Sozio- Technische Systeme

Transkript

1 Soziotechnische Informationssysteme 3. Netzwerkgrundlagen Inhalte Six Degrees of Separation Zufallsgraphen Skalenfreie Netze Softwareaspekte 1

2 Motivation Graphentheorie Alter Bekannter in der Informatik Graphen sind eine zentrale Datenstruktur Auch sonst nicht wirklich neu Euler, Problem der 7 Brücken in Königsberg (1736) 2

3 Reguläre Graphen Vorbilder für alle effizienten Datenstrukturen Schlange, Liste Ring, Stern Matrix, Torus, n-dimensionaler Würfel Baum... Wohlbekannte Eigenschaften Durchmesser Ein- und Ausgangsgrad Tiefe Zusammenhangskomponenten... Aber... Künstliche Strukturen Entstehen meist nicht von alleine Strukturerhalt in dynamischem Umfeld aufwendig Fehlender Realitätsbezug 3

4 Six Degrees of Separation Experiment von Milgram (1967) Stanley Milgram, Psychologe, Yale University Experiment Briefe an einige hundert Personen in Boston und Omaha (Nebraska) verteilt Empfänger: Bestimmter Aktienhändler in Boston Weiterleiten eines Briefs nur an direkte Bekannte/Freunde (first-name basis) Überraschendes Resultat Durchschnittlich nur 6 Personen notwendig 4

5 What a small world?! Deswegen? Jeder hat 42 Freunde, dann ergeben sich 42^6 Personen (= 5.49 Milliarden) bei Tiefe 6 5

6 Wohl eher deswegen? Weak Ties Granovetter (1973) Strong Ties Stark überlappende Interessen und Bedürfnisse Grad an Zeitaufwand, emotionale Intensität Wenig Überraschung Weak Ties Essentiell für die Ausbildung sozialer Netzstrukturen Neue Information primär über schwache Bindungen Absent Ties Keine bis unwesentliche / vernachlässigbare Bindungen 6

7 Wie kommt man an geeignete Graphstrukturen? Zufallsgraphen 7

8 Graphentstehung als Zufallsprozeß Zu n Knoten werden zufällig Kanten dazugewählt Gilbert Modell G(n,p) Jede mögliche Kante existiert unabhängig von anderen Kanten mit Wahrscheinlichkeit p Erdős Rényi Modell (Gn,M) Alle Graphen mit M Kanten sind gleich wahrscheinlich Eigenschaften Mathematisch anspruchsvoll Gegeben n und p bzw. M, wie wahrscheinlich ist eine bestimmte Eigenschaft von G Zusammenhängend Durchlässigkeit (Percolation) Robustheitsaspekt, Kanten wegnehmen 8

9 Perkolation Gegeben Zufallsgraph G mit n Knoten Durchschnittlicher Kantengrad k Wir entfernen (1-p)-Anteil an Kanten für ein p [0,1] Es existiert ein kritischer Schwellwert: Asymptotische Aussage p < p c : Netzwerk ist fragmentiert p >= p c : Netz zusammenhängend p c = 1 k Phasenübergang Anteil aller Knoten in der größten Zusammenhangskomponente

10 Lemma von Szemerédi Übertragbarkeit von spezifischen Eigenschaften auf große Mengen von Zufallsgraphen Szemerédi erhielt 2012 den Abel Preis Sozial = Random? Sind soziale Netzwerke Zufallsgraphen? Wählt man seine Freunde zufällig aus? Wie gut kennen sich Freunde von Freunden?? 10

11 Bacon Numbers Bacon Number Kevin Bacon (1958-) Schauspieler..., Flatliners, Apolle 13, JFK... worked with everybody in Hollywood or someone who s worked with them (1994) Kevin Bacon Game (1994) Albright College Studenten: C. Fass, B. Turtle, M. Gineli Regeln Kevin Bacon hat die Nummer 0 Wer mit Kevin Bacon gespielt hat, hat die Nummer 1 Wer mit jemand gespielt hat der mit Kevin Bacon gespielt hat, hat die Nummer 2 Und so weiter... 11

12 Verteilung 320, , , ,000 Anzahl Schauspieler 150, ,000 50, Bacon Number Gesamtanzahl 550, , , , ,000 Gesamtanzahl Schauspieler 300, , , , ,000 50, Bacon Number 12

13 Triadic Closure und Clustering Triadic Closure Georg Simmel (Anfang 1900) Enge Bindung zwischen A und B Enge Bindung zwischen B und C Dann meist auch Bindung zwischen A und C Mark Granovetter (1973) The Strength of Weak Ties Kognitive Balance 13

