Klynger sociale netværk i grupper - dummier

Folk har en tendens til at danne samfund - klynger af andre mennesker, der har ideer og følelser. Ved at studere disse klynger bliver tildeling af visse adfærd til gruppen som helhed lettere (selvom tilskrivning af adfærd til en person er både farlig og upålidelig).

Ideen bag studiet af klynger er, at hvis der er en forbindelse mellem mennesker, har de ofte et fælles sæt ideer og mål. Ved at finde klynger kan du bestemme disse ideer ved at inspicere gruppemedlemskab. For eksempel er det almindeligt at forsøge at finde klynger af mennesker i forsikringssvindel afsløring og skatteinspektion. Uventede grupper af mennesker kan rejse mistanke om, at de er en del af en gruppe svindlere eller skattefordelere, fordi de mangler de sædvanlige grunde til, at folk kan samles under sådanne omstændigheder.

Venskabskurver kan repræsentere, hvordan folk forbinder hinanden. Hvirvlerne repræsenterer individer, og kanterne repræsenterer deres forbindelser, såsom familieforhold, forretningskontakter eller venskabsbånd. Typisk venstedsgrafer er ikke-direkte, fordi de repræsenterer gensidige relationer, og nogle gange er de vægtet til at repræsentere styrken af ​​bindingen mellem to personer.

Mange undersøgelser fokuserer på uindirekte grafer, der kun koncentrerer sig om foreninger. Du kan også bruge rettede grafer til at vise, at Person A ved om Person B, men Person B ved ikke engang, at Person A eksisterer. I dette tilfælde har du faktisk 16 forskellige slags triader at overveje.

Når man kigger efter klynger i en vennegraf, afhænger forbindelserne mellem knudepunkter i disse klynger af triader - i det væsentlige specielle typer trekanter. Forbindelser mellem tre personer kan falde ind under disse kategorier:

• Lukket: Alle tre personer kender hinanden. Tænk på en familieindstilling i denne sag, hvor alle kender alle andre.
• Åben: En person kender to andre mennesker, men de to andre kender ikke hinanden. Tænk på en person, der kender en person på arbejde og en anden person hjemme, men den enkelte på arbejdspladsen ved ikke noget om den enkelte derhjemme.
• Forbundet par: En person kender en af ​​de andre mennesker i en triade, men kender ikke den tredje person. Denne situation involverer to personer, som ved noget om hinanden, møder nogen ny - en person, der potentielt vil være en del af gruppen.
• Ikke forbundet: Triaden danner en gruppe, men ingen i gruppen kender hinanden. Denne sidste kan virke lidt underligt, men tænk på en konference eller et seminar.Folkene på disse begivenheder danner en gruppe, men de ved måske ikke noget om hinanden. Men fordi de har lignende interesser, kan du bruge clustering til at forstå gruppens opførsel.

Triads forekommer naturligt i relationer, og mange internet sociale netværk har udnyttet denne ide for at fremskynde forbindelserne mellem deltagere. Tætheden af ​​forbindelser er vigtig for enhver form for socialt netværk, fordi et tilsluttet netværk kan sprede information og dele indhold lettere. For eksempel, da LinkedIn, det professionelle sociale netværk, besluttede at øge forbindelsesdensiteten i sit netværk, begyndte det at søge åbne triader og forsøge at lukke dem ved at invitere folk til at forbinde. Lukningstriader er på grundlag af Linkedins Connection Suggestion-algoritme. Du kan finde ud af mere om, hvordan det virker ved at læse Quora's svar.

Eksemplet her er baseret på Zacharys Karate Club-prøvegraf. Det er en lille graf, der lader dig se, hvordan netværk fungerer uden at bruge meget tid på at lægge et stort datasæt. Heldigvis vises dette datasæt som en del af pakken networkx . Zacharys karate klub netværk repræsenterer venskabsforhold mellem 34 medlemmer af en karate klub fra 1970 til 1972. Sociologen Wayne W. Zachary brugte det som et emne for undersøgelse. Han skrev et papir om det med titlen "En informationsstrømningsmodel for konflikt og fission i små grupper. "Den interessante kendsgerning om denne graf og dens papir er, at der i disse år opstod en konflikt i klubben mellem en karate instruktør (knudepunkt 0) og klubbens præsident (knude nummer 33). Ved at klynge grafen kan du næsten perfekt forudse splittelsen af ​​klubben i to grupper kort efter forekomsten.

Da dette eksempel også tegner en graf, der viser grupperne (så du kan visualisere dem lettere), skal du også bruge pakken matplotlib . Den følgende kode viser, hvordan man graver knudepunkter og kanter af datasættet.

import networkx som nx

import matplotlib. pyplot som plt

% matplotlib inline

graf = nx. karate_club_graph ()

pos = nx. spring_layout (graf)

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

plt. show ()

For at vise den grafiske skærm, skal du også give et layout, der bestemmer, hvordan du placerer knuderne på skærmen. Dette eksempel bruger Fruchterman-Reingold-kraftstyret algoritme (kaldet til nx. Spring_layout ). Figuren viser output fra eksemplet. (Din output kan se lidt anderledes ud.)

En graf, der viser netværksklynger af forhold mellem venner. Frugerman-Reingold-kraftstyret algoritme til generering af automatiske layouter af grafer skaber forståelige layouter med adskilte knudepunkter og kanter, der ikke har tendens til at krydse ved at efterligne, hvad der sker i fysikken mellem elektrisk ladede partikler eller magneter, der bærer det samme tegn. Når man ser på grafudgangen, kan man se, at nogle noder kun har en forbindelse, nogle to og nogle mere end to.Kanterne danner triader som tidligere nævnt. Imidlertid er det vigtigste overvejelse, at figuren tydeligt viser den sammenklumpning, der forekommer i et socialt netværk.