Raggruppamento di reti sociali nei gruppi - manichini

Le persone tendono a formare comunità - gruppi di altre persone che hanno idee e sentimenti simili. Studiando questi cluster, l'attribuzione di determinati comportamenti al gruppo nel suo insieme diventa più semplice (sebbene attribuire il comportamento a un individuo sia pericoloso e inaffidabile).

L'idea dietro lo studio dei cluster è che se esiste una connessione tra le persone, spesso hanno un insieme comune di idee e obiettivi. Trovando i cluster, è possibile determinare queste idee controllando l'appartenenza al gruppo. Ad esempio, è comune cercare di trovare gruppi di persone nel rilevamento di frodi assicurative e nell'ispezione fiscale. Gruppi di persone inattese potrebbero sollevare il sospetto che facciano parte di un gruppo di truffatori o di evasori fiscali perché mancano le solite ragioni per cui le persone si riuniscono in tali circostanze.

I grafici di amicizia possono rappresentare il modo in cui le persone si connettono tra loro. I vertici rappresentano gli individui e i bordi rappresentano le loro connessioni, come i rapporti familiari, contatti di lavoro o legami di amicizia. In genere, i grafici di amicizia sono diretti perché rappresentano relazioni reciproche e talvolta sono ponderati per rappresentare la forza del legame tra due persone.

Molti studi si concentrano su grafici non orientati che si concentrano unicamente sulle associazioni. Puoi anche usare i grafici diretti per mostrare che la Persona A conosce la Persona B, ma la Persona B non sa nemmeno che la Persona A esiste. In questo caso, hai in realtà 16 diversi tipi di triadi da considerare.

Quando si cercano i cluster in un grafo di amicizia, le connessioni tra i nodi in questi cluster dipendono dalle triadi, in particolare da tipi speciali di triangoli. I collegamenti tra tre persone possono rientrare in queste categorie:

• Chiuso: Tutte e tre le persone si conoscono. Pensa a un ambiente familiare in questo caso, in cui tutti conoscono tutti gli altri.
• Aperto: Una persona conosce altre due persone, ma le altre due persone non si conoscono. Pensa a una persona che conosce un individuo al lavoro e un altro a casa, ma l'individuo al lavoro non sa nulla sull'individuo a casa.
• Coppia connessa: Una persona conosce una delle altre persone in una triade ma non conosce la terza persona. Questa situazione coinvolge due persone che sanno qualcosa l'una dell'altra incontrando qualcuno di nuovo - qualcuno che potenzialmente vuole far parte del gruppo.
• Non connesso: La triade forma un gruppo, ma nessuno nel gruppo si conosce l'un l'altro. Quest'ultimo potrebbe sembrare un po 'strano, ma pensare a una convention o un seminario.Le persone a questi eventi formano un gruppo, ma potrebbero non sapere nulla l'uno dell'altro. Tuttavia, poiché hanno interessi simili, è possibile utilizzare il clustering per comprendere il comportamento del gruppo.

Le triadi si verificano naturalmente nelle relazioni e molti social network su Internet hanno sfruttato questa idea per accelerare le connessioni tra i partecipanti. La densità delle connessioni è importante per qualsiasi tipo di social network perché una rete connessa può diffondere informazioni e condividere i contenuti più facilmente. Ad esempio, quando LinkedIn, il social network professionale, ha deciso di aumentare la densità di connessione della sua rete, ha iniziato cercando le triadi aperte e cercando di chiuderle invitando le persone a connettersi. La chiusura delle triadi è alla base dell'algoritmo Connection Suggestion di LinkedIn. Puoi scoprire di più su come funziona leggendo la risposta di Quora.

L'esempio qui si basa sul grafico di esempio del Karate Club di Zachary. Si tratta di un piccolo grafico che consente di vedere come funzionano le reti senza impiegare molto tempo a caricare un set di dati di grandi dimensioni. Fortunatamente, questo set di dati appare come parte del pacchetto networkx . La rete del Karate Club di Zachary rappresenta i rapporti di amicizia tra 34 membri di un club di karate dal 1970 al 1972. Il sociologo Wayne W. Zachary lo ha usato come argomento di studio. Ha scritto un articolo intitolato "Un modello di flusso di informazioni per conflitti e fissione in piccoli gruppi. "Il fatto interessante di questo grafico e del suo articolo è che in quegli anni è sorto un conflitto nel club tra uno degli istruttori di karate (nodo numero 0) e il presidente del club (nodo numero 33). Raggruppando il grafico, è possibile prevedere quasi perfettamente la divisione del club in due gruppi poco dopo il verificarsi.

Poiché questo esempio disegna anche un grafico che mostra i gruppi (in modo che sia possibile visualizzarli più facilmente), è inoltre necessario utilizzare il pacchetto matplotlib . Il codice seguente mostra come rappresentare graficamente i nodi e i bordi del set di dati.

import networkx come nx

importa matplotlib. pyplot come plt

% matplotlib inline

graph = nx. karate_club_graph ()

pos = nx. spring_layout (grafico)

nx. disegnare (grafico, pos, with_labels = True)

plt. show ()

Per visualizzare il grafico sullo schermo, è necessario anche fornire un layout che determina come posizionare i nodi sullo schermo. Questo esempio utilizza l'algoritmo diretto dalla forza Fruchterman-Reingold (la chiamata a nx. Spring_layout ). La figura mostra l'output dell'esempio. (L'output potrebbe essere leggermente diverso.)

Un grafico che mostra i cluster di rete delle relazioni tra amici.

L'algoritmo basato sulla forza Fruchterman-Reingold per generare layout automatici di grafici crea layout comprensibili con nodi e bordi separati che tendono a non incrociarsi imitando ciò che accade in fisica tra particelle caricate elettricamente o magneti con lo stesso segno. Osservando l'output del grafico, è possibile vedere che alcuni nodi hanno solo una connessione, alcuni due e alcuni più di due.I bordi formano triadi, come accennato in precedenza. Tuttavia, la considerazione più importante è che la figura mostra chiaramente il clustering che si verifica in un social network.