Суть исследования закономерностей образования связей между людьми в сетях. Сравнительный анализ статистических данных об обмене сообщениями между пользователями сетевой среды различной природы. Характеристика коэффициента сохранения взаимоотношений.
При низкой оригинальности работы "Особенности формирования общественных кругов в корпоративных и социальных сетях", Вы можете повысить уникальность этой работы до 80-100%
Анализ социальных сетей занимает сегодня важное место в сфере социальных исследований.На рисунках 1.с и 1.d изображено графическое представление такого показателя в зависимости от количества исходящих связей: Тенденция узлам с высокой степенью свободы находить связи с узлами тоже с высокой степенью свободы наблюдается везде, за исключением YOUTUBE, но в целом, авторы заключают, что узлы с высокой степенью стремятся образовывать связи с такими же узами, образовывая так называемые ядра сети, а такое поведение сети YOUTUBE объясняют скорее природой взаимодействия между пользователями в ней. · Clustering coefficient of the node (local clustering coefficient) - локальный коэффициент кластеризации для узла с N связями - количество связей между узлами, с которыми связан рассматриваемый узел в отношении к количеству всех возможных связей между этими узлми, иными словами - вероятность того, что данный между данным узлом и образуется связь с кем-то из узлов соседей, с которыми до прямой связи не было. Работы [9 и 10] посвящены более сложным теоретическим аспектам сравнения графов (сетей) между собой, среди них хочется выделить такие метрики, как · S-метрика (The S-Metric), говорящая о стремлении узлов находить связи с такими же узлами, при схожей стеени активности · Зависимость между средним количеством уникальных входящих связей узла (Avg(K_in)) от количества его уникальных исходящих связей (K_out) - «Отзывчивость сети», иными словами: чем большую активность в сети вы будете проявлять, как пользователь, обменивающийся сообщениями с другими пользователями, тем больше других пользователей будет писать вам. · Стремление участников сети находить подобных себе по активности (K_out) пользователей (Joint degree distribution) «Степень распределения узла» - этот показатель расскажет, насколько сильно пользователи сети стремятся заводить связи с себе подобными с точки зрения активности.· была проанализирована литература на тему анализа социальных сетей, представленная в списке ниже, · определены ключевые методы для их сравнения, описанные в начале работы, · выбраны, приведены к единому формату и проанализированы данные из 3 социальных сетей и одной корпоративной, · определены ключевые различия и общие черты для социальных и корпоративных сетей.
Вывод
В данной работе
· была проанализирована литература на тему анализа социальных сетей, представленная в списке ниже, · определены ключевые методы для их сравнения, описанные в начале работы, · выбраны, приведены к единому формату и проанализированы данные из 3 социальных сетей и одной корпоративной, · определены ключевые различия и общие черты для социальных и корпоративных сетей.
Основываясь на проведенных исследованиях, можно заключить, что, не смотря на свою корпоративную природу, компания IT , хоть и выделяется чем-то среди прочих социальных сетей, как, например, более плотным устройством связей между узлами и БОЛЬШЕЙ вероятностью связи между двумя незнакомыми узлами, можно сказать, что зачастую законы, которым подчиняются социальные сети, распрастроняются и на корпоративные, а значит можно принять поставленную в начале работы гипотезу о схожести социальных и корпоративных сетей с поправками на природу их существования, однако работа предоставляет широкий спектр потенциальных исследований в будущем, посвященным сравнению таких сетей, результаты которых лягут в основу новому витку в управлении компанией.
Список литературы
1. V Arnaboldi, M Conti, A Passarella, F Pezzoni - Analysis of ego network structure in online social networks.
2. M Skerlavaj, V Dimovski - Social network approach to organizational learning, 2011.
3. Scott J. Social network analysis. - Sage, 2012.
4. Leskovec J., Mcauley J. J. Learning to discover social circles in ego networks //Advances in neural information processing systems. - 2012. - С. 539-547.
5. Arnaboldi V. et al. Analysis of ego network structure in online social networks //Privacy, Security, Risk and Trust (PASSAT), 2012 International Conference on and 2012 International Confernece on Social Computing (SOCIALCOM). - IEEE, 2012. - С. 31-40.
6. Borgatti S. P. et al. Network analysis in the social sciences //science. - 2009. - Т. 323. - №. 5916. - С. 892-895.
7. Measurement and Analysis of Online Social Networks Alan Mislove MPI for Software Systems Campus E1 4 Saarbrucken 66123, Germany Massimiliano Marcon MPI for Software Systems Campus E1 4 Saarbrucken 66123, Germany Krishna P. Gummadi MPI for Software Systems Campus E1 4 Saarbrucken 66123, Germany Peter Druschel MPI for Software Systems Campus E1 4 Saarbrucken 66123, Germany Bobby Bhattacharjee Computer Science Department University of Maryland College Park, MD 20742
8. Measuring the effectiveness of the S-metric to procedure better network models. Isabel Beichl Brian Cloteaux Mathematical and Computational Sciences Division National Institute of Standards and Technology 100 Bureau Drive, Stop 8910 Gaithersburg, MD 20899-8910, U.S.A 9. Towards a Theory of Scale-Free Graphs: Definition, Properties, and Implications Lun Li, David Alderson, John C. Doyle, and Walter Willinger
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы
