Найден оптимальный алгоритм выявления «скрытых пружин» в устройстве общества.
На основе данных о коммуникации людей в любой социальной сети (онлайновой, типа ФБ, или офлайновой – в реальной жизни) можно выявить скрытую иерархическую структуру среди участников сетевых коммуникаций. Это делается путем анализа асимметричных моделей взаимодействий участников.
Подобные иерархии существуют в любых социальных группах: от птиц, приматов и слонов до людей. Все эти группы организованы в соответствии с иерархиями доминирования, определяющими модели повторяющихся взаимодействий, при которых доминирующие особи склонны утверждать себя над менее влиятельными членами групп.
Чем больше и сложнее сеть участников социальных взаимодействий, тем больше в нем скрытых иерархий, порою неведомых самим участникам коммуникаций.
Выявление архитектуры таких иерархий – критически важная задача для:
- понимания характера существующих и предсказания возникновения новых иерархий;
- увязки этих иерархий со «струями и течениями» социальных взаимодействий;
- оказания влияния на них в целях управления динамикой социальных коммуникаций.
Т.е. в наше время, - это важнейшая задача для социологов, политтехнологов, спецслужб и СМИ.
Поскольку задача столь важная, то для ее решения уже разработаны несколько подходов, в каждом из которых построено по несколько типов алгоритмических моделей и, соответственно, алгоритмов выявления иерархий.
Алгоритмов много, но их производительность и масштабирование до последнего времени оставляли желать лучшего.
Новая прорывная модель и алгоритм SpringRank навеяны элементарной физической аналогией – представить социальную сеть коммуникаций, как физическую систему, в которой между каждой парой участников натянута ориентированная пружина определенной длины и упругости.
Гениальная идея нового алгоритма - минимизировать общую энергию всех пружин системы. И поскольку эта задача оптимизации требует только линейной алгебры, ее можно решить для сетей с миллионами узлов и ребер за считанные секунды.
Натурные испытания алгоритма SpringRank на синтетических и реальных наборах данных (включая данные о поведении животных, найме преподавателей, сетях социальной поддержки и спортивных турнирах) показали замечательные результаты – алгоритм жутко эффективен, как по скорости, так и по масштабируемости.
Он также может выявлять и предсказывать появление ненаблюдаемых ребер в сети, - так сказать выявлять «скрытые пружины», влияющие на поведение общества.
Принципиальное преимущество SpringRank перед прежними алгоритмами в том, что
- старые алгоритмы, как правило, лишь «выявляют элиту» - дают высокие ранги небольшому числу важных узлов, что дает мало информации об иерархии узлов с более низким рейтингом;
- новый алгоритм выявляет всю многоуровневую иерархию, - и в том числе, латентную: неявную, скрытую и неочевидную.
Новый алгоритм, возможно, произведет революцию в т.н. «системах одобрения» (Systems of Endorsement ), в которых статус участников обусловлен престижем, репутацией или социальным положением.
К ним, в той или иной мере, относится почти все: от рекомендательных систем в Интернете, до социального устройства общества.
Подробней см. только что опубликованную работу «A physical model for efficient ranking in networks» http://advances.sciencemag.org/content/4/7/eaar8260
#СоциальныеСети #СоциальнаяИерархия #МоделиАлгоритмы
На основе данных о коммуникации людей в любой социальной сети (онлайновой, типа ФБ, или офлайновой – в реальной жизни) можно выявить скрытую иерархическую структуру среди участников сетевых коммуникаций. Это делается путем анализа асимметричных моделей взаимодействий участников.
Подобные иерархии существуют в любых социальных группах: от птиц, приматов и слонов до людей. Все эти группы организованы в соответствии с иерархиями доминирования, определяющими модели повторяющихся взаимодействий, при которых доминирующие особи склонны утверждать себя над менее влиятельными членами групп.
Чем больше и сложнее сеть участников социальных взаимодействий, тем больше в нем скрытых иерархий, порою неведомых самим участникам коммуникаций.
