Твиттер как нелинейная динамическая система

Рис. 12 Виды полицентрических (A,C,E) и эгоцентрических моделей (B,D,F)

Заключение

В рамках данного исследования была рассмотрена система микроблоггинга Twitter. В качестве данных была загружена выборка из более чем 2 млн. твитов. Структура графа социальных связей и временной ряд количества твитов-ретвитов были проанализированы и в результате отнесены к классу хаотических фрактальных систем, обладающих тремя основными характеристиками такого класса систем: масштабной инвариантностью, целостностью и склонностью к катастрофам. Так как система относится к классу хаотических, ее поведение можно описать с помощью системы нелинейных динамических уравнений. В качестве такой системы был выбран аттрактор Лоренца-Хакена, модифицированный под данный случай предыдущими исследователями. Основным ограничением предыдущих исследований фрактальной природы Twitter является предположение о том, что экзогенный информационный компонент в системе дифференциальных уравнений описывающих часть сложной сети - константа. В рамках данного исследования было предложено считать количество информации, поступающей в систему извне в момент времени случайной величиной с q-гауссовым распределением, которое идеально подходит для описания эмпирических распределений с тяжелыми хвостами.

Все это позволит понять, как практически можно влиять на систему Twitter, чтобы получать определенные желаемые результаты относительно общественного мнения. Дальнейшим исследованием этой проблемы может стать более обширное моделирование сети Twitter с использованием большего количества данных для получения более точных оценок влияния того или иного фактора на поведение сети, а также оценка значений параметров, которые в перспективе могут изменить ключевые характеристики сети в пользу какого-либо кандидата на выборах или в другой сфере.

Список использованной литературы

1. Albert R, Barabasi AL (2002) Statistical mechanics of complex networks. Physical Review.

2. Alstott J., Bullmore E., Plenz D. (2014) Correction: powerlaw: A Python Package for Analysis of Heavy-Tailed Distributions. PLOS ONE.

3. Barabasi AL., Albert R. (1999) Emergence of scaling in random networks. Science, 286.

4. Bianconi G, Barabasi AL (2001) Bose-Einstein Condensation in Complex Networks. Physical Review.

5. Bollobas B., Riordan O. (2004) The diameter of a scale-free random graph, Combinatorica.

6. Bollobas B., Riordan O. (2003) Mathematical results on scale-free random graphs, Handbook of graphs and networks: from the genome to the internet.

7. Borgs C., Chayes J., Lovasz L., Sos V., Szegedy B., Vesztergombi K. (2006) Graph limits and parameter testing, In Proceedings of the thirty-eighth annual ACM symposium on Theory of computing.

8. Bornholdt S., Schuster H. (2002) Handbook of Graphs & Networks, Wiley Online Library.

9. Clauset A., Shalizi C., Newman M. (2009) Power-law distributions in empirical data, SIAM review.

10. Dasgupta S, Pan RK, Sinha S (2009) Phase of Ising spins on modular networks analogous to social polarization. Physical Review.

11. Dmitriev A., Dmitriev V., Tsukanova O., Maltseva S. (2017). A Nonlinear Dynamical Approach to the Interpretation of Microblogging Network Complexity. In: Cherifi C., Cherifi H., Karsai M., Musolesi M. (eds) Complex Networks & Their Applications VI. COMPLEX NETWORKS 2017. Studies in Computational Intelligence, vol 689, 390-400. Cham: Springe.

12. Dmitriev A., Dmitriev V., Tsukanova O., Maltseva S. (2016). Investigation into the Regular and Chaotic States of Microblogging Networks as Applied to Social Media Monitoring, 2016 IEEE International Conference on e-Business Engineering, Moscow, Russia: National Research University “Higher School of Economics”.

13. Edunov S., Logothetis D., Wang C., Ching A., Kabiljo M. (2016) Darwini: Generating realistic large-scale social graphs, The Allen Institute for Artificial Intelligence.

