![Метрологический анализ в социальных сетях 85
ИЗВ. ВУЗОВ. ПРИБОРОСТРОЕНИЕ. 2011. Т. 54, № 3
УДК 681.3.069, 681.324
А. В. СЕМЁНОВ, А. В. БУХАНОВСКИЙ
МЕТРОЛОГИЧЕСКИЙ АНАЛИЗ В СОЦИАЛЬНЫХ СЕТЯХ
Рассматриваются особенности экспериментального определения количествен-
ных и статистических характеристик виртуальных социальных сообществ в се-
ти Интернет.
Ключевые слова: социальная сеть, виртуальные сообщества, погрешность
измерений, статистические измерения.
Современный Интернет в свете парадигмы Web 2.0 характеризуется интенсивным разви-
тием социальных сетей. Социальная сеть представляет собой структурированный web-сайт,
включающий в себя профили пользователей (информация, представленная ими самостоятель-
но), связанные между собою различными способами („друзья“, „поклонники“ и пр.). В настоя-
щее время крупнейшей социальной сетью в мире является сеть FaceBook (около 500 млн поль-
зователей). Русскоязычная социальная сеть vkontakte.ru содержит около 100 млн пользователей
и является одним из самых популярных web-сайтов России. Помимо этого существует значи-
тельное число тематических социальных сетей меньшего размера, включая профессиональные
виртуальные сообщества [1].
Социальные сети являются принципиально новым объектом социологических измере-
ний, поскольку представляют собой виртуальные „слепки“ общественных отношений в сети
Интернет, воспроизводящие с определенной долей достоверности структуру контактов между
людьми в реальном обществе. С этим связано появление новых методов экспериментальных
исследований, в частности, метода виртуальных этнографий [2]. Однако их продвижение тре-
бует развития соответствующего метрологического обеспечения, гарантирующего проведение
различных измерений с заданной точностью и достоверностью в рамках единой системы. Это
позволяет на общей основе сопоставлять результаты измерений, выполненных в разное время
на примере различных сетей, с использованием разных методов и средств измерений.
Одним из наиболее востребованных приложений анализа социальных сетей является
выявление скрытых сообществ: групп пользователей, объединяемых общей неформальной
идеей и состоящих в непосредственном общении между собой. Объектом измерений в дан-
ном случае выступает графовая структура с нетривиальными топологическими свойствами —
комплексная сеть [3], ассоциированная виртуальному сообществу. Методы измерений стро-
ятся на основе алгоритмов поиска топологических структур на данном графе, а средствами
измерений являются реализующие их поисковые роботы (web-crawler), выполняющие проце-
дуру прямых измерений характеристик сообществ: их числа, количества членов, структуры
связей. На их основе выполняются косвенные измерения различных топологических характе-
ристик. В частности, внутренняя структура сообщества характеризуется такими величинами,
как диаметр, средняя длина пути, коэффициенты связности и централизации, распределение
степеней вершин. Напротив, для описания свойств сообщества по отношению ко всей сети
используются такие характеристики, как количество связей, направленных наружу, количество
внешних участников, имеющих более одной связи с членами сообщества, а также метрики,
описывающие „перемычки“, или „мосты“ между отдельными слабосвязанными сообществами.
В связи с высокой вычислительной сложностью алгоритмов определения данных харак-
теристик на всей социальной сети процедура их измерения основывается на методе двухэтап-
ного сканирования структуры сообщества. На первом этапе средствами поисковых роботов
самой социальной сети выявляются стартовые профили, формально соответствующие заданной](https://image.slidesharecdn.com/5620-140709050019-phpapp01/85/-1-320.jpg)
![86 А. В. Семенов, А. В. Бухановский
ИЗВ. ВУЗОВ. ПРИБОРОСТРОЕНИЕ. 2011. Т. 54, № 3
топологии, на втором выполняется последовательный обход смежных узлов сети с проверкой
принадлежности к сообществу. Как следствие, погрешность измерений зависит от двух фак-
торов: количества стартовых профилей на первом этапе процедуры и их релевантности фор-
мальному описанию члена сообщества. Степень релевантности определяется характеристи-
ками алгоритма поисковой машины самой социальной сети и порождает неустранимую инст-
рументальную погрешность измерений. Количество стартовых профилей определяет погреш-
ность статистических измерений; ее величина обратно пропорциональна средней степени
вершин в социальной сети.
Дополнительным источником погрешности измерений характеристик сообществ являются
нестационарность и структурная изменчивость, связанная с процессами самомодерации и самоор-
ганизации в социальной сети. Величина погрешности во многом определяется конъюнктурой
тематики, определяющей вхождение новых членов в сообщество (например, при обсуждении
каких-либо „громких“ событий) и не может быть определена априори. Для ее учета может быть
использован метод последовательных серий, позволяющий итерационно уточнять значения изме-
ренных характеристик, одновременно оценивая тенденцию изменения погрешности.
