Введение 2
Постановка задачи 4
Обзор литературы 5
Глава 1. Базовые понятия теории графов 7
§1.1 Основные определения 7
§1.2 Метрики 8
Глава 2. Программные средства 12
§2.1 Используемые методы и инструменты 12
§2.2 Описание функций 14
§2.3 Руководство пользователя 15
Глава 3. Эксперименты на реальных данных 19
Выводы 24
Заключение 25
Список литературы 26
Приложение 28
Развитие социальных сетей произвело революцию в области социальных графов. Стремительный рост пользовательской базы Facebook и Twitter привёл к резкому падению посещаемости таких первых социальных сетей, как Friendster и Myspace, в связи с чем внимание учёных и исследователей в области социальных графов сфокусировалось главным образом именно на двух новых лидерах рынка.
В настоящий момент зарегистрировано более 2 миллиардов аккаунтов в сети Facebook [1], что и объясняет популярность использования этой площадки для анализа социальных сетей в научных и коммерческих целях. Такая многочисленная и разнообразная аудитория позволяет оптимизировать проблему различия социальных сетей, сконцентрировать внимание на исследовании взаимоотношений, связей, сегментации объектов и выстраивать эффективные модели социальных графов.
Сторонние компании предоставляют инструменты для классификации пользователей по различным признакам, начиная от социальных групп, объектов, сообществ, медиаконтента и заканчивая возрастом, полом, национальностью, общественным положением, уровнем образования и т.д. В свою очередь классификация позволяет определить особенности социальных отношений, выявить пересечения интересов, узловые тематические моменты и, как следствие, направленность социальных векторов. Такая информация несомненно окажется полезной не только при оценке собственной аудитории, но и для выявления различного рода зависимостей в общественных отношениях.
Нельзя забывать, что общение пользователей социальных сетей — это не только отражение общественных отношений, но и динамика происходящих в обществе изменений. Характер противоречий, социальная активность и пассивность, реакция на внешние и внутренние раздражители, принятие решений, политические симпатии и антипатии, анализ и прогноз ситуации - все это при использовании определенных методологических инструментов позволяет определить степень влияния социальных сетей не только на формирование общественных процессов, изменения в общественном сознании, но и, в конечном счете, на структурирование общества в определенной временной перспективе. Такие моменты, как отсутствие дискретности и социальных барьеров в общении пользователей сетей, скорость распространения информации, более высокая степень независимости суждений и мнений и ряд других лишь способствует объективности исследования.
Разумеется, что процесс анализа особенностей социальных сетей происходит на «стыке» наук, поскольку его результаты представляют несомненный интерес для социологов, статистиков, психологов, политологов, что лишний раз доказывает важность и перспективность предпринимаемых исследований.
По состоянию на лето 2017 года самой популярной социальной сетью в России является Вконтакте [2]. В связи с вышеописанным обуславливается актуальность данной работы. Новизна заключается в исследовании социальных графов, являющихся подграфами специального вида, построенными на подмножествах участников, имеющих одного общего друга (эгосетей) и сетей друзей и их друзей (эго-эго сетей). Были разработаны инструменты, отсутствующие в свободном доступе [3], для эффективного сбора и анализа таких социальных графов и вычисления их основных метрик для социальной сети ВКонтакте, проведена серия экспериментов и сделан ряд выводов, и позволяющих наметить новые направления исследований.
Алгоритм, реализующий совокупность методов сбора информации, построения моделей социальных графов и вычисления метрик, представляет собой полезный и интересный инструмент не только для пользователей социальных сетей, но и для специалистов в самых различных областях. Результаты, полученные с помощью разработанной программы и методов, могут быть интерпретированы как важный материал для социологов, психологов, политологов. Математическая составляющая функционирования социальных сетей, выявление различных закономерностей возникновения групп и сообществ интернета, несомненно, поможет решению актуальных вопросов и проблем в современном обществе.
[1] 28 Powerful Facebook Stats Your Brand Can’t Ignore in 2018 [Электронный ресурс] — Режим доступа: https://sproutsocial.com/insights/ facebook-stats-for-marketers/.
[2] Социальные сети в России, лето 2017: цифры и тренды [Электронный ресурс] — Режим доступа: http://blog.br-analytics.ru/ sotsialnye-seti-v-rossii-leto-2017-tsifry-i-trendy/.
[3] Мониторинг социальных медиа: 19 эффективных сервисов [Электронный ресурс] — Режим доступа: http://www.topobzor. com/20-servisov-dlya-monitoringa-socialnyx-media/.html.
[4] Коршунов А., Белобородов И., Бузун Н., и др. Анализ социальных сетей: методы и приложения // Труды Института системного программирования РАН. 2014. Т. 26. № 1. С. 439-456.
[5] Яковлев Е. А. Методика и приложения для анализа социальных данных // Научные исследования и разработки 2018 года. 2018. С. 172-186.
[6] Базенков Н. И., Губанов Д. А. Обзор информационных систем анализа социальных сетей // Управление большими системами. Выпуск 41. М.: ИПУ РАН. 2013. С. 357-394.
[7] Newman M. E. J. Networks: An Introduction. Oxford: Oxford University Press. 2010. 1042 p.
[8] Евин И. А. Введение в теорию сложных сетей // Компьютерные исследования и моделирование. 2010. Т. 2 № 2. С. 121-141.
[9] Анализ социальных сетей [Электронный ресурс] - Режим доступа: http://letopisi.org/index.php/Анализ_социальных_сетей/.
[10] Анализ социальных сетей в интернете [Электронный ресурс] - Режим доступа: https://postnauka.ru/longreads/20259.
[11] Newman M. E. J. Mixing patterns in networks // Physical Review E. 2003. Vol. 67. P. 1-13.
[12] Печников А. А. Ассортативное смешивание в российском академическом Вебе //НТИ. Сер. 2. ИНФОРМ. ПРОЦЕССЫ И СИСТЕМЫ 2018. № 1. 2018. С. 8-13.
[13] Newman M. E. J. Assortative mixing in networks // Physical Review Letters. - 2002. Vol. 89. P. 1-5.
[14] Митин Н.А., Подлазов А.В., Щетинина Д.П. Исследование сетевых свойств Живого журнала // Препринты ИПМ им. М.В.Келдыша. 2012. № 78. 16 с.
[15] Traud A., Mucha P., Porter, M. Social Structure of Facebook Networks // Physica A: Statistical Mechanics and its Applications. 2012. Vol. 391. P. 4165-4180.
...