DETECÇÃO DE ESTRUTURAS DECOMUNIDADES EM REDES COMPLEXAS           SEMINÁRIO 6         GABRIEL MENDONÇA         MARCELO MAC...
Redes Complexas for Dummies   Rede = elementos conectados   Matematicamente: grafos        G = ( V , E )               ...
Redes Complexas for Dummies   O que são Redes Complexas ?        Grafos de larga-escala        Apresentam propriedades ...
Redes Complexas for Dummies   O que são Redes Complexas ?        Grafos de larga-escala        Apresentam propriedades ...
Redes Complexas for Dummies   Modelos de Grafos       Grafos Aleatórios (Ërdos)          N vértices          Arestas s...
Redes Complexas for Dummies   Modelos de Grafos       Grafos Aleatórios (Ërdos)          N vértices          Arestas s...
Redes Complexas for Dummies   Modelos de Grafos       Scale-free networks (Barabási)          Distribuição de graus seg...
Análise de Agrupamentos   Objetivo:       Encontrar grupos que caracterizem a separação dos dados                       ...
Estruturas de Comunidade   Objetivo:       Encontrar conjuntos de vértices, de forma que:                               ...
Algoritmos   Tipos:            Divisivos              Eliminar arestar inter-clusteres            Aglomerativos       ...
Algoritmos   Abordagem do Corte-Mínimo       Retirar arestas até que o grafo se torne desconexo
Algoritmos   Abordagem do Corte-Mínimo       Retirar arestas até que o grafo se torne desconexo       Nem sempre é uma ...
Algoritmo de Blondel   Aglomerativo   Une vértices pela análise do ganho de modularidade   Bastante eficiente   Limite...
Algoritmo de Blondel   Início: cada nó tem sua comunidade   Para cada nó n:          Analisam-se todos os vizinhos v   ...
Algoritmo de Blondel    Ganho de modularidade (ao mover nó i para comunidade C):                    in  ki,in   tot...
Algoritmo de Blondel   Segunda Etapa:   Criado um novo grafo...        Cada nó representa uma comunidade        Há uma...
Algoritmo de Blondel
Algoritmo de Blondel   Observações:   É criada uma hierarquia de partições   Ordem de análise dos nós        Afeta mod...
Modularidade   Valores: [-1,1]   Qualidade das partições.   Densidade de arestas dentro de uma mesma comunidade e    ar...
Métricas de Avaliação   Coverage (C):              m(C )                            m(C )  m(C )   Arestas intra-cluste...
Software   Network Workbench Tool         Análise, modelagem e visualização de redes complexas.
Referências□ BLONDEL, V. D.; GUILLAUME, J. L.; LAMBIOTTE, R.;  LEFEBVRE, E. Fast unfolding of communities in large  networ...
Obrigado           □ E boas férias !
Upcoming SlideShare
Loading in …5
×

Redes Sociais Complexas: Detecção de estruturas e comunidades

1,271 views
1,178 views

Published on

Trabalho apresentado em 2009.2 na disciplina de Inteligência Computacional

Published in: Technology
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
1,271
On SlideShare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
0
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Redes Sociais Complexas: Detecção de estruturas e comunidades

