Mecanismo de sugestão e processo de caracterização de redes sociais

Apresentação em tema: "Mecanismo de sugestão e processo de caracterização de redes sociais"— Transcrição da apresentação:

1 Mecanismo de sugestão e processo de caracterização de redes sociais
Trabalho de Graduação em Ciência da Computação CIn/UFPE Nitai Bezerra da Silva Orientador: Tsang Ing Ren

2 Sumário Problema – Por quê sugerir relacionamentos?
Solução – O mecanismo de sugestão Como – Análise dos padrões de relacionamento Modelos de redes complexas Rede social – A base de dados e o framework Processo de caracterização Mecanismo de Sugestão Filtrar e ordenar Conclusões e Trabalhos Futuros

3 O Problema Rede Social Composição de usuários (nós) e relacionamentos (arestas) Criação dos relacionamentos depende de esforço do usuário Mecanismo simplista Atividade repetitiva

4 Solução Mecanismo inteligente de sugestão Benefícios Particular
Crescimento rápido da rede social Comunitário Facilita o crescimento de todas redes

5 Como Análise dos padrões de relacionamento
Verificar padrões existentes Sugerir nós que seguem o padrão Quais padrões?

6 Redes complexas Tentativa de modelar fenômenos naturais em estruturas de redes Cérebro, colônia de formigas, células biológicas, internet, redes sociais, etc. Evolução dos modelos: Randômico (50’s) por Erodos e Rényi Small world (1998) por Watts e Strogatz Scale free (1999) por Barabási e Albert

7 Redes complexas Modelos caracterizados pela forma em que são criados e pelos vários resultados estatísticos Algumas métricas estatísticas: Grau de um nó Distribuição do grau

8 Redes complexas Coeficiente de agrupamento
É a probabilidade média de que dois nós vizinhos de outro dado nó são também vizinhos entre si Propriedade observada com valor grande no mundo real “É mais provável você conhecer um amigo dos seus amigos do que qualquer outra pessoa aleatoriamente” Melanie Mitchell

9 Modelo Randômico Regra de criação: Cada par de nós está conectado com um probabilidade p uniforme As propriedades chaves mostraram ser totalmente diferentes das observadas no mundo real. A distribuição do grau é aproximadamente Gaussiana O coeficiente de agrupamento é exatamente p

10 Modelo small world Regra de criação: Propriedades:
Comece com um anel onde cada nó liga-se com k dos seus vizinhos mais próximos. Para cada aresta, com pequena probabilidade p religue uma das extremidades da ligação para qualquer outro nó randomicamente escolhido. Propriedades: Distância geodésica média pequena Cresce, até, logaritmicamente com o tamanho da rede Na rede randômica o crescimento é linear Coeficiente de agrupamento Valor muitas vezes maior do que numa rede randômica com mesma quantidade de nós e arestas

11 Modelo scale free Regra de criação: Propriedades:
Inicialmente existe um pequeno número de nós. Em cada passo adiciona-se um novo nó, e é conectado a m nós existentes, para algum m. A probabilidade de fazer uma dessas ligações para um nó i é proporcional ao grau do nó i Ligação preferencial: “Ricos ficam mais ricos” Propriedades: Distribuição do grau seguindo uma lei de potência

12 Rede social – A base de dados e o framework
Duas bases: Usuários Brasileiros Usuários Indianos

13 Processo de caracterização
Como Scale Free Gráfico de distribuição do grau das duas sub redes seguem leis de potência usuários usuários Brasileiros Grau X Frequência Indianos

14 Processo de caracterização
Como Small World Coeficiente de agrupamento expressivo e distância geodésica média pequena Conclusão: As redes analisadas são scale free e small world Sub Rede Coeficiente de Agrupamento Distância geodésica média Quantidade de nós Brasileira 0.1830 3,1454 Indiana 0.3478 3,7722

15 Mecanismo de sugestão Processo consiste de duas etapas:
Filtrar os nós candidatos Seletiva pelos nós com maior probabilidade Ordenar os nós candidatos Mensurar algumas propriedades (índices) Calcular pesos de forma customizada Ponderar os índices e gerar os resultados

16 Mecanismo de sugestão Etapa de Filtrar
Selecionar os nós mais prováveis A rede tem clustering coefficient expressivo! O algorítmo se resume a selecionar os nós com distância geodésica = 2 “É mais provável você conhecer um amigo dos seus amigos do que qualquer outra pessoa aleatoriamente” Melanie Mitchell

17 Mecanismo de sugestão Etapa de ordenar Mensurar 3 índices
medidas de relacionamento entre dois nós São calculados independentemente entre o nó central e cada um dos nós cadidatos Calcular os pesos De forma otimizada e customizada para o usuário

18 Mecanismo de sugestão 3 índices Algumas definições
Cada um é uma métrica de relacionamento entre o nó central e o nó candidato Algumas definições ,onde Mij é o elemento ij da matriz de adjacência

19 Mecanismo de sugestão Índice 1
Mede a quantidade de nós adjacentes ao vértice i e ao vértice j ao mesmo tempo A quantidades de amigos em comum entre a pessoa i e a pessoa j

20 Mecanismo de sugestão Índice 2
Mede a densidade de adjacência do conjunto medido no índice 1 Quão próximas estão estas pessoas Para o exempo acima essa medida é 0,5

21 Mecanismo de sugestão Índice 3
Mede a densidade de adjacência do conjunto união entre os dois sub-conjuntos A diferença para o segundo índice é que este considera distâncias geodésicas de tamanho 3, e não somente 2

22 Mecanismo de sugestão Ponderação otimizada
Utiliza os padrões existentes no conjunto de nós já relacionados ao nó central Pequena mudança na etapa de filtrar para incluir os nós já relacionados Utilização de uma função de otimização para calibrar os índices

23 Mecanismo de sugestão Função de otimização
Calcula a média da posição da classificação dos nós já relacionados ao nó central Quanto menor esse valor melhor os nós já relacionados estão sendo classificados Os nós candidatos mais bem classificados seguem o mesmo padrão

24 Mecanismo de sugestão Nos experimentos a calibragem foi feita manualmente baseada na função de otimização Resultados: Sub-rede Peso 1 Peso 2 Peso 3 Qtd de vértices adjacentes ao vértice central Função de otimização Brasileira 10 3 180 461 513,60 Indiana -38 -11 100 535 272,65

25 Conclusões e trabalhos futuros
O mecanismo de sugestão convergiu como esperado O aprofundamento no entendimento de redes sociais abre possibilidades para aplicações comerciais Sugestor de produtos em redes de venda pela internet Sugestor de filmes em rede de locadora, etc. Mehorias no mecanismo: Implementação do mecanismo de calibragem automático Melhoria e criação de mais índices Outras pesquisas: Executar mais testes com sub redes de outras regiões geográficas Utilização do feedback do usuário como medida de ajuste

26 Dúvidas?