Azərbaycanca AzərbaycancaБеларускі БеларускіDansk DanskDeutsch DeutschEspañola EspañolaFrançais FrançaisIndonesia IndonesiaItaliana Italiana日本語 日本語Қазақ ҚазақLietuvos LietuvosNederlands NederlandsPortuguês PortuguêsРусский Русскийසිංහල සිංහලแบบไทย แบบไทยTürkçe TürkçeУкраїнська Українська中國人 中國人United State United StateAfrikaans Afrikaans
Підтримка
www.wikidata.uk-ua.nina.az

Ця стаття містить правописні лексичні граматичні стилістичні або інші мовні помилки які треба виправити Ви можете допомо

Соціальний граф

Соціальний граф
Ця стаття містить правописні, лексичні, граматичні, стилістичні або інші мовні помилки, які треба виправити. Ви можете допомогти вдосконалити цю статтю, погодивши її із чинними .

Соціальний граф (англ. Social graph) — це граф, вузли якого представлені соціальними об'єктами, такими як профілі користувача з різними атрибутами (наприклад: ім'я, день народження, рідне місто, тощо), співтовариства, медіа-контент, тощо, а ребра — соціальними зв'язками між ними.

image
На даній анімації показані в яких стосунках перебувають різні соціальні об'єкти. Користувач Єва знаходиться в дружніх відносинах з користувачами Адам і Кейт, при цьомуАдам і Кейт не є друзями один одному, але у них є спільний друг Єва. Фотографія Пітера була оцінена багатьма користувачами, в тому числі вона сподобалася і Єві. Також Єва слухає радіо з Last.fm і дивиться відео з YouTube.

Неявний соціальний граф (англ. Implicit social graph) — це такий граф, який можна сформувати (вивести, обчислити) на основі взаємодій користувача зі своїми «друзями» та групами «друзів» в соціальній мережі. У цьому графі на відміну від звичайного соціального графа немає явної вказівки «друзів», тобто немає явних соціальних зв'язків.

Особливості соціального графа характеризується такими метриками, як: метрики взаємин, метрики зв'язків та сегментації. Для вирішення завдань на соціальному графі використовуються спеціальні моделі, за допомогою яких можна замінити «реальні» графи. За допомогою соціальних графів вирішують такі завдання, як: ідентифікація користувачів; соціальний пошук; генерація рекомендацій з вибору «друзів», медіа-контенту, новин, тощо; виявлення «реальних» зв'язків або збір відкритої інформації для моделювання графа. Обробка даних соціальних графів пов'язана з низкою проблем, як, наприклад, відмінності соціальних мереж та закритість соціальних даних.

Метрики

Говорячи про завдання на соціальному графі, вживають термін метрики, які в числовій формі відображають характеристики соціальних об'єктів, сегментів/груп об'єктів та їх зв'язків. Ці метрики використовують при проведенні аналізу соціальних мереж.

Взаємовідносини

Дані метрики подають характер взаємовідносин одного соціального об'єкта з іншими соціальними об'єктами.

  • Гомофілія (англ. Homophily) — ступінь, в якій користувач утворює зв'язки з подібними. Подібність може бути визначене за ст́аттю, віком, соціальним станом, освітнім рівнем тощо.
  • Множинність (англ. Multiplexity) — число «множинних» зв'язків, в яких знаходяться користувачі. Наприклад, два користувача, які товаришують та працюють разом, будуть мати «множинність», рівну 2. «Множинність» пов'язують з «силою зв'язку».
  • Взаємність (англ. Mutuality/Reciprocity) — ступінь, в якій користувачі взаємодіють між собою, відповідають взаємністю на дії один одного.
  • Мережева закритість (англ. Network Closure) — ступінь, в якій друзі користувача є друзями один одному. Також її називають «мірою повноти [en]». Припущення того, що користувач знаходиться в мережевій закритості, називається Транзитивність.
  • Сусідство (англ. [en]) — тенденція користувачів мати велику кількість зв'язків з географічно близькими користувачами.

Зв'язки

Дані метрики відображають особливості зв'язків, як для окремих соціальних об'єктів, так і для графа в цілому.

  • Міст (англ. Bridge) — користувач, чиї слабкі зв'язки заповнюють «структурні діри», що забезпечує єдиний зв'язок між іншими користувачами або кластерами (групами користувачів). Також через нього проходитиме найкоротший маршрут.
  • Центральність — показник «важливості» або «впливу» певного користувача (кластера користувачів) всередині графа.
Стандартні методи вимірювання «центральності» включають в себе (центральність за посередництвом), (центральність за близькістю), (центральність за впливовістю), [en] та (центральність за степенем).
  • Густина — частка прямих зв'язків у мережі по відношенню до загального числа можливих.
  • Відстань (англ. Distance) — мінімальну кількість зв'язків, необхідних для встановлення наявності взаємозв'язку між двома окремими користувачами.
  • Структурні діри (англ. Structural holes) — відсутність зв'язків між двома частинами мережі.
  • Сила зв'язку (англ. Tie Strength) визначається лінійною комбінацією часу, «близькості» та «взаємності». Чим більше значення сили зв'язку, тим вона сильніше. Сильні зв'язки визначає «гомофілія», «сусідство» або «транзитивність», в той час як слабкі зв'язки визначають «мости».

Сегментація

Дані метрики відображають характеристики соціального графа, поділеного на сегменти, які мають відмінні риси.

  • Кліка (англ. Cliques) — група, в якій всі користувачі мають «прямі» зв'язки (вершини пов'язані (з'єднані) ребром) один до одного.
  • Соціальне коло (англ. Social circles) — група, в якій не обов'язкові «прямі» зв'язки між користувачами.
  • Коефіцієнт кластеризації (англ. Clustering coefficient) — ступінь ймовірності того, що два різних користувача, пов'язані з конкретним індивідуумом. Високий коефіцієнт кластеризації вказує на високу замкнутість групи, іншими словами, група може бути «клікою».
  • Згуртованість (англ. Cohesion) — ступінь, в якій користувачі пов'язані між собою одним, загально-з'єднаним зв'язком, утворюючи соціальну згуртованість. Структурна згуртованість — вказує на таку єдину структуру групи, що видалення невеликої кількості користувачів веде до розриву групи.

Моделі

image
Модель соціальних графів

У цьому розділі наведені загальновідомі моделі графів, які потенційно можуть замінити «реальні» соціальний графи.

Функціонально-керовані моделі (англ. Feature-driven Models) націлені на відтворення статистичних характеристик графа, таких як ступовий розподіл та динамічні зміни щільності графа.

Навмисно-керовані моделі (англ. Intent-driven Models) сфокусовані на емуляцію процесу створення оригінального графа.

  • Випадковий обхід/випадкові блукання (Random Walk)
  • Найближчий сусід (Nearest Neighbor)

Структурно-керовані моделі (англ. Structure-driven Models) охоплюють статистичні дані зі структури графа, дозволяючи відповідному генератору відтворювати випадкові графи з тими ж структурними обмеженнями.

  • Графи Кронекера (Kronecker graphs)
  • dK-графи (dK-graphs)

Завдання

Ідентифікація користувачів

Виявлення профілів, що належать одній людині, в декількох соціальних мережах. Вирішення цієї задачі дозволяє отримати більш повний соціальний граф, що може бути корисно в багатьох задачах, таких як:

  1. Генерація рекомендацій

Соціальний пошук

Пошук соціальних об'єктів (користувачів, їх даних, їх записів, тощо.), заснований на аналізі набору зв'язків, в яких знаходяться об'єкти котрі треба знайти.

Генерація рекомендацій

Важливим завданням є пошук точних алгоритмів генерації рекомендацій та пропозицій користувачам, які так само використовуються при створенні графа інтересів на основі соціального графа.

  • Рекомендація друзів — користувачі рідко ділять свої контакти на соціальні групи, але, тим не менш, вони неявно ділять ці контакти на кластери, через їх взаємодії в рамках соціальної мережі.
  • Рекомендації контенту — рекомендації медіа-контенту, спільнот, новин тощо.

Підхід до рекомендацій

Існує традиційний підхід в області рекомендаційних систем:

  • Колаборативна фільтрація — полягає у формуванні списку рекомендованих об'єктів на основі думок користувачів, провідних себе схожим чином.
  • Фільтрація вмісту — ґрунтується на характеристиках предмета та відомої про нього інформації.
  • Соціальний підхід — відштовхуються від соціальних зв'язків користувачів.

Виявлення «справжніх» зв'язків

Застосування підходу «розвідки на основі відкритих джерел» (англ. Open source intelligence, OSINT) для виявлення істинних зв'язків між користувачами, тобто справжніх друзів, родичів тощо.

Збір інформації

Побудова соціального графа на основі даних, отриманих внаслідок парсинга вебсервісів провайдерів соціальних мереж.

