Аналіз соціальних мереж

🎓 Основні концепції

Структура графа

Вузли (Nodes/Vertices): Особи, об'єкти, сутності в мережі. Можуть мати атрибути (вік, статус).

Ребра (Edges/Links): Зв'язки між вузлами. Можуть бути орієнтовані (напрямок) або неорієнтовані, зважені (сила) або незважені.

Граф: Множина вузлів та ребер. G = (V, E), де V — вузли, E — ребра.

Шлях: Послідовність ребер між вузлами. Довжина шляху = кількість ребер.

Типи графів

Неорієнтовані: Зв'язки двосторонні (дружба). Симетрична матриця суміжності.

Орієнтовані: Зв'язки односторонні (підписки, послідовники). Несиметрична матриця.

Зважені: Ребра мають ваги (сила зв'язку, частота взаємодій).

Мультиграфи: Можливі множинні ребра між вузлами (різні типи зв'язків).

🔧 Метрики центральності

Degree Centrality

Визначення: Кількість зв'язків вузла. Для орієнтованих: in-degree (вхідні), out-degree (вихідні).

Інтерпретація: Показує локальну важливість. Вузли з високим degree — хабів (hub).

Нормалізація: Ділити на максимальну можливу кількість зв'язків (n-1) для порівняння.

Betweenness Centrality

Визначення: Частка найкоротших шляхів між усіма парами вузлів, що проходять через цей вузол.

Інтерпретація: Показує посередництво. Вузли з високим betweenness — мости між спільнотами.

Застосування: Виявлення ключових вузлів для контролю потоку інформації.

Closeness Centrality

Визначення: Обернена сума найкоротших відстаней до всіх інших вузлів.

Інтерпретація: Показує близькість до всіх інших. Вузли з високим closeness можуть швидко досягти інших.

Обмеження: Не працює для незв'язаних графів (відстань = нескінченність).

Eigenvector Centrality

Визначення: Враховує не тільки кількість зв'язків, але й важливість зв'язаних вузлів.

Інтерпретація: Показує вплив. Вузли з високим eigenvector — впливові, пов'язані з іншими впливовими.

Застосування: PageRank (Google) базується на цій концепції.

📊 Виявлення спільнот

Методи

Modularity optimization: Максимізує modularity (міра якості розділення на спільноти). Louvain algorithm — швидкий та ефективний.

Label Propagation: Вузли приймають найпоширенішу мітку серед сусідів. Швидкий, але менш точний.

Girvan-Newman: Ітеративно видаляє ребра з найвищим betweenness. Створює ієрархію спільнот.

Infomap: Мінімізує інформаційну довжину шляхів. Добре для орієнтованих графів.

Modularity

Визначення: Міра якості розділення на спільноти. Порівнює кількість ребер у спільнотах з очікуваною випадковою.

Діапазон: [-1, 1]. Вище = краще розділення. > 0.3 вважається хорошою структурою спільнот.

Використання: Для оцінки якості виявлених спільнот, оптимізації алгоритмів.

💼 Застосування

Соціальні мережі

Виявлення спільнот: Групування користувачів за інтересами, поведінкою.

Впливові особи: Виявлення influencers через центральність.

Вірусність: Аналіз поширення контенту, каскадні моделі.

Бізнес

Організаційні мережі: Аналіз комунікацій, виявлення ключових співробітників.

Клієнтські мережі: Виявлення впливових клієнтів, рекомендації.

Постачальницькі мережі: Аналіз ризиків, виявлення критичних вузлів.

Наука

Біологія: Аналіз білкових взаємодій, генних мереж.

Епідеміологія: Моделювання поширення хвороб.

Соціологія: Аналіз соціальних структур.

📚 Практичні приклади

Приклад 1: Аналіз соціальної мережі

Підготовка: Зібрати дані про зв'язки (дружба, підписки, взаємодії). Створити граф.

Основні метрики: Розрахувати кількість вузлів, ребер, щільність, середній degree.

Центральність: Розрахувати degree, betweenness, closeness, eigenvector centralities. Виявити важливі вузли.

Спільноти: Використати Louvain для виявлення спільнот. Оцінити modularity.

Візуалізація: Візуалізувати граф з використанням layout алгоритмів. Підкреслити важливі вузли та спільноти.

Приклад 2: Виявлення influencers

Дані: Зібрати дані про соціальну мережу (підписки, взаємодії).

Центральність: Розрахувати PageRank, eigenvector centrality для виявлення впливових вузлів.

Каскадні моделі: Симулювати поширення інформації, виявити вузли з найбільшим охопленням.

Ранжування: Ранжувати вузли за комбінацією метрик. Визначити топ influencers.

© 2025 Науковий Симулятор. Всі права захищені.

Аналіз соціальних мереж: розуміння зв'язків

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Dimensionality Reduction: PCA, t-SNE & UMAP і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.