Machine learningNetwork science

Bayesian Two-Mode (Bipartite) Network Analysis

Egy standard kéttípusú hálózat rögzíti, hogy mely szereplők mely eseményeken vettek részt. A klasszikus elemzés a megfigyelt kapcsolatokat rögzített tényekként kezeli. A Bayes-féle változat ehelyett azt kérdezi: a megfigyelt minta alapján mi a valószínűségi eloszlás a lehetséges mögöttes kapcsolati tendenciák felett? Az előzetes eloszlások (priors) előzetes tudást kódolnak arról, hogyan viszonyulnak tipikusan a szereplők és az események, és a megfigyelt adatok Bayes-tételén keresztül frissítik ezeket a hiteket. Az eredmény nem csupán egyetlen hálózati metrika, hanem az egyes metrikák feletti utólagos eloszlás (posterior distribution), amely feltárja, mely következtetések robusztusak, és melyek bizonytalanok a korlátozott adatok alapján.

Megnyitás itt: MethodMindHamarosanVideóHamarosanDownload slides

A teljes módszer elolvasása

Csak tagoknak

Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.

Bejelentkezés

Method map

The neighbourhood of related methods — select a node to explore.

Források

  1. Borgatti, S. P., & Everett, M. G. (1997). Network analysis of 2-mode data. Social Networks, 19(3), 243–269. DOI: 10.1016/S0378-8733(96)00301-2
  2. Latouche, P., Birmele, E., & Ambroise, C. (2011). Overlapping stochastic block models with application to the French political blogosphere. Annals of Applied Statistics, 5(1), 309–336. DOI: 10.1214/10-AOAS382

Hogyan hivatkozzon erre az oldalra

ScholarGate. (2026, June 3). Bayesian Two-Mode (Bipartite) Network Analysis. ScholarGate. https://scholargate.app/hu/network-analysis/bayesian-two-mode-network-analysis

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side
ScholarGateBayesian Two-Mode Network Analysis (Bayesian Two-Mode (Bipartite) Network Analysis). Letöltve 2026-06-15, forrás: https://scholargate.app/hu/network-analysis/bayesian-two-mode-network-analysis · Adatkészlet: https://doi.org/10.5281/zenodo.20539026