Nhóm các mạng xã hội thành nhóm - những người có đầu

Mọi người có xu hướng hình thành cộng đồng - những nhóm người khác có cùng ý tưởng và tình cảm. Bằng cách nghiên cứu các nhóm này, việc quy nạp một số hành vi nhất định vào nhóm như một toàn thể trở nên dễ dàng hơn (mặc dù việc quy nạp hành vi cho một cá nhân vừa nguy hiểm vừa không đáng tin cậy).

Ý tưởng đằng sau việc nghiên cứu các cụm là nếu có mối liên hệ giữa con người, họ thường có một tập hợp các ý tưởng và mục đích chung. Bằng cách tìm các cụm, bạn có thể xác định những ý tưởng này bằng cách kiểm tra thành viên nhóm. Chẳng hạn, phổ biến là tìm kiếm các nhóm người trong việc phát hiện gian lận bảo hiểm và kiểm tra thuế. Những nhóm người bất ngờ có thể nghi ngờ rằng họ là một phần của một nhóm kẻ gian lận hoặc người trốn thuế vì họ không có lý do thông thường để mọi người tập hợp trong những hoàn cảnh như vậy.

Biểu đồ thân hữu có thể biểu thị cách mọi người kết nối với nhau. Các đỉnh được biểu diễn cho các cá thể và các cạnh thể hiện mối quan hệ của chúng, chẳng hạn như mối quan hệ gia đình, liên hệ kinh doanh, hoặc mối quan hệ hữu nghị. Thông thường, biểu đồ tình bạn không được định hướng bởi vì chúng đại diện cho các mối quan hệ lẫn nhau, và đôi khi chúng được trọng số đại diện cho sức mạnh của mối quan hệ giữa hai người.

Nhiều nghiên cứu tập trung vào đồ thị không định hướng chỉ tập trung vào các hiệp hội. Bạn cũng có thể sử dụng đồ thị trực tiếp để cho thấy Người A biết về Người B, nhưng Người B thậm chí không biết rằng Người A tồn tại. Trong trường hợp này, bạn thực sự có 16 loại khác nhau của bộ ba để xem xét.

Khi tìm kiếm các cụm trong đồ thị hữu nghị, các kết nối giữa các nút trong các nhóm này phụ thuộc vào bộ ba - chủ yếu là các loại tam giác đặc biệt. Kết nối giữa ba người có thể thuộc vào các loại:

Đóng cửa: Cả ba người đều biết nhau. Hãy suy nghĩ về một môi trường gia đình trong trường hợp này, trong đó mọi người đều biết mọi người khác.
Mở: Một người biết hai người khác, nhưng hai người khác không quen biết nhau. Hãy suy nghĩ về một người biết một cá nhân tại nơi làm việc và một cá nhân khác ở nhà, nhưng cá nhân trong công việc không biết gì về cá nhân ở nhà.
Cặp kết nối: Một người biết một trong số những người khác trong bộ ba nhưng không biết người thứ ba. Tình huống này liên quan đến hai người biết điều gì đó về cuộc gặp gỡ người khác - một người có khả năng muốn trở thành thành viên của nhóm.
Chưa kết nối: Bộ ba tạo thành một nhóm, nhưng không ai trong nhóm biết nhau. Điều cuối cùng này có thể có vẻ hơi kỳ quặc, nhưng hãy nghĩ đến một hội nghị hoặc hội nghị.Những người trong các sự kiện này tạo thành một nhóm, nhưng họ có thể không biết gì về nhau. Tuy nhiên, vì chúng có cùng sở thích, bạn có thể sử dụng cụm sao để hiểu được hành vi của nhóm.

Triads xảy ra tự nhiên trong các mối quan hệ, và nhiều mạng xã hội trên mạng Internet đã tận dụng ý tưởng này để thúc đẩy mối quan hệ giữa những người tham gia. Mật độ kết nối quan trọng đối với bất kỳ loại mạng xã hội nào bởi vì một mạng kết nối có thể lan truyền thông tin và chia sẻ nội dung dễ dàng hơn. Ví dụ, khi LinkedIn, mạng xã hội chuyên nghiệp, quyết định tăng mật độ kết nối mạng, nó bắt đầu bằng cách tìm kiếm các bộ ba mở và cố gắng đóng chúng bằng cách mời mọi người kết nối. Bế mạc các bộ ba là nền tảng của Thuật toán Đề xuất Kết nối của LinkedIn. Bạn có thể khám phá thêm về cách hoạt động bằng cách đọc câu trả lời của Quora.

Ví dụ ở đây dựa vào đồ thị mẫu Karate Club của Zachary. Đó là một biểu đồ nhỏ cho phép bạn xem các mạng hoạt động như thế nào mà không tốn nhiều thời gian để tải một tập dữ liệu lớn. May mắn thay, tập dữ liệu này xuất hiện như một phần của gói networkx . Mạng lưới Câu lạc bộ Karate của Zachary thể hiện mối quan hệ bạn bè giữa 34 thành viên của một câu lạc bộ karate từ năm 1970 đến năm 1972. Nhà xã hội học Wayne W. Zachary đã sử dụng nó như một chủ đề nghiên cứu. Ông đã viết một bài báo có tiêu đề "Một mô hình dòng chảy thông tin cho xung đột và sự phân hạch trong các nhóm nhỏ. "Sự thật thú vị về đồ thị này và bài báo của nó là trong những năm đó, một cuộc xung đột xảy ra trong câu lạc bộ giữa một trong những người hướng dẫn karate (số nút 0) và chủ tịch câu lạc bộ (số nút 33). Bằng cách nhóm đồ thị, bạn hầu như có thể dự đoán sự phân chia của câu lạc bộ thành hai nhóm ngay sau khi sự kiện xảy ra.

Bởi vì ví dụ này cũng vẽ một đồ thị hiển thị các nhóm (để bạn có thể hình dung chúng dễ dàng hơn), bạn cũng cần sử dụng gói matplotlib . Đoạn mã sau đây chỉ ra cách vẽ các nút và cạnh của tập dữ liệu.

nhập mạngx như nhập khẩu matxlotis nx

. pyplot như plt

% matplotlib nội tuyến

đồ thị = nx. karate_club_graph ()

pos = nx. spring_layout (đồ thị)

nx. vẽ (đồ thị, pos, with_labels = Đúng)

plt. show ()

Để hiển thị đồ họa trên màn hình, bạn cũng cần cung cấp bố cục xác định cách định vị các nút trên màn hình. Ví dụ này sử dụng thuật toán điều khiển bằng lực Fruchterman-Reingold (gọi đến nx. Spring_layout ). Hình này cho thấy kết quả từ ví dụ. (Đầu ra của bạn có thể hơi khác một chút.)

Biểu đồ cho biết các nhóm các mối quan hệ giữa bạn bè.

Thuật toán sử dụng lực Fruchterman-Reingold để tạo ra bố cục tự động của các đồ thị tạo ra các bố cục dễ hiểu với các nút và cạnh tách ra không có xu hướng tương tự như những gì xảy ra trong vật lý giữa các hạt tích điện hoặc nam châm mang cùng một dấu hiệu. Trong việc xem đồ thị, bạn có thể thấy rằng một số nút chỉ có một kết nối, một số hai, và một số hơn hai.Các cạnh tạo thành các bộ ba, như đã đề cập ở trên. Tuy nhiên, xem xét quan trọng nhất là con số này cho thấy rõ ràng sự phân cụm xảy ra trong mạng xã hội.