  1. 1. DETECÇÃO DE ESTRUTURAS DECOMUNIDADES EM REDES COMPLEXAS SEMINÁRIO 6 GABRIEL MENDONÇA MARCELO MACHADO RAFAEL DAHIS RENAN VASCONCELOS Inteligência Computacional
  2. 2. Redes Complexas for Dummies Rede = elementos conectados Matematicamente: grafos  G = ( V , E ) MAX Tipos de Redes:  Sociais  Biológicas  de Informação MIN  Tecnológicas
  3. 3. Redes Complexas for Dummies O que são Redes Complexas ?  Grafos de larga-escala  Apresentam propriedades comuns MAX MIN
  4. 4. Redes Complexas for Dummies O que são Redes Complexas ?  Grafos de larga-escala  Apresentam propriedades comuns  Efeito Small-World MAX  Transitividade  Distribuição de graus  Estruturas de comunidade MIN
  5. 5. Redes Complexas for Dummies Modelos de Grafos  Grafos Aleatórios (Ërdos)  N vértices  Arestas são incluídas seguindo uma distribuição de probabilidade
  6. 6. Redes Complexas for Dummies Modelos de Grafos  Grafos Aleatórios (Ërdos)  N vértices  Arestas são incluídas seguindo uma distribuição de probabilidade  Bonito, mas na prática...  Utilidade como benchmark MIN
  7. 7. Redes Complexas for Dummies Modelos de Grafos  Scale-free networks (Barabási)  Distribuição de graus segue lei de potência  Ligações preferenciais
  8. 8. Análise de Agrupamentos Objetivo:  Encontrar grupos que caracterizem a separação dos dados Distância entre MAX registros de grupos diferentes Distância entre registros do MIN mesmo grupo
  9. 9. Estruturas de Comunidade Objetivo:  Encontrar conjuntos de vértices, de forma que: Somatório dos MAX pesos das arestas inter- comunidades Somatório dos pesos das MIN arestas intra- comunidade
  10. 10. Algoritmos Tipos:  Divisivos  Eliminar arestar inter-clusteres  Aglomerativos  Bottom-Up – agrupa vértices próximos  Via otimização  Há uma função a ser otimizada
  11. 11. Algoritmos Abordagem do Corte-Mínimo  Retirar arestas até que o grafo se torne desconexo
  12. 12. Algoritmos Abordagem do Corte-Mínimo  Retirar arestas até que o grafo se torne desconexo  Nem sempre é uma boa solução
  13. 13. Algoritmo de Blondel Aglomerativo Une vértices pela análise do ganho de modularidade Bastante eficiente Limite de número de vértices somente ditado pela capacidade de armazenamento
  14. 14. Algoritmo de Blondel Início: cada nó tem sua comunidade Para cada nó n:  Analisam-se todos os vizinhos v  Qual é o ganho na modularidade se retirarmos n de sua comunidade, e o incluírmos na comunidade de v ?  A operação feita é aquela que proporcionar maior ganho positivo. Processo se repete até que não seja possível aumentar o ganho
  15. 15. Algoritmo de Blondel Ganho de modularidade (ao mover nó i para comunidade C):  in  ki,in   tot  ki     in   tot   ki  2  2 2 Q             2m  2m    2m  2m   2m           = somatório dos pesos das arestas dentro da comunidade C = somatório dos pesos das arestas que tem como destino um nó que pertença a C ki = somatório dos pesos das arestas que tem como destino o nó i ki,in = somatório dos pesos das arestas que vão de i para os nós que pertençam a C m = somatório dos pesos de TODAS as arestas do grafo
  16. 16. Algoritmo de Blondel Segunda Etapa: Criado um novo grafo...  Cada nó representa uma comunidade  Há uma aresta entre A e B se as comunidades A e B possuem nós com arestas entre si.  Peso da aresta = somatório dos pesos dessas arestas Volta-se a primeira etapa E assim por diante...
  17. 17. Algoritmo de Blondel
  18. 18. Algoritmo de Blondel Observações: É criada uma hierarquia de partições Ordem de análise dos nós  Afeta modularidade, mas de maneira desprezível  Pode afetar o tempo de execução
  19. 19. Modularidade Valores: [-1,1] Qualidade das partições. Densidade de arestas dentro de uma mesma comunidade e arestas entre comunidades diferentes.
  20. 20. Métricas de Avaliação Coverage (C): m(C ) m(C )  m(C ) Arestas intra-cluster / total de arestas m(C )  {v , w}E ,vC , wC 1 i j ,i  j Performance (C): 1 n(n  1) 2 (Pares intra-cluster + pares não-vizinhos inter-cluster ) / total possível de pares
  21. 21. Software Network Workbench Tool  Análise, modelagem e visualização de redes complexas.
  22. 22. Referências□ BLONDEL, V. D.; GUILLAUME, J. L.; LAMBIOTTE, R.; LEFEBVRE, E. Fast unfolding of communities in large networks, 2008. NEWMAN, M.E.J.; The structure and function of complex networks, SIAM Review 45, 167–256 (2003). Slides de Graph Clustering – Prof. Tsaparas, Univ. Helsinki Documentação do software Network Workbench
  23. 23. Obrigado □ E boas férias !

×