R を準備しています…
機械学習の基礎(東京女子大学 2026年度後期)
第5回 ネットワーク分析
管理

第5回 ネットワーク分析

このページの使い方

  1. 画面上部の帯が緑になるまで待つ(Rの準備。初回は数十秒かかる)。
  2. Ⅰでネットワーク分析のしくみを読み、黒い枠のRプログラムを「▶ 実行」で動かす。Ⅰのプログラムは上から順に実行する(前で作った クラス を後で使うため)。
  3. Ⅲの例題を、ステップの順に実行する。
  4. Ⅳで、生成AIに自分のテーマのデータとプログラムを作らせて分析する。
  5. 最後の「課題用プログラム」で、データ作成 → プログラム → 実行 → 考察 を行い、レポートにまとめる。

黒い枠のプログラムは自由に書き換えてよい。「元のコードに戻す」で元に戻る。

今日の目標

  1. ネットワークを「ノード(点)」と「エッジ(線)」で表し、エッジリストと隣接行列の2通りで書ける。隣接行列の掛け算で「n 回でどこまで届くか」を計算できる。
  2. 次数・媒介中心性・近接中心性の違いを説明し、「誰が中心か」は指標によって変わることを、人間関係の具体例で説明できる。
  3. コミュニティ検出(グループ分け)が、なぜグループを見つけられるのかを、モジュラリティと「引っ越しゲーム」で説明できる。
  4. Rの igraph で、実際のデータ(空手クラブ、アンケートの言葉、SNS)を分析し、結果を読み取れる。
  5. 生成AIに作らせた自分のデータで同じ分析を行い、結果が妥当かを確かめられる。

Ⅰ ネットワーク分析のしくみ

ステップ1ネットワークとは「点」と「線」でつながりを表したもの

人と人の友人関係、駅と駅を結ぶ路線、Webページのリンク、一緒に使われる言葉――世の中の多くのものは「何と何がつながっているか」で表せる。 これを点と線で描いたものをネットワーク(グラフ)という。ネットワーク分析は、つながり方から「誰が中心か」「どんなグループがあるか」を見つける手法である。

クラスの友人関係のネットワーク
図1 クラスの11人の友人関係
用語意味図1では
ノード(頂点)つながりの主体11人の生徒
エッジ(辺・リンク)2つのノードのつながり友人関係(15本)
隣接しているエッジで直接つながっているあおい と ゆい
ステップ2ネットワークの種類
無向ネットワークと有向ネットワーク
図2 向きのないネットワークと、向きのあるネットワーク
種類意味例
無向ネットワークつながりに向きがない友人関係、共同研究、一緒に使われる言葉
有向ネットワークつながりに向きがある(矢印で描く)SNSのフォロー、メールの送信、Webページのリンク
重み付きネットワークつながりに強さ(数値)がある(線の太さで描く)会話の回数、路線の本数、一緒に出てきた回数

今回は主に無向ネットワークを扱い、例題3で有向ネットワークを扱う。

ステップ3データの表し方①:エッジリスト

つながっている2つを1行に書いた表をエッジリストという。データを集めるときは、この形がいちばん書きやすい。

行人1人2
1あおいゆい
2あおいさくら
3ゆいさくら
…(全15行)

Rでエッジリストからネットワークを作って描いてみよう。

ネットワークの図の配置(どこに点を置くか)には決まりがない。set.seed() の数を変えると配置が変わるが、つながり方は同じである。

ステップ4データの表し方②:隣接行列

全員を縦と横に並べ、つながっていれば1、いなければ0を書いた表を隣接行列という。コンピュータで計算するときに使う形である。

あおいゆいさくらひな…
あおい0110…
ゆい1011…
さくら1101…
ひな0110…

無向ネットワークの隣接行列は、左上から右下への対角線について対称になる(あおい→ゆい が1なら、ゆい→あおい も1)。

ステップ5隣接行列の掛け算で「n か月後にどこまで広がるか」を調べる

隣接行列は、ただの表ではない。掛け算をすると「つながりをたどった先」が計算できる。ここでは感染症の広がりを、次のように単純化して考える。

ある都市で感染が起きると、1か月後には、交通でつながっている隣の都市にうつる。一度感染した都市は、感染したままとする。

5-1 行列×ベクトルで「隣の感染数」を数える

都市ごとに、感染していれば1、していなければ0を並べたものを感染ベクトルとよぶ。隣接行列に感染ベクトルを掛けると、各都市について「隣の都市のうち、感染している都市の数」が出てくる。

隣接行列と感染ベクトルの掛け算
図7 4都市の例。A市だけが感染しているとき、1か月後には B市 も感染する。
計算意味
感染ベクトル x今月、感染している都市が1、していない都市が0
隣接行列 × 感染ベクトル(A %*% x)都市ごとの「感染している隣の都市の数」。行列の各行で、感染している都市の列の1を足したもの
来月の感染ベクトル「今感染している」か「感染している隣が1つ以上ある」なら1

5-2 やってみよう:感染の広がりシミュレーション

  1. 地図の都市をクリックして、最初に感染する都市を選ぶ。
  2. 「▶ 1か月進める」を押す。押すたびに1か月が経ち、感染した都市が増える。
  3. 右の表で、色のついた列(今感染している都市)の1を横に足すと「隣の感染数」になることを確かめる。
最初の都市:(地図の都市をクリック)
地図の都市をクリックすると、その都市で感染が始まる。

交通網は授業用に単純化した架空のものである。実際の感染症では、人の移動の量、うつる確率、回復なども関わる。

5-3 Rで同じ計算をする

読み取り方:那覇から始めると、福岡 → 広島 → 神戸 … と1都市ずつ北へ進み、8か月で全国に広がる。シミュレーションで那覇を選んだ結果と同じになるか確かめよう。