Для оцінювання завдання відносяться такі критерії:

  • Ефективність: наскільки швидко виявляють вузли/зв'язку внаслідок сканування,
  • Чутливість: як різні соціальні мережі та кількість захищених/закритих користувачів («чорної діри») впливають на обхід,
  • Відхилення: наскільки сильно відрізняються статистичні властивості підграфів, отриманих при обході, від властивостей вихідного графа.

При обході оцінюють такі фактори:

  • Вибір вузлів: вузли є відправною точкою обходу. Важливо вибрати правильні вузли та порядок обходу черг, щоб уникнути низької якості сторінки,
  • Алгоритми вибору вузлів: алгоритми вирішують, який вузол вибрати наступним. Часто використовувані алгоритми:
  1. пошук в ширину
  2. жадібні алгоритми
  • Захищені користувачі: через закритість соціальних даних, можна пропустити велику частину соціального графа. Різні алгоритми обходів впливають на таких користувачів по-різному,
  • Різні соціальні мережі: вони мають свої унікальні властивості, навіть якщо вони надають аналогічні послуги.

Проблеми

Відмінності соціальних мереж

Для задачі ідентифікації користувачів головною проблемою є відмінності соціальних мереж. Переважно грають роль семантика зв'язків між соціальними об'єктами та соціальні графи різних топологій.

Генерація рекомендацій

Основною проблемою генерації рекомендацій є проблема холодного старту — розрахунок рекомендації для нових соціальних об'єктів (користувачів, постів, медіа-контенту, тощо).

Закритість соціальних даних

Головна проблема збору даних для соціального графа полягає в закритості соціальних мереж.

  • По-перше, важко отримати соціальний граф від «провайдерів» через цінність та захист законом соціальних даних.
  • По-друге, великою проблемою є збір мільйонів списків контактів, профілів, фотографій, відео, тощо парсер. Багато «провайдерів» соціальних мереж використовують Single Page Application або безліч динамічних сторінок, що містять Ajax та DHTML, що створює дуже багато проблем для створення гнучкого парсера.

Див. також

Примітки

  1. Слово «медиа-контент» в словаре Академик
  2. Завдання ідентифікації користувачів в соціальних мережах, 2012, с. 3.
  3. Соціальний пошук, 2010, с. 199.
  4. Suggesting Friends, 2010, с. 2.
  5. Поняття гомофілія, 2012, с. 168—169.
  6. гомофілія, 2001, с. 415—444.
  7. Множинність, 1997, с. 673—693.
  8. Приклад множинності, 2003.
  9. Розуміння соціальних графів, 2012.
  10. Транзитивність, 2010, с. 855—869.
  11. Сила зв'язків, 1973, с. 1360—1380.
  12. Центральність, 2010, с. 32.
  13. Метрики для базового мережевого аналізу, 2011, с. 364—367.
  14. Є.В. Мелешко, В.С. Гермак, С.М. Охотний (2 жовтня 2016). Дослідження методів визначення центральності акторів у соціальних мережах для задач інформаційної безпеки (PDF). http://irbis-nbuv.gov.ua (укр.) . Процитовано 17 січня 2021.
  15. Центральність вершин, 2010, с. 245.
  16. Аналіз соціальних мереж, 2006, с. B-11—B-12.
  17. Соціальні мережі: техніки та додатки, 2010, с. 25.
  18. Кліка в аналізі соціальних мереж, 2011, с. 149.
  19. Метрики для базового мережевого аналізу, 2011, с. 346—347.
  20. Social Graph Models, 2010, с. 3—4.
  21. завдання ідентифікації користувачів в соціальних мережах, 2012, с. 2—4.
  22. Соціальний пошук, 2010, с. 431.
  23. Suggesting Friends, 2010, с. 2—7.
  24. Рекомендації треків у соціальних мережах, 2012, с. 34.
  25. підходи до рекомендацій, 2012, с. 8—13.
  26. Рекомендаційні системи на основі колаборативної фільтрації, 2002.
  27. OSINT, 2012, с. 21—39.
  28. Crawling OSN, 2010, с. 1—7.
  29. Проблеми задачі ідентифікації користувачів, 2012, с. 13—17.
  30. Проблема холодного старту, 2012, с. 5—11.
  31. Crawling OSN, 2010, с. 1.
  32. Crawling OSN, 2010, с. 3.

Література

  • M. Granovetter. The strength of weak ties. — American Journal of Sociology, 1973.
  • Melville P.,Mooney R., Nagarajan R. Content-Boosted Collaborative Filtering for Improved Recommendations // University of Texas, USA : матеріали конф./AAAI-02, Austin, TX, USA, 2002. — 2002. — P. 187-192.
  • J.M. Podolny, J.N. Baron. Resources and relationships: Social networks and mobility in the workplace. — American Sociological Review, 1997.
  • N. McPherson, L. Smith-Lovin, J.M. Cook. Birds of a feather: Homophily in social networks. — Annual Reviews, Annual Review of Sociology, 2001.
  • M. Kilduff, W. Tsai. Social networks and organisations. — Sage Publications, 2003. — P. 172.
  • A.-K. Pietiläinen, E. Oliver, J. LeBrun. ~redis/intranet/bibliography/middleware/pietilainen-mobiclique-2009.pdf MobiClique: Middleware for Mobile Social Networking. — WOSN'09, August 17, 2009, Barcelona, Spain, 2009.
  • Xu, Guandong et al. Web Mining and Social Networking: Techniques and Applications. — Springer, 2010. — .
  • D. Hansen, B. Shneiderman, M. A. Smith. Analyzing Social Media Networks with NodeXL. — Morgan Kaufmann, 2010. — С. 283. — .
  • Shaozhi Ye, Juan Lang, Felix Wu. Crawling Online Social Graphs. — APWEB'12, April 6-8, 2010, Busan, Korea, 2010.
  • C. McCarthy. Facebook: One Social Graph to Rule Them All?. — CBS Interactive Inc., 2010.
  • T. Opsahl, F. Agneessens, J. Skvoretz. Node centrality in weighted networks: Generalizing degree and shortest paths. — Social Networks, 2010.
  • M. Roth, A. Ben-David, D. Deutscher. Suggesting Friends Using the Implicit Social Graph. — KDD'10, July 25-28, 2010, Washington, DC, USA., 2010.
  • A. Sala, L. Cao, C. Wilson, R. Zablit, H. Zheng, B. Y. Zhao. Measurement-calibrated Graph Models for Social Network Experiments. — WWW 2010, April 26-30, 2010, Raleigh, North Carolina, USA, 2010.
  • D. Horowitz, Sepandar D. Kamvar. The Anatomy of a Large-ScaleSocialSearch Engine. — WWW 2010, April 26-30, 2010, Raleigh, North Carolina, USA., 2010.
  • F.J. Flynn, R.E. Reagans, L. Guillory. Do you two know each other? Transitivity, homophily, and the need for (network) closure.. — Journal of Personality and Social Psychology, 2010.
  • J. Ugander, B. Karrer, L. Backstrom, C. Marlow. The Anatomy of the Facebook Social Graph. — Cornell University Library, 2011.
  • My T. Thai, Panos M. Pardalos. Handbook of Optimization in Complex Networks: Communication and Social Networks. — Springer, 2011. — С. 541. — .
  • P. J. Carrington, J. Scott. The Sage Handbook of Social Network Analysis. — SAGE, 2011. — С. 640. — .
  • D. Schioberg, F. Schneider, H. Schioberg, S. Schmid, S. Uhlig, Anja Feldmann. Tracing the Birth of an OSN: Graph and Profile Analysis in Google+. — WebSci 2012, June 22-24, 2012, Evanston, Illinois, USA, 2012.
  • M. P. Zillman. Online Social Networks. — Virtual Private Library, 2012.
  • B. R. Holland. Enabling Open Source Intelligence (OSINT) in private social networks. — Iowa State University, Ames, Iowa, 2012.
  • C. Kadushin. Understanding social networks: Theories, concepts, and findings. — Oxford : Oxford University Press, 2012. — С. 288.
  • В.М. Сазанів. Соціальні мережі як нова суспільна сфера. Системний аналіз та прогноз. — М. : Лабораторія СВМ, 2010. — С. 180.
  • С. Бартуков, А. Коршунов. Ідентифікація користувачів соціальних мереж в Інтернет на основі соціальних зв'язків. — Інститут системного програмування Російської академії наук, 2012.
  • А.А. Дзюба. Рекомендації треків у соціальних мережах. — Санкт-Петербурзький Державний Університет, 2012.
  • Н. В. Богатир. Вкоріненість і за її межами: вплив мереж. — Міжнародна конференція «Вкоріненість і за її межами: пояснюють чи соціологічні теорії економічну реальність ?»Жовтень 25-28, 2012, Москва, Росія, 2012. — С. 168-169.

