X Международная студенческая научная конференция Студенческий научный форум - 2018

Вследствие активного и повсеместного распространения социальных сетей, онлайн-отношения влияют на поведение и деятельность многих людей. В этом исследовании социальные данные определяются следующими четырьмя факторами: объектом, пользователем, направлением и расстоянием. Кроме того, количественно структурированные данные (такие как количество ответов и количество друзей), а также неструктурированные данные (такие как разница между временем возникновения и временем реакции, предпочтениями и типом ответа в отношении действий пользователей социальной сети) на временной оси. Также приводится модель для измерения направления влияния и силы влияния (расстояния). Это исследование моделирует и объясняет процесс, касающийся сбора и анализа данных для измерения влияния, а также методики измерения влияния с использованием выборочных данных.

Введение

Благодаря популярности персональных мобильных устройств и расширению высокоскоростной инфраструктуры мобильного Интернета, услуги социальных сетей (SNS), использующие планшетные ПК и смартфоны, оказывают огромное влияние на нашу повседневную жизнь. Таким образом, социальные сети стали неотъемлемым элементом нашей жизни [1].

Facebook, Twitter, Instagram и VK являются наиболее известными и распространенными социальными сетями. Сервисы, предоставляемые социальными сетями, позволяют пользователям делиться своими мыслями и мнениями с помощью ПК и мобильных устройств в любое время и в любом месте. Это взаимодействие формирует сети межличностных отношений, которые затем приводят к расширению онлайновых межличностных отношений [2-3]. В конечном итоге это оказывает значительное влияние на повседневную жизнь людей.

Некоторые существующие исследования рассматривали деятельность по обмену информацией в социальных сетях как социальный феномен [4-7]. То есть предпринимались попытки количественной оценки и визуализации отношений между объектами, формирующими социальную сеть с целью понимания потока информации и его относительного значения.

Существующие исследования в основном были сосредоточены на измерении степени соединения общих отношений между объектами на статической основе. Они также сосредоточились на измерении и структурировании влияния, которое основано на знании между объектами. Важно понять социальные явления для определения направления влияния и потока информации, анализируя структурированные и неструктурированные данные, а также силу влияния, основанную на объектно-ориентированных межличностных действиях на временной оси. В этом исследовании предлагается методика одновременного измерения направления и силы влияния между пользователями путем сбора и анализа действий, происходящих в социальных сетях.

2 Теоретический обзор и обзор литературы

2.1 Теоретическая основа

Теория социальной сети состоит в том, что множественное число узлов определяет отношения и поведение членов, связанных друг с другом, связывая их с их социальной реляционной структурой [8].

Основное предположение о социальном сетевом подходе, преследующем понимание социального взаимодействия, состоит в том, что реляционная модель между отдельными людьми оказывает влияние на поведение людей [9-10].

В нескольких исследованиях теоретизируется сетевой эффект с помощью модели обработки социальной информации [11-12]. Более того, Вальтер предложил теорию межличностной коммуникации в службах социальных сетей (SNS), в которой говорится о том, как люди узнают друг друга в Интернете без невербальных сигналов, и о том, как они развивают и управляют отношениями в компьютерной среде [13-14].

2.2 Обзор литературы

В нескольких исследованиях было измерено влияние пользователя путем измерения числа подписчиков, твитов и ретвитов в Twitter, которая является одной из наиболее известных и влиятельных социальных сетей [15-16].

Park et al. [17] заметил, что факторы для измерения влияния в Twitter включали количество подписчиков каждого пользователя Twitter (Indegree influence), количество ретвитов (Retweet influence) и количество упоминаний (Mention influence). Он сказал, что эти три фактора будут представлять тип влияния пользователя [17-18].

Более того, Tunkelang измерил влияние, которое учитывает вероятность того, что твитом поделяться другие пользователм в Twitter. Влияние может быть вычислено на основе следующего уравнения [19].

Влияние (X) - это ожидаемое значение числа пользователей, которые прочитали твиты, написанные пользователем X. Followers (X) - это набор пользователей, подписчиков пользователя X, тогда как Following (Y) - это набор пользователей, подписчиков пользователя Y. Если Y является подписчиком X, то мы предполагаем, что Y читает твиты, написанные X с вероятностью 1 /II Following (X) II. То есть мы предполагаем, что Y ретвирует твиты X с вероятностью p. В соответствии с вышеприведенным предположением, Influence (X) представляет количество пользователей, которые будут читать твиты, написанные X.

В дополнении, Lee et al. исследовали методику [20] измерения влияния контента с использованием двух «степеней». Предлагаемая методика измерения влияния содержания показана в приведенном ниже уравнении.

Уравнение измеряет влияние содержания (контента) (cj) на сумму влияний двух степеней. Логарифмическая функция получается добавлением 1 к числу подписчиков и ретвитов. Таким образом, минимальное значение было равно 0. Кроме того, изменение было рассчитано на малое значение в числах.

Liu and Xiang [21] смоделировали методику измерения влияния пользователя, как показано в приведенном ниже уравнении, используя количество подписчиков, твитов и друзей в микроблогах.

В этом уравнении влияние (UIi) пользователя «1» было рассчитано на основании среднего значения деления суммы влияний (UIj) подписчиков «i» на число подписчиков «j» (Nf).

3 Динамический фактор влияния и метод измерения динамического влияния

3.1 Динамические факторы влияния

В этой главе определяются объект, пользователь, направление влияния, сила влияния (или расстояние) в качестве основных факторов, которые влияют на действия между пользователями в отношении конкретного объекта в социальных сетях. Объект - это определенный предмет, который вызывает интерес у пользователя, и такие факторы как: влияние направления, сила влияния (или расстояние) имеют большое значение в качестве объектно-ориентированных элементов измерения влияния (рис.2).

Рисунок 2 - Динамические факторы влияния в социальных сетях

В этом исследовании определяется влияние между пользователями социальной сети на конкретный объект с использованием вышеупомянутых элементов. Затем происходит их классификация на под-факторы для измерения направления влияния и силы воздействия (или расстояния). Затем эти под-факторы используются для измерения влияния между объектами, использующими социальные сети.

Во-первых, направление влияния объясняет различия между пользователями социальной сети в отношении конкретного объекта. Его можно измерить, используя скорость реакции, предпочтение, количество реакций и тип реакции (таблицы 1 и 2).

Во-вторых, сила влияния (или расстояние) представляет родство (или как хорошо пользователи знают друг друга) пользователей социальных сетей в отношении конкретного объекта. Его можно измерить, используя число прямых контактов, количество подписчиков, количество друзей, тип реакции и время реакции.

Таблица 1 - Измерения факторов направления влияния

Индекс измерения	Фактор измерения	Определение операции (рабочее определение)
Направление влияния	Число подписчиков	Количество подписчиков за одно и то же сообщение
	Тип реакции	Тип реакции на пост (лайк(1), комментирование(5), поделился записью(10))
	Промежуток между постом и временем ответа	Разница между временем поста и первым временем ответа (время)
	Предпочтение	Благоприятная реакция (+, позитивное направление) или неблагоприятная реакция (-, негативное направление)

Таблица 2 – Факторы измерения силы влияния (или расстояние)

Индекс измерения	Фактор измерения	Метод измерения
Сила влияния или расстояние	Число прямых контактов	Число взаимодействий
	Число подписчиков	Число подписчиков на пост (количество реакций)
	Число друзей	Число пользователей зарегистрированных как друзья
	Тип реакции	Тип реакции на пост (лайк(1), комментирование(5), поделился записью(10))
	Время ответа	Начальное время ответа на пост

3.2 Метод измерения динамического влияния

В этой главе описывается метод измерения динамического направления воздействия и динамического влияния (или расстояния) на оси времени как основного фактора измерения влияния среди пользователей социальной сети на конкретный объект.

Первоначальное действие происходит от конкретных пользователей относительно конкретного объекта на временной оси. Последующие действия пользователя будут происходить с течением времени. Можно измерить временной промежуток между действиями по следующему уравнению, используя разницу во времени для конкретного объекта и время реакции пользователя.

Где, представляет собой время действия пользователя A, тогда как представляет собой время действия пользователя B. представляет собой временной промежуток между двумя действиями. Если , измеренное на оси времени больше 0, тогда станет влиятельным. Если меньше 0, то станет влиятельным. Если равно 0, то между пользователями не будет влияния.

Можно измерить направление влияния по следующему уравнению.

Где, ID (A → B) ссылается на указатель направления относительно направления воздействия от пользователя A на пользователя B, тогда как относится к времени реакции для пользователя A и относится к времени реакции пользователя B. w относится к значению веса соответствующего предпочтения и типа реакции, а N относится к числу соответствующих реакций поведения. Кроме того, если тип (i) поведения реакции существует для (), тогда можно будет рассчитать индекс направленного окончательного влияния путем суммирования воздействий для каждой реакции

Когда направление влияния между пользователями социальной сети подтверждается, можно измерить силу влияния между пользователями социальной сети с помощью следующего уравнения.

Где, IS (A → B) относится к силе влияния, как для пользователя B, тогда как относится к временному разрыву между причиной поведения пользователя A и реакционным поведением пользователя B. R относится к типу реакционного поведения, тогда как N относится к числу соответствующих реакций поведения. Кроме того, если тип (i) реакционного поведения существует для m-го типа, тогда можно будет вычислить силу влияния суммируя коэффициенты по каждому реакционному поведению.

4 Моделирование метода измерения динамического влияния

4.2 Моделирование

В этом разделе демонстрируется метод измерения динамического влияния путем моделирования процесса, который классифицирует данные выборки, извлеченные из социальной сети, и соответственно измеряет направление влияния и силу воздействия (или расстояние) (рис.3).

Рисунок 3 - Метод измерения динамического воздействия

Во-первых, деятельность на основе собранных данных классифицируются вокруг объекта на временной оси.

Во-вторых, разница между временем первоначальной активности и временем «реагирующей» активности вычисляется с использованием матрицы активности пользователя, которая представляет собой активность пользователя на временной оси.

В-третьих, количественный показатель направления влияния рассчитывается путем инвестирования взвешенного значения для типа и частоты ответных действий.

В-четвертых, количественный показатель силы влияния (или расстояния) рассчитывается путем измерения количества ответов, типа ответных действий и разницы между предыдущим временем причинной активности и следующим временем ответной активности.

4.2 Результаты моделирования

Матрица активности таблицы 3 показывает, что в первом размещенном контенте В показал различные ответные действия о публикации А, включая «Лайк», «Комментарий» и «Поделился записью», C также показал ответные действия о публикации A, включая лайк и поделился записью, D показал ответные действия о размещении B, включая комментарий и поделился записью, и E понравилось содержимое, которым поделился D. Таким образом, A, B, C, D и E представляют собой группу людей, которым нравятся или они заинтересованы в содержании конкретного объекта (темы).

Таблица 3 – Матрица активности пользователя

Пользователь	Время
	10:03	10:05	10:06	10:10	10:23	13:03	15:02	17:01	20:03
A	Пост
		Лайк	Комментарий	Поделился записью (A)
C					Лайк	Поделился записью (A)
D							Комментарий записи (B)	Поделился записью (B)
E									Лайк (D)

Это можно представить на рисунке (рис.4).

Рисунок 4 - Диаграмма активности пользователя (социальной группы людей, которым нравится конкретный объект или тема).

Если мы используем результат матрицы активности пользователя и составим график о взаимосвязи между временем реакции (ответа) и числом реакционной активности, мы можем увидеть, что эти две переменные имеют отрицательную зависимость.

Если мы обобщим результат моделирования матрицы активности пользователя, мы могли бы собирать данные из социальных сетей о действиях, которые происходили в течение определенного периода времени, классифицировать их по объектам (темам) и использовать матрицу активности пользователя, которая организует данные в соответствии с осями пользователя и временем.

Благодаря этому можно найти две вещи.

Во-первых, можно найти пользователей и группы людей, которым нравится или они заинтересованы в определенном объекте (теме).