5-4 掛け算をくり返すと何がわかるか

隣接行列を2回掛けた A %*% A(A²)の (i, j) の値は、「都市 i から都市 j へ、線をちょうど2本たどる道すじの数」になる。n 回掛ければ「n 本たどる道すじの数」である。 また、1か月ごとに「今の都市にとどまる」か「隣へ進む」かを選べると考えると、(単位行列 + A) を n 回掛けて0より大きい都市が、n か月以内に届く都市になる。

言いかえ同じこと
n か月後に感染している最初の都市から、線を n 本以内でたどれる
全国に広がるまでの月数最初の都市から、いちばん遠い都市までの距離(ステップ7)
各都市が感染した月の合計最初の都市から、全都市までの距離の合計(ステップ9の近接中心性の分母)

5-5 どの都市から始まると、早く全国に広がるか

読み取り方:「全国に届く月数」が最も短いのは大阪(4か月)である。一方、「感染した月の合計」が最も小さい(=近接中心性が最も高い)のは京都(29)である。 大阪は「いちばん遠い都市までが近い」、京都は「平均すると全都市に近い」。「早く広がる」の意味によって、答えの都市が変わる。シミュレーションで大阪と京都を選んで確かめよう。

ステップ6「誰が中心か」を測る①:次数

そのノードにつながっているエッジの数を次数という。友人関係なら「友人の数」である。いちばん分かりやすい中心性の指標である。

次数を書き込んだネットワーク
図3 次数(丸の大きさと赤い数字)。ゆい と なな が最も多い4人とつながっている。
隣接行列の各行の合計が、そのまま次数になる(ステップ4の rowSums の結果と同じ)。
ステップ7距離と最短経路

2人の間をたどるのに必要なエッジの最少本数を距離、そのときの道筋を最短経路という。

あおいからさきへの最短経路
図4 あおい から さき への最短経路

読み取り方:左のグループと右のグループの間を行き来するには、必ず ひな → はるか → りこ を通る。この3人がいないと、2つのグループは切れてしまう。

ステップ8「誰が中心か」を測る②:媒介中心性

すべての2人の組について最短経路を調べ、その人を通る最短経路がいくつあるかを数えたものを媒介中心性という。グループとグループの「橋渡し役」ほど大きくなる。

媒介中心性を書き込んだネットワーク
図5 媒介中心性(Rで計算した値)。友人が2人しかいない はるか が最も大きい。
はるか を通る最短経路の数え方数
左側の5人(あおい・ゆい・さくら・ひな・めい)と、右側の5人(りこ・かな・なな・みお・さき)の組5 × 5 = 25
その他の組(左同士・右同士)0(はるか を通らない)

最短経路が2通り以上ある組は、通る割合(2通りなら0.5ずつ)で数える。そのため 12.5 のような小数になることがある。

ステップ9「誰が中心か」を測る③:近接中心性と、3つの比較

近接中心性は「ほかの全員までの距離の合計」の逆数である。全員に近い(少ない手数で届く)ほど大きい。情報を早く全体に広められる人を表す。

指標考え方1位こんな問いに使う
次数直接のつながりの数ゆい・なな(4)顔が広いのは誰か
媒介中心性最短経路の通り道になる回数はるか(25)グループの橋渡し役は誰か。いなくなると困るのは誰か
近接中心性全員への近さはるか(0.045)情報を早く全体に伝えられるのは誰か
「中心人物」は一つに決まらない。どの指標で測るかによって、答えが変わる。はるか は友人が2人しかいないが、橋渡し役としては最も重要である。

ただし、このクラスでは媒介中心性と近接中心性の1位がどちらも はるか になった。2つの違いは、次のステップ10で別の例を使って確かめる。

ステップ10【重要】媒介中心性と近接中心性は、何がちがうのか
近接中心性
全員に近い人

ほかの全員まで、少ない手数で届く。
→ 速さ:知らせを早く全体に広められる。

媒介中心性
通り道をおさえている人

ほかの人どうしの最短経路が、この人を通る。
→ つなぎ・関所:いなくなるとネットワークが分かれる。

町の真ん中の広場と川の橋のたとえ
図8 たとえ:近接中心性は「町の真ん中の広場」、媒介中心性は「川にかかる一本の橋」

広場はどの家からも近いが、広場がなくても別の道を回れば家どうしは行き来できる。橋は町のはしにあって遠い家もあるが、橋がなくなると川の向こうへ行けなくなる。「近い」と「通り道」は別のことである。

10-1 3人の「中心人物」がいる10人の例

ステップ9のクラスは「2つのグループが1本の道でつながる」形だったので、はるか が両方の1位になった。 ここでは、ネットワーク分析の教科書でよく使われる10人の例(クラックハートの凧)で、3つの指標のちがいを見る。

10人の友人関係と、それぞれの役割
図9 10人の友人関係。指標によって「中心」が別の人になる。
人次数媒介中心性距離の合計(小さいほど近接中心性が高い)役割
だいき6(1位)3.7(5位)15(3位)顔が広い。友人は多いが、その友人どうしも知り合いなので、通り道にはなりにくい
ふみか・げんき5(2位)8.3(2位)14(1位)全員に近い。左の6人にも、右の3人にもすぐ届く位置にいる
ひろと3(6位)14(1位)15(3位)橋渡し。左の7人と、いつき・じゅん をつなぐ唯一の人
いつき2(9位)8.0(4位)21(9位)門番。全員からは遠いが、じゅん にとっては唯一の窓口
じゅん1(10位)029(10位)はしにいる人
いつき に注目しよう。友人は2人、近接中心性は下から2番目である。それでも媒介中心性は4位である。「全員から遠い」ことと「通り道をおさえている」ことは両立する。

