Skip to content
返回搜索结果

双模网络分析

提出者
Breiger, R. L.
年份
1974
类型
Bipartite graph analysis
类别
Network science

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?

双模网络分析研究由两种不同类型的节点构成的网络——例如行动者与事件、作者与论文、或公司与董事会成员——它们仅在跨类型之间连接。通过直接分析这种二分结构或将其投影到单模网络,研究者可以揭示标准单模社会网络分析中不可见的隶属关系模式、共同成员资格以及结构对偶性。

方法背后的直觉

大多数社会网络涉及两种实体:人以及他们所属的群体、事件或人造物。将它们视为单一节点集会强制建立虚假连接,例如,两个从未合作但都发表在同一期刊上的作者之间。双模分析将两类节点集分开,尊重其真实的对偶性。社会学家 Ronald Breiger 于 1974 年正式化了这一见解:成员资格关系同时定义了人与人之间的共同隶属关系和群体与群体之间的共同成员资格,这是同一数据的两种互补视角。

历史学

Ronald Breiger 于 1974 年发表的论文《人的对偶性与群体的对偶性》(The Duality of Persons and Groups)通过展示行动者共同成员资格和群体共同成员资格是单一隶属结构的两种互补视角,为双模网络分析奠定了理论基础。Borgatti 和 Everett 在他们 1997 年发表于《Social Networks》的论文中正式化了分析工具包,将中心度和凝聚力度量扩展到二分图。该方法在公司董事会关联、科学合作和在线社区参与等研究中获得了广泛的实证应用,并且现在已在 UCINET、igraph 和 NetworkX 等软件包中例行实现。

何时使用

当您的数据自然记录了两种不同类型实体之间的隶属关系时,请使用双模网络分析:作者与出版物、患者与诊断、董事与公司董事会、或词语与文档。当您想了解共同群体的成员资格如何影响行动者相似性,或行动者如何影响群体重叠时,这是合适的框架。不要在未承认投影失真的情况下,将双模数据强行纳入单模框架。当两类节点集在概念上不明确、关联矩阵极其稀疏(大多数行动者仅隶属于一个事件)、或研究问题涉及非通过共同成员资格介导的行动者之间关系时,应避免使用。

局限与注意事项

  • 单模投影引入了边膨胀:大型、受欢迎的事件会在其所有成员之间创建派系,扭曲密度和中心度。
  • 许多标准的 SNA 软件例程假定输入为单模,需要对二分数据进行改编或变通。
  • 解释同时的行动者和事件社区需要领域知识来标记和验证检测到的群体。
  • 稀疏关联矩阵(行动者隶属于很少的事件)会产生碎片化的投影,分析杠杆作用有限。

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

  • 保留了行动者和群体的真实对偶性,而没有将结构折叠成有损的单模投影。
  • 揭示了在单模分析中不可见的结构位置——例如,在其他方面分离的群体之间的中介者。
  • 直接适用于普遍存在的隶属关系数据:作者身份、董事会关联、事件共同出席、标签共同出现。
  • 二分原生度量(例如,二分聚类系数)避免了投影的密度膨胀失真。
  • 理论基础是 Breiger 的对偶性原理,它提供了清晰的解释指导。
  • 与加权和有向扩展兼容,适用于更丰富的隶属关系数据。

应用

  • 科学合著者网络,源自作者-论文关联矩阵。
  • 公司治理研究:董事-董事会关联网络。
  • 政治隶属研究:立法者-委员会或政治家-捐助者网络。
  • 在线社区:用户-论坛或用户-标签参与网络。
  • 文献计量分析:关键词-文档或期刊-文章隶属矩阵。
  • 公共卫生:患者-诊断或接触者-地点暴露网络。

使用方式

使用方式

1

原始数据编码为一个大小为(行动者 × 事件/群体)的二元或加权关联矩阵 B,其中当一个行动者属于相应的事件或群体时,条目等于一(或其权重)。在两个行动者或两个事件之间不绘制边;所有连接都跨越类型边界,产生一个二分图。

2

为了应用标准的 SNA 度量,二分图被投影到一个或两个节点集上。将 B 乘以其转置会得到一个行动者-行动者共同隶属矩阵,其条目 A_{ij} 计算了行动者 i 和 j 共享多少个群体。类似的投影会得到一个群体-群体重叠矩阵。这些单模投影使得熟悉的中心度和聚类计算成为可能。

公式
A_{ij} = \sum_{k} B_{ik} B_{jk}
3

度中心度、中介中心度和紧密度中心度可以直接在二分图上(使用为二分拓扑改编的算法)或在投影的单模图上计算。二分原生中心度度量避免了投影引入的失真,例如大型事件中人为膨胀的密度。

4

为二分图改编的社区检测算法——例如二分模块度最大化——可以同时识别行动者和事件的内聚子集。或者,也可以将 Louvain 等经典算法应用于投影的单模网络,尽管会丢失一些结构信息。

5

将观察到的二分网络与零模型进行比较——通常是保留两类节点集度序列的配置模型——以确定检测到的社区、中心度排名或聚类模式是否超出偶然性。可以通过排列检验或解析近似来评估统计显著性。

常见陷阱

  • 将数据投影到单模然后应用标准 SNA,而不披露或纠正投影失真。
  • 将共同隶属计数视为衡量连接强度(tie strength)的直接度量,而未对事件大小进行归一化(优选 Jaccard 或余弦归一化)。
  • 在有隶属频率或强度数据可用时,使用未加权的投影,从而丢弃有意义的变化。
  • 将为单模网络设计的模块度算法应用于二分图,而未使用适合二分图的版本。
  • 忽略零模型:报告观察到的聚类或中心度,而不与保留度序列的随机基线进行比较。

常见问题

我应该直接分析二分图还是先进行投影?

直接二分分析保留了更多的结构信息,并避免了投影失真。单模投影便于应用熟悉的 SNA 工具,但会膨胀密度,并可能在大型事件的成员之间产生虚假的派系。在可行的情况下,使用二分原生算法,并仅将投影结果作为补充检查报告。

如何处理投影中的事件大小异质性?

大型事件会在其所有成员之间产生边,人为地增加了共同隶属计数。在计算中心度之前,使用 Jaccard 指数(共享隶属关系除以并集)或余弦相似度对投影矩阵进行归一化,以纠正事件受欢迎程度的差异。

哪些软件支持双模网络分析?

igraph (R 和 Python)、NetworkX (Python)、UCINET 和 Gephi 都支持二分图。igraph 的 bipartite.projection() 函数和 NetworkX 的 bipartite 模块原生支持投影和二分特定度量。

我能否将社区检测应用于双模网络?

可以,但请使用为二分图设计的算法,例如 Barber 的二分模块度,而不是标准的 Louvain 或 Girvan-Newman,它们假定为单模结构。二分社区检测可以同时为行动者和事件集分配共同社区成员资格。

双模分析是否适用于非常小的数据集?

当行动者或事件少于大约 20 个时,中心度排名和社区划分对单个数据点变得高度敏感。在小规模情况下,基于排列的显著性检验尤其重要,并且应谨慎解释结果。

相关方法

参考文献

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

    打开 DOI 文献
    已复制。
  2. Borgatti, S. P., & Everett, M. G. (1997). Network analysis of 2-mode data. Social Networks, 19(3), 243–269.

    打开 DOI 文献
    已复制。