Análise de redes sociais, parte 2

823 visualizações

Publicada em

Segunda parte do curso de Introdução à Análise de Redes Sociais, na UCP Braga.

Publicada em: Educação
0 comentários
2 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

Sem downloads
Visualizações
Visualizações totais
823
No SlideShare
0
A partir de incorporações
0
Número de incorporações
1
Ações
Compartilhamentos
0
Downloads
20
Comentários
0
Gostaram
2
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Análise de redes sociais, parte 2

  1. 1. Análise de redes sociaispara principiantes sem medo2/3Francisco Restivofrestivo@braga.ucp.pt12013-05-23
  2. 2. Sumário• Análise de redes sociais– Métricas dos vértices– Detecção de comunidades• NodeXL– Social Network Importer22013-05-23
  3. 3. Para estudar mais• Rodrigues, Detecção de comunidades nosistema de correio electrónico universitário• Soczka, Modelos de Análise de Redes Sociais eLimitações do Modelo de Equilíbrio Estruturalde Heider• Barabasi, Network Science2013-05-23 3
  4. 4. Métricas dos vértices4• Grau– In/Out• Centralidade– Distância / Proximidade– Intermediação• Eigenvector• PageRank• Clustering2013-05-23
  5. 5. Eigenvector• Definição recursiva: centralidade de um nó é asoma das centralidades de todos os seusvizinhos• Corresponde à definição matemática devector próprio de uma matrizAx= x2013-05-23 5
  6. 6. Matriz de adjacências2013-05-23 6A B HIJKDGECFThanks to Cesar A. Hidalgo, MITA B C D E F G H I J KA 1 1 1 1 1B 1 1C 1D 1 1 1E 1 1 1F 1 1G 1 1H 1 1 1 1 1I 1J 1K 1A 0.218D 0.166E 0.166F 0.125G 0.125B 0.087H 0.049C 0.016I 0.016J 0.016K 0.016Eigenvector:
  7. 7. Eigenfactor2013-05-23 7
  8. 8. PR=Probabilidade de um navegador aleatório visitar o nó.PR=Cada página vota nos seus vizinhos.A E FGHIBKCJDPR(A)=PR(B)/4 + PR(C)/3 + PR(D)+PR(E)/2O navegador aleatório parará de navegar alguresPR(X)=(1-d)/N + d( PR(y)/k(y))PageRankThanks to Cesar A. Hidalgo, MIT82013-05-23F 2.028A 1.656B 1.615C 1.199E 0.933J 0.833G 0.581H 0.581I 0.581D 0.502K 0.493PageRank:
  9. 9. Coeficiente de clustering• Numa comunidade, há uma certatransitividade:se A está ligado a B e B está ligado a C, entãoé bastante provável que A esteja ligado a C(amigo do amigo)• Coeficiente de clustering de um nónúmero de ligações entre os seus vizinhos /máximo de ligações possível92013-05-23
  10. 10. Clustering2013-05-23 10A B HIJKDGECFCA=1/6CC=1/1=1 CE=2/3vizinhos máximo de ligações2 13 34 6k k(k-1)/2Thanks to Cesar A. Hidalgo, MIT
  11. 11. Comunidades• Densidade de rede:número de lados / máximo número de lados• Comunidades:grupos de nós em que a densidade do seu interior émaior que a densidade entre eles112013-05-23
  12. 12. Detecção de comunidades• Usam-se muitos algoritmos– Clauset-Newman-Moore– Wakita-Tsurumi– Girvan-Newman2013-05-23 12
  13. 13. Clauset-Newman-Moore2013-05-23 136 gruposNodeXL_Europe.xlsx
  14. 14. Wakita-Tsurumi2013-05-23 1411 grupos
  15. 15. Girvan-Newman2013-05-23 155 grupos
  16. 16. Cliques• Grupos em que todos os nós estão ligadosentre si (grafos completos)• Muito algoritmos de detecção decomunidades baseiam-se em cliques162013-05-23
  17. 17. Social Network Importer2013-05-23 17
  18. 18. Formatos compatíveis182013-05-22
  19. 19. Facebook fan page2013-05-23 19
  20. 20. Twitter Search Network2013-05-23 20
  21. 21. Desafios• Investigar a rede de amigos no Facebook• Ir à página NodeXL Teaching Resources edescarregar e investigar a rede Les Miserablesco-appearance network2013-05-23 21
  22. 22. Mãos à obra!2013-05-23 22

×