10-2 近接中心性を体感する:連絡を回すと何手で全員に届くか

ふみかから連絡を回す場合と、じゅんから連絡を回す場合
図10 同じ連絡でも、誰から回し始めるかで届く速さが変わる

ふみか から回すと3手で全員に届き、距離の合計は14である。じゅん から回すと4手かかり、合計は29になる。近接中心性は「1 ÷ 距離の合計」なので、ふみか(1÷14)は じゅん(1÷29)の約2倍になる。 ステップ5のシミュレーションで「最初の都市」を選んだのと同じことを、人について行っている。

10-3 媒介中心性を体感する:その人がいなくなるとどうなるか

ひろとがいない場合と、だいきがいない場合
図11 「いなくなると困る人」は、友人の数だけでは分からない

友人が6人いる だいき がいなくなっても、残りの9人はほかの道でつながったままである。友人が3人しかいない ひろと がいなくなると、いつき と じゅん は全員から切り離される。これが媒介中心性の高さの意味である。

10-4 Rで確かめる

読み取り方:表の右の3列(順位)を横に見ると、1位がすべて別の人になっている(次数:だいき、媒介:ひろと、近接:ふみか・げんき)。3つの図で、大きく描かれる人が変わることも確かめよう。

読み取り方:だいき や ふみか がいなくても、まとまりは1つのままである。ひろと や いつき がいないと、まとまりが2つに分かれる。一方、連絡を回す速さでは ふみか が最も速い(3手、合計14)。

10-5 実生活では、どちらが大事になるか(人間関係の例)

近接中心性が大事になる場面
知りたいこと:「速く・広く届けるには、誰から始めるか」
媒介中心性が大事になる場面
知りたいこと:「グループをつないでいるのは誰か。いなくなると困るのは誰か」
急な連絡を全員に回す
休講や集合時間の変更をクラス全員に早く伝えたい。最初に伝える相手は、近接中心性の高い人がよい。はしにいる人に伝えると、全員に届くまで時間がかかる。
2つのグループのつなぎ役
サークルと他大学の友人、アルバイト先の昼の班と夜の班など。つなぎ役が1人しかいないと、その人が卒業・退職したとたんに、グループの間の連絡が途絶える。
口コミで告知を広める
文化祭や新歓の告知を、少ない人数に頼んで全体に広めたい。近接中心性の高い人に頼むと、少ない手数で全員に届く。
人を紹介してもらう
別の研究室の先輩や、就職したい会社の卒業生と知り合いたい。2つの世界の両方に知り合いがいる「橋渡し役」に頼むのが近道である。
新しく入ったグループになじむ
転校生や新入部員が、早く全体と顔見知りになりたい。近接中心性の高い人と仲良くなると、全員と2〜3手でつながる。
情報の関所
橋渡し役のところで情報が止まったり、伝言がゆがんだりする。逆に、うわさの広がりを止めたいときは、この人のところで止めると効果が大きい。
かぜやうわさが一気に広がる
悪い面もある。近接中心性の高い人から始まったかぜやうわさは、全体に早く広がる(ステップ5の京都・大阪)。
孤立しがちな人を支える
グループのはしにいる人にとって、唯一の窓口になっている人(凧の例の いつき)。全体から見ると目立たないが、いなくなると、はしの人は誰ともつながらなくなる。
使い分けの目安:「全体に早く広めたい」「全員に近い人を探したい」なら近接中心性を見る。「グループをつないでいる人」「いなくなると分断が起きる人」を探したいなら媒介中心性を見る。友人の多さ(次数)だけで「中心人物」を決めると、どちらも見落とすことがある。
ステップ11グループを見つける:コミュニティ検出

ネットワークの中で、内側のつながりが多く、外側とのつながりが少ないまとまりをコミュニティという。これを自動で見つけるのがコミュニティ検出である。

図1を見れば、人間はすぐに「左の仲良しと右の仲良し」と分かる。では、図を見ることができないコンピュータは、どうやってグループを見つけるのか。考え方は次の3段階である。

  1. 点数を決める:「よい分け方」ほど高くなる点数(モジュラリティ)を決める。
  2. 少しずつ直す:1人ずつ、点数が上がるグループへ引っ越させる。
  3. 直せなくなったら終わり:誰も引っ越さなくなった状態が、見つかったグループである。

11-1 よい分け方とは:グループをまたぐ線が少ない分け方

3通りの分け方
図12 クラスの11人を3通りに分けてみる

(b) のでたらめな分け方では、15本のうち10本がグループをまたいでいる。(c) の見た目どおりの分け方では、またぐ線は1本だけである。内側の線が多く、またぐ線が少ないほど、よい分け方と言えそうである。

ところが、(a)「全員を1つのグループ」にすると、またぐ線は0本、内側の線は100%になる。これでは「グループを見つけた」ことにならない。内側の線の割合だけでは、点数として足りない。

11-2 「偶然でもそのくらいはある」分を引く

そこで、「でたらめに線をつないだとしても、内側に来るはずの割合」を考え、それを引く。たとえば、テストで「4択問題で25点」は、でたらめに答えても取れる点数なので、実力とは言えない。それと同じ考え方である。

手(線の端)のくじ引き
図13 線の端を「手」と考え、でたらめに手をつなぎ直したら、どのくらい内側に来るかを考える

1本の線には端が2つある。それぞれの人は「友人の数」だけ手を持っていると考える。クラス全体では 15本×2=30本の手がある。 (c) の分け方では、左の6人の手は合わせて15本、右の5人も15本である。30本の手を袋に入れて、でたらめに2本ずつ取り出してつなぐと、「左の手どうし」になる割合は 15/30×15/30=0.25、「右の手どうし」も0.25である。 つまり、でたらめにつないでも、半分(0.5)の線は内側に来る。

モジュラリティ = 実際に内側にある線の割合 − でたらめでも内側に来るはずの割合
「でたらめの場合より、どれだけ多く内側にまとまっているか」を表す。0なら偶然と同じ、大きいほどはっきりしたグループである(目安:0.3以上)。
4通りの分け方のモジュラリティ
図14 4通りの分け方の点数。(a)「全員1つ」は0点になる。
分け方実際に内側にある割合でたらめでも内側に来る割合モジュラリティ評価
(a) 全員1つ1.0001.0000偶然と同じ。グループを見つけていない
(b) でたらめ0.3330.502−0.169偶然よりも悪い
(c) 左右2つ0.9330.5000.433最もよい
(d) 3つ(はるか・りこを別)0.8000.3760.424(c) よりわずかに低い

「友人の多い人の手ほど引かれやすい」ので、人気者が集まったグループは、でたらめでも内側の線が多くなる。モジュラリティはその分も差し引いて評価する。

11-3 すべての分け方を試せばよいのでは?

点数が決まれば、すべての分け方の点数を計算して、いちばん高いものを選べばよい。しかし分け方の数はとても多い。

人数分け方の数
4人15通り
11人(このクラス)678,570通り
34人(例題1の空手クラブ)約 2.1×1028 通り(1秒に1億通り調べても、宇宙の年齢の約500倍の時間がかかる)

そこで、すべてを調べる代わりに「少しずつ点数を上げていく」方法を使う。その代表がルーバン法である。

11-4 ルーバン法①:1人ずつの「引っ越しゲーム」

ルーバン法の1段目は、次のような「引っ越しゲーム」である。

  1. はじめは、全員が1人ずつ別のグループにいる。
  2. 1人ずつ順番に、「友人のいるグループ」へ引っ越したら点数(モジュラリティ)がどう変わるかを調べる。
  3. 点数がいちばん上がるグループへ引っ越す。どこへ移っても上がらなければ、そのまま動かない。
  4. 全員が1回ずつ調べ終えたら、また最初の人から調べる。一回りしても誰も引っ越さなくなったら終わり。
引っ越しゲームの途中経過
図15 名前の順に引っ越しゲームをしたときの途中経過。色はグループを表す。

下のボタンで、1人ずつ引っ越しを進めてみよう。表には、その人が調べた引っ越し先と、引っ越した後の点数が表示される。

調べる順番:
モジュラリティ  グループの数  
「▶ 次の1人」を押すと、あおい から順に引っ越し先を調べる。

やってみよう:「名前の順」と「はるか・りこ から」で、最後の点数とグループの数を比べよう。

11-5 なぜ最後には、グループが見つかるのか

理由説明
① 必ず終わる引っ越しは「点数が上がるとき」しか起きない。分け方の数は有限なので、点数がいつまでも上がり続けることはない。いつか必ず、誰も引っ越さない状態になる。
② 引っ越し先は「友人の多いグループ」ある人が引っ越して点数が上がるのは、引っ越し先に自分の友人が(偶然に期待されるより)多いときである。だから、人は友人の多いグループへ集まっていく。
③ 止まった状態=グループ終わったときには、誰もが「自分の友人がいちばん多く集まっているグループ」にいる。これは「内側のつながりが多く、外側とのつながりが少ない」というコミュニティの意味そのものである。
たとえるなら、教室で全員がばらばらに座り、「友だちの多い島へ移ってよい」というルールで席替えをくり返すと、最後には自然に仲良しの島ができる。コンピュータは図を「見て」いるのではなく、この席替えを計算でくり返している。

11-6 ルーバン法②:グループをまとめて、もう一度

グループを大きな点にまとめる
図16 1段目でできたグループを1つの点にまとめ、点どうしでまた引っ越しゲームをする

1段目が終わったら、できたグループを1つの大きな点とみなし、グループどうしで引っ越しゲームをする(「グループごと隣のグループに合流したら点数が上がるか」を調べる)。上がらなくなったら終わる。人数が多いネットワークでは、この2段目で、小さなグループがまとまって大きなグループになる。

11-7 注意:いつも「いちばんよい分け方」になるとは限らない

引っ越しゲームは「1人ずつ、そのときに点数が上がる方へ動く」方法なので、調べる順番によって、止まる場所が変わることがある。 このクラスでは、名前の順に調べると (d) の3グループ(0.424)で止まり、はるか・りこ から調べると (c) の2グループ(0.433)になる。 (d) で止まった状態から、はるか が1人で左へ移ると点数は0.380に下がり、りこ が1人で右へ移っても0.424のままで上がらない。2人が同時に左右へ分かれれば0.433になるが、引っ越しは1人ずつなので、その手前で止まってしまう。

Rの cluster_louvain は、調べる順番を乱数で決める。そのため set.seed() の数によって結果が変わる。人数が少なければ、cluster_optimal で全部の分け方を調べて、いちばんよい分け方を求められる。

読み取り方:seed によって、3グループ(0.424)になったり、2グループ(0.433)になったりする。cluster_optimal の答えは2グループ(左6人と右5人)で、点数は0.433である。

11-8 Rでグループを見つけて描く

コミュニティを色分けしたネットワーク
図17 set.seed(1) のルーバン法で見つかった3つのグループ(赤い線はグループをまたぐつながり)