14. Erdos P., Renyi A. (1960) On the evolution of random graphs. Math. Inst. Hungar. Acad. Sci.

15. Faccin M, Johnson T, Biamonte J, Kais S (2013) Degree Distribution in Quantum Walks on Complex Networks. Physical Review.

16. Hofstad R. (2009) Random graphs and complex networks, http://www.win. tue.nl/rhofstad/NotesRGCN.

17. Iannaccone, Khokha (1996). Fractal Geometry in Biological Systems. p. 143. ISBN 978-0-8493-7636-8.

18. Kocarev L., Visarath In. (2010) Network science: A new paradigm shift. IEEE Network: The Magazine of Global Internet working.

19. Lovasz L. (2012) Large networks and graph limits, volume 60. American Mathematical Society.

20. Li L., Alderson D., Doyle J., Willinger W. (2005) Towards a theory of scale-free graphs: Definition, properties, and implications. Internet Mathematics.

21. Lima-Mendez G., Helden J. (2009) The powerful law of the power law and other myths in network biology, Molecular BioSystems.

22. Littman, Justin; Wrubel, Laura; Kerchner, Daniel (2016). "2016 United States Presidential Election Tweet Ids", https://doi.org/10.7910/DVN/PDI7IN, Harvard Dataverse, V3.

23. Mathews P., Mitchell L., Nguyen G., Bean N. (2017) The nature and origin of heavy tails in retweet activity, 8th International Workshop on Modelling Social Media: Machine Learning and AI for Modelling and Analysing Social Media, Perth, Australia.

24. Molontay R. (2015). Fractal Characterization of Complex Networks (MSc Thesis, Budapest University of Technology and Economics, 2015) (pp. 1-7). Budapest: Budapest University of Technology and Economics.

25. McClurg, Scott D. (2003). Social Networks and Political Participation: The Role of Social Interaction in Explaining Political Participation. Political Research Quarterly, USA: Southern Illinois University.

26. National Research Council Committee on Network Science for Future Army Applications (2005) Network Science. The National Academies Press.

27. Reichardt J, Bornholdt S (2006) Statistical mechanics of community detection. Physical Review.

28. Rodriguez. A. (2015) RESTful Web services: The basics. IBM.

29. Rozenfeld H., Gallos L., Song C., Makse H. (2009) Fractal and transfractal scale-free networks. In Encyclopedia of Complexity and Systems Science, Springer.

30. Song C., Havlin S., Makse Н. (2005) Self-similarity of complex networks. Nature, 392-395.

31. Stumpf M., Porter M. (2012) Critical truths about power laws, Science.

32. Tanaka R. (2005) Scale-rich metabolic networks, Physical review letters.

33. Tsallis C. (1987). Possible generalization of Boltzmann-Gibbs statistics. Journal of Statistical Physics, 52(1-2), 479-487. doi: https://doi.org/10.1007/BF01016429.

34. Twitter Developer Policy (2017) developer terms, https://developer.twitter.com/en/developer-terms/policy.

35. Wang D. (2011) Multifractal characterisation and analysis of complex networks, PhD thesis, Queensland University of Technology.

36. Wang Dan-Ling, Yu Zu-Guo, Anh V, (2012). Multifractal analysis of complex networks. Chinese Physics B, 21, 1-5. doi:10.1088/1674-1056/21/8/080504.

37. Watts D., Strogatz S. (1998) Collective dynamics of small world networks. Nature, 393.

38. Watts D. (2003) Six degrees, Columbia University.

39. Willinger W., Alderson D., Doyle J. (2009) Mathematics and the internet: A source of enormous confusion and great potential. Defense Technical Information Center.

40. Xu, Guandong et al. (2010) Web Mining and Social Networking: Techniques and Applications. Springer, ISBN 978-1-4419-7734-2.

41. Xulvi-Brunet R., Sokolov I.M. (2005). Changing correlations in networks: assortativity and dissortativity. Acta Phys. Pol. B, 36.

42. Савкин О. (2017) Twitter: архитектура, данные, доклад на конференции CodeFest.

Размещено на Allbest.ru