Вікіпедія, Українська, Україна, книга, книги, бібліотека, стаття, читати, завантажити, безкоштовно, безкоштовно завантажити, mp3, відео, mp4, 3gp, jpg, jpeg, gif, png, малюнок, музика, пісня, фільм, книга, гра, ігри, мобільний, телефон, android, ios, apple, мобільний телефон, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, ПК, web, Інтернет

Cya stattya mistit pravopisni leksichni gramatichni stilistichni abo inshi movni pomilki yaki treba vipraviti Vi mozhete dopomogti vdoskonaliti cyu stattyu pogodivshi yiyi iz chinnimi movnimi standartami Socialnij graf angl Social graph ce graf vuzli yakogo predstavleni socialnimi ob yektami takimi yak profili koristuvacha z riznimi atributami napriklad im ya den narodzhennya ridne misto tosho spivtovaristva media kontent tosho a rebra socialnimi zv yazkami mizh nimi Na danij animaciyi pokazani v yakih stosunkah perebuvayut rizni socialni ob yekti Koristuvach Yeva znahoditsya v druzhnih vidnosinah z koristuvachami Adam i Kejt pri comuAdam i Kejt ne ye druzyami odin odnomu ale u nih ye spilnij drug Yeva Fotografiya Pitera bula ocinena bagatma koristuvachami v tomu chisli vona spodobalasya i Yevi Takozh Yeva sluhaye radio z Last fm i divitsya video z YouTube Neyavnij socialnij graf angl Implicit social graph ce takij graf yakij mozhna sformuvati vivesti obchisliti na osnovi vzayemodij koristuvacha zi svoyimi druzyami ta grupami druziv v socialnij merezhi U comu grafi na vidminu vid zvichajnogo socialnogo grafa nemaye yavnoyi vkazivki druziv tobto nemaye yavnih socialnih zv yazkiv Osoblivosti socialnogo grafa harakterizuyetsya takimi metrikami yak metriki vzayemin metriki zv yazkiv ta segmentaciyi Dlya virishennya zavdan na socialnomu grafi vikoristovuyutsya specialni modeli za dopomogoyu yakih mozhna zaminiti realni grafi Za dopomogoyu socialnih grafiv virishuyut taki zavdannya yak identifikaciya koristuvachiv socialnij poshuk generaciya rekomendacij z viboru druziv media kontentu novin tosho viyavlennya realnih zv yazkiv abo zbir vidkritoyi informaciyi dlya modelyuvannya grafa Obrobka danih socialnih grafiv pov yazana z nizkoyu problem yak napriklad vidminnosti socialnih merezh ta zakritist socialnih danih MetrikiGovoryachi pro zavdannya na socialnomu grafi vzhivayut termin metriki yaki v chislovij formi vidobrazhayut harakteristiki socialnih ob yektiv segmentiv grup ob yektiv ta yih zv yazkiv Ci metriki vikoristovuyut pri provedenni analizu socialnih merezh Vzayemovidnosini Dani metriki podayut harakter vzayemovidnosin odnogo socialnogo ob yekta z inshimi socialnimi ob yektami Gomofiliya angl Homophily stupin v yakij koristuvach utvoryuye zv yazki z podibnimi Podibnist mozhe buti viznachene za st attyu vikom socialnim stanom osvitnim rivnem tosho Mnozhinnist angl Multiplexity chislo mnozhinnih zv yazkiv v yakih znahodyatsya koristuvachi Napriklad dva koristuvacha yaki tovarishuyut ta pracyuyut razom budut mati mnozhinnist rivnu 2 Mnozhinnist pov yazuyut z siloyu zv yazku Vzayemnist angl Mutuality Reciprocity stupin v yakij koristuvachi vzayemodiyut mizh soboyu vidpovidayut vzayemnistyu na diyi odin odnogo Merezheva zakritist angl Network Closure stupin v yakij druzi koristuvacha ye druzyami odin odnomu Takozh yiyi nazivayut miroyu povnoti en Pripushennya togo sho koristuvach znahoditsya v merezhevij zakritosti nazivayetsya Tranzitivnist Susidstvo angl en tendenciya koristuvachiv mati veliku kilkist zv yazkiv z geografichno blizkimi koristuvachami Zv yazki Dani metriki vidobrazhayut osoblivosti zv yazkiv yak dlya okremih socialnih ob yektiv tak i dlya grafa v cilomu Mist angl Bridge koristuvach chiyi slabki zv yazki zapovnyuyut strukturni diri sho zabezpechuye yedinij zv yazok mizh inshimi koristuvachami abo klasterami grupami koristuvachiv Takozh cherez nogo