Социальные сети имеют тенденцию демонстрировать некоторые топологические характеристики, отличные от обычных сетей и случайных сетей, такие как более короткая средняя длина пути и более высокий коэффициент кластеризации, а степень узлов большинства социальных сетей подчиняется экспоненциальному распределению. На основе топологических характеристик реальных социальных сетей создана новая сетевая модель, которая подходит для изображения структуры социальных сетей.
Чтобы выяснить отношения между двумя людьми в социальной сети и использовать локальную информацию о социальной сети и параллельном механизме, существует гибридная стратегия поиска, основанная на случайном и высоком уровне k-walker. Результаты моделирования показывают, что стратегия может значительно сократить среднее количество шагов поиска, чтобы эффективно повысить скорость и эффективность поиска. Так же поиск можно усилить за счёт накрутки лайков, подписчиков, фолловеров, раскрутки группы в социальной сети (например, на сайте: bosslike.ru).
Социальная сеть – это система, которая состоит из межличностных или межгрупповых отношений. В системе индивид выделяется как узел, межличностные или межгрупповые социальные отношения выступают в качестве границы между узлами, и они собираются вместе, образуя социальную сеть. Социальные отношения могут быть разнообразными, например, дружеские отношения между людьми, рабочие отношения между коллегами, брачные отношения между семьями и деловые отношения между компаниями. Социологи хотят, чтобы структурные свойства сети могли обеспечить систематическое объяснение социальных явлений: например, среднее расстояние социальной сети может отражать скорость передачи информации в обществе. Коэффициент кластеризации отражает транзитивность социальных отношений, то есть возможность возникновения социальных связей между человеком и друзьями его друзей. Степень узла отражает частое взаимодействие между социальными структурами. Распределение степени узла отражает социальную стратификацию. Милгрэм пришел к некоторым выводам из исследования социальных отношений следующим образом. [1] Среднее расстояние между любыми двумя людьми в сети составляет 6, что в некоторой степени отражает характер межличностных отношений в маленьком мире, но скорость завершения Милгрэма эксперимент слишком низкий. Впоследствии игра Бэкона о сети сотрудничества киноактеров и число Эрдо о сети сотрудничества математиков подтвердили феномен маленького мира, но они все еще слишком малы по размеру, а статистические свойства сети отношений имеют низкую достоверность. Однако в течение довольно длительного времени после этого случайный граф остается основной теорией и методом анализа сложной структуры сети. Но к концу 20-го века Уоттс и Строгатц открыли маломировую характеристику сложной сети [2], то есть большой коэффициент кластеризации и короткую среднюю длину пути, а Барабаши и Альберт раскрыли безмасштабную природу комплексной сети [3], чтобы установить соответствующие модели, чтобы проиллюстрировать механизм этих характеристик. Тем временем, исследовательская группа Уоттса провела несколько онлайн-экспериментов на небольшом мировом рынке социальных сетей [4]. С тех пор люди начали рассматривать общие характеристики реальных сетей, которые имеют большое количество узлов и сложной структуры, таких как социальные сети, информационные сети, технологические сети и биологические сети.
Ясно, что для понимания корреляции между структурой сети и ее поведением, а также для улучшения поведения сети нам необходимо хорошо понимать структурные особенности реальной сети и на этой основе установить подходящую модель сети. Эксперимент Милграма с маленьким миром раскрывает не только свойство социальных сетей, но и возможность поиска в социальных сетях. Кейнберг впервые показал, что в теории [5] быстрый поиск может быть достигнут в сложных сетях с характеристикой малого мира. С тех пор Watts et al. сделал дальнейшее исследование этой проблемы для социальных сетей [6]. Адамик и Адар проверили некоторые выводы модели социальных сетей Уоттса на основе эксперимента по электронной почте в небольшом мире [7]. Модель сети малого мира WS объясняет свойство социальных сетей smallworld в определенной степени. Однако свойство сети в маленьком мире не обязательно означает, что сеть может быстро выполнять поиск. То, может ли узел в сети найти более короткий или кратчайший путь между любыми другими узлами, зависит от информации о структуре сети узла и стратегии поиска, используемой узлом, и фактической структуры всей сети. Поэтому создание сетевой модели и внедрение эффективной стратегии поиска способствуют нахождению самой короткой цепочки между двумя людьми в социальной сети, и это стало важной темой в анализе социальных сетей.
Использованные источники
[1] S. Milgram, “The small world problem,” Psychology Today, vol. 1, pp. 60–67, 1967. [2] D. J. Watts and S. H. Strogatz, “Collective dynamics of smallworld networks,” Nature, vol. 393, no. 6684, pp. 440–442, 1998. [3] A.-L. Baraba´si and R. Albert, “Emergence of scaling in random networks,” Science, vol. 286, no. 5439, pp. 509–512, 1999. [4] P. S. Dodds, R. Muhamad, and D. J. Watts, “An experimental study of search in global social networks,” Science, vol. 301, no. 5634, pp. 827–829, 2003. [5] J. M. Kleinberg, “Navigation in a small world,” Nature, vol. 406, no. 6798, p. 845, 2000. [6] D. J. Watts, P. S. Dodds, and M. E. J. Newman, “Identity and search in social networks,” Science, vol. 296, no. 5571, pp. 1302– 1305, 2002. [7] L. Adamic and E. Adar, “How to search a social network,” Social Networks, vol. 27, no. 3, pp. 187–203, 2005. [8] P. Fronczak, A. Fronczak, and M. Bujok, “Exponential random graph models for networks with community structure,” Physical Review E, vol. 88, no. 3, Article ID 032810, 2013. [9] M. E. J. Newman and D. J. Watts, “Renormalization group analysis of the small-world network model,” Physics Letters A, vol. 263, no. 4–6, pp. 341–346, 1999. [10] A. Barrat and M. Weigt, “On the properties of small-world network models,” European Physical Journal B, vol. 13, no. 3, pp. 547–560, 2000. [11] R. Cohen and S. Havlin, “Scale-free networks are ultrasmall,” Physical Review Letters, vol. 90, no. 5, Article ID 058701, 2003. [12] A. Fronczak, P. Fronczak, and J. A. Holyst, “Mean-field theory for clustering coefficients in Barabasi-Albert networks,” Physical Review E, vol. 68, no. 4, Article ID 046126, 2003. [13] F. Comellas, J. Ozo´n, and J. G. Peters, “Deterministic smallworld communication networks,” Information Processing Letters, vol. 76, no. 1-2, pp. 83–90, 2000.