BÁO CÁO CUỐI KỲ MÔN TOÁN TỔ HỢP VÀ đồ THỊ MÔ HÌNH MẠNG LƯỚI XÃ HỘI

lOMoARcPSD|11572185 TỔNG LIÊN ĐOÀN LAO ĐỘNG VIỆT NAM TRƯỜNG ĐẠI HỌC TÔN ĐỨC THẮNG KHOA CÔNG NGHỆ THÔNG TIN BÁO CÁO CUỐI KỲ MƠN TỐN TỔ HỢP VÀ ĐỒ THỊ MƠ HÌNH MẠNG LƯỚI XÃ HỘI Người hướng dẫn: GV BÙI XUÂN THẮNG Người thực hiện: LÊ NGUYỄN MINH TUẤN – 51800950 Lớp : 18050301 Khố THÀNH PHỐ HỒ CHÍ MINH, NĂM 2020 : 22 lOMoARcPSD|11572185 i LỜI CẢM ƠN Qua học kỳ đầy khó khăn vất vả, em học tập nhiều thứ từ mơn Tốn tổ hợp đồ thị Được giúp đỡ bảo giảng dạy nhiệt tình q thầy cơ, đặc biệt quý cô Khoa Công nghệ thông tin Trường Đại học Tôn Đức Thắng Sau quãng thời gian tìm hiểu thực hiện, em hồn thành báo cáo cuối kỳ mơn Tốn tổ hợp đồ thị Em xin dành lời cảm ơn đặc biệt đến thầy Bùi Xuân Thắng giúp đỡ bảo thiếu sót q trình thực em Trong q trình làm tiểu luận, khó tránh khỏi sai sót, mong Thầy, Cơ bỏ qua Đồng thời em mong nhận ý kiến đóng góp Thầy, Cơ để em tiếp thu cải thiện cho tập sau Em xin chân thành cảm ơn! lOMoARcPSD|11572185 ii TĨM TẮT Mơ hình mạng lưới xã hội có từ lâu kỷ trở lại với đời phương pháp phân tích mạng lưới xã hội, lên phương pháp ưu việt hiệu để giải toán gần bao hàm tất ngành nghề sống Với vấn đề đặt cộng đồng ưu việt hơn, thành phần mạng lưới nắm vai trò quan trọng phân cụm thành phần nào,… dẫn tới đời phép đo density, degree centrality, betweenness centrality, closeness centrality, clustering coefficient,… Nhận biết cộng đồng lĩnh vực quan trọng phương pháp phân tích mạng xã hội lại cần nhận biết cộng đồng Trong báo cáo cuối kỳ lần này, ta tập trung phân tích giải thích mạng lưới xã hội phương pháp phân tích mạng xã lưới xã hội lại phương pháp ưu việt, đồng thời giải thích phân tích phép đo phương pháp phân tích mạng lưới xã hội cách tính cụ thể Thêm ta tìm hiểu nhận biết cộng đồng, đồng thời giới thiệu thuật toán nhận biết cộng đồng sử dụng phổ biến hiệu thời điểm Cuối ta demo số giải thuật phép đo phương pháp phân tích mạng lưới xã hội Python lOMoARcPSD|11572185 MỤC LỤC LỜI CẢM ƠN i TÓM TẮT ii DANH MỤC KÍ HIỆU VÀ CHỮ VIẾT TẮT CÁC KÝ HIỆU CÁC CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG BIỂU, HÌNH VẼ, ĐỒ THỊ DANH MỤC HÌNH DANH MỤC BẢNG CHƯƠNG – MẠNG XÃ HỘI VÀ CÁC VẤN ĐỀ PHÂN TÍCH MẠNG XÃ HỘI 1.1 GIỚI THIỆU VỀ MẠNG LƯỚI XÃ HỘI 1.2 PHÂN TÍCH MẠNG LƯỚI XÃ HỘI 1.3 CÁC ỨNG DỤNG CỦA PHÂN TÍCH MẠNG LƯỚI XÃ HỘI CHƯƠNG – CÁC PHÉP ĐO TRONG MẠNG LƯỚI XÃ HỘI 2.1 CÁC HỆ SỐ ĐO LƯỜNG CƠ BẢN 2.1.1 HỆ SỐ CỐ KẾT (DENSITY) 2.1.2 HỆ SỐ TRUNG TÂM TRỰC TIẾP (DEGREE CENTRALITY) 11 2.1.3 HỆ SỐ TRUNG TÂM LÂN CẬN (CLOSENESS CENTRALITY) 13 2.1.4 HỆ SỐ TRUNG TÂM TRUNG GIAN (BETWEENNESS CENTRALITY) 15 2.1.5 HỆ SỐ PHÂN CỤM (CLUSTERING COEFFICIENT) 16 2.2 NHÂN TỐ CHÍNH (KEY PLAYERS) VÀ CÁCH NHẬN BIẾT 19 2.2.1 KHÁI NIỆM NHÂN TỐ CHÍNH (KEY PLAYERS) 19 2.2.2 CÁCH NHẬN BIẾT KEY PLAYERS 19 2.2.3 VÍ DỤ 20 2.3 SIGNED GRAPH: CÁC VẤN ĐỀ VÀ ỨNG DỤNG 21 2.3.1 KHÁI NIỆM SIGNED GRAPH 21 lOMoARcPSD|11572185 2.3.2 CÁC VẤN ĐỀ VÀ ỨNG DỤNG 21 CHƯƠNG – NHẬN BIẾT CỘNG ĐỒNG (COMMUNITY DETECTION) 23 3.1 MODULARITY 24 3.2 GRIVAN NEWMAN’S ALGORITHM 25 3.3 NODE SIMILARITY BASED ALGORITHM (NSBA) 26 3.4 LABEL PROPAGATION COMMUNITY DETECTION (LPA) 27 CHƯƠNG – DEMO 28 4.1 DEMO HỆ SỐ CỐ KẾT TRÊN PYTHON 28 4.1.1 GIẢI THUẬT 28 4.1.2 BÀI TOÁN 29 4.1.3 KẾT QUẢ 30 4.2 DEMO HỆ SỐ TRUNG TÂM TRỰC TIẾP TRÊN PYTHON 31 4.2.1 GIẢI THUẬT 31 4.2.2 BÀI TOÁN 32 4.1.3 KẾT QUẢ 34 4.3 DEMO HỆ SỐ TRUNG TÂM LÂN CẬN TRÊN PYTHON 34 4.3.1 GIẢI THUẬT 34 4.3.2 BÀI TOÁN 35 4.3.2 KẾT QUẢ 36 4.4 DEMO HỆ SỐ TRUNG TÂM TRUNG GIAN TRÊN PYTHON 36 4.4.1 GIẢI THUẬT 36 4.4.2 BÀI TOÁN 37 4.4.3 KẾT QUẢ 38 4.5 DEMO HỆ SỐ PHÂN CỤM TRÊN PYTHON 38 4.5.1 GIẢI THUẬT 38 4.5.2 BÀI TOÁN 40 4.5.3 KẾT QUẢ 41 lOMoARcPSD|11572185 CHƯƠNG – KẾT LUẬN 41 TÀI LIỆU THAM KHẢO 42 Tiếng Việt 42 Tiếng Anh 42 Website 44 TỰ ĐÁNH GIÁ 45 lOMoARcPSD|11572185 DANH MỤC KÍ HIỆU VÀ CHỮ VIẾT TẮT CÁC KÝ HIỆU 𝜎 Sigma CÁC CHỮ VIẾT TẮT PTMLXH Phân tích mạng lưới xã hội NaN Not a number lOMoARcPSD|11572185 DANH MỤC CÁC BẢNG BIỂU, HÌNH VẼ, ĐỒ THỊ DANH MỤC HÌNH Hình Mạng vơ hướng gồm actor 10 Hình Mạng có hướng gồm actor 11 Hình Mạng vơ hướng ví dụ hệ số trung tâm trực tiếp 12 Hình Mạng có hướng ví dụ hệ số trung tâm trực tiếp 13 Hình Mạng vơ hướng ví dụ hệ số trung tâm lân cận 14 Hình Mạng vơ hướng ví dụ hệ số trung tâm trung gian 16 Hình Ví dụ phân cụm 18 Hình Nhận biết key player 20 Hình Mơ hình cân Heider 22 Hình 10 Ví dụ demo hệ số cố kết 29 Hình 11 Demo hệ số cố kết Python 30 Hình 12 Ví dụ demo hệ số trung tâm trực tiếp 32 Hình 13 Ví dụ demo hệ số trung tâm trực tiếp 33 Hình 14 Demo hệ số trung tâm trực tiếp Python 34 Hình 15 Ví dụ demo hệ số trung tâm lân cận 35 Hình 16 Demo hệ số trung tâm lân cận Python 36 Hình 17 Ví dụ demo hệ số trung tâm trung gian 37 Hình 18 Demo hệ số trung tâm trung gian Python 38 Hình 19 Ví dụ demo hệ số phân cụm 40 Hình 20 Demo hệ số phân cụm cục Python 41 DANH MỤC BẢNG Bảng Kết hệ số trung tâm trực tiếp dựa Hình 12 Bảng Kết hệ số trung tâm trực tiếp dựa Hình 13 lOMoARcPSD|11572185 Bảng Kết hệ số trung tâm lân cận dựa Hình 14 Bảng Kết hệ số trung tâm trung gian dựa Hình 16 Bảng Kết hệ số phân cụm theo thứ tự hệ số phân cụm cục bộ, hệ số phân cụm trung bình, hệ số phân cụm tồn cục từ Hình 18 Bảng Nhận biết key players từ Hình 20 lOMoARcPSD|11572185 CHƯƠNG – MẠNG XÃ HỘI VÀ CÁC VẤN ĐỀ PHÂN TÍCH MẠNG XÃ HỘI 1.1 GIỚI THIỆU VỀ MẠNG LƯỚI XÃ HỘI Lý thuyết đồ thị lĩnh vực nghiên cứu trọng tâm ngành Khoa học máy tính Về đồ thị tập hợp bao gồm đỉnh (hoặc nút) nối với cạnh Các cạnh có hướng vơ hướng tùy theo toán khác mà ứng dụng linh hoạt Ví dụ tốn tìm đường ngắn nhất, xếp lịch thi thời khóa biểu cho nhóm sinh viên định, ứng dụng lý thuyết đồ thị thể mơ hình mạng lưới xã hội (social network) Mạng lưới xã hội cấu trúc xã hội mà cá nhân hay tổ chức liên kết với dựa vào nút thắt định, ví dụ tình bạn, tình u, mối quan hệ đồng nghiệp, gia đình,…đối với cá nhân, ngồi cịn có mối quan hệ tổ chức Nói đơn giản mạng lưới xã hội đồ thị thể mối quan hệ xác định Giả sử cá nhân (hay tổ chức) đỉnh đồ thị, cạnh nối đỉnh đến đỉnh khác thể mối quan hệ xã hội cá nhân (hay tổ chức) đến cá nhân hay tổ chức khác Các mối quan hệ xã hội nút thắt nói bên Một số mơ hình trực quan mà ta thấy thực tế dịch vụ mạng xã hội trực tuyến (Online Social Network Services) mà tiên phong Facebook, Twitter, Instagram, Youtube,… , mà ta thấy Facebook ví dụ mơ hình mạng xã hội sử dụng đồ thị vơ hướng Twitter sử dụng đồ thị có hướng 1.2 PHÂN TÍCH MẠNG LƯỚI XÃ HỘI Phân tích mạng lưới xã hội (PTMLXH) trình nghiên cứu cấu trúc xã hội cách sử dụng cách sử dụng lý thuyết đồ thị để biểu diễn cấu trúc lOMoARcPSD|11572185 32 • Áp dụng cơng thức tính hệ số trung tâm trực tiếp ta có bậc out – degree in – degree với list InDegree OutDegree 4.2.2 BÀI TỐN Hình 12 Ví dụ demo hệ số trung tâm trực tiếp Đối với demo hệ số trung tâm trực tiếp, ta có ma trận kề sau: 0 𝑚𝑎𝑡𝑟𝑖𝑥 = (0 0 0 0 0 1 1 0 0 1 0 0 0) Ta tìm danh sách bậc đồ thị giải thuật nêu 4.2.1 Sau áp dụng cơng thức ta kết quả: {1: 0.2, 2: 0.2, 3: 0.2, 4: 0.8, 5: 0.4, 6: 0.2} Downloaded by út bé (beut22834@gmail.com) lOMoARcPSD|11572185 33 Hình 13 Ví dụ demo hệ số trung tâm trực tiếp Đối với demo hệ số trung tâm trực tiếp, ta có ma trận kề sau: 0 𝑚𝑎𝑡𝑟𝑖𝑥 = 0 (0 0 1 0 1 0 0 0) Ta tìm danh sách in – degree out – degree đồ thị giải thuật nêu 4.2.1 Sau áp dụng công thức ta kết quả: 𝑖𝑛 − 𝑑𝑒𝑔𝑟𝑒𝑒: {𝐴: 0.0, 𝐵: 0.5, 𝐶: 0.5, 𝐷: 0.75, 𝐸: 0.25} 𝑜𝑢𝑡 − 𝑑𝑒𝑔𝑟𝑒𝑒: {𝐴: 0.75, 𝐵: 0.5, 𝐶: 0.5, 𝐷: 0.0, 𝐸: 0.25} Downloaded by út bé (beut22834@gmail.com) lOMoARcPSD|11572185 34 4.1.3 KẾT QUẢ Hình 14 Demo hệ số trung tâm trực tiếp Python 4.3 DEMO HỆ SỐ TRUNG TÂM LