і групи зазвичай мають одного лідера, якого можна розглядати як точку центрування, а інших - як його супутники, пов'язані з центральним лідером, але не один з одним. В аналізі Kumar, Novak і Tomkins до таких груп належать одна третина користувачів в Flickr і приблизно десять відсотків в Yahoo! 360.Также варто відзначити, що найбільше зростання відбувається саме на периферії, де активні користувачі підштовхують своїх знайомих до вступу в їх мережу. Це під-мережі можуть з часом приєднатися до центральної частини. Після такого злиття значимість таких активних користувачів знижується. Навіть якщо вони вирішать вийти зі спільноти, інші користувачі все одно залишаться в соціальній мережі.
Малюнок 3.1.3 - Зв'язки між центром і периферійної групою.
Малюнок 3.1.4 - Периферійна група приєднується до центру.
Які з цього можна зробити висновки? При проектуванні своєї мережі потрібно врахувати, що більша її частина буде розташована поза центральній частині. По суті, соціальна мережа представлена ??тисячами під-мереж. Чим більше можливостей ви надасте цих мереж для розвитку, тим більше буде загальне зростання. Соціальні мережі, по суті, - це віртуальні гетто. Ті мережі, які заохочують такі гетто (наприклад, MySpace і Facebook), ростуть швидше за всіх. У Ning, де можна створити як власну соціальну мережу, так і вступати в інші, найкраще усвідомили і використовували цю концепцію. Live Journal, DBLP і адаптаційна поведінка. Більшість соціальних мереж виростають на ентузіазмі перших користувачів, які переводять свої контакти з реального світу в інтернет і виступають у ролі «зірок». Але також важливо розглянути розвиток соціальних мереж, засноване на внутрішній активності користувачів. Backstrom, Huttenlocher і Kleinberg (2006) аналізували створення груп у великих соціальних мережах. Вони використовували дані з LiveJournal про десять мільйонів користувачів і DBLP, базу даних со-авторів в публікаціях з конференцій, щоб вивчити, як зростання спільнот пов'язаний з соціальними мережами, лежачими в їх основі. Вони показали, що у користувача більше стимулів вступити в соціальну мережу, якщо його друзі вже пов'язані в ній один з одним. Кілька тісно пов'язаних в соціальній мережі друзів користувача підвищує довіру до неї. Для тих з нас, хто є активним користувачем соціальної мережі, це здається вже очевидним.
У статті послідовно показано, що основне зростання йде за рахунок великого центру, в якому вузли володіють найбільшим центруванням. Підкреслюючи важливість великого центру, Backstrom, Huttenlocher і Kleinberg підтвердили теорію Kumar та ін. (2006) У їхній статті піднімається дуже важливе питання: «Коли окремий вузол дізнається про поведінку своїх сусідів, які саме умови та зв'язку всередині мережі змушують його це поведінка прийняти? »
. 2 Параметри і характеристики мережі
3.2.1 Кількісні параметри статистичних мереж
Кластеризація. Присутність зв'язків між вершинами А і В, і між В і С призводить до зв'язку між А і С. Або інакше. Якщо В має двох сусідів по мережі А і С, то вони пов'язані один з одним на підставі їх загальної зв'язку з В. В топологічних термінах: існує висока щільність трикутників АВС (в мережі) і кластеризація може бути визначена кількісно, ??виміром цієї щільності:
С (I)=3 * (число трикутників на графі) число зв'язкових трійок вершин)
Розподіл ступеня. Ступінь вершини в мережі - це число ребер з'єднаних із заданою вершиною. У випадковому великому графі кожне ребро присутсвует або відсутній з різним ступенем ймовірності та розподілу ступеня - біноміальний або пуассонівська. Далекі від розподілу Пуассона розподілу ступеня вершин у більшості мереж іскжени зі скосом вправо - розподілу мають довгу хвостову частину.
Еластичність мережі. Ступінь еластичності мереж відноситься до розподілу ступеня при видаленні вершин. Більшість мереж засноване на їх зв'язності, тобто існування шляхів між парами вершин. Якщо вершина видалена з мережі, типова довжина цих шляхів збільшується, і в кінцевому рахунку пари вершин стануть разьедіненнимі. Є ряд способів видалення вершин і різні мережі показують варіацію ступеня еластичності до цих способів. Можна випадково видаляти вершину з мережі або мати ланцюг видалення певного класу вершин (наприклад, з найвищими ступенями).
Коефіцієнт кореляції. Вершина з високим ступенем кореляції має тенденцію бути з'єднаної (в середньому) з вершинами з низьким ступенем, і навпаки. Для кількісної оцінки цього ефекту необхідно виміряти коефіцієнт кореляції ступенів суміжних вершин в мережі.
Структура спільноти. Розділяється групами вершин, що мають високу щільність ребер між ними з більш низькою щільністю ребер між групами. Метод ізвлеиенія структури мережі...