Выявление архитектуры таких иерархий – критически важная задача для:
- понимания характера существующих и предсказания возникновения новых иерархий;
- увязки этих иерархий со «струями и течениями» социальных взаимодействий;
- оказания влияния на них в целях управления динамикой социальных коммуникаций.
Т.е. в наше время, - это важнейшая задача для социологов, политтехнологов, спецслужб и СМИ.
Поскольку задача столь важная, то для ее решения уже разработаны несколько подходов, в каждом из которых построено по несколько типов алгоритмических моделей и, соответственно, алгоритмов выявления иерархий.
Алгоритмов много, но их производительность и масштабирование до последнего времени оставляли желать лучшего.
Новая прорывная модель и алгоритм SpringRank навеяны элементарной физической аналогией – представить социальную сеть коммуникаций, как физическую систему, в которой между каждой парой участников натянута ориентированная пружина определенной длины и упругости.
Гениальная идея нового алгоритма - минимизировать общую энергию всех пружин системы. И поскольку эта задача оптимизации требует только линейной алгебры, ее можно решить для сетей с миллионами узлов и ребер за считанные секунды.
Натурные испытания алгоритма SpringRank на синтетических и реальных наборах данных (включая данные о поведении животных, найме преподавателей, сетях социальной поддержки и спортивных турнирах) показали замечательные результаты – алгоритм жутко эффективен, как по скорости, так и по масштабируемости.
Он также может выявлять и предсказывать появление ненаблюдаемых ребер в сети, - так сказать выявлять «скрытые пружины», влияющие на поведение общества.
Принципиальное преимущество SpringRank перед прежними алгоритмами в том, что
- старые алгоритмы, как правило, лишь «выявляют элиту» - дают высокие ранги небольшому числу важных узлов, что дает мало информации об иерархии узлов с более низким рейтингом;
- новый алгоритм выявляет всю многоуровневую иерархию, - и в том числе, латентную: неявную, скрытую и неочевидную.
Новый алгоритм, возможно, произведет революцию в т.н. «системах одобрения» (Systems of Endorsement ), в которых статус участников обусловлен престижем, репутацией или социальным положением.
К ним, в той или иной мере, относится почти все: от рекомендательных систем в Интернете, до социального устройства общества.
Подробней см. только что опубликованную работу «A physical model for efficient ranking in networks» http://advances.sciencemag.org/content/4/7/eaar8260
#СоциальныеСети #СоциальнаяИерархия #МоделиАлгоритмы
Данбар не прав
Оптимальное число постоянных социальных связей оказалось иным
Чтобы превзойти физические ограничения каждой особи, природа придумала объединять их в социальные группы. Вместе они могут добиваться невозможного для каждого по отдельности.
Однако индивидуальные возможности поддержания стабильных социальных отношений ограничены физически. Особь просто не в состоянии эффективно поддерживать социальные связи в группе из более 150 особей. Это и есть знаменитое Число Данбара, про которое сейчас столько увлекательного написано: от антропологов до Малькольма Глэдвелла в его «Переломном моменте», что вы, наверняка, массу всего про это читали. А суть в том, что оптимальное число постоянных социальных связей лежит в диапазоне от 100 до 230 и чаще всего считается равным 150.
Новость же в том, что Данбар оказался не прав. Точнее, его модель зависимости между развитием неокортекса и размером стаи слишком упрощена.
Новое фантастически интересное исследование структуры социальных отношений через призму сетевой науки дало прорывной результат. Авторы придумали более сложную, но зато куда более точную модель: размер группы – это компромисс между позитивным эффектом повышения возможностей передачи информации при росте размеров группы и негативным эффектом повышения возможностей передачи любого рода патогенов (как биологических, так и информационных).
Результаты моделирования на этой модели были проверены на реальных сообществах приматов и показали:
1) Эффективность социальных отношений (с учетом как позитивного, так и негативного эффектов) меняется нелинейно.
2) Она растет с увеличением численности в малых группах (до 13), достигает максимального значения в средних группах (> 13, но <89, среднее - 51), а потом падает (в группах 89+).
