Магистратура
2020/2021




Прикладной сетевой анализ
Статус:
Курс по выбору (Коммуникации, основанные на данных)
Направление:
42.04.01. Реклама и связи с общественностью
Кто читает:
Школа коммуникаций
Где читается:
Факультет креативных индустрий
Когда читается:
2-й курс, 1 модуль
Формат изучения:
без онлайн-курса
Преподаватели:
Грызунова Елена Аркадьевна
Прогр. обучения:
Коммуникации, основанные на данных
Язык:
русский
Кредиты:
4
Контактные часы:
44
Программа дисциплины
Аннотация
Курс знакомит студентов с активно развивающейся междисциплинарной областью исследование структурных данных и закономерностей в них. В рамках курса мы рассмотрим методы статистического и структурного анализа сетей, модели формирования и эволюции сетей и процессов, машинное обучение на графах. Особое внимание будет уделено практическому анализу и визуализации реальных сетей с использованием доступных программных средств, современных языков программирования и библиотек.
Цель освоения дисциплины
- Целью освоения дисциплины «Прикладной сетевой анализ» является получение студентами системных представлений об анализе графов и социальных сетей, метода сбора, обработки и моделирование сетевых структур и применении в прикладных областях.
Планируемые результаты обучения
- Демонстрирует общие знания об области применения анализа социальный сетей и программных средствам для работы с графами
- Знает статистические особенности реальных сетей, основные отличия реальных сетей от модельных данных
- Владеет навыками моделирования случайных графов для тестирования статистических гипотез на структурных данных
- Знает понятие центральности как меры ранжирования вершин в графе на основе структурной информации
- Знает понятия центральности и престижа как мер ранжирования вершин, взаимовлияние в ориентированных сетях
- Умеет находить структурно схожие элементы и меры схожести в структурной информации
- Умеет обнаруживать сообщества в сетях, владеет методами кластеризации на графах
- Умеет моделировать распространение информации. Понимает сущность понятия эпидемии в информационном поле.
- Умеет использовать информационные каскады как модель сетевого маркетинга и оценивать успешность сетевого маркетинга.
- Знает модели распространения влияния. Умеет прогнозировать достижение равновесия в сетевой модели на основе Марковских процессов в сетях
- Владеет методами машинного обучения для структурной модели графа
- Владеет методами машинного обучения для структурной модели графа с учетом текстовых эмбеддингов
- Умеет строить рекомендации связей между элементами сети, владеет методами детектирования фрода в сетях
- Умеет строить модель классификации элементов сети, выявлять агентов влияния, осуществлять количественные предсказания на основе временных динамических графов
- Владеет методами представления результатов проекта в области сетевого анализа
Содержание учебной дисциплины
- Тема 1. Введение в сетевой анализВведение в сетевой анализ. Теория сложных сетей. Основные свойства сети и метрики. Примеры сетей.
- Тема 2. Описательные статистики реальных сетейСтепенной закон распределения и реальные сети. Закон Ципфа. Закон шести рукопожатий. Плотностей связей между друзьями.
- Тема 3. Модели формирования сетиМодель случайного графа Эрдоша-Рени. Распределения Пуассона и Бернулли. Распределение степеней вершин. Модель Барабаси-Альберта. Модель эволюции графа. Модель “маленького мира” (модель Ваттс-Строгаца). Статистики случайных графов.
- Тема 4. Меры влияния агентов в неориентированных сетяхМетрики центральности вершин: степенная, мостовая, по близости, относительно собственных векторов, структурные. Интерпретация центральности как меры влияния. Визуализация ключевых агентов в сети.
- Тема 5. Меры влияния агентов в ориентированных сетяхPageRank, стохастическая метрика и условие Перрона-Фробениуса. Итеративные методы. Хабы и источники. Алгоритм HITS.
- Тема 6. Структурная эквивалентностьМетрики структурной эквивалентности. Евклидова метрика и расстояние Хэмминга. Коэффициент корреляции. Косинусное сходство. Ассортативное смешивание и гомофилия. Смешивание по факторным и численным атрибутам.
- Тема 7. Сообщества в социальных сетяхСетевые сообщества. Плотность сообществ и метрики разрезов. Алгоритм Ньюмена-Гирвина. Спектральные методы кластеризации. Приближенные и жадные алгоритмы. Иерархическая кластеризация. Локальная кластеризация. Графовые шаблоны, k-core, микро подграфы.
- Тема 8. Распространение и эпидемии в сетяхМодели эпидемий: SI, SIS, SIR. Решение дифференциальных уравнений. Предельные случаи. Моделирование распространения инфекции.
- Тема 9. Распространение инноваций и информационные каскадыОбучение на основе наблюдений. Информационные каскады. Каскады в сети. Независимая и линейная пороговая модели каскадов. Измерение распространения информации и оценка успешности компании в сетях.
- Тема 10. Распространение влияния и консенсус в социальных сетяхФизическая диффузия. Диффузионное уравнение. Распространение в сети и Лапласиан. Решение диффузионного уравнения. Случайные блуждания на графе. Социальная диффузия. Пороговая модель Грановеттера для описания коллективного поведения. Самые влиятельные узлы в сети.
- Тема 11. Векторные модели сетей без атрибутовГрафовые эмбеддинги. Модели на основе матричной факторизации, случайных блужданий и автоэнкодеров. Векторизация структурной модели.
- Тема 12. Векторные модели сетей с текстовыми атрибутамиАтрибутивные графовые эмбеддинги. Веткорные модели текстов и инициализации моделеи. Фьюжн информации и индуктивные модели обучения.
- Тема 13. Предсказание связей и рекомендации в сетяхРост сети. Диаметр сжатия. Проблема предсказания связей. Обучение с учителем. Рекомендательные системы.
- Тема 14. Классификация сетевых данных и графовые нейронные сетиЗадача классификации документов, оценка влияния агентов: предсказание свойств вершин. Графовые нейронные сети. Обучение со слабой разметкой или без учителя. Машинное обучение на графах.
- Тема 15. Защита проектовПредставление проекта и защита перед жюри с приглашенными экспертами.
Промежуточная аттестация
- Промежуточная аттестация (1 модуль)0.3 * О аудит. + 0.2 * О проект1 - проект по анализу своей эго-сети Vkontakte. + 0.5 * О проект2
Список литературы
Рекомендуемая основная литература
- Easley, D., & Kleinberg, J. (2010). Networks, Crowds, and Markets : Reasoning About a Highly Connected World. New York: Cambridge eText. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=324125
Рекомендуемая дополнительная литература
- Newman, M. E. J. (2010). Networks : An Introduction. Oxford: OUP Oxford. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=nlebk&AN=458550