読み取り方:set.seed(1) では、左の5人と右の4人に加え、はるか と りこ が小さなグループになった(モジュラリティ0.424)。2人は左右のどちらにも強く属していない「つなぎ役」である。 ただし11-7で見たように、点数が最も高い分け方は「はるか は左、りこ は右」の2グループである。グループ分けの結果は「唯一の正解」ではないので、点数がほぼ同じ別の分け方がないかも確かめるとよい。

ステップ12ネットワーク全体の特徴を表す指標
指標意味クラスでは
密度考えられるすべての組のうち、実際につながっている割合(11人なら55組)15÷55 ≒ 0.273
平均距離すべての2人の組の距離の平均約2.9人をたどれば届く
直径最も遠い2人の距離6(あおい と さき など)
クラスタ係数「友人の友人どうしも友人である」割合(三角形のでき方)0.5

12-1 形がちがうと、指標はどう変わるか

数字だけでは分かりにくいので、形のちがう6つのネットワークで比べる。

6つの形のネットワーク
図18 6つの形のネットワークと、全体の指標
形指標の特徴こんなネットワークは…身近な例
① 全員が友だち密度・クラスタ係数が1、平均距離・直径が1誰とでも直接話せる、閉じた仲良しグループである。情報はすぐ全員に届く。ただし人数が増えると線の数が急に増え(8人で28本、30人なら435本)、大人数では成り立たない。数人の親友グループ、少人数のゼミ
② 1人を中心に集まる平均距離は短い(1.75)が、クラスタ係数は0中心の1人に頼りきったネットワークである。誰とでも2手で届くが、メンバーどうしは知り合いではない。中心の人がいなくなると全員がばらばらになる。先生と生徒の個別連絡、ハブ空港
③ 一列にならぶ線の数は②と同じ7本、密度も同じ0.25。平均距離は3.0、直径は7伝言ゲーム型である。端から端まで遠く、情報が届くのに時間がかかり、途中でゆがみやすい。密度が同じでも、形によって届きやすさが大きく変わる。伝言ゲーム、バケツリレー
④ 仲良し班が2つクラスタ係数が高い(0.80)内側はまとまっているが、班どうしは細い線1本でつながるネットワークである。班の中の情報はすぐ回るが、班をまたぐ情報は、つなぎ役の2人しだいである(ステップ10の媒介中心性)。クラスの中の仲良しグループ、部署
⑤ 近所づきあいクラスタ係数は高め(0.50)、平均距離は長め(2.89)近くの人とだけ付き合う、地元型のネットワークである。近所どうしはよく知り合っているが、輪の反対側の人には遠い。昔の村、近所づきあい
⑥ ⑤+遠くの知り合い2本線を2本(5%)足しただけで、平均距離が2.89→2.35、直径が5→4。クラスタ係数はほぼそのままスモールワールドである。身近な人とのまとまりを保ったまま、少しの「遠くの知り合い」で全体が急に近くなる。転校した友人、SNSで知り合った人がいる社会
読み方のコツ
・密度:どのくらい線が多いか。ただし②と③のように、密度が同じでも形はまったくちがうことがある。
・平均距離・直径:情報の届きやすさ。小さいほど、早く全体に届く。
・クラスタ係数:「友人の友人も友人」の多さ。大きいほど、仲良しグループがはっきりしている。
・平均距離が小さく、クラスタ係数が大きいネットワークがスモールワールドである。

考えてみよう:このクラス(密度0.273、平均距離2.89、直径6、クラスタ係数0.5)は、①〜⑥のどれに近いか。直径が6と長いのは、図のどこが原因か。

「世界中の人は6人をたどれば知り合いに届く」というスモールワールドの話は、平均距離が人数のわりに小さいことを指している。⑥のように、少しの遠いつながりがあれば、それが起こる。

ステップ13まとめ:問いと指標の対応
知りたいこと使う指標・手法Rの関数
n 回(n か月)でどこまで届くか隣接行列の掛け算A %*% x
顔が広いのは誰か次数degree()
橋渡し役は誰か。いなくなると分断が起きるのは誰か媒介中心性betweenness()
情報を早く広められるのは誰か近接中心性closeness()
(向きのあるネットワークで)影響力が大きいのは誰かページランクpage_rank()
どんなグループがあるかコミュニティ検出cluster_louvain()、cluster_optimal()
何人をたどれば届くか距離・最短経路distances()、shortest_paths()
全体はどれくらい密につながっているか密度・平均距離・クラスタ係数edge_density() など

Ⅱ 例題データ

名前内容使う場所
友人関係クラスの11人の友人関係(エッジリスト、15行)Ⅰ
空手クラブアメリカの大学の空手クラブ34人の交友関係(1970年代にザッカリーが調査した実データ。プログラムの中で読み込む。重み付きの版は igraphdata パッケージ)例題1
アンケート授業の感想16件(自由記述を単語に分けたもの)例題2
フォロー関係SNSの8人のフォロー関係(プログラムの中で作る)例題3

プログラムの中でこれらのデータを書き換えてしまったときは、ページを再読み込みすると元に戻る。

Ⅲ 例題1:空手クラブの分裂を、つながりだけから予測する

1970年代、アメリカのある大学の空手クラブで、師範(1番)と会長(34番)が対立し、クラブは2つに分裂した。 研究者のザッカリーは、分裂の前からメンバーの交友関係を調べていた。交友関係のネットワークだけから、誰がどちらの派に行くかを予測できるだろうか。 このデータは、ネットワーク分析で最もよく使われる例の一つである。まず、何が起きたのかを見てから、Rで予測に挑戦する。