Т.е. оптимальное число постоянных социальных связей лежит не в диапазоне 100-230 (по Данбару), а в диапазоне 14-88.
3) Все это связано с влиянием модулярности (возникновение более мелких групп – семья, близкие друзья и т.д.) и такими нетривиальными поведенческими драйверами, как непотизм (более высокая толерантность в «своим») и деспотизм (агрессивность, направленная на повышение своего уровня в иерархии)
Так что теперь есть куча новой работы по пересмотру эффективной организации социальных взаимодействий от антропологов и аналитиков соцсетей до спецов по маркетингу и психологов бизнеса.
И все потому, что распространение заразы при социальных взаимодействиях оказалось не менее важным и действенным, чем распространение полезной информации, навыков и знаний.
Теперь понятно, почему современный медиа-мир помешался на фейк-ньюс.
Статья «Social transmission in networks: global efficiency peaks with intermediate levels of modularity»
https://link.springer.com/article/10.1007%2Fs00265-018-2564-9
(скайхаб вам в помощь, но FYI статья довольно сложная)
#СоциальноеЗаражение #СоциальныеСети #СоциальнаяИерархия
Оптимальное число постоянных социальных связей оказалось иным
Чтобы превзойти физические ограничения каждой особи, природа придумала объединять их в социальные группы. Вместе они могут добиваться невозможного для каждого по отдельности.
Однако индивидуальные возможности поддержания стабильных социальных отношений ограничены физически. Особь просто не в состоянии эффективно поддерживать социальные связи в группе из более 150 особей. Это и есть знаменитое Число Данбара, про которое сейчас столько увлекательного написано: от антропологов до Малькольма Глэдвелла в его «Переломном моменте», что вы, наверняка, массу всего про это читали. А суть в том, что оптимальное число постоянных социальных связей лежит в диапазоне от 100 до 230 и чаще всего считается равным 150.
Новость же в том, что Данбар оказался не прав. Точнее, его модель зависимости между развитием неокортекса и размером стаи слишком упрощена.
Новое фантастически интересное исследование структуры социальных отношений через призму сетевой науки дало прорывной результат. Авторы придумали более сложную, но зато куда более точную модель: размер группы – это компромисс между позитивным эффектом повышения возможностей передачи информации при росте размеров группы и негативным эффектом повышения возможностей передачи любого рода патогенов (как биологических, так и информационных).
Результаты моделирования на этой модели были проверены на реальных сообществах приматов и показали:
1) Эффективность социальных отношений (с учетом как позитивного, так и негативного эффектов) меняется нелинейно.
2) Она растет с увеличением численности в малых группах (до 13), достигает максимального значения в средних группах (> 13, но <89, среднее - 51), а потом падает (в группах 89+).
Т.е. оптимальное число постоянных социальных связей лежит не в диапазоне 100-230 (по Данбару), а в диапазоне 14-88.
3) Все это связано с влиянием модулярности (возникновение более мелких групп – семья, близкие друзья и т.д.) и такими нетривиальными поведенческими драйверами, как непотизм (более высокая толерантность в «своим») и деспотизм (агрессивность, направленная на повышение своего уровня в иерархии)
Так что теперь есть куча новой работы по пересмотру эффективной организации социальных взаимодействий от антропологов и аналитиков соцсетей до спецов по маркетингу и психологов бизнеса.
И все потому, что распространение заразы при социальных взаимодействиях оказалось не менее важным и действенным, чем распространение полезной информации, навыков и знаний.
Теперь понятно, почему современный медиа-мир помешался на фейк-ньюс.
Статья «Social transmission in networks: global efficiency peaks with intermediate levels of modularity»
https://link.springer.com/article/10.1007%2Fs00265-018-2564-9
(скайхаб вам в помощь, но FYI статья довольно сложная)
#СоциальноеЗаражение #СоциальныеСети #СоциальнаяИерархия
SpringerLink
Social transmission in networks: global efficiency peaks with intermediate levels of modularity
Behavioral Ecology and Sociobiology - In myriad biological systems, multiple lines of evidence indicate that modularity, wherein parts of a network are organized into modules such as subgroups in...