Существенная зависимость характеристик составляющих погрешности от топологии
сети и внешних факторов, обусловливающих ее динамику, приводит к необходимости вы-
полнения метрологического анализа с использованием численных алгоритмов модели-
рования комплексных сетей, идентифицированных по интегральным данным измерений [4].
Это дает возможность, применяя метод Монте-Карло, строить интервальные оценки выбо-
рочных оценок характеристик сообщества и обосновывать выбор числа стартовых профилей
и вложенности обходов в измерительной процедуре.
Работа выполнена при частичной поддержке ФЦП „Научные и научно-педагогические
кадры инновационной России“ на 2007—2013 гг., проекта „Интеллектуальные технологии
распределенных вычислений для моделирования сложных систем“, а также проектов в рам-
ках реализации постановлений Правительства РФ № 218 „О мерах государственной поддерж-
ки развития кооперации российских высших учебных заведений и организаций, реализую-
щих комплексные проекты по созданию высокотехнологичного производства“ и № 220
„О мерах по привлечению ведущих ученых в российские образовательные учреждения выс-
шего профессионального образования“.
СПИСОК ЛИТЕРАТУРЫ
1. Hu D., Kaza S., Chen Н. Identifying Significant Facilitators of DarkNetwork Evolution // J. American Society for
Inf. Sci. and Techn. 2009. Vol. 60, N 4. P. 655—665.
2. Ameripour A., Newman M., Nicholson B. A. Convivial Tool? // The Case of the Internet in Iran. J. of Inf. Techn.
2010. Vol. 25. Р. 244—257.
3. Boccara N. Modeling Complex Systems. NY: Springer, 2004. 397 p.
4. Иванов С. В., Колыхматов И. И., Бухановский А. В. Параллельные алгоритмы моделирования комплексных
сетей // Изв. вузов. Приборостроение. 2008. Т. 51, № 10. C. 5—12.
Сведения об авторах
Александр Валерьевич Бухановский — д-р техн. наук, профессор; НИИ Наукоемких компьютерных техноло-
гий Санкт-Петербургского государственного университета информа-
ционных технологий, механики и оптики; директор;
E-mail: avb_mail@mail.ru
Александр Владимирович Семёнов — аспирант; Санкт-Петербургский государственный университет ин-
формационных технологий, механики и оптики, кафедра информаци-
онных систем; E-mail: avsemyonov@gmail.com
Рекомендована кафедрой
информационных систем
Поступила в редакцию
13.01.11 г.](https://image.slidesharecdn.com/5620-140709050019-phpapp01/85/-2-320.jpg)
More Related Content
Similar to МЕТРОЛОГИЧЕСКИЙ АНАЛИЗ В СОЦИАЛЬНЫХ СЕТЯХ (20)
More from ITMO University (20)
МЕТРОЛОГИЧЕСКИЙ АНАЛИЗ В СОЦИАЛЬНЫХ СЕТЯХ
- 1. Метрологический анализ в социальных сетях 85 ИЗВ. ВУЗОВ. ПРИБОРОСТРОЕНИЕ. 2011. Т. 54, № 3 УДК 681.3.069, 681.324 А. В. СЕМЁНОВ, А. В. БУХАНОВСКИЙ МЕТРОЛОГИЧЕСКИЙ АНАЛИЗ В СОЦИАЛЬНЫХ СЕТЯХ Рассматриваются особенности экспериментального определения количествен- ных и статистических характеристик виртуальных социальных сообществ в се- ти Интернет. Ключевые слова: социальная сеть, виртуальные сообщества, погрешность измерений, статистические измерения. Современный Интернет в свете парадигмы Web 2.0 характеризуется интенсивным разви- тием социальных сетей. Социальная сеть представляет собой структурированный web-сайт, включающий в себя профили пользователей (информация, представленная ими самостоятель- но), связанные между собою различными способами („друзья“, „поклонники“ и пр.). В настоя- щее время крупнейшей социальной сетью в мире является сеть FaceBook (около 500 млн поль- зователей). Русскоязычная социальная сеть vkontakte.ru содержит около 100 млн пользователей и является одним из самых популярных web-сайтов России. Помимо этого существует значи- тельное число тематических социальных сетей меньшего размера, включая профессиональные виртуальные сообщества [1]. Социальные сети являются принципиально новым объектом социологических измере- ний, поскольку представляют собой виртуальные „слепки“ общественных отношений в сети Интернет, воспроизводящие с определенной долей достоверности структуру контактов между людьми в реальном обществе. С этим связано появление новых методов экспериментальных исследований, в частности, метода виртуальных этнографий [2]. Однако их продвижение тре- бует развития соответствующего метрологического обеспечения, гарантирующего проведение различных измерений с заданной точностью и достоверностью в рамках единой системы. Это позволяет на общей основе сопоставлять результаты измерений, выполненных в разное время на примере различных сетей, с использованием разных методов и средств измерений. Одним из наиболее востребованных приложений анализа социальных сетей является выявление скрытых сообществ: групп пользователей, объединяемых общей неформальной идеей и состоящих в непосредственном общении между собой. Объектом измерений в дан- ном случае выступает графовая структура с нетривиальными топологическими свойствами — комплексная сеть [3], ассоциированная виртуальному сообществу. Методы измерений стро- ятся на основе алгоритмов поиска топологических структур на данном графе, а средствами измерений являются реализующие их поисковые роботы (web-crawler), выполняющие проце- дуру прямых измерений характеристик сообществ: их числа, количества членов, структуры связей. На их основе выполняются косвенные измерения различных топологических характе- ристик. В частности, внутренняя структура сообщества характеризуется такими величинами, как диаметр, средняя длина пути, коэффициенты связности и централизации, распределение степеней вершин. Напротив, для описания свойств сообщества по отношению ко всей сети используются такие характеристики, как количество связей, направленных наружу, количество внешних участников, имеющих более одной связи с членами сообщества, а также метрики, описывающие „перемычки“, или „мосты“ между отдельными слабосвязанными сообществами. В связи с высокой вычислительной сложностью алгоритмов определения данных харак- теристик на всей социальной сети процедура их измерения основывается на методе двухэтап- ного сканирования структуры сообщества. На первом этапе средствами поисковых роботов самой социальной сети выявляются стартовые профили, формально соответствующие заданной
- 2. 86 А. В. Семенов, А. В. Бухановский ИЗВ. ВУЗОВ. ПРИБОРОСТРОЕНИЕ. 2011. Т. 54, № 3 топологии, на втором выполняется последовательный обход смежных узлов сети с проверкой принадлежности к сообществу. Как следствие, погрешность измерений зависит от двух фак- торов: количества стартовых профилей на первом этапе процедуры и их релевантности фор- мальному описанию члена сообщества. Степень релевантности определяется характеристи- ками алгоритма поисковой машины самой социальной сети и порождает неустранимую инст- рументальную погрешность измерений. Количество стартовых профилей определяет погреш- ность статистических измерений; ее величина обратно пропорциональна средней степени вершин в социальной сети. Дополнительным источником погрешности измерений характеристик сообществ являются нестационарность и структурная изменчивость, связанная с процессами самомодерации и самоор- ганизации в социальной сети. Величина погрешности во многом определяется конъюнктурой тематики, определяющей вхождение новых членов в сообщество (например, при обсуждении каких-либо „громких“ событий) и не может быть определена априори. Для ее учета может быть использован метод последовательных серий, позволяющий итерационно уточнять значения изме- ренных характеристик, одновременно оценивая тенденцию изменения погрешности. Существенная зависимость характеристик составляющих погрешности от топологии сети и внешних факторов, обусловливающих ее динамику, приводит к необходимости вы- полнения метрологического анализа с использованием численных алгоритмов модели- рования комплексных сетей, идентифицированных по интегральным данным измерений [4]. Это дает возможность, применяя метод Монте-Карло, строить интервальные оценки выбо- рочных оценок характеристик сообщества и обосновывать выбор числа стартовых профилей и вложенности обходов в измерительной процедуре. Работа выполнена при частичной поддержке ФЦП „Научные и научно-педагогические кадры инновационной России“ на 2007—2013 гг., проекта „Интеллектуальные технологии распределенных вычислений для моделирования сложных систем“, а также проектов в рам- ках реализации постановлений Правительства РФ № 218 „О мерах государственной поддерж- ки развития кооперации российских высших учебных заведений и организаций, реализую- щих комплексные проекты по созданию высокотехнологичного производства“ и № 220 „О мерах по привлечению ведущих ученых в российские образовательные учреждения выс- шего профессионального образования“. СПИСОК ЛИТЕРАТУРЫ 1. Hu D., Kaza S., Chen Н. Identifying Significant Facilitators of DarkNetwork Evolution // J. American Society for Inf. Sci. and Techn. 2009. Vol. 60, N 4. P. 655—665. 2. Ameripour A., Newman M., Nicholson B. A. Convivial Tool? // The Case of the Internet in Iran. J. of Inf. Techn. 2010. Vol. 25. Р. 244—257. 3. Boccara N. Modeling Complex Systems. NY: Springer, 2004. 397 p. 4. Иванов С. В., Колыхматов И. И., Бухановский А. В. Параллельные алгоритмы моделирования комплексных сетей // Изв. вузов. Приборостроение. 2008. Т. 51, № 10. C. 5—12. Сведения об авторах Александр Валерьевич Бухановский — д-р техн. наук, профессор; НИИ Наукоемких компьютерных техноло- гий Санкт-Петербургского государственного университета информа- ционных технологий, механики и оптики; директор; E-mail: avb_mail@mail.ru Александр Владимирович Семёнов — аспирант; Санкт-Петербургский государственный университет ин- формационных технологий, механики и оптики, кафедра информаци- онных систем; E-mail: avsemyonov@gmail.com Рекомендована кафедрой информационных систем Поступила в редакцию 13.01.11 г.