Title: Cosa sono
1Reti sociali
2Cosa sono
- Una rete sociale e un grafo G (V, E) dove
- I nodi rappresentano entita, spesso persone o
gruppi di persone - Gli archi (pesati o meno) rappresentano relazioni
tra i nodi della rete sociale - Esempio grafo delle conoscenze
- Vertici persone
- Esiste arco tra a e b se a e b si conoscono
- Altri esempi nelle slide seguenti
3Esempio - commercio mondiale
4Esempio - Internet
5Esempio - catena alimentare
6Cosa hanno in comune?
- Grandi e complesse
- Regolarita, ma soltanto a livello macroscopico
- Componente gigante connessa
- Piccolo mondo distanza media tra i nodi bassa
- Grafi sparsi E o(V2)
- Aggregazione (v. piu avanti)
- Invarianza di scala
- Distribuzione del grado secondo legge di potenza
7Perche studiarle
- Comprendere le loro proprieta
- Aspetti ingegneristici e algoritmici
- Estrazione di informazioni
- Es. motori di ricerca
- Progetto di algoritmi efficienti
- Es. Web Caching
- Tolleranza ai guasti o agli attacchi
8Componente connessa
- Nelle reti considerate, la maggior parte dei nodi
appartiene a ununica componente connessa - Es. Web
- Matematicamente, una frazione costante dei nodi
appartiene a ununica componente connessa
9Proprieta di piccolo mondo
10Piccolo mondo
- 1967 - studio di Milgram lunghezza media dei
cammini in una rete di conoscenze - Esperimento consegna di lettere a persone negli
Stati Uniti a mano, sfruttando soltanto la rete
delle conoscenze - Distanza media d 6
- Numero di Erdös distanza dal matematico Paul
Erdös nella rete delle collaborazioni - 70975 matematici, 200000 archi
- d lt 8 per la maggior parte dei vertci a distanza
finita - Molti altri esempi
11Esperimento di Milgram
- Spedire 160 lettere a una persona residente a
Boston - Consegna a mano
- Non si conosce indirizzo del destinatario ma si
hanno soltanto informazioni generiche (ad esempio
la professione) - Domanda dopo quanti passaggi una lettera giunge
a destinazione?
12Esperimento di Milgram/2
- Circa un terzo delle lettere giunse a
destinazione - Si osservi che non si tratta di una bassa
percentuale - La maggior parte delle lettere arrivate non aveva
subito piu di 6 passaggi
13Reti piccolo mondo WS98
- Grandi dimensioni (n gtgt 1)
- Sparse (grado medio k ltlt n)
- Non esiste un nodo centrale (kmax ltlt n)
- Coefficiente di aggregazione elevato
- Distanza media tra i nodi bassa, tipicamente
O(log n)
14Esempi di reti piccolo mondo
- Internet
- La rete dei router
- La rete degli Autonomous Systems
- Il Web
- La rete delle conoscenze
- Tutti gli esempi visti allinizio
- Queste reti hanno altre proprieta oltre a quelle
di piccolo mondo
15Clustering
Granovetter 73 la forza dei legami deboli
- I miei conoscenti probabilmente si conoscono
- ma alcuni hanno contatti con gruppi lontani
Picture by T. Deckert - TU Dreseden
16Clustering/2
- Si supponga che il nodo v abbia dv vicini. Il
massimo numero di archi tra di essi si ha quando
essi formano una clique --gt dv(dv - 1)/2 archi. - Si supponga che invece sia nv il numero di archi
tra i vicini di v - Il coefficiente di clustering (aggregazione) di v
e Cv 2nv/dv(dv- 1) - C (1/n)?vCv
17Clustering/3
- C1 C2 C4 C5 1
- C3 1/6
- C (1/5)?iCi 5/6
- I nodi con un solo arco incidente hanno fattore
di clustering 1
18Distanza media tra i nodi
- Assumiamo per il momento reti connesse
- La distanza media tra i vertici e O(log n),
spesso sub-logaritmica - Il coefficiente di clustering e alto (?(1))
- Come spiegare tali proprieta?
19Grafi casuali
- Modello classico proposto da Erdös e Renyi
- Modello probabilistico
- Si hanno n nodi
- Per ogni coppia u e v di nodi, larco (u, v)
esiste con probabilita p indipendente da tutti
gli altri - Proprieta
- Per p sufficientemente grande, la maggior parte
dei nodi si trova in una componente gigante
connessa - Il diametro e logaritmico ma
- Il coefficiente di clustering e basso (O(1/n))
20Modello di Watts e Strogatz WS98
- Si inizia con un anello di n nodi. Ogni nodo
connesso ad altri k nodi - Con probabilita p, ogni arco e riconnesso a una
destinazione scelta casualmente in modo uniforme. - Granovetter, The strength of weak ties
ordine
caos
21Modello WS/cont.
- Lobiettivo era mostrare che con meccanismi
semplici e possibile ottenere una rete di tipo
piccolo mondo - Risultati
- Componente gigante connessa
- Distanza media tra nodi connessi O(log n)
- Coefficiente di clustering ?(1)
22Modello WS/clustering
Scala logaritmica in p
- Quando p 0
- C 3(k-2)/4(k-1) 3/4
- L n/k
23Modello di Kleinberg Kl. 99
- Lattice bidimensionale
- Si aggiungono q archi a ogni vertice u (shortcut)
- Il vertice v destinazione di uno shortcut e
scelto con probabilita d(u,v)-r/
?w?ud(u,v)-r - se r 0, si ha probabilita uniforme
- Nel seguito q 1
24Modello di Kleinberg/2
- Data una sorgente s e una destinazione t,
definire un algoritmo per muovere un agente da s
a t che - conosce le posizioni dei nodi nella griglia
- conosce i vicini e gli shortcut del nodo in cui
si trova - ricorda i vicini e gli shortcut di tutti i nodi
visitati - Ad ogni passo diminuisce la distanza da t
- Si tenta di riprodurre lesperimento di Milgram
- La griglia modella una distribuzione geografica
dei nodi
25Algoritmo
- Nel generico nodo v
- Scegli il vicino a distanza minima dalla
destinazione - Lalgoritmo usa soltanto uninformazione locale e
la conoscenza della posizione dei nodi sul lattice
26Risultati
- Per r2, esiste un algoritmo locale che raggiunge
la destinazione in un numero atteso di passi
O(log2n). - Se rlt2 un algoritmo locale richiede un numero
atteso di passi ?(n(2-r)/3). - Se rgt2 un algoritmo locale richiede un numero
atteso di passi ?(n(r-2)/(r-1)). - Nota numero atteso di passi sub-polinomiale
soltanto per r2 - Risultato dovuto probabilmente ai limiti del
modello
27Prova per r 2 e q 1
- Pu --gt v probabilita che u scelga v come
shortcut - Per ogni w, la distanza da u e compresa tra 1 e
2n-2 - Vi sono non piu di 4j nodi a distanza j da u
28Prova per r 2 e q 1/cont.
- Fase j insieme dei passi durante i quali
lagente si trova in nodi a distanza da t gt 2j e
lt 2j1 - Lagente inizia al piu in fase log2n
- Ad ogni passo lagente si avvicina a t
- Occorre calcolare il numero medio EXj dei passi
durante la j-esima fase - Quando lagente lascia la fase j-esima e per
entrare in una fase i lt j-1 - Elunghezza percorso ?jEXj
29Prova per r 2 e q 1 /cont.
Bj
t
u
- Se ci troviamo in un nodo u durante la fase j
- Psi lascia la fase j gt Psi entra in Bj
- Bj insieme dei nodi a distanza lt 2j da t
30Prova per r 2 e q 1 /cont.
Bj
t
u
- Bj contiene almeno 22j-1 nodi
- Ciascun nodo in Bj dista al piu 2j2 da u
- Quindi Psi entra in Bj gt 1/128ln(6n)
31Prova per r 2 e q 1 /cont.
- Poiche vi sono O(log n) fasi abbiamo O(log2n)
passi in media
32Altre proprieta - grado
33Distribuzione del grado
- nodi con grado k
- P(k) k-a
- P(k) nodi con grado k
- a circa 2.1 per il Web
- Broder et al. 2000
- Regola dell 80/20
- Una modesta percentuale di nodi ha quasi tutti i
link --gt Hub - I ricchi diventano sempre piu ricchi
34Reti prive di scala
35Matematicamente
- Non vi e una scala privilegiata per osservare le
proprieta macroscopiche della rete - Nelle reti sociali linvarianza di scala si
riferisce alla distribuzione del grado dei nodi - Legge di potenza per distribuzione del grado
entrante e/o uscente (es. il Web)
36Modelli di reti sociali
37Modelli di reti sociali
- Cosa sono
- Modelli per la generazione di grafi casuali
- Es. modello di Watts e Strogatz
- obiettivo riprodurre le proprieta osservate in
pratica - I modelli di Watts e Strogatz e di Kleinberg
spiegano il fenomeno di piccolo mondo ma non
altre proprieta - Es. la distribuzione del grado dei nodi
38Meccanismi di base
- Attaccamento preferenziale
- Un nuovo nodo ha maggiore probabilita di
connettersi ai nodi esistenti di grado piu
elevato - Esempio Chung et al. 2000 per il Web
- Per t 1, 2,
- Con probabilita 1-? si aggiunge un nuovo vertice
con un link verso se stesso - Con probabilita ? si aggiunge un nuovo arco. Se u
e v sono due nodi della rete, PSi genera (u, v)
dudv/ ?w,z dwdz - La rete risultante e di tipo piccolo mondo
- La distribuzione del grado segue una legge di
potenza con esponente 11/? quando t e
abbastanza grande
39Esempio
- Si consideri il modello precedente e si supponga
che ? 0.9 e che al tempo t la distribuzione del
grado entrante sia approssimativamente una legge
di potenza con parametro 11/? - Stimare la probabilita che a t1 venga creato un
nuovo link verso un nodo di grado x
40Esempio/cont.
- La distribuzione dipende anche da t, che stavolta
e una variabile - Se nuovo link verso un nodo di grado x allora
A(x1, t1) A(x1, t) 1 - S(x, t) insieme dei nodi di grado x a t
- Si ricordi che si introduce nuvo link con prob. ?
41Riferimenti
- M. E. Newman. The structure and function of
complex networks. - Buon lavoro di rassegna sulle reti sociali
- Sezioni I, II, III e VI
- http//citeseer.ist.psu.edu/newman03structure.html
- M. E. Newman. Models of the Small World
- Lavoro di rassegna sul modello di Watts e
Strogatz e sue estensioni - http//citeseer.ist.psu.edu/487139.html
- D. Watts and S. H. Strogatz. Collective dynamics
of small-world networks. Nature, Vol. 393, pp.
440 442, 1998 - Basta il lavoro di rassegna di Newman
- J. Kleinberg. The small-world phenomenon An
algorithmic perspective. - Il lavoro di Kleinberg sulla navigazione nelle
reti sociali - http//www.cs.cornell.edu/home/kleinber/nips14.ps