際際滷

際際滷Share a Scribd company logo
Matteo Moreno | Matricola 722172 | Anno Accademico 2015/2016
Analisi Riconoscimento
Reti Sociali
PAGINA 1
Introduzione
Per questo progetto ho utilizzato lapi di Facebook Netvizz v1.3 e ho focalizzato la
mia attenzione sul gruppo pubblico Facolt Medicina e Chirurgia  Varese al fine di
analizzare i comportamenti e le interazioni allinterno del gruppo. Per lelaborazione
dei dati ho utilizzato il software gratuito Gephi 0.9.1 che fornisce vari modi per
modificare e rappresentare i dati.
Preparazione dati
La prima fase consiste nel ricavare i dati su cui focalizzare lattenzione. A questo
scopo utilizziamo un api messa a disposizione da Facebook che si chiama Netvizz.
Per prima cosa si accede tramite proprio username e password a Facebook e, nella
barra di ricerca, digitiamo il nome del servizio Netvizz. Dopo averlo cliccato,
accediamo effettivamente alla homepage dellapi e, tra le varie voci elencate, andiamo
a selezionare group data. Questo ci permetter di ottenere i dati relativi ad un
gruppo che per嘆 deve essere pubblico, in quanto questa funzionalit non 竪
supportata per i gruppi privati. Il gruppo su cui ho deciso di porre lattenzione 竪
Facolt Medicina e Chirurgia  Varese
(https://www.facebook.com/groups/14810332916/) che ha 1691 membri. Ora bisogna
utilizzare Lookup-ID per ottenere lid relativo al nostro gruppo. Bisogna quindi
collegarsi al sito (https://lookup-id.com/) e copiare lURL del gruppo di medicina e
premere Lookup. Una volta terminata loperazione verr fornito lID del gruppo
(14810332916) che va copiato e inserito nella home di Netvizz, nella casella di testo di
fianco alla scritta group id. Lultimo passo consiste nello scegliere il numero di post
da scaricare tramite lapi (竪 possibile selezionare un massimo di 999 post). Di seguito
riporto la schermata relativa alla mia acquisizione dati tramite Netvizz.
Una volta compilati i campi, bisogna fare click su get group data per poter scaricare
un file zip contenente i file che ci interessano per poter analizzare il gruppo in
oggetto.
PAGINA 2
Importazione dati in Gephi
Nel file .zip scaricato in precedenza, il file che pi湛 ci interessa 竪 quello con
lestensione .gdf, che nel mio caso 竪 group_14810332916_2016_07_28_15_35_44.gdf. A
questo punto apriamo Gephi e andiamo ad importare il file descritto prima nel
seguente modo.
Per lopzione Graph Type scegliamo undirect altrimenti verrebbero disegnati tutti i
collegamenti di un nodo con gli altri nodi, di qualsiasi livello. Da questa schermata,
inoltre, vediamo anche che ci sono 1230 nodi e 2775 archi. Eseguito questo passo,
facciamo click su ok e avverr leffettivo caricamento del file .gdf che avr questo
aspetto.
PAGINA 3
Elaborazione dati
Applichiamo il primo algoritmo. Nella scheda Layout in basso a sinistra scegliamo
ForceAtlas 2 e spuntiamo Prevent Overlap. ForceAtlas2 竪 un algoritmo che calcola
la correlazione tra nodi, li pesa e li raggruppa in cluster omogenei. A questo punto
facciamo click su Run e vediamo come lalgoritmo modifica la struttura del nostro
grafo di partenza.
Lalgoritmo arriva ad una convergenza in cui i nodi non si muovono pi湛, o quasi. Il
risultato finale sar che i nodi con forti interazioni verranno raggruppati tra loro e gli
altri isolati. Fatto ci嘆, spostiamoci sulla parte destra dello schermo, nella scheda
statistiche e facciamo Run su Average Degree e Avg. Path Length. Il primo indica
il numero medio di connessioni, mentre il secondo indica il numero medio di passi
per il percorso pi湛 breve tra tutte le possibili coppie di nodi.
PAGINA 4
Nel men湛 a tendina sul lato sinistro con scritto choose rank parameter, ora che
abbiamo calcolato le due statistiche precedenti, possiamo scegliere Beetweness
Centrality e con la seconda icona dei cerchi concentrici scegliamo la dimensione
minima e massima dei nodi (io ho scelto min=10 e max=50) e infine facciamo click
su Apply.
Fatto ci嘆, torniamo al men湛 Statistics e clickiamo Run su Modularity. Poi in alto
a sinistra nel men湛 a tendina, possiamo scegliere il criterio di partizionamento
Modularity Class, che cerca i nodi che sono pi湛 densamente collegati tra loro
rispetto al resto della rete, in modo da ottenere colori che indicano le diverse
comunit determinate da questo algoritmo.
PAGINA 5
Come ulteriore step possiamo selezionare type_post, sempre nel men湛 a tendina in
alto a sinistra, in modo da avere una migliore idea sulla composizione della rete.
