Материал: tsukanova_oa_modeli_i_metody_upravleniia_informatsionnymi_re

106

заключается в следующем.

На макроуровне осуществляется автоматический мониторинг сети на уровне визуальных образов, а также обработка визуализированных представлений слоев текстуры на предтекстурном уровне (т.е., как фиктивных, так и реальных слоев каскадно текстурируемого пространства состояний сообщества) на предмет обнаружения значимых изменений, т.е. выявления «аномальных» слоев (новых,

качественно измененных слоев текстуры). Для этого изначально на базе внутренних моделей сети (таких, как, например, вышеописанные , , ), но с учетом открытых данных, предоставляемых сервисами аналитики, строятся кластерные модели, визуализирующие сеть в том или ином аспекте.

На этом уровне использовалось программное обеспечение анализа и визуализации NodeXL, интегрируемое с MS Excel для получения визуализированных представлений срезов сети, а также метрик для дальнейшего исследования.

Визуализированные представления получаются в следующем виде (рис. 17):

Рисунок 17. Пример визуализированного среза сети

Для выделения «аномального» слоя и выявления возможности формирования нового слоя текстуры разработан следующий алгоритм (рис. 18):

да

Изображения «условно» совпадают (с учетом допустимого отклонения

Δ)

нет

Сигнал о возможности формировании нового слоя текстуры.

(для параллельной работы на уровне 2 – интерпретации объяснения причин)

Рисунок 18. Алгоритм выявления «аномального» слоя текстурированного

пространства состояний сетевого сообщества.

108

Кроме того, для анализа на этом этапе предоставляются следующие

стандартные метрики [83]:

количество вершин и ребер (Total Edges and Vertices),

количество связанных компонентов (Connected Components),

диаметр графа (Geodesic Distance),

плотность графа (Graph Density),

коэффициент кластеризации (Clustering Coefficient),

мера степени промежуточности (Betweenness Centrality),

мера близости (Сloseness Centrality)

мера собственных векторов (Eigenvector Centrality)

Результат получается в табличной форме, например, для рассматриваемой сети Twitter таблица выглядит следующим образом (рис. 19):

Таким образом, в результате работы подсистемы макроуровня (NodeXL и

модуль Program 1) выявляется, своего рода, «аномальный» слой, характеристики которого поступают в подсистему анализа (для более подробного исследования причин изменений) и затем – в систему принятия решений.

На микроуровне (межслойный уровень) осуществляется детальный анализ параметров «аномального» слоя (вышеописанных метрических показателей сообщества, как графовой структуры) и качественный анализ межслойного перехода (основанный на применении дифференциальных уравнений) с целью сопровождения системы принятия решений.

В результате качественного анализа определяются ненулевые положительные равновесные точки.

109

Рис. 19. Пример таблицы с метриками

110

3.9.Выводы по главе 3

1.В третьей главе рассматривается вопрос мониторинга и анализа эволюционного перехода в текстурированном пространстве состояний с целью управления информационно-ресурсным потенциалом (подробно описанным в главе 1). Для этой цели предлагается оригинальный метод анализа и идентификации эволюционного перехода.

2.Для решения поставленной задачи разработки метода управления эволюционными переходами при эволюционном развитии сетевого сообщества,

предлагается следующий подход. Социальная сеть рассматривается, как такая динамическая система, которая из совокупного действия индивидуальных интересов вырабатывает агрегированные факторы (потоки), которые начинают проявляться в макромасштабе и действовать по законам детерминированных связей и отношений. В терминологии популяционной динамики пользователи микроблогинговых сетей находятся в отношении мутуализма – в одном из типов симбиотических отношений, при котором межпопуляционные взаимодействия являются обязательными. В этом случае необходимо существование отправителей и получателей заметок (твитов, в случае Twitter) – в отсутствии одного из этих видов другой вид вымирает (нет отправителей – нет получателей, нет получателей

–нет смысла в отправителях).

3.Подход к исследованию сети, как динамической системы с учетом информационного насыщения получателей и ресурсно-информационного взаимодействия отправителей и получателей, позволил рассмотреть и проанализировать динамические модели с различными уровнями ограниченности.

4.Анализ моделей показал, что модель, одновременно учитывающая как насыщение отправителей и получателей, так и фактор взаимодействия между ними, наиболее адекватно отражает нелинейную динамику отправителей и получателей заметок.