prohoditime najkorotshij marshrut Centralnist pokaznik vazhlivosti abo vplivu pevnogo koristuvacha klastera koristuvachiv vseredini grafa Standartni metodi vimiryuvannya centralnosti vklyuchayut v sebe centralnist za poserednictvom centralnist za blizkistyu centralnist za vplivovistyu en ta centralnist za stepenem Gustina chastka pryamih zv yazkiv u merezhi po vidnoshennyu do zagalnogo chisla mozhlivih Vidstan angl Distance minimalnu kilkist zv yazkiv neobhidnih dlya vstanovlennya nayavnosti vzayemozv yazku mizh dvoma okremimi koristuvachami Strukturni diri angl Structural holes vidsutnist zv yazkiv mizh dvoma chastinami merezhi Sila zv yazku angl Tie Strength viznachayetsya linijnoyu kombinaciyeyu chasu blizkosti ta vzayemnosti Chim bilshe znachennya sili zv yazku tim vona silnishe Silni zv yazki viznachaye gomofiliya susidstvo abo tranzitivnist v toj chas yak slabki zv yazki viznachayut mosti Segmentaciya Dani metriki vidobrazhayut harakteristiki socialnogo grafa podilenogo na segmenti yaki mayut vidminni risi Klika angl Cliques grupa v yakij vsi koristuvachi mayut pryami zv yazki vershini pov yazani z yednani rebrom odin do odnogo Socialne kolo angl Social circles grupa v yakij ne obov yazkovi pryami zv yazki mizh koristuvachami Koeficiyent klasterizaciyi angl Clustering coefficient stupin jmovirnosti togo sho dva riznih koristuvacha pov yazani z konkretnim individuumom Visokij koeficiyent klasterizaciyi vkazuye na visoku zamknutist grupi inshimi slovami grupa mozhe buti klikoyu Zgurtovanist angl Cohesion stupin v yakij koristuvachi pov yazani mizh soboyu odnim zagalno z yednanim zv yazkom utvoryuyuchi socialnu zgurtovanist Strukturna zgurtovanist vkazuye na taku yedinu strukturu grupi sho vidalennya nevelikoyi kilkosti koristuvachiv vede do rozrivu grupi ModeliModel socialnih grafiv U comu rozdili navedeni zagalnovidomi modeli grafiv yaki potencijno mozhut zaminiti realni socialnij grafi Funkcionalno kerovani modeli angl Feature driven Models nacileni na vidtvorennya statistichnih harakteristik grafa takih yak stupovij rozpodil ta dinamichni zmini shilnosti grafa Model Barabash Albert Model Palayuchij lis Forest Fire Navmisno kerovani modeli angl Intent driven Models sfokusovani na emulyaciyu procesu stvorennya originalnogo grafa Vipadkovij obhid vipadkovi blukannya Random Walk Najblizhchij susid Nearest Neighbor Strukturno kerovani modeli angl Structure driven Models ohoplyuyut statistichni dani zi strukturi grafa dozvolyayuchi vidpovidnomu generatoru vidtvoryuvati vipadkovi grafi z timi zh strukturnimi obmezhennyami Grafi Kronekera Kronecker graphs dK grafi dK graphs ZavdannyaIdentifikaciya koristuvachiv Viyavlennya profiliv sho nalezhat odnij lyudini v dekilkoh socialnih merezhah Virishennya ciyeyi zadachi dozvolyaye otrimati bilsh povnij socialnij graf sho mozhe buti korisno v bagatoh zadachah takih yak Generaciya rekomendacij Socialnij poshuk Poshuk socialnih ob yektiv koristuvachiv yih danih yih zapisiv tosho zasnovanij na analizi naboru zv yazkiv v yakih znahodyatsya ob yekti kotri treba znajti Generaciya rekomendacij Vazhlivim zavdannyam ye poshuk tochnih algoritmiv generaciyi rekomendacij ta propozicij koristuvacham yaki tak samo vikoristovuyutsya pri stvorenni grafa interesiv na osnovi socialnogo grafa Rekomendaciya druziv koristuvachi ridko dilyat svoyi kontakti na socialni grupi ale tim ne mensh voni neyavno dilyat ci kontakti na klasteri cherez yih vzayemodiyi v ramkah socialnoyi merezhi Rekomendaciyi kontentu rekomendaciyi media kontentu spilnot novin tosho Pidhid do rekomendacij Isnuye tradicijnij pidhid v oblasti rekomendacijnih sistem Kolaborativna filtraciya polyagaye u formuvanni spisku rekomendovanih ob yektiv na osnovi dumok koristuvachiv providnih sebe shozhim chinom Filtraciya vmistu