Имитационное моделирование социальной сети на основе ретроспективных данных

В современном обществе социальные сети, основанные на интернет-технологиях, стали одним из самых влиятельных каналов распространения информации. Через социальные сети происходит не только межличностное общение их участников, но и продвижение информации, идей, мнений. Иногда эти процессы носят деструктивный, разрушающий характер и хорошо бы было научиться управлять этими процессами.

Но управление невозможно без понимания того, как организованы социальные сети, как они растут, как в них распространяется информация и как найти наиболее влиятельные узлы, обеспечивающие ее быстрое распространение. Новая отрасль науки «network science» ищет ответы на эти и многие другие вопросы.

Основные трудности исследования сетевых структур состоят в том, что их непосредственное изучение осложнено очень большими размерами, а также тем, что происходят постоянные изменения в структуре сетей — отмирают старые связи, появляются новые связи и узлы. Эффективным методом исследования больших сетей является их моделирование с использованием случайных графов, которые воспроизводят основные, известные из эмпирических исследований, свойства сетей. Однако эти сведения носят ретроспективный характер, поскольку получены они задолго до момента исследования. Имитационное моделирование способно на основе ретроспективных данных дать оценки возможного будущего состояния сети.

Одним из эффективных методов моделирования больших сетевых структур является их представление в виде случайных графов с нелинейным правилом предпочтительного связывания (графов с НППС). В рамках теории случайных графов с НППС разработаны методы синтеза случайных графов, которые по своим основным свойствам идентичны тем реальным сетям, которые они моделируют.

Метод калибровки параметров генератора случайных графов открывает новые перспективы для имитационного моделирования как социальных сетей, так и других сетевых структур. Получив ретроспективные данные о топологии сети, определяют параметры генератора. Выполняя далее многочисленные имитационные эксперименты по выращиванию случайного графа, можно получить оценки динамики роста как графа в целом, так и динамики роста его отдельных вершин.

Related posts