Модели и методы анализа сложных сетей и социальных сетевых структур

Цели. Целью статьи является исследование современных моделей и методов анализа сложных социальных сетевых структур и применяемых для этого инструментов, как на основе готовых решений в виде сервисов и программного обеспечения, так и средств разработки собственных приложений с использованием языка программирования Python. Такие исследования позволяют прогнозировать не только динамику общественных процессов (изменение социальных настроений), но и тенденции социально-экономического развития за счет мониторинга мнений пользователей по важным экономическим и социальным вопросам на уровне отдельных территориальных образований (районов, поселений небольших городов и т.д.) и регионов.

Методы. Рассмотрены и подробно описаны динамические модели и методы анализа стохастической динамики изменения состояний, учитывающие процессы самоорганизации и наличие памяти; методы деанонимизации пользователей; рекомендательные системы; статистические исследования, использующие методы анализа профилей в социальных сетях; методы численного моделирования для анализа сложных сетей и протекающих в них процессов. Особое внимание уделено обработке данных в сложных сетевых структурах средствами языка Python и применению его библиотек.

Результаты. Описана специфика решаемых задач при исследовании сложных сетевых структур и их междисциплинарность, связанная с использованием методов системного анализа, теории сложных сетей, текстовой аналитики и компьютерной лингвистики. В частности, исследованы динамические модели процессов, наблюдаемых в сложных социальных сетевых системах, структурные характеристики таких сетей и их взаимосвязь с наблюдаемыми динамическими процессами, в т.ч., с использованием теории построения динамических графов. Исследовано применение нейронных сетей для прогнозирования эволюции динамических процессов, наблюдаемых в сложных социальных системах, и их структуры. Значительное внимание уделено применению методов компьютерной лингвистики, что необходимо для извлечения знаний из текстовых сообщений пользователей социальных сетей при создании моделей, описывающих наблюдаемые процессы.

Выводы. Сетевой анализ помогает структурировать модели взаимодействия между социальными единицами: людьми, коллективами, организациями и т.д. По сравнению с другими методами сетевой подход имеет одно неоспоримое преимущество: он позволяет оперировать данными на разных уровнях исследования – от микро- до макроуровня, обеспечивает преемственность этих данных. Установлено, что практически все исследования используют методы работы с текстом, т.к. общение в социальных сетях почти полностью состоит из текстовых сообщений и публикаций. В большинстве исследований используются технологии машинного обучения и искусственного интеллекта. Лучший результат показали сверточные нейронные сети. Из используемых методов также следует выделить метод опорных векторов и дерево решений, т.к. именно они показывали самую высокую точность. Для составления выборок данных и правильного анализа полученных результатов применялись статистические методы.

1. Губанов Д.А., Новиков Д.А., Чхартишвили А.Г. Социальные сети: модели информационного влияния, управления и противоборства. М.: Изд-во МЦНМО; 2018. 223 с. ISBN 978-5-4439-1302-5

2. Батура Т.В. Методы анализа компьютерных сетей. Вестник НГУ. Серия: Информационные технологии. 2012;10(4):13–28. URL: https://lib.nsu.ru/xmlui/handle/nsu/250

3. Pasa L., Navarin N., Sperdut A. SOM-based aggregation for graph convolutional neural networks. Neural Comput. & Applic. 2022;34(1):5–24. https://doi.org/10.1007/s00521-020-05484-4

4. Zhukov D.O., Akimov D.A., Red’kin O.K., Los’ V.P. Application of convolutional neural networks for preventing information leakage in open internet resources. Aut. Control Sci. 2017;51(8):888–893. https://doi.org/10.3103/S0146411617080314

5. Zhang Z., Wu S., Jiang D., Chen G. BERT-JAM: Maximizing the utilization of BERT for neural machine translation. Neurocomputing. 2021;460:84–94. https://doi.org/10.1016/j.neucom.2021.07.002

6. Маккинли У. Python и анализ данных: пер. с англ. М.: ДМК Пресс; 2020. 540 с. ISBN 978-5-94074-590-5 [McKinney W. Python for Data Analysis: 2nd ed. US: O’Reilly Media, Inc.; 2017. 541 p. ISBN 978-1-491-95766-0. Available from URL: https://www.programmer-books.com/wp-content/uploads/2019/04/Python-for-Data-Analysis-2nd-Edition.pdf]

7. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. СПб.: Питер; 2021. 476 с. ISBN 978-5-4461-1537-2.

8. Кан К. Нейронные сети. Эволюция. ЛитРес; 2018. 380 с.

9. Рашид Т. Создаем нейронную сеть: пер. с англ. СПб.: ООО «Альфа-книга»; 2017. 272 с. ISBN 978-59909445-7-2 [Rashid T. Make Your Own Neural Network. 1st ed. CreateSpace Independent Publishing Platform; 2016. 222 p. ISBN-13 978-1530826605]

10. Галушкин А.И. Нейронные сети: основы теории. М.: Горячая линия-Телеком; 2012. 496 с. ISBN 978-59912-0082-0

11. Савельев А.В. Философия методологии нейромоделирования: смысл и перспективы. Философия науки. 2003;1(16):46–59.

12. Алексеев А.Ю., Кузнецов В.Г., Петрунин Ю.Ю., Савельев А.В., Янковская Е.А. Нейрофилософия как концептуальная основа нейрокомпьютинга. Нейрокомпьютеры: разработка, применение. 2015;5:69–77.

13. Sekara V., Stopczynski A., Lehmann S. Fundamental structures of dynamic social networks. Proc. Natl Acad. Sci. USA. 2016;113(36):9977–9982. https://doi.org/10.1073/pnas.1602803113

14. Ubaldi E., Vezzani A., Karsai M., Perra N., Burioni R. Burstiness and tie activation strategies in time-varying social networks. Sci. Rep. 2017;7:46225. https://doi.org/10.1038/srep46225

15. Palomares I.,Porcel C.,Pizzato L.,Guy I.,Herrera-ViedmaE. Reciprocal recommender systems: analysis of state-of-art literature, challenges and opportunities towards social recommendation. Information Fusion. 2021;69(16): 103–127. https://doi.org/10.1016/j.inffus.2020.12.001

16. Yatim Md.A.F., Wardhana Y., Kamal A., Soroinda A.A.R., Rachim F., Wonggo M.I. A corpus-based lexicon building in Indonesian political context through Indonesian online news media. In: 2016 International Conference on Advanced Computer Science and Information Systems (ICACSIS). IEEE. https://doi.org/10.1109/ICACSIS.2016.7872794

17. Kirn S.L., Hinders M.K. Dynamic wavelet fingerprint for differentiation of tweet storm types. Soc. Netw. Anal. Min. 2020;10(1):4. https://doi.org/10.1007/s13278-019-0617-3

18. Karami A., Elkouri A. Political Popularity Analysis in Social Media. In: Taylor N., Christian-Lamb C., Martin M., Nardi B. (Eds.). Information in Contemporary Society. Part of: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2019. V. 11420. P. 456–465. https://doi.org/10.1007/978-3-030-15742-5_44

19. Belcastro L., Cantini R., Marozzo F., Talia D., Trunfi P. Learning political polarization on social media using neural networks. IEEE Access. 2020;8:47177–47187. https://doi.org/10.1109/ACCESS.2020.2978950

20. Vijayaraghavan P., Vosoughi S., Roy D. Twitter demographic classification using deep multi-modal multi-task learning. In: Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics. 2017;2(Short Papers):478–483. https://doi.org/10.18653/v1/P17-2076

21. Preoţiuc-Pietro D., Liu Y., Hopkins D., Ungar L. Beyond binary labels: political ideology prediction of Twitter users. In: Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics. 2017;1(Long Papers):729–740. https://doi.org/10.18653/v1/P17-1068

22. Hinds J., Joinson A.N. What demographic attributes do our digital footprints reveal? A systematic review. PLoS One. 2018;13(11):e0207112. https://doi.org/10.1371/journal.pone.0207112

23. García D. Leaking privacy and shadow profiles in online social networks. Sci. Adv. 2017;3(8):e1701172. https://doi.org/10.1126/sciadv.1701172

24. Pandya A., Oussalah M., Monachesi P., Kostakos P. On the use of distributed semantics of tweet metadata for user age prediction. Future Generation Computer Systems. 2020;102(5915): 437–452. https://doi.org/10.1016/j.future.2019.08.018

25. Pulipati S., Somula R., Parvathala B.R. Nature inspired link prediction and community detection algorithms for social networks: a survey. Int. J. Syst. Assur. Eng. Manag. 2021. https://doi.org/10.1007/s13198-021-01125-8

26. Li H., Mao X., Wu C., Yang F. Design and analysis of a general data evaluation system based on social networks. EURASIP J. Wireless Com. Network. 2018;1:109. https://doi.org/10.1186/s13638-018-1095-4

27. Xu F., Sun D., Li Z., Li B. Research on online supporting community of extreme organization by AI-SNA based method. In: Proceedings of the 8th IEEE International Conference on Software Engineering and Service Sciences (ICSESS). 2018. V. 2017. P. 546–551. https://doi.org/10.1109/ICSESS.2017.8342974

28. Volkova S., Bachrach Y., Van Durme B. Mining user interests to predict perceived psycho-demographic traits on Twitter. In: 2016 IEEE Second International Conference on Big Data Computing Service and Applications (BigDataService). IEEE. 2016. P. 36–43. https://doi.org/10.1109/BigDataService.2016.28