1-A 何が起きたのか:師範と会長の対立

師範と会長の対立
図E1 登場人物。名前はどちらも論文で使われた仮名である。

人類学者のウェイン・ザッカリーは、ある大学の空手クラブを1970年から1972年まで観察した。クラブには、パートタイムで指導する師範(論文では「ミスター・ハイ」という仮名)と、クラブを運営する会長(「ジョン・A」という仮名)がいた。

2人は月謝(レッスン料)をめぐって対立した。争いはやがて「クラブはどうあるべきか」という考え方の争いに広がり、会員は、それまでの友人関係にそって、師範の側と会長の側に分かれていった。

分裂までの流れ
図E2 分裂までの流れ
段階起きたこと
対立師範と会長が月謝をめぐって対立し、考え方の争いに広がる
派閥ができる会員は友人関係にそって2つの派に分かれる。どちらの派も、相手の派の会員を自分の側に引き込もうとした
解任役員会(会長の側)が師範を解任する。師範の支持者は退会する
分裂師範の支持者は新しいクラブをつくり、師範がそこで教える。約半数がこちらに移った。残った人は新しい指導者を探すか、空手をやめた

分裂の前に、両方の派が相手の会員を引き込もうとしていた。そのため、クラブは「友人関係の境目」で割れる可能性が高かった。これが、つながりから分裂を予測できると考えた理由である。

1-B ザッカリーは何を記録したか:8つの場面

ザッカリーは、会員どうしがクラブの練習以外のどこで顔を合わせるかを記録した。調べた場面は次の8つである。

8つの場面
図E3 つながりを記録した8つの場面

2人が一緒にいた場面の数を、つながりの重み(強さ)とした(実際のデータでは1〜7)。Rの make_graph("Zachary") は重みのない版で、重みのある版は igraphdata パッケージの karate に入っている。

データのトリビア内容
34人は全員ではない観察の期間、クラブには50〜100人ほどの会員がいた。データにあるのは、そのうちクラブの外でも付き合いのあった34人である。
線は78本(77本の版もある)論文の記述があいまいな1本(23番と34番)を入れるかどうかで、78本の版と77本の版がある。Rの版は78本である。
番号の意味1番が師範、34番が会長である。ほかの番号は、名前を伏せるために付けたものである。

1-C ザッカリーの予測方法:情報を「水」、つながりを「水道管」と考える

水道管のたとえ
図E4 最大流・最小カットの考え方

ザッカリーは、うわさや意見などの情報が、つながりを通って流れると考えた。つながりを「水道管」、重みを「管の太さ」とみなす。師範(1番)から水を流し込み、会長(34番)から出ていくようにすると、流せる水の量には限りがある。水は、ネットワークの中でいちばん細い部分で詰まる。

その「いちばん細い部分」の管を切ると、ネットワークは師範の側と会長の側に分かれる。これを最小カットという。2つの派の間のつながりが細いほど、そこで割れやすい、という考え方である。 「流せる水の最大量」と「切った管の太さの合計の最小値」が必ず等しくなることは、最大流・最小カット定理として知られている。

ステップ1-1ネットワークを描く

見るところ:師範(1)と会長(34)のまわりに、それぞれ人が集まっているように見えるか。

実際の2つの派
図E5 答え合わせ用:ザッカリーが記録した2つの派。図の配置はRの図とは異なる。
ステップ1-2中心人物を探す

読み取り方:次数では会長(34)が1位、媒介中心性では師範(1)が1位である。どちらの指標でも、対立した2人が上位2人を占めた。データには「誰が師範か」という情報は入っていないのに、つながり方だけで2人が浮かび上がる。

ステップ1-3ザッカリーの方法を再現する:重み付きの最小カット

重み(一緒にいた場面の数)を管の太さとして、師範から会長への最小カットを求める。igraphdata パッケージを読み込むので、初回は少し時間がかかる。

読み取り方:師範の側に分かれた16人は、ザッカリーが記録した師範派の16人と完全に一致する(34人中34人)。切った管の太さの合計は22で、これが2つの派の間を流れられる情報の量の上限である。1977年の論文の予測を、Rの数行で再現できた。

ステップ1-4重みを使わずに、グループ分けの方法で予測する

次に、重みを使わずに予測する。ここでは 貪欲法(cluster_fast_greedy:モジュラリティが最も増える2つのグループを順にまとめていく方法)でまとまりを作り、最後に2つのグループに切り分ける。

読み取り方:34人中33人の派閥を当てた。外れたのは10番の1人だけである。重みがなくても、つながりの形だけでほぼ当てられる。

ステップ1-5実際と予測を図で比べる

考えてみよう:外れた10番は、どちらの派の人ともつながっている(図で確かめよう)。つながりだけでは決めにくい人を、実際には何が決めたのだろうか。次のステップで調べる。

ステップ1-69番さんと10番さんの話

この例題には、有名な「例外」が2人いる。

10番さん:友人が2人だけで、両派に1人ずつ

10番の友人関係
図E6 10番の友人は3番(師範派)と34番(会長本人)だけ

10番の友人は2人だけで、師範派の3番と、会長本人の34番である。線の「数」は1対1の引き分けなので、重みのないデータでは、どちらの派か決めにくい。 重みを見ると、3番とのつながりは1、34番とのつながりは2で、会長とのつながりのほうが強い。ステップ1-3で重みを使った予測が10番も当てられたのは、このためである。