gruntuyetsya na harakteristikah predmeta ta vidomoyi pro nogo informaciyi Socialnij pidhid vidshtovhuyutsya vid socialnih zv yazkiv koristuvachiv Viyavlennya spravzhnih zv yazkiv Zastosuvannya pidhodu rozvidki na osnovi vidkritih dzherel angl Open source intelligence OSINT dlya viyavlennya istinnih zv yazkiv mizh koristuvachami tobto spravzhnih druziv rodichiv tosho Zbir informaciyi Pobudova socialnogo grafa na osnovi danih otrimanih vnaslidok parsinga vebservisiv provajderiv socialnih merezh Dlya ocinyuvannya zavdannya vidnosyatsya taki kriteriyi Efektivnist naskilki shvidko viyavlyayut vuzli zv yazku vnaslidok skanuvannya Chutlivist yak rizni socialni merezhi ta kilkist zahishenih zakritih koristuvachiv chornoyi diri vplivayut na obhid Vidhilennya naskilki silno vidriznyayutsya statistichni vlastivosti pidgrafiv otrimanih pri obhodi vid vlastivostej vihidnogo grafa Pri obhodi ocinyuyut taki faktori Vibir vuzliv vuzli ye vidpravnoyu tochkoyu obhodu Vazhlivo vibrati pravilni vuzli ta poryadok obhodu cherg shob uniknuti nizkoyi yakosti storinki Algoritmi viboru vuzliv algoritmi virishuyut yakij vuzol vibrati nastupnim Chasto vikoristovuvani algoritmi poshuk v shirinu zhadibni algoritmi Zahisheni koristuvachi cherez zakritist socialnih danih mozhna propustiti veliku chastinu socialnogo grafa Rizni algoritmi obhodiv vplivayut na takih koristuvachiv po riznomu Rizni socialni merezhi voni mayut svoyi unikalni vlastivosti navit yaksho voni nadayut analogichni poslugi ProblemiVidminnosti socialnih merezh Dlya zadachi identifikaciyi koristuvachiv golovnoyu problemoyu ye vidminnosti socialnih merezh Perevazhno grayut rol semantika zv yazkiv mizh socialnimi ob yektami ta socialni grafi riznih topologij Generaciya rekomendacij Osnovnoyu problemoyu generaciyi rekomendacij ye problema holodnogo startu rozrahunok rekomendaciyi dlya novih socialnih ob yektiv koristuvachiv postiv media kontentu tosho Zakritist socialnih danih Golovna problema zboru danih dlya socialnogo grafa polyagaye v zakritosti socialnih merezh Po pershe vazhko otrimati socialnij graf vid provajderiv cherez cinnist ta zahist zakonom socialnih danih Po druge velikoyu problemoyu ye zbir miljoniv spiskiv kontaktiv profiliv fotografij video tosho parser Bagato provajderiv socialnih merezh vikoristovuyut Single Page Application abo bezlich dinamichnih storinok sho mistyat Ajax ta DHTML sho stvoryuye duzhe bagato problem dlya stvorennya gnuchkogo parsera Div takozhAnaliz socialnih merezh Vipadkovij graf Glosarij teoriyi grafiv Kolaborativna filtraciya Svit tisnij Paradoks druzhbi Graf tovarishuvannyaPrimitkiSlovo media kontent v slovare Akademik Zavdannya identifikaciyi koristuvachiv v socialnih merezhah 2012 s 3 Socialnij poshuk 2010 s 199 Suggesting Friends 2010 s 2 Ponyattya gomofiliya 2012 s 168 169 gomofiliya 2001 s 415 444 Mnozhinnist 1997 s 673 693 Priklad mnozhinnosti 2003 Rozuminnya socialnih grafiv 2012 Tranzitivnist 2010 s 855 869 Sila zv yazkiv 1973 s 1360 1380 Centralnist 2010 s 32 Metriki dlya bazovogo merezhevogo analizu 2011 s 364 367 Ye V Meleshko V S Germak S M Ohotnij 2 zhovtnya 2016 Doslidzhennya metodiv viznachennya centralnosti aktoriv u socialnih merezhah dlya zadach informacijnoyi bezpeki PDF http irbis nbuv gov ua ukr Procitovano 17 sichnya 2021 Centralnist vershin 2010 s 245 Analiz socialnih merezh 2006 s B 11 B 12 Socialni merezhi tehniki ta dodatki 2010 s 25 Klika v analizi socialnih merezh 2011 s 149 Metriki dlya bazovogo merezhevogo analizu 2011 s 346 347 Social Graph Models 2010 s 3 4 zavdannya identifikaciyi koristuvachiv v socialnih merezhah 2012 s 2 4 Socialnij poshuk 2010 s 431 Suggesting Friends 2010 s 2 7 Rekomendaciyi trekiv u socialnih merezhah 2012 s 34 pidhodi do rekomendacij 2012 s 8 13 Rekomendacijni sistemi na osnovi kolaborativnoyi filtraciyi 2002 OSINT 2012 s 21 39 Crawling OSN 2010 s 1 7 Problemi zadachi identifikaciyi koristuvachiv 2012 s 13 17 Problema holodnogo startu 2012 s 5 11 Crawling OSN 2010 s 1 Crawling OSN 2010 s 3 LiteraturaM Granovetter The strength of weak ties American Journal of Sociology 1973 Melville P Mooney R Nagarajan R Content Boosted Collaborative Filtering for Improved Recommendations University of Texas USA materiali konf AAAI 02 Austin TX USA 2002 2002 P 187 192 J M Podolny J N Baron Resources and relationships Social networks and mobility in the workplace American Sociological Review 1997 N McPherson L Smith Lovin J M Cook Birds of a feather Homophily in social networks Annual Reviews Annual Review of Sociology 2001 M Kilduff W Tsai Social networks and organisations Sage Publications 2003 P 172 C Kadushin Social Network Analysis Headquarters Department of the Army Washington DC 2006 ISBN 978 1 84787 395 8 A K Pietilainen E Oliver J LeBrun redis intranet bibliography middleware pietilainen mobiclique 2009 pdf MobiClique Middleware for Mobile Social Networking WOSN 09 August 17 2009 Barcelona Spain 2009 Xu Guandong et al Web Mining and Social Networking Techniques and Applications Springer 2010 ISBN 978 1 4419 7734 2 D Hansen B Shneiderman M A Smith Analyzing Social Media Networks with NodeXL Morgan Kaufmann 2010 S 283 ISBN 978 0 12 382229 1 Shaozhi Ye Juan Lang Felix Wu Crawling Online Social Graphs APWEB 12 April 6 8 2010 Busan Korea 2010 C McCarthy Facebook One Social Graph to Rule Them All CBS Interactive Inc 2010 T Opsahl F Agneessens J Skvoretz Node centrality in weighted networks Generalizing degree and shortest paths Social Networks 2010 M Roth A Ben David D Deutscher Suggesting Friends Using the Implicit Social Graph KDD 10 July 25 28 2010 Washington DC USA 2010 A Sala L Cao C Wilson R Zablit H Zheng B Y Zhao Measurement calibrated Graph Models for Social Network Experiments WWW 2010 April 26 30 2010 Raleigh North Carolina USA 2010 D Horowitz Sepandar D Kamvar The Anatomy of a Large ScaleSocialSearch Engine WWW 2010 April 26 30 2010 Raleigh North Carolina USA 2010 F J Flynn R E Reagans L Guillory Do you two know each other Transitivity homophily and the need for network closure Journal of Personality and Social Psychology 2010 J Ugander B Karrer L Backstrom C Marlow The Anatomy of the Facebook Social Graph Cornell University Library 2011 My T Thai Panos M Pardalos Handbook of Optimization in Complex Networks Communication and Social Networks Springer 2011 S 541 ISBN 978 1 4614 0856 7 P J Carrington J Scott The Sage Handbook of Social Network Analysis SAGE 2011 S 640 ISBN 978 1 84787 395 8 D Schioberg F Schneider H Schioberg S Schmid S Uhlig Anja Feldmann Tracing the Birth of an OSN Graph and Profile Analysis in Google WebSci 2012 June 22 24 2012 Evanston Illinois USA 2012 M P Zillman Online Social Networks Virtual Private Library 2012 B R Holland Enabling Open Source Intelligence OSINT in private social networks Iowa State University Ames Iowa 2012 C Kadushin Understanding social networks Theories concepts and findings Oxford Oxford University Press 2012 S 288 V M Sazaniv Socialni merezhi yak nova suspilna sfera Sistemnij analiz ta prognoz M Laboratoriya SVM 2010 S 180 S Bartukov A Korshunov Identifikaciya koristuvachiv socialnih merezh v Internet na osnovi socialnih zv yazkiv Institut sistemnogo programuvannya Rosijskoyi akademiyi nauk 2012 A A Dzyuba Rekomendaciyi trekiv u socialnih merezhah Sankt Peterburzkij Derzhavnij Universitet 2012 N V Bogatir Vkorinenist i za yiyi mezhami vpliv merezh Mizhnarodna konferenciya Vkorinenist i za yiyi mezhami poyasnyuyut chi sociologichni teoriyi ekonomichnu realnist Zhovten 25 28 2012 Moskva Rosiya 2012 S 168 169

Дата публікації:
Топ