Conclusioni
Tramite l'uso di Netvizz, dal gruppo Facolt Medicina e Chirurgia  Varese 竪 stato
possibile estrapolare i dati che rappresentano gli utenti ed i post nel gruppo (ossia i
nodi) e le relazioni che gli utenti hanno con i post (ossia gli archi). Come 竪 possibile
vedere anche dallimmagine sopra e dal "Data Laboratory" messo a disposizione da
Gephi, i post non sono omogenei, ma di diversi tipi: video (blu), stati (verde), link
(rosa), foto (azzurro) o eventi (giallo); 竪 poi presente anche la componente user
(nero), che rappresenta gli utenti che hanno effettuato delle azioni verso i post di cui
sopra (quali ad esempio commento, aver messo mi piace, condivisione del post).
In base a questi elementi, si pu嘆 ipotizzare che il gruppo in questione possa
assomigliare ad una rete di affiliazione, nella quale i post hanno il ruolo dei punti
focali e gli utenti sono gli individui che interagiscono con i punti focali. I post non
rispecchiano a pieno la vera definizione di punto focale (ovvero entit attorno a cui
attivit comuni sono organizzate), ma li si pu嘆 considerare, divisi nelle tipologie
discusse in precedenza, come gli argomenti trattati all'interno del gruppo e di
interesse intorno a cui l'attivit del gruppo di medicina e chirurgia si sviluppa.
Posizionando il cursore sopra un utente (nodo nero), si pu嘆 notare come sussista un
arco utente-post solo nel caso in cui lutente abbia effettuato unazione verso un
particolare post (in questo caso verso dei link, degli stati e delle foto).
PAGINA 6
Se invece posizioniamo il cursore su un nodo che rappresenta uno stato, come viene
evidenziato dalla foto seguente, notiamo che vengono evidenziati tutti gli utenti che
con questo particolare post hanno interagito.
Dalle ultime due immagini notiamo come non ci siano archi diretti tra post diversi
puntati dallo stesso utente, oppure non sono presenti archi diretti fra utenti diversi
che hanno interagito con lo stesso post.
PAGINA 7
Potremmo per嘆 ipotizzare che siano presenti dei legami impliciti tra utenti diversi
che puntano allo stesso post oppure tra diversi post che sono puntati dallo stesso
utente. Questo potrebbe portare ad unevoluzione temporale della rete in questione:
si potrebbe verificare il caso in cui degli utenti che sono amici tra di loro andranno
ad interagire sulle stesse tipologie di post (figura 1), oppure che utenti diversi che
hanno interagito ad uno stesso post possano diventare tra di loro amici (figura 2).
Figura 2: il link A-C 竪
chiusura focale
Figura 1: il link A-C 竪
chiusura per appartenenza

More Related Content

Analisi Gruppo Facebook "Medicina e Chirurgia Varese"

  • 1. Matteo Moreno | Matricola 722172 | Anno Accademico 2015/2016 Analisi Riconoscimento Reti Sociali
  • 2. PAGINA 1 Introduzione Per questo progetto ho utilizzato lapi di Facebook Netvizz v1.3 e ho focalizzato la mia attenzione sul gruppo pubblico Facolt Medicina e Chirurgia Varese al fine di analizzare i comportamenti e le interazioni allinterno del gruppo. Per lelaborazione dei dati ho utilizzato il software gratuito Gephi 0.9.1 che fornisce vari modi per modificare e rappresentare i dati. Preparazione dati La prima fase consiste nel ricavare i dati su cui focalizzare lattenzione. A questo scopo utilizziamo un api messa a disposizione da Facebook che si chiama Netvizz. Per prima cosa si accede tramite proprio username e password a Facebook e, nella barra di ricerca, digitiamo il nome del servizio Netvizz. Dopo averlo cliccato, accediamo effettivamente alla homepage dellapi e, tra le varie voci elencate, andiamo a selezionare group data. Questo ci permetter di ottenere i dati relativi ad un gruppo che per嘆 deve essere pubblico, in quanto questa funzionalit non 竪 supportata per i gruppi privati. Il gruppo su cui ho deciso di porre lattenzione 竪 Facolt Medicina e Chirurgia Varese (https://www.facebook.com/groups/14810332916/) che ha 1691 membri. Ora bisogna utilizzare Lookup-ID per ottenere lid relativo al nostro gruppo. Bisogna quindi collegarsi al sito (https://lookup-id.com/) e copiare lURL del gruppo di medicina e premere Lookup. Una volta terminata loperazione verr fornito lID del gruppo (14810332916) che va copiato e inserito nella home di Netvizz, nella casella di testo di fianco alla scritta group id. Lultimo passo consiste nello scegliere il numero di post da scaricare tramite lapi (竪 possibile selezionare un massimo di 999 post). Di seguito riporto la schermata relativa alla mia acquisizione dati tramite Netvizz. Una volta compilati i campi, bisogna fare click su get group data per poter scaricare un file zip contenente i file che ci interessano per poter analizzare il gruppo in oggetto.
