Detección automática de Comunidades en redes sociales usando contenido textual e interacciones en la red

Ricardo Alberto Acero Niño

Resumen


Las redes sociales cada vez ejercen más influencia en nuestra vida diaria y en general en la sociedad,  están cambiando nuestra forma de pensar , han permeado la mayoría por no decir todos los sectores de la sociedad ; a través del análisis de las interacciones entre los individuos se puede detectar comunidades y establecer propiedades como la similaridad, la centralidad , el grado de un nodo que representa a un individuo en la red ; hay herramientas para analizar estas interacciones y establecer comportamientos, información que se puede utilizar con fines comerciales, académicos, sociales y de esta manera corregir conductas, mejorar el comercio, la prestación de servicios y ayudar resolver problemáticas.  Desde antes del año 2000 se viene estudiando la detección de comunidades tanto para redes estáticas, las que no cambian con el paso del tiempo,  como en redes dinámicas que cambian en el tiempo, evolucionan tanto en nodos como en enlaces.  Muchos de los algoritmos construidos detectan comunidades basados en la estructura del grafo, entendiendo el grafo como una estructura conformada por nodos ( individuos ) y enlaces o arcos; también se han construido  algoritmos que utilizan las interacciones de los individuos; el objetivo de este proyecto es detectar comunidades usando el contenido textual y las interacciones en la red como Twitter.


Palabras clave


Redes sociales, Detección de comunidades usando interacciones, Tópicos

Referencias


R. Negoescu,B, Adams, D. Phung,S.Venkatesh, D.Gatica-Perez. Flickr HyperGroups. ACM. Beijing , China. 2009.

V. Satuluri and S. Parthasarathy. Scalable graph clustering using stochasticflows: applications to community discovery. In KDD ’09, pages 737–746, New York, NY, USA, 2009. ACM.

Gergely Palla, Albert László Barabási, and Tamás. Vicsek. Quantifying social group evolution. Nature, 446 (2007), No. 7136, 664–667

X. Wang, N. Mohanty, and A. McCallum. Group and topic discovery from relations and their attributes. Advances in Neural Information Processing Systems, 18:1449, 2006.

D. Zhou, E. Manavoglu, J. Li, C.L. Giles, and H. Zha. Probabilistic models for discovering e-communities. In WWW ’06: Proceedings of the 15th international conference onWorldWideWeb, page 182. ACM, 2006.

N. Pathak, C. DeLong, A. Banerjee, and K. Erickson. Social topic models for community extraction. In The 2nd SNA-KDD Workshop, volume 8, 2008

Social Media Mining, An Introduction, Reza Zafarani, Mohammad Ali Abbasi, Huan Liu. Cambridge University Press, 2014.

Social Network Data Analytics. Charu C. Aggarwal Editor. Springer .New York -. 2011

Online Analysis of Community Evolution in Data Streams. Charu Aggarwal, Philip S. Yu IBM T.J. Watson Research Center.

Using Content and Interactions for Discovering Communities in Social Networks. Mrinmaya Sachan Danish Contractor Tanveer A. Faruquie L. Venkata Subramaniam. IBM Research India, New Delhi, India. Abril 2012.

Gokula Krishnan, S., Karthika, S., Bose, S. Detection of communities in dynamic social networks. International Conference on Recent Trends in Information Technology, 2016.

Rossetti, G., Pappalardo, L., Pedreschi, D., Giannotti, F. Tiles: an online algorithm for community discovery in dynamic social networks. Machine Learning. 2016

Clauset, A., Newman, M. E. J., & Moore, C. Finding community structure in very large networks. Physical Review E, 70(6), 066111 . 2004.

Palla, G., Derényi, I., Farkas, I., & Vicsek, T. Uncovering the overlapping community structure of complex networks in nature and society. Nature, 435 (2005 ), No. 7043, 814–818. 2005.

G. Karypis and V. Kumar. A fast and high quality multilevel scheme for partitioning irregular graphs. SIAM Journal on Scientific Computing, 20,1999.


Enlaces refback

  • No hay ningún enlace refback.


Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional.