson, J. P., Moreno, Y., & Porter, M. A. (2014). Multilayer networks. Journal of Complex Networks, 2(3), 203–271.
打开 DOI 文献已复制。Boccaletti, S., Bianconi, G., Criado, R., del Genio, C. I., Gomez-Gardenes, J., Romance, M., Sendina-Nadal, I., Wang, Z., & Zanin, M. (2014). The structure and dynamics of multilayer networks. Physics Reports, 544(1), 1–122.
打开 DOI 文献已复制。