  • 3. PAGINA 2 Importazione dati in Gephi Nel file .zip scaricato in precedenza, il file che pi湛 ci interessa 竪 quello con lestensione .gdf, che nel mio caso 竪 group_14810332916_2016_07_28_15_35_44.gdf. A questo punto apriamo Gephi e andiamo ad importare il file descritto prima nel seguente modo. Per lopzione Graph Type scegliamo undirect altrimenti verrebbero disegnati tutti i collegamenti di un nodo con gli altri nodi, di qualsiasi livello. Da questa schermata, inoltre, vediamo anche che ci sono 1230 nodi e 2775 archi. Eseguito questo passo, facciamo click su ok e avverr leffettivo caricamento del file .gdf che avr questo aspetto.
  • 4. PAGINA 3 Elaborazione dati Applichiamo il primo algoritmo. Nella scheda Layout in basso a sinistra scegliamo ForceAtlas 2 e spuntiamo Prevent Overlap. ForceAtlas2 竪 un algoritmo che calcola la correlazione tra nodi, li pesa e li raggruppa in cluster omogenei. A questo punto facciamo click su Run e vediamo come lalgoritmo modifica la struttura del nostro grafo di partenza. Lalgoritmo arriva ad una convergenza in cui i nodi non si muovono pi湛, o quasi. Il risultato finale sar che i nodi con forti interazioni verranno raggruppati tra loro e gli altri isolati. Fatto ci嘆, spostiamoci sulla parte destra dello schermo, nella scheda statistiche e facciamo Run su Average Degree e Avg. Path Length. Il primo indica il numero medio di connessioni, mentre il secondo indica il numero medio di passi per il percorso pi湛 breve tra tutte le possibili coppie di nodi.
  • 5. PAGINA 4 Nel men湛 a tendina sul lato sinistro con scritto choose rank parameter, ora che abbiamo calcolato le due statistiche precedenti, possiamo scegliere Beetweness Centrality e con la seconda icona dei cerchi concentrici scegliamo la dimensione minima e massima dei nodi (io ho scelto min=10 e max=50) e infine facciamo click su Apply. Fatto ci嘆, torniamo al men湛 Statistics e clickiamo Run su Modularity. Poi in alto a sinistra nel men湛 a tendina, possiamo scegliere il criterio di partizionamento Modularity Class, che cerca i nodi che sono pi湛 densamente collegati tra loro rispetto al resto della rete, in modo da ottenere colori che indicano le diverse comunit determinate da questo algoritmo.
  • 6. PAGINA 5 Come ulteriore step possiamo selezionare type_post, sempre nel men湛 a tendina in alto a sinistra, in modo da avere una migliore idea sulla composizione della rete. Conclusioni Tramite l'uso di Netvizz, dal gruppo Facolt Medicina e Chirurgia Varese 竪 stato possibile estrapolare i dati che rappresentano gli utenti ed i post nel gruppo (ossia i nodi) e le relazioni che gli utenti hanno con i post (ossia gli archi). Come 竪 possibile vedere anche dallimmagine sopra e dal "Data Laboratory" messo a disposizione da Gephi, i post non sono omogenei, ma di diversi tipi: video (blu), stati (verde), link (rosa), foto (azzurro) o eventi (giallo); 竪 poi presente anche la componente user (nero), che rappresenta gli utenti che hanno effettuato delle azioni verso i post di cui sopra (quali ad esempio commento, aver messo mi piace, condivisione del post). In base a questi elementi, si pu嘆 ipotizzare che il gruppo in questione possa assomigliare ad una rete di affiliazione, nella quale i post hanno il ruolo dei punti focali e gli utenti sono gli individui che interagiscono con i punti focali. I post non rispecchiano a pieno la vera definizione di punto focale (ovvero entit attorno a cui attivit comuni sono organizzate), ma li si pu嘆 considerare, divisi nelle tipologie discusse in precedenza, come gli argomenti trattati all'interno del gruppo e di interesse intorno a cui l'attivit del gruppo di medicina e chirurgia si sviluppa. Posizionando il cursore sopra un utente (nodo nero), si pu嘆 notare come sussista un arco utente-post solo nel caso in cui lutente abbia effettuato unazione verso un particolare post (in questo caso verso dei link, degli stati e delle foto).
  • 7. PAGINA 6 Se invece posizioniamo il cursore su un nodo che rappresenta uno stato, come viene evidenziato dalla foto seguente, notiamo che vengono evidenziati tutti gli utenti che con questo particolare post hanno interagito. Dalle ultime due immagini notiamo come non ci siano archi diretti tra post diversi puntati dallo stesso utente, oppure non sono presenti archi diretti fra utenti diversi che hanno interagito con lo stesso post.
  • 8. PAGINA 7 Potremmo per嘆 ipotizzare che siano presenti dei legami impliciti tra utenti diversi che puntano allo stesso post oppure tra diversi post che sono puntati dallo stesso utente. Questo potrebbe portare ad unevoluzione temporale della rete in questione: si potrebbe verificare il caso in cui degli utenti che sono amici tra di loro andranno ad interagire sulle stesse tipologie di post (figura 1), oppure che utenti diversi che hanno interagito ad uno stesso post possano diventare tra di loro amici (figura 2). Figura 2: il link A-C 竪 chiusura focale Figura 1: il link A-C 竪 chiusura per appartenenza