Successfully reported this slideshow.

「計算社会科学入門」5章 ネットワーク

1

Share

1 of 38
1 of 38

「計算社会科学入門」5章 ネットワーク

1

Share

Download to read offline

CCSS School on Computational Social Science『計算社会科学入門』における第5章ネットワーク解説.
http://ccss.kobe-u.ac.jp/event/seminar_all/2020/202102270900.html
「計算社会科学」
https://amzn.to/3pZGt2w

CCSS School on Computational Social Science『計算社会科学入門』における第5章ネットワーク解説.
http://ccss.kobe-u.ac.jp/event/seminar_all/2020/202102270900.html
「計算社会科学」
https://amzn.to/3pZGt2w

More Related Content

Related Books

Free with a 14 day trial from Scribd

See all

Related Audiobooks

Free with a 14 day trial from Scribd

See all

「計算社会科学入門」5章 ネットワーク

  1. 1. ネットワーク 東京大学大学院工学系研究科 鳥海不二夫 CCSS School on Computational Social Science『計算社会科学入門』
  2. 2. ネットワーク表現 • 要素とその関係性の集合 – 要素=ノード – 関係性=リンク ノード ノード ノード ノード ノード ノード リンク
  3. 3. 大学運動部の人間関係 3年生 2年生 1年生
  4. 4. 大学運動部の人間関係 3年生 2年生 1年生 3年生 2年生 1年生
  5. 5. 大学運動部の人間関係 3年生 2年生 1年生 2年生の中 心的人物 1年生の 中心的グループ 3年生の 中心的グループ
  6. 6. IC2S2 • 計算社会科学の国際会議 • 多数の計算社会科学研究者が 参加 • 共著者ネットワークを作成 • 計算社会科学界隈の関係性を 分析
  7. 7. IC2S2著者ネットワーク 2017~2019年の共著者関係ネットワーク
  8. 8. 最大コンポーネント
  9. 9. 中心人物の発見
  10. 10. 誰が中心的人物か? • 現在の計算社会科学研究コミュニティで注目すべき人物は誰 か? • 中心性による評価 – 次数中心性 • 次数そのもの – 媒介中心性 • 他のノードにたどり着くために当該ノードを通らなければいけない割合 – ページランク • 重要なノードからリンクされているほど重要
  11. 11. 次数中心性 • ノードが持つ次数(リンク数) – たくさんの共著者がいれば高い – あまりいなければ低い
  12. 12. 次数中心性 名前 次数 分野 1位 Ingmar Weber 40Web Data 2位 Alex Pentland 33Network Science 3位 Iyad Rahwan 27AI, Social Science 4位 Markus Strohmaier 24Social data on the web 5位 Brian Uzzi 24Social Networks
  13. 13. 媒介中心性 • そのノードがいなければバラバラになる度合い – 複数のグループをつないでいると高い
  14. 14. 媒介中心性 名前 Betweeness ポジション 1位 Ingmar Weber 0.061111Research Director 2位 Robert West 0.03803 Tenure Track Assoc.Prof 3位 Kiran Garimella 0.033488Post Doc 4位 Esteban Moro 0.03328Associate Professor 5位 Peter Krafft 0.027158Postdoctoral Fellow
  15. 15. ページランク • ウェブページの重要度を決定するためのアルゴリズム – 重要なノードからリンクされているほど重要 – 重要な研究者と研究している人ほど高い
  16. 16. ページランク 名前 Page Rank 研究内容 1位 Ingmar Weber 0.00424Web Data 2位 Alex Pentland 0.00348Network Science 3位 Brian Uzzi 0.00304Social Networks 4位 Iyad Rahwan 0.00295AI, Social Science 5位 Markus Strohmaier 0.00248Social data on the web
  17. 17. コミュニティ • 複数の構造から分けられそうなネットワーク 3年生 2年生 1年生
  18. 18. コミュニティ構造
  19. 19. コミュニティ構造の応用
  20. 20. 社会的イベントに対する反応は様々 • 反応を見ることでイベントがどう扱われているかを理解可能 • すべて確認するのは難しい • 社会の反応を正しく理解したい イベント ツイート数 新型コロナ関連 328,130,972 学術会議任命拒否問題 7,839,330 新型コロナワクチン 3,795,519 情報分類の必要性 情報分類の必要性
  21. 21. 言語的分類の限界 • 言語的分類(主流のTweet分類)には限界 「火の始末を」 「頭をそる」 「底の厚い靴を」 「http://~を参照」 「頭痛い」 「頭を保護」 関連情報① 「頭を保護」 「頭をそる」 「頭痛い」 関連情報② : 分類 適 切 な 分 類 か ?
