Modeling the roles of individuals and groups in the dynamics of information propagation
- Autores: Yasir Mehmood
- Directores de la Tesis: Ricardo Baeza Yates (dir. tes.), Francesco Bonchi (codir. tes.)
- Lectura: En la Universitat Pompeu Fabra ( España ) en 2016
- Idioma: español
- Tribunal Calificador de la Tesis: Aristides Gionis (presid.), Ralph G. Andrzejak (secret.), Ricard Gavaldà Mestre (voc.)
- Materias:
- Texto completo no disponible (Saber más ...)
- Resumen
Esta tesis estudia los roles que, tanto individuos como grupos de individuos, desempeñan en la propagación de información en redes sociales. El objetivo primario es investigar el impacto de usuarios y grupos de usuarios en la propagación de información y viceversa. Para estudiar estos fenómenos, de gran complejidad, aplicamos herramientas y técnicas de aprendizaje máquina y minería de datos. Nuestra investigación ha dado como resultado desarrollos muy interesantes que satisfacen nuestros objetivos.
En primer lugar, se ha desarollado una plataforma innovadora de modelización que denominamos Análisis de la Influencia Social a nivel de Comunidad (Community-level Social Influence Analysis - CSI). CSI permite estimar probabilidades de influencia en un macro-nivel, entre grupos de usuario, al mismo tiempo que extiende y generaliza las plataformas de predicción existentes que sólo trabajan a nivel de usuario.
En segundo lugar, se ha desarrollado un modelo estocástico, llamado MASD, para capturar los patrones de evolución de la adopción de innovaciones. Inspirado en la teoría de difusión de innovaciones, MASD utiliza el modelo HMMs izquieda-derecha para representar los fenómenos subyacentes objeto de estudio. La simplicidad, así como la robustez de este modelo, nos han permitido construir una variedad de aplicaciones, desde elementos de clasificación hasta patrones de propagación, y sobre todo, la predicción de adopciones futuras.
Finalmente, proponemos un problema algorítmico creativo donde nuestro objetivo es obtener la esfera de influencia de un nodo. Trabajando con gráficos probabilísticos, definimos esta esfera, correspondiente a un nodo, como un grupo de nodos que potencialmente capturan un contagio si el nodo subyacente está infectado. Computando la esfera de influencia para todos los nodos y combinándola con una instancia de un algoritmo voraz de cobertura, proponemos una aproximación única para influenciar la maximización (InfMax). A través de experimentaciones exhaustivas, podemos mostrar como nuestro método mejora consistentemente el algoritmo voraz estándar para InfMax.