14 16 gerichtete Triaden Clustering Clustering-Koeffizient Grad der Clusterbildung in einem Graphen Eng mit der Triadic Closure verbunden 3 Knoten durch 2 (offen) oder 3 (geschlossen) Kanten verbunden Globaler Koeffizient: #Closed / (#Closed + #Open) Lokaler Koeffizient eines Knotens v Maß für die vollständige Vernetzung der direkten Nachbarn 14

15 Beispiel 3 Geschlossene A-B-C B-C-A C-A-B 6 Offene C-B-E C-B-D A-B-D A-B-E D-B-E B-E-F C global = 3 9 = 1 3 Zufallsgraphen mit Small-World-Eigenschaften 15

16 Beobachtung Pfadlänge Pfadlänge Zufallsgraph Clustering Clustering Zufallsgraph Bacon Stromnetz Neuralnetz Fadenwurm Watts-Strogatz Modell Verbesserung der Erdős Rényi-Graphen Ausbildung lokaler Cluster und Triadic Closure Konstruktionsalgorithmus Gegeben n Knoten K mittlerer Kantengrad b Parameter zwischen 0 und 1 Erzeuge regelmäßiges Gitter mit K Nachbarn pro Knoten Jede Kante wird einmal mit Wahrscheinlichkeit b rewired und durch zufälligen neuen Zielknoten ersetzt 16

17 Verteilungen Normalverteilung Poisson Verteilung Pareto Verteilung Skalenfreie Netze 17

18 Pareto-Prinzip Regel 20% der Verursacher sind für 80% der Wirkung verantwortlich Viele Beispiele Reichsten 20% der Weltbevölkerung kontrollieren 82.7% des Welteinkommens (UN 1989) 80% des Profits kommen von 20% der Kunden 20% der am häufigsten genannten Fehler sind für 80% der Fehlerberichte verantwortlich (Microsoft) Pareto-Verteilung Potenzgesetz (Power Law) Long Tail f(x) = ax k 18

19 Skaleninvarianz f (x) = ax k f (cx) = a(cx) k = c k f (x) f (x) Alle Funktionen mit einem spezifischen Exponenten sind bis auf einen konstanten Faktor äquivalent Selbstähnlichkeit / Dilatation / Symmetrieaspekt Preferential Attachment Reiche werden reicher Matthäus-Effekt J Gleichnamige Evangelium Gleichnis von den anvertrauten Zentnern: Denn wer da hat, dem wird gegeben, dass er die Fülle habe; wer aber nicht hat, dem wird auch das genommen, was er hat. PA nimmt aber nichts weg Dynamisches Element zur Ausbildung skalenfreier Netze Barabási und Albert (1999) 19

20 Skalenfreie Netze Kantengrad eines Knotens entspricht einem Potenzgesetz P(k) Anteil der Knoten mit Kantengrad k: P(k) ck γ Typischerweise gilt 2 < γ < 3 Barabási und Albert Konstruktion skalenfreier Netze mittels Preferential Attachment Initiale Knotenmenge M ( >1 und Kantengrad mind. 1) Schrittweise neue Knoten v hinzufügen v wird mit Knoten v j aus M mit Wahrscheinlichkeit p j verbunden (k i Kantengrad) p j = k j k i i Verteilung: P(k) = 3 20

21 Softwareaspekte Graphengröße Aktuell großes wissenschaftliches und kommerzielles Interesse Szenarien Modellierung entsprechender Netze Mining vorhandener sozialer Netze Realisitisch erst bei großen Graphen Performanzprobleme Explorativer Umgang Geeignete und schnelle Visualisierungen 21

22 Bibliotheken igraph Python, C++, Java, R gephi Java Python NetworkX Struktur, Dynamik und Funktion komplexer Netzwerke NumPy Matplotlib.NET / C# NodeXL Social Media Research Foundation ( QuickGrap Visualisierung MSAGL, GLEE, Graphviz Beispiel igraph Python Code: from igraph import * g = Graph.Erdos_Renyi(n=300, m=250) colors = ["lightgray", "cyan", "magenta", "yellow", "blue", "green", "red ] for component in g.components(): color = colors[min(6, len(component)- 1)] for vidx in component: g.vs[vidx]["color"] = color plot(g, layout="fr", vertex_label=none) 22

23 Beispiel gephi Beispiel NodeXL 23

24 Literatur Mark Granovetter The Strength of Weak Ties alternativ Duncan J. Watts Six Degrees The Science of a Connected Age Norton,