X
Код презентации скопируйте его
Анализ социальных сетей
Скачать эту презентацию
Презентация на тему Анализ социальных сетей
Скачать эту презентациюCлайд 1
Май, 2015 Анализ социальных сетей (SNA) http://prezentacija.biz/
Cлайд 2
Зачем «Все связано» Изучение связей Выявление влиятельных объектов Распространение идей, заболеваний, информации… Применение в различных областях социология, экономика, психология, маркетинг, история, политика, здравоохранение, литература, биология…
Cлайд 3
Атипичная пневмония http://ai.arizona.edu/research/bioportal/
Cлайд 4
Рецепты и ингредиенты Teng C.Y. et al. Recipe recommendation using ingredient networks
Cлайд 5
Письма в организации
Cлайд 6
Визуализация
Cлайд 7
Упрощение восприятия
Cлайд 8
Пример: Политические блоги
Cлайд 9
Пример: Дружеские связи
Cлайд 10
Пример: Профессиональные связи
Cлайд 11
Метрики Мощность, меры центральности
Cлайд 12
Мощность Входящая Исходящая Компоненты связности, главный компонент
Cлайд 13
Центральность есть ли выделяющиеся узлы
Cлайд 14
Центральность: пример
Cлайд 15
Мосты существуют узлы с низкой мощностью, но «в выгодном месте»
Cлайд 16
Betweenness число путей, проходящих через узел
Cлайд 17
Близость важно быть в активном окружении
Cлайд 18
Близость основана на длине кратчайшего пути между рассматриваемой вершиной и всеми остальными
Cлайд 19
Другие метрики eigenvectors расширение на ориентированные графы Page Rank …
Cлайд 20
Сообщества
Cлайд 21
Выделение сообществ изучение структуры распространение информации формирование мнений
Cлайд 22
Клики все узлы в клике связаны друг с другом
Cлайд 23
k-ядра каждый узел связан с k других узлов
Cлайд 24
Другие способы n-клики: максимальное расстояние p-клики: частота связи в группе кластеризация модулярность
Cлайд 25
Случайные графы
Cлайд 26
Зачем нужна модель Упрощение представления Математические выводы Предсказания Сравнения и различия
Cлайд 27
Граф Эрдеша-Реньи Неориентированный граф Узлы связаны случайно Параметры N – число вершин p – вероятность ребра M – общее число ребер
Cлайд 28
Построение случайного графа
Cлайд 29
Безмасштабные сети Степенное распределение по степени узла Соответствие сетям реального мира Число узлов увеличивается со временем WWW социальные сети дружеские предпочтения …
Cлайд 30
Модель Барабаши-Алберт рост сети предпочтительное соединение чем выше степень узла, тем вероятнее, что новый узел будет присоединен к нему
Cлайд 31
Построение модели «Barabasi Albert model» участника Horváth Árpád - Created by the NetworkX module of the Python.
Cлайд 32
Распространение информации
Cлайд 33
Моделирование в сетях распространение информации идей заболеваний знаний координация мобилизация математические модели граничные значения
Cлайд 34
Программные инструменты Gephi NetLogo iGraph Pajek UCINet NodeXL NetworkX (Python) sna (R), и другие пакеты
Cлайд 35
Что посмотреть Social Network Analysis https://www.coursera.org/course/sna Данные для Gephi https://github.com/gephi/gephi/wiki/Datasets Newman M. E. J. Modularity and community structure in networks http://www.pnas.org/content/103/23/8577.ful Freeman L.2004. The Development of Social Network Analysis: A Study in the Sociology of Science. Empirical Press of Vancouver, BC, Canada Wellman B. Marin A. 2011. Social Network Analysis: An Introduction, in P. Carrington, J.Scott, eds., Handbook of Social Network. Thousand Oaks, CA: Sage. Wasserman S., Faust K. 2005. Social networks analysis: Methods and applications. New York: Cambridge University