29. Culotta A., Ravi N.K., Cutler J. Predicting Twitter user demographics using distant supervision from website traffic data. J. Artif. Intell. Res. 2016;55:389–408. https://doi.org/10.1613/jair.4935

30. Barberá P. Less is more? How demographic sample weights can improve public opinion estimates based on Twitter data. Working Paper. Available from URL: http://pablobarbera.com/static/less-is-more.pdf

31. Ardehaly E.M., Culotta A. Learning from noisy label proportions for classifying online social data. Soc. Netw. Anal. Min. 2018;8:2. https://doi.org/10.1007/s13278-017-0478-6

32. Franco-Riquelme J.N., Bello-Garcia A., Ordieres-Meré J. Indicator proposal for measuring regional political support for the electoral process on Twitter: The case of Spain’s 2015 and 2016 general elections. IEEE Access. 2019;7:62545–62560. https://doi.org/10.1109/ACCESS.2019.2917398

33. Jungherr A., Schoen H., Posegga O., Jürgens P. Digital trace data in the study of public opinion: an indicator of attention toward politics rather than political support. Soc. Sci. Comput. Rev. 2016;35(3):336–356. https://doi.org/10.1177/0894439316631043

34. Mwanza S., Suleman H. Measuring network structure metrics as a proxy for socio-political activity in social media. In: IEEE International Conference on Data Mining Workshops (ICDMW). IEEE. 2017. P. 878–883. https://doi.org/10.1109/ICDMW.2017.120

35. Al-Agha I., Abu-Dahrooj O. Multi-level analysis of political sentiments using Twitter data: A case study of the Palestinian-Israeli conflict. Jordanian Journal of Computers and Information Technology. 2019;5(3): 195–215. https://doi.org/10.5455/jjcit.71-1562700251

36. Basil M., Gaikwad S., Salim A.S. Deep learning approach based dominant age group based classification for social network. In: Khalaf M., Al-Jumeily D., Lisitsa A. (Eds.). Applied Computing to Support Industry: Innovation and Technology. ACRIT 2019. Communications in Computer and Information Science. 2020;1174:148–156. https://doi.org/10.1007/978-3-030-38752-5_12

37. Guimaraes R., Renata R., De Gaetano D., Rodriguez D.Z., Bressan G. Age groups classification in social network using deep learning. IEEE Access. 2017;5:10805–10816. https://doi.org/10.1109/ACCESS.2017.2706674

38. Bhat S.F., Lone A.W., Dar T.A. Gender prediction from images using deep learning techniques. In: 2019 International Artificial Intelligence and Data Processing Symposium (IDAP). IEEE. 2019. https://doi.org/10.1109/IDAP.2019.8875934

39. Bulut İ., Erdoğan M., Gönülal B., Baş R., Kılıç Ö. Using short texts and emojis to predict the gender of a texter in Turkish. In: 2019 4th International Conference on Computer Science and Engineering (UBMK). IEEE. 2019. P. 435–438. https://doi.org/10.1109/UBMK.2019.8907198

40. Dileep M.R., Danti A. Multiple hierarchical decision on neural network to predict human age and gender. In: 2016 International Conference on Emerging Trends in Engineering, Technology and Science (ICETETS). IEEE. 2016. https://doi.org/10.1109/ICETETS.2016.7603026

41. Gupta R., Kumar S., Yadav P., Shrivastava S. Identification of age, gender, & race SMT (scare, marks, tattoos) from unconstrained facial images using statistical techniques. In: 2018 International Conference on Smart Computing and Electronic Enterprise (ICSCEE). IEEE. 2018. https://doi.org/10.1109/ICSCEE.2018.8538423

42. Khdr J., Varol C. Age and gender identification by SMS text messages. In: 2018 International Conference on Artificial Intelligence and Data Processing (IDAP). IEEE. 2018. https://doi.org/10.1109/IDAP.2018.8620780

43. Koti P., Pothula S., Dhavachelvan P. Age forecasting analysis – over microblogs. In: 2017 Second International Conference on Recent Trends and Challenges in Computational Models (ICRTCCM). IEEE. 2017. P. 83–86. https://doi.org/10.1109/ICRTCCM.2017.38

44. López-Santamaría L.-M., Almanza-Ojeda D.-L., Gomez J.C., Ibarra-Manzano M. Age and gender identification in unbalanced social media. In: 2019 International Conference on Electronics, Communications and Computers (CONIELECOMP). IEEE. 2019. https://doi.org/10.1109/CONIELECOMP.2019.8673125

45. Luo F., Cao G., Mulligan K., Li X. Explore spatiotemporal and demographic characteristics of human mobility via Twitter: A case study of Chicago. Applied Geography. 2015;70(3):11–25. https://doi.org/10.1016/j.apgeog.2016.03.001

46. Sánchez-Hevia H.A., Gil-Pita R., Utrilla-Manso M., Rosa-Zurera M. Convolutional-recurrent neural network for age and gender prediction from speech. In: 2019 Signal Processing Symposium (SPSympo). IEEE. 2019. P. 242–245. https://doi.org/10.1109/SPS.2019.8881961

47. Wang Y., Song W., Liu L. Age prediction based on feature selection. In: 2017 2nd IEEE International Conference on Computational Intelligence and Applications (ICCIA). IEEE. 2017. P. 359–363. https://doi.org/10.1109/CIAPP.2017.8167239

48. Pandya A., Oussalah M., Monachesi P., Kostakos P., Lovén L. On the use of URLs and hashtags in age prediction of Twitter users. In: 2018 IEEE International Conference on Information Reuse and Integration (IRI). IEEE. 2018. P. 62–69. https://doi.org/10.1109/IRI.2018.00017

49. Zhukov D.O., Zaltcman A.D., Khvatova T.Yu. Forecasting changes in states in social networks and sentiment security using the principles of percolation theory and stochastic dynamics. In: Proceedings of the 2019 IEEE International Conference “Quality Management, Transport and Information Security, Information Technologies” (IT&QM&IS). IEEE. 2019. Article number 8928295. P. 149–153. https://doi.org/10.1109/ITQMIS.2019.8928295

50. Mukhamediev R.I., Yakunin K., Mussabayev R., Buldybayev T., Kuchin Y., Murzakhmetov S., Yelis M. Classification of negative information on socially significant topics in mass media. Symmetry. 2020;12(12):1945. https://doi.org/10.3390/sym12121945

51. Ko H., Jong Y., Sangheon K., Libor M. Human-machine interaction: A case study on fake news detection using a backtracking based on a cognitive system. Cogn. Syst. Res. 2019;55:77–81. https://doi.org/10.1016/j.cogsys.2018.12.018

52. Willaert T., Van Eecke P., Beuls K., Steels L. Building social media observatories for monitoring online opinion dynamics. Soc. Media Soc. 2020;6(2):205630511989877.

53. Tran C., Shin W.-Y., Spitz A. Community detection in partially observable social networks. ACM Transactions on Knowledge Discovery from Data. 2022;16(2):1–24. https://doi.org/10.1145/3461339

54. Chen Z., Li L., Bruna J. Supervised community detection with line graph neural networks. In Proceedings of the 7th International Conference on Learning Representations (ICLR). ACM. 2019. https://doi.org/10.48550/arXiv.1705.08415

55. Hoff T., Peel L., Lambiotte R., Jones N.S. Community detection in networks without observing edges. Sci. Adv. 2020;6(4):eaav1478. https://doi.org/10.1126/sciadv.aav1478

56. Башуев Я.П., Григорьев В.Р. Методы деанонимизации в социальных сетях. Вестник РГГУ. Серия: Документоведение и архивоведение. Информатика. Защита информации и информационная безопасность. 2016;3(5):125–146. URL: https://www.rsuh.ru/upload/main/vestnik/pmorv/Vestnik_daizi3(5)-16.pdf#page=125

57. Wondracek G., Holz T., Kirda E., Kruegel C. A practical attack to de-аnonymize social network users. Technical Report TR-iSecLab-0110-001. 2013. Available from URL: https://anonymous-proxy-servers.net/paper/sonda-tr.pdf

58. Simon B., Gulyás G., Imre S. Analysis of grasshopper, a novel social network de-anonymization algotithm. Periodica Polytechnica: Electrical Engineering and Computer Science. 2014;58(4):161–173. https://doi.org/10.3311/PPee.7878

59. Peng W., Li F., Zou X., Wu J. Atwo-stage deanonymization attack against anonymized social networks. IEEE Trans. Comp. 2014;63(2):290–303. https://doi.org/10.1109/TC.2012.202

60. Khvatova T., Zaltsman A., Zhukov D. Information processes in social networks: Percolation and stochastic dynamics. In: CEUR Workshop. Proceedings 2nd International Scientific Conference “Convergent Cognitive Information Technologies.” 2017;1–2064: 277–288.

61. Zhukov D., Khvatova T., Zaltsman A. Stochastic dynamics of influence expansion in social networks and managing users’transitions from one state to another. In: Proceedings of the 11th European Conference on Information Systems Management (ECISM). 2017. P. 322–329. Available from URL: http://www.scopus.com/inward/record.url?eid=2-s2.0-85039839600&partnerID=MN8TOARS