9番さん:つながりでは会長派、でも選んだのは師範のクラブ

9番の選択
図E7 9番の友人関係と、帯の事情

9番は、友人関係では会長派である(師範派の友人2人・重みの合計7、会長派の友人3人・重みの合計10)。ザッカリーの予測も、記録した派閥も「会長派」である。ところが実際には、9番は師範の新しいクラブに入った。

ザッカリーの論文によると、理由は「主に損得」だった。9番は空手を4年続けていて、分裂が起きたとき、黒帯の審査まであと3週間だった。会長の側のクラブは空手の流派を変えたため、そちらに移ると、それまでの帯を捨てて白帯からやり直すことになる。9番は、4年間かけて積み上げたものを捨てられなかった。

友人関係のデータには「あと3週間で黒帯」という事情は入っていない。データが当てられるのは、データに記録されたことまでである。予測が外れた人を調べると、データに入っていない大事な要因が見つかることがある。
ステップ1-7方法を並べて比べる:「正解」は2種類ある

「正解」には2種類ある。ザッカリーが記録した派閥と、分裂の後に実際に入ったクラブである。2つが違うのは9番だけである。

方法ごとの予測
図E8 4つの方法の予測(四角=派閥と食い違った人)
方法派閥と一致入ったクラブと一致ひとこと
最小カット(重みあり):ザッカリーの方法34/3433/34(9番)重みのおかげで10番も当たる。9番は誰にも当てられない
最小カット(重みなし)33/34(10番)32/34(9・10番)10番が引き分けになり、外れる
貪欲法33/34(10番)32/34(9・10番)ステップ1-4の結果
ガーバン・ニューマン法33/34(3番)32/34(3・9番)2002年の論文の方法。3番は両派に友人が多い

ガーバン・ニューマン法(cluster_edge_betweenness)は、「媒介中心性の高い線(グループの間の橋になっている線)」から順に切っていく方法である。ステップ8の媒介中心性を、人ではなく線について計算している。

ステップ1-8グループの数を決めずに分けると、4つになる

ここまでは「2つに分ける」と決めていた。グループの数を決めずに、モジュラリティが最大になる分け方を探すとどうなるか。

4つのグループ
図E9 モジュラリティが最大の分け方(0.42)は4グループ

読み取り方:点数が最大の分け方は4グループである。表を見ると、師範派が2つ(11人と5人)、会長派が2つ(12人と6人)に分かれていて、派閥をまたぐグループは1つもない。2つの派の中に、さらに小さな仲良しグループがあったことになる。

モジュラリティが最大の分け方(4つ)と、実際の分かれ方(2つ)は一致しない。点数が最も高い分け方が、現実の出来事と同じになるとは限らない。何を知りたいのか(2つの派か、小さな仲良しグループか)を決めてから、グループの数を選ぶ必要がある。

1-D トリビア:空手クラブは、なぜこんなに有名になったのか

有名になった経緯とトロフィー
図E10 ネットワーク科学の「ハローワールド」になった空手クラブ
トリビア内容
2002年に一気に有名に物理学者のミシェル・ガーバンとマーク・ニューマンが、グループを見つける新しい方法(ガーバン・ニューマン法)の試験台にこのデータを使った。それ以来、新しい方法を発表するときに「まず空手クラブで試す」ことが定番になった。
「ザッカリー空手クラブ・クラブ」ネットワーク科学の学会で、最初にこの例を発表に使った人が入会できる、冗談半分の「クラブ」がある。入会者には空手のトロフィーが手渡され、次の入会者へ受け継がれる。1人目は2013年、サンタフェ研究所の会議でのクリストファー・ムーアである。
有名にした本人は5人目このデータを有名にしたマーク・ニューマン本人がこのクラブに入ったのは、2014年で5人目だった。
どのソフトにも入っているRの igraph では make_graph("Zachary")、Pythonの NetworkX では karate_club_graph() で、すぐに読み込める。プログラミング言語の最初の練習が「Hello, World」であるように、ネットワーク分析の最初の練習によく使われる。

1-E 考えてみよう

  1. 9番の選択を、友人関係のデータから予測することはできたか。予測するには、どんなデータを追加で集めればよかったか。
  2. 10番のように、両方の派に同じくらいつながっている人は、現実の対立の中でどんな立場に置かれやすいか。ステップ10の「媒介中心性」と結びつけて考えよう。
  3. 自分のクラスやサークルが2つに割れるとしたら、どこで割れそうか。その「境目」にいる人は誰か。

Ⅲ 例題2:アンケートの自由記述から、話題のまとまりを見つける

授業アンケートの自由記述では、一緒に使われる言葉に話題が表れる。同じ回答の中に一緒に出てきた単語どうしをつなぐと、言葉のネットワーク(共起ネットワーク)ができる。テキストマイニングでよく使われる方法である。

ステップ2-1回答と単語を確かめる

実際の文章から単語を取り出すには、形態素解析という処理が必要である。ここでは単語に分けた後のデータを使う。

ステップ2-2一緒に出てきた単語の組を数える
回答できる単語の組
「R」「実習」「楽しい」R–実習、R–楽しい、実習–楽しい(3組)
「課題」「多い」「時間」「足りない」4単語から2つを選ぶ組なので 6組

読み取り方:回数 は、その2つの単語が同じ回答に出てきた回数で、つながりの重みになる。

ステップ2-3共起ネットワークを描く

図の見方:丸の大きさは単語の出現回数、線の太さは一緒に出てきた回数である。

ステップ2-4話題のまとまりを見つける
まとまり単語話題の解釈(例)
1R、実習、楽しい、難しいRの実習は難しいが楽しい
2データ、便利、分析、生成AI、面白い生成AIを使ったデータ分析が面白い
3グラフ、分かりやすい、説明、速い説明やグラフについて(分かりやすいが速い)
4多い、大変、時間、課題、足りない課題が多く時間が足りない

まとまりの番号や色は、実行するたびに入れ替わることがある。中身(どの単語が同じまとまりか)で判断する。

Ⅲ 例題3:SNSのフォロー関係 フォロワー数と影響力は同じか

SNSのフォロー関係は向きのあるネットワークである。フォロワーが多い人は影響力があると言えそうだが、本当にそうだろうか。 Googleが検索結果の順位付けのために考えたページランクは、「影響力のある人からフォローされているほど、影響力がある」という考え方で計算する。

ステップ3-1フォロー関係を描く
ステップ3-2フォロワー数とページランクを比べる
比べる2人フォロワー数ページランク理由
C と Gどちらも2C 0.160、G 0.042C は人気者の B からフォローされている。G をフォローしているのは、フォロワーの少ない H と F
E と BE 3、B 6E 0.274、B 0.306E はフォロワー数が B の半分だが、B からフォローされているので差が小さい
フォロワーの「数」だけでなく、「誰からフォローされているか」も影響力に関わる。これがページランクの考え方である。

Ⅳ 自分の興味のあるデータで分析する

このページの生成AIに、データとRのプログラムを作らせて実行する。上から順にボタンを押していけばよい。

最初にボタンを押したとき、授業用パスコードを聞かれる。授業で伝えたものを入力する。

ステップ1テーマを決めて、データを作らせる

テーマの例:サークルの人間関係/物語の登場人物の関係/駅と路線のつながり/一緒に注文される料理

テーマ:  つながりの数:

追加の希望(なくてよい):

(30秒〜1分ほどかかる)
ステップ2分析のプログラムを書かせる
(20〜40秒ほどかかる)
ステップ3プログラムを実行する

ステップ2のプログラムが下の枠に入る。「▶ 実行」を押す。プログラムは自分で書き換えてもよい。

エラーが出たら: (直したプログラムが上の枠に入るので、もう一度「▶ 実行」を押す)

ステップ4結果が妥当かを確かめる
観点確かめ方
グループは意図どおりかデータを作らせたときの「まとまり」と、見つかったグループが一致しているか
橋渡し役は見つかったか媒介中心性の上位に、まとまりの間をつなぐノードが来ているか。次数の上位とどう違うか
図の読みすぎに注意ネットワークの図の配置は毎回変わる。「近くに描かれている」ことより、数値(中心性・グループ)で判断する
プログラムは正しいかエラーが出なくても、重みが正しく使われているか、ノードやエッジの数が元のデータと合っているかを確かめる
結果を言い過ぎていないか生成AIのデータは架空である。現実の関係として主張しない
(参考)生成AIに送った指示文を見る

データを作る指示

(まだ送っていません)

プログラムを書く指示

(まだ送っていません)

課題

このページの最後にある「課題用:生成AIでネットワーク分析」を利用して、自分で決めたテーマのデータ(生成AIを利用して良い)でネットワーク分析を行い、その結果を3ページ程度のレポートにして提出せよ。レポートの形式は自由である。

なおファイル名は 学生番号_名前.docx とする。たとえば k24x7777_東女花子.docx である。

(提出方法・期限はWebClassの指示に従うこと)

レポートに入れるとよいもの(例)
  1. テーマと、なぜそのテーマを選んだか
  2. データの説明(何が「点」で、何が「線」か。重みは何を表すか)
  3. ネットワークの図と、グループ分けの図
  4. 中心性(次数・媒介中心性・近接中心性)の上位と、それぞれの意味
  5. 見つかったグループと、ネットワーク全体の指標
  6. 考察:結果は意図どおりか、どの指標で見ると何が分かるか、架空データの限界

生成AIの考察は、そのまま写さず、実行結果の数値と見比べて確かめてから、自分の言葉で書き直すこと。AIの考察に誤りや言い過ぎを見つけたら、それもレポートに書いてよい。

課題用:生成AIでネットワーク分析(データ作成 → プログラム → 実行 → 考察)

テーマを決めて、上から順に4つのボタンを押していけばよい。結果はレポートの材料として使う。

最初にボタンを押したとき、授業用パスコードを聞かれる。授業で伝えたものを入力する。

[1]データを生成AIに作らせる

テーマの例:好きなアニメの登場人物の関係/サークル・部活の人間関係/アルバイト先の人間関係/駅と路線/一緒に注文される料理/SNSで一緒に使われるハッシュタグ

テーマ:  つながりの数:

追加の希望(なくてよい):

(30秒〜1分ほどかかる)
[2]分析とグラフのRプログラムを生成AIに書かせる
(20〜40秒ほどかかる)
[3]プログラムを実行して、結果を見る

[2]のプログラムが下の枠に入る。「▶ 実行」を押す。図は右クリック(スマートフォンでは長押し)で保存するか、スクリーンショットを撮ってレポートに貼る。

エラーが出たら: (直したプログラムが上の枠に入るので、もう一度「▶ 実行」を押す)

[4]実行結果をもとに、生成AIに考察を書かせる

[3]の実行結果(文字の出力)を生成AIに渡して、考察を書かせる。図そのものは渡さない。

(30秒〜1分ほどかかる)
まとめレポートの材料をまとめてコピーする

テーマ、データの説明、プログラム、実行結果、AIの考察を1つの文章にまとめてコピーする。Wordに貼り付けて、レポートの下書きに使う。

(参考)生成AIに送った指示文を見る

[1]データを作る指示

(まだ送っていません)

[2]プログラムを書く指示

(まだ送っていません)

[4]考察を書く指示

(まだ送っていません)