Также, используя количество действий и пользователей, связанных с определенным объектом (темой или содержанием) в течение определенного периода времени, можно предположить, насколько большое влияние на общество оказал определенный объект (тема или содержание).

Однако, матрица активности пользователей содержит группу пользователей, и она не может показать отношения отдельных пользователей.

В таблице 4 показан результат вычисления направления влияния и силы влияния, который основан на данных из третьей таблицы. Используя матрицу активности в соответствии с предлагаемой формулой и ее значения, основанные на новых факторах влияния, таких как разница между сообщением (постом) и временем ответа, а также предпочтением.

Таблица 4 - Результаты измерений направления влияния и силы воздействия

Пользователь	Направление	Направление влияния (чем меньше значение, тем выше достоверность)	Сила влияния (чем выше значение, тем сильнее влияние)
A	Сообщение (пост)	-	-
	A->B	0.15	99.0
C	A->C	0.19	66.0
D	B->D	6.58	15.0
E	D->E	8.33	1.2

Прежде всего, результат вычисления направления влияния (ID) среди пользователей путем сравнения порядка появления активности пользователей и вычисления . Пользователь A сначала опубликовал что-то, пользователи B и C были подвержены влиянию со стороны пользователя A, D было затронуто B, а пользователь E находился под влиянием пользователя D. Это представлено на рисунке следующим образом (рис.5).

Рисунок 5 - Результаты моделирования направления влияния

Наконец, результат вычисления влияния силы (IS) показывает силу влияния, которую пользователь B получает от пользователя A, которая имеет очень высокое значение, потому очень вероятно, что пользователь B подвержен влиянию пользователя A относительно аналогичного объекта (темы). Сила влияния, которую пользователь C получает от пользователя A имеет высокое значение, и можно сказать, что симпатия, на которую пользователь C будет воздействовать A, является высокой. Сила влияния, которую пользователь D получает от пользователя B относительно низкая. А сила влияния, которую пользователь E получает от пользователя D очень мала.

Результат моделирования направления влияния (ID) и силы влияния (IS) можно представить на рисунке следующим образом (рис.6).

Рисунок 6 - Результаты моделирования направления влияния и силы

5. Вывод

В этом исследовании рассматривалась разнообразная деятельность пользователей в социальных сетях на временной оси. Затем была предложена модель для измерения влияния между пользователями социальных сетей на объект. Сопоставляя полученные данные, были установлены следующие факторы влияния: объект, направление и расстояние.

Метод динамического измерения влияния выравнивал действия между пользователями социальной сети в матрице активности относительно объекта на оси времени. В этом исследовании было предложено несколько новых факторов измерения для расчета влияния среди пользователей: разница между временем публикации и ответом, направление влияния и времени ответа (начальное время ответа для сообщений) в отношении силы влияния.

И это исследование количественно определило неструктурированные данные, такие как различие во времени реакции, предпочтении и типе реакции. Затем были проведены измерения динамического направления влияния пользователей на конкретный объект. Кроме того, это исследование предложило модель для измерения динамической силы влияния (или расстояния), используя разницу во времени реакции после расчета количества реакций и друзей из социальных сетей.

А также моделирование, состоящее из пяти шагов, продемонстрировало возможность его реализации посредством метода измерения динамического влияния, используя образцы данных, собранных из социальных сетей.

Благодаря матрице активности, полученной в результате моделирования, можно было найти группу пользователей, интересующуюся конкретным объектом (темой), и было обнаружено, что время отклика и время реакции имеют обратные отношения. Кроме того, это помогло четкому пониманию количественной оценки деятельности с использованием рассматриваемого подхода на временной оси и количественной оценки направления влияния и силы.

С практической точки зрения размер рынка и ожидаемый объем продаж новых продуктов (или услуг) - музыки, онлайн-игр и косметики и т. д. - можно оценить путем расчета ответа пользователя SNS с использованием предлагаемой модели.

Крайне важно провести эксперимент с большим количеством данных. В связи этим планируется продолжить последующее исследование, чтобы предложенный метод динамического социального измерения можно было применить в многомерной сети по отношению к нескольким объектам.

Списоклитературы

1. Kim, J.,Yun, U., Pyun, G.,Ryang, H., Lee, G.,Yoon, E.,Ryu, K.H.: A blog ranking algorithm using analysis of both blog influence and characteristics of blog posts. Clust. Comput. 18(1), 157–164 (2015)

2. Lee, J.-H.: Diffusion and trends of SNS (social network service). Korea Communications Agency, Seoul (2012)

3. Li, S.M., Ma, W.W.K.: Exploring interpersonal relationship and growth need strength on knowledge sharing in social media In: Proceedings of the Hybrid Learning. Theory and Practice, vol. 8595 of the series Lecture Notes in Computer Science, pp. 288–299 (2014)

4. Tsai, C.-W.: Applications of social networking for universal access in online learning environments. In: Proceedings of the Universal Access in the Information Society (Editorial), pp. 1–4 (2016)

5. Erlandsson, F., Brog, A., Johnson, H., Brodka, P.: Predicting user participation in social media. In: Proceedings of the Advances in Network Science, vol. 9564 of the series Lecture Notes in Computer Science, pp. 126–135 (2016)

6. Scott, J.: Social Network Analysis. SAGE Publications Ltd., London (2013)

7. Shi, Y., Yue, X., He, J.: Understanding social network sites (SNSs) preferences: personality, motivation, and happiness matters. In: Proceedings of the Online Communities and Social Computing, vol. 8029 of the series Lecture Notes in Computer Science, pp. 94–103 (2013)

8. Clyde Mitchell, J.: Social Networks in Urban Situations: Analysis of Personal Relationships in Central African Towns Manchester. The University of Manchester at the University Press, Manchester (1969)

9. Oh, J.S., Lee, K.J., Kim, J.K.: Design and analysis of ubiquitous social network management service model: u-recruiting service model. Inf. Syst. Rev. 18(1), 1–23 (2016)

10. Suh, S.-S., Lee, J.-H.: The effect of structure and relation of social networks on purchase intention of social commerce sites. e-Bus. Stud. 12(3), 105–125 (2011)

11. Becker, G.S.: A theory of social interactions. J. Polit. Econ. 82(6), 1063–1093 (1974)

12. Raub, W., Weesie, J.: Reputation and efficiency in social interactions: an example of network effects. Am. J. Sociol. 96(3), 626–654 (1990)

13. Walther, J.B.: Interpersonal effects in computer-mediated interaction: a relational perspective. Proc. Commun. Res. 19(1), 52–90 (1992)

14. Walther, J.B., Burgoon, J.K.: Relational communication in computer-Mediated interaction. Proc. Hum. Commun. Res. 19(1), 50–88 (1992)

15. Park, H.-S., Kwok, H.-U., Cha, M.-Y., Moon, S.-B.: Influentials ranking in social networks. Commun. Korean Inst. Inf. Sci. Eng. 28(3), 24–30 (2010)

16. Lee, S.-H., Park, Y.-H.: An influence measuring technique for social network activities. J. KISS Databases 39(1), 43–52 (2012)

17. Park, J.H., Kim, B.H., Lee, M.H., Kwon, Y.K.: TwitNet : cytoscape plugin for visualizing relation between twitter users. In: Proceedings of the Korea Computer Congress 2010, vol. 37, no. 1, pp. 316–321 (2010)

18. Lange, P.G.: Publicly private and privately public: social networking on YouTube. J. Comput. Mediat. Commun. 13(1), 361–380 (2007)

19. Tunkelang, D.: A twitter analog to PageRank. http:// thenoisychannel.com/2009/01/13/a-twitter-analog-topagerank/, 2 July 2012 (2009)

20. Lee, E.-J., Kim, J., Baek, D.: Measuring influence of twitter contents using in-degrees. Korea Inf. Sci. J. 40, 170–172 (2013)

21. Liu, Y., Xiang, F.: A method of measuring user influence in MicroBlog. J. Converg. Inf. Technol. 16(10), 242–250 (2011)

Код для цитирования: Скопировать