  22. 22. RTに注目した分類 • RTに注目した手法 – RT(リツイート):ユーザの興味関心の表れ – 同じユーザにRTされた→内容の関連性有 「火の始末を」 「頭をそる」 「底の厚い靴を」 「 http://~を参照」 「頭痛い」 「頭を保護」 分類 関連情報① 「火の始末を」 「底の厚い靴を」 「頭を保護」 「 http://~ 」 関連情報② RT 重要視
  23. 23. Tweet間の類似性評価 • Tweet間の類似性=RTしたユーザの重複率 – RT:ユーザのTweetへの興味の表れ – RTしたユーザが重複→共通の興味を引く内容 =RT行動 ・・・・・・ T=Tweet ・・・・ T1 T2 T3 T4 T5
  24. 24. 構築されたRTネットワーク • 連結成分は類似 した情報 – 連結成分のサイ ズは様々 – 大きな連結成分 =複数の話題? – ツイートのクラス タリング
  25. 25. Network Clustering • 大きなコンポーネントを細分化 – より類似した情報群に分類 – Newman法 [04 Newman]などによるネットワー ククラスタリング • 新しいクラスタリング手法を適用中
  26. 26. 評価 ◼Networkクラスタリング>HDP-LDA ◼関係性を用いたクラスタリングの方が 人の感覚と合致 ◼解釈性に優れた分類を実現 33
  27. 27. 新型コロナワクチンへのTwitterの反応 • A:反ワクチン批判 – 「副作用ツイを拡散する前に一旦、不自然 な点は無いか少し考えて」 • B:政治批判 – 「自分たちは深夜まで会食や飲酒を繰り 返してるのに国民には「夜8時以降は外食 するな」と言う」 • C:反ワクチン – 「アメリカ国内で ワクチン接種後死亡 1170件」 • D:ワクチン情報 – 「メッセンジャーRNAワクチン等の解説動 画を公開しました」 A B C D
  28. 28. 拡散現象
  29. 29. ネットワーク上の拡散現象 • ネットワーク上の拡散 – 関係性に基づいて生じる拡散 • 物理空間の拡散とは異なる現象 – 人と人の関係によって生じる拡散 • 新型コロナウィルスの感染拡大 • インフォデミックの拡大 • マーケティングにおける口コミ効果 • 拡散に適したネットワーク構造 • 拡散を防ぐネットワーク構造
  30. 30. ツイッターネットワークは拡散に適しているか? • 比較は困難 – 実際の拡散は構造のみが影響するわけではない どのような構造が拡散に適しているか 情報拡散シミュレーション
  31. 31. ネットワーク上の拡散シミュレーション • SNS上の情報拡散シミュレーション • ネットワーク構造が拡散に与える影響 – 構造のみに着目 – どんな構造が拡散を促進するか? • 情報拡散なら嬉しい • 感染拡大なら嬉しくない • Independent Cascadeモデル(ICモデル) – 拡散の基本モデル – SIRモデル(感染の基本モデル)の利用
  32. 32. 独立カスケードモデル • 未取得状態(Susceptible)と取得状態(Received) – 情報を受け取ると取得状態に • 情報を受け取ると1度だけ情報発信状態に(Information Sending) – 発信された情報を受け取るかどうかは確率的に決定 39 𝑃1 𝑃2
  33. 33. Ability of Information Diffusion(AID) • 𝐴𝐼𝐷 が高いネットワーク • 情報拡散に適したネットワーク構造 Information source 𝑣 success failure Rate of users who received information 𝜎(𝑣) 𝐴𝐼𝐷 = 1 𝑁 ෍ 𝑁 𝜎(𝑣) N:Num of Users
  34. 34. 震災前後の情報拡散の分析 • 目的 – 震災の前後でのコミュニケーションネットワークの変化によって𝐴𝐼𝐷 が変化することを示す • 手法 – 実ネットワークを用いた情報拡散シミュレーション • 設定 – 2011/3/7~2011/3/15のTwitterのコミュニケーションネットワークを1 日毎に使用 41
  35. 35. 東日本大震災前後のAIDの変化 The Disaster The Disaster Before After 震災によって情報共有に適した構造に変化 9% 3%
  36. 36. 震災前後のネットワーク 震災前のネットワーク 震災後のネットワーク
  37. 37. 新型コロナ感染拡大モデル • 大規模な感染拡大 – 接触関係が感染を拡大 – 主な感染場所 • 家庭内・職場・飲食店 – 関係性が感染拡大を理解するキー • ネットワークを考慮した感染モデ ル – コミュニティ外での接触は危険 – 早すぎる緊急事態宣言解除は再 度の感染拡大をもたらす Ohsawa Y, Tsubokura M (2020) Stay with your community: Bridges between clusters trigger expansion of COVID-19. PLOS ONE 15(12) : e0242766. https://doi.org/10.1371/journal.pone.0242766
  38. 38. まとめ • 社会の表現としてのネットワーク – 関係性を表すためのデータ – ノードとリンクによるデータ構造 • ネットワークを用いた社会の分析 – 学術コミュニティの共著者ネットワーク • 誰が中心人物か? • どのようなコミュニティがあるのか? – 関係性を用いたクラスタリング • ツイートデータの分類 – 情報の拡散ネットワーク • どんな構造が情報拡散に適しているか?

×