Upload
mauro-albanese
View
217
Download
2
Embed Size (px)
Citation preview
Reti sociali
Reti sociali
Reti sociali
Cosa 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 …
Reti sociali
Esempio - commercio mondiale
Reti sociali
Esempio - Internet
Reti sociali
Esempio - catena alimentare
Reti sociali
Cosa 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(|V|2)– Aggregazione (v. piu’ avanti)– Invarianza di scala
• Distribuzione del grado secondo legge di potenza
Reti sociali
Perche’ 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– …
Reti sociali
Componente connessa
• Nelle reti considerate, la maggior parte dei nodi appartiene a un’unica componente connessa– Es.: Web
• Matematicamente, una frazione costante dei nodi appartiene a un’unica componente connessa
Reti sociali
Proprieta’ di piccolo mondo
Reti sociali
Piccolo 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 < 8 per la maggior parte dei vertci a distanza
finita
• Molti altri esempi …
Reti sociali
Esperimento 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?
Reti sociali
Esperimento 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
Reti sociali
Reti piccolo mondo [WS98]
• Grandi dimensioni (n >> 1)• Sparse (grado medio k << n)
• Non esiste un nodo centrale (kmax << n)
• Coefficiente di aggregazione elevato• Distanza media tra i nodi bassa,
tipicamente O(log n)
Reti sociali
Esempi di reti piccolo mondo
• Internet– La rete dei router– La rete degli Autonomous Systems
• Il Web• La rete delle conoscenze• Tutti gli esempi visti all’inizio• Queste reti hanno altre proprieta’
oltre a quelle di piccolo mondo
Reti sociali
Clustering
• I miei conoscenti probabilmente si conoscono …
• … ma alcuni hanno contatti con gruppi “lontani”
Picture by T. Deckert - TU Dreseden
[Granovetter 73]: “la forza dei legami deboli“
Reti sociali
Clustering/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 --> 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
Reti sociali
Clustering/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
v1v2
v3
v4
v5
Reti sociali
Distanza 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’?
Reti sociali
Grafi casuali• Modello classico proposto da Erdös e Renyi• Modello probabilistico
– Si hanno n nodi– Per ogni coppia u e v di nodi, l’arco (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))
Reti sociali
Modello 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
Reti sociali
Modello WS/cont.
• L’obiettivo 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)
Reti sociali
Modello WS/clustering
• Quando p = 0 • C = 3(k-2)/4(k-1) ~ 3/4• L = n/k
Scala logaritmicain p
Reti sociali
Modello 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/ ∑wu[d(u,v)]-r
• se r = 0, si ha probabilita’ uniforme• Nel seguito q = 1
Reti sociali
Modello di Kleinberg/2• Data una sorgente s e una destinazione t, definire
un algoritmo per muovere un agente da s a t che1. conosce le posizioni dei nodi nella griglia2. conosce i vicini e gli shortcut del nodo in cui si
trova3. ricorda i vicini e gli shortcut di tutti i nodi
visitati4. Ad ogni passo diminuisce la distanza da t
Si tenta di riprodurre l’esperimento di Milgram
La griglia modella una distribuzione geografica dei nodi
Reti sociali
Algoritmo
• Nel generico nodo v– Scegli il vicino a distanza minima dalla
destinazione
• L’algoritmo usa soltanto un’informazione locale e la conoscenza della posizione dei nodi sul lattice
Reti sociali
Risultati • Per r=2, esiste un algoritmo locale che
raggiunge la destinazione in un numero atteso di passi O(log2n).
• Se r<2 un algoritmo locale richiede un numero atteso di passi (n(2-r)/3).
• Se r>2 un algoritmo locale richiede un numero atteso di passi (n(r-2)/(r-1)).
• Nota: numero atteso di passi sub-polinomiale soltanto per r=2– Risultato dovuto probabilmente ai limiti del
modello
Reti sociali
Prova per r = 2 e q = 1
• P[u --> 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
P[u --> v] = d(u, v)-2 / d(u, w)-2
wu
.
d(u, w)-2
wu
(4j)(j-2 )j=1
2n-2
= j-1
j=1
2n-2
4 + 4ln 2n-2 4ln(6n)
P[u --> v] 1/4ln(6n)d(u, v)2
Reti sociali
Prova per r = 2 e q = 1/cont.
• Fase j: insieme dei passi durante i quali l’agente si trova in nodi a distanza da t > 2j e <= 2j+1
– L’agente inizia al piu’ in fase log2n
– Ad ogni passo l’agente si avvicina a t
– Occorre calcolare il numero medio E[Xj] dei passi durante la j-esima fase
– Quando l’agente lascia la fase j-esima e’ per entrare in una fase i <= j-1
– E[lunghezza percorso] = ∑jE[Xj]
Reti sociali
Prova per r = 2 e q = 1 /cont.
• Se ci troviamo in un nodo u durante la fase j– P[si lascia la fase j] >= P[si entra in Bj]– Bj: insieme dei nodi a distanza <= 2j da t
Bj
u
t
Reti sociali
Prova per r = 2 e q = 1 /cont.
• Bj contiene almeno 22j-1 nodi• Ciascun nodo in Bj dista al piu’ 2j+2 da u
• Quindi P[si entra in Bj] >= 1/128ln(6n)
Bj
u
t
Reti sociali
Prova per r = 2 e q = 1 /cont.
• Poiche’ vi sono O(log n) fasi abbiamo O(log2n) passi in media
E X j = P X j i i=1
1-1
128ln(6n)
i
i=1
128ln(6n)
Reti sociali
Altre proprieta’ - grado
Reti sociali
Distribuzione 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 --> Hub
– I ricchi diventano sempre piu’ ricchi
Reti sociali
Reti prive di scala
Reti sociali
Matematicamente…
• Non vi e’ una scala privilegiata per osservare le proprieta’ macroscopiche della rete
• Nelle reti sociali l’invarianza di scala si riferisce alla distribuzione del grado dei nodi– Legge di potenza per distribuzione del
grado entrante e/o uscente (es. il Web)
Reti sociali
Modelli di reti sociali
Reti sociali
Modelli 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
Reti sociali
Meccanismi 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, P[Si genera (u, v)] = du·dv/ ∑w,z
dw·dz
– La rete risultante e’ di tipo piccolo mondo– La distribuzione del grado segue una legge di
potenza con esponente 1+1/ quando t e’ abbastanza grande
Reti sociali
Esempio
• 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 1+1/
• Stimare la probabilita’ che a t+1 venga creato un nuovo link verso un nodo di grado x
Reti sociali
Esempio/cont.
• La distribuzione dipende anche da t, che stavolta e’ una variabile
• Se nuovo link verso un nodo di grado x allora A(x+1, t+1) = A(x+1, t) + 1
• S(x, t): insieme dei nodi di grado x a t• Si ricordi che si introduce nuvo link con prob.
A(x, t) = At
x , do ve = 1 + 1/.
P[A(x+1, t+1) = A(x+1, t) + 1] = dudv
vS(x,t)
u
dwdz
z
w
dv
vS(x,t)
dz
z
=
S(x, t)x
t = A(x, t)x
t
= Ax1- = Ax1/
Reti sociali
Riferimenti• 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