Klynger sosiale nettverk i grupper - dummier

Folk har en tendens til å danne samfunn - klynger av andre mennesker som har like ideer og følelser. Ved å studere disse gruppene blir tildeling av bestemte atferd til gruppen som en helhet lettere (selv om tilskrivning av adferd til en person er både farlig og upålitelig).

Tanken bak studiet av klynger er at hvis det eksisterer en sammenheng mellom mennesker, har de ofte et felles sett med ideer og mål. Ved å finne klynger kan du bestemme disse ideene ved å inspisere gruppemedlemskap. For eksempel er det vanlig å prøve å finne klynger av mennesker i forsikringssvindeloppdagelse og skatteinspeksjon. Uventede grupper av mennesker kan hevde at de er en del av en gruppe svindlere eller skattefordeler fordi de mangler de vanlige grunnene til at folk samles i slike tilfeller.

Vennegrafer kan representere hvordan folk kobler seg til hverandre. Vertexene representerer enkeltpersoner, og kantene representerer deres forbindelser, for eksempel familieforhold, forretningskontakter eller vennskapsbånd. Vanligvis er vennskapsgrafer unngått fordi de representerer gjensidige relasjoner, og noen ganger blir de vektet for å representere styrken av bindingen mellom to personer.

Mange studier fokuserer på ubestemte grafer som kun konsentrerer seg om foreninger. Du kan også bruke rettede grafer for å vise at Person A vet om Person B, men Person B vet ikke engang at Person A eksisterer. I dette tilfellet har du faktisk 16 forskjellige slags triader å vurdere.

Når man ser etter klynger i en vennegraf, er forbindelsene mellom noder i disse klyngene avhengig av triader - i hovedsak spesielle typer trekanter. Forbindelser mellom tre personer kan falle inn i disse kategoriene:

• Lukket: Alle tre personer kjenner hverandre. Tenk på en familieinnstilling i dette tilfellet, der alle vet alle andre.
• Åpen: En person kjenner to andre mennesker, men de to andre kjenner ikke hverandre. Tenk på en person som kjenner en person på jobb og en annen person hjemme, men den enkelte på jobb vet ingenting om individet hjemme.
• Koblet par: En person kjenner en av de andre i en triade, men kjenner ikke den tredje personen. Denne situasjonen involverer to personer som vet noe om hverandre som møter noen nye - noen som potensielt ønsker å være en del av gruppen.
• Ikke forbundet: Triaden danner en gruppe, men ingen i gruppen kjenner hverandre. Denne siste kan virke litt rar, men tenk på en konvensjon eller et seminar.Folkene på disse hendelsene danner en gruppe, men de vet kanskje ikke noe om hverandre. Men fordi de har lignende interesser, kan du bruke clustering for å forstå konsernets oppførsel.

Triads forekommer naturlig i relasjoner, og mange Internett sosiale nettverk har utnyttet denne ideen for å akselerere forbindelsene mellom deltakerne. Tettheten av tilkoblinger er viktig for alle slags sosiale nettverk, fordi et tilkoblet nettverk kan spre informasjon og dele innhold lettere. For eksempel, da LinkedIn, det profesjonelle sosiale nettverket, bestemte seg for å øke forbindelsesdensiteten til nettverket, startet det med å se etter åpne triader og forsøke å lukke dem ved å invitere folk til å koble til. Closing triads er på grunnlag av Linkedins Connection Suggestion-algoritme. Du kan finne ut mer om hvordan det fungerer ved å lese Quoras svar.

Eksemplet her er avhengig av Zacharys Karate Club-prøvegraf. Det er en liten graf som lar deg se hvordan nettverk fungerer uten å bruke mye tid på å laste inn et stort datasett. Heldigvis vises denne datasettet som en del av pakken networkx . Zacharys Karate Club-nettverk representerer vennskapsforholdene mellom 34 medlemmer av en karateklubb fra 1970 til 1972. Sociologen Wayne W. Zachary brukte det som studietema. Han skrev et papir på den med tittelen "En informasjonstrømsmodell for konflikt og fisjon i små grupper. "Det interessante faktumet med denne grafen og dens papir er at i disse årene oppstod en konflikt i klubben mellom en karate instruktør (node ​​nummer 0) og klubbens president (node ​​nummer 33). Ved å klynge grafen, kan du nesten perfekt forutsi delingen av klubben i to grupper kort tid etter forekomsten.

Fordi dette eksemplet også tegner en graf som viser gruppene (slik at du kan visualisere dem lettere), må du også bruke pakken matplotlib . Følgende kode viser hvordan du graver noder og kanter på datasettet.

import networkx som nx

import matplotlib. piplot som plt

% matplotlib inline

graf = nx. karate_club_graph ()

pos = nx. spring_layout (kurve)

nx. tegne (graf, pos, with_labels = True)

plt. show ()

For å vise den grafiske skjermen, må du også gi et oppsett som bestemmer hvordan du plasserer nodene på skjermen. Dette eksemplet bruker Fruchterman-Reingold kraftstyrt algoritme (kallet til nx. Spring_layout ). Figuren viser utgangen fra eksemplet. (Utgangen din kan se litt annerledes ut.)

En graf som viser nettverksklyngene av forhold mellom venner. Frugerman-Reingold kraftstyrt algoritme for generering av automatiske layouter av grafer skaper forståelige layouter med skiltnoter og kanter som ikke har en tendens til å krysse ved å etterligne hva som skjer i fysikken mellom elektrisk ladede partikler eller magneter som bærer samme tegn. Når man ser på grafutgangen, kan man se at noen noder bare har en tilkobling, noen to, og noen flere enn to.Kantene danner triader, som tidligere nevnt. Det viktigste er imidlertid at figuren tydelig viser clustering som skjer i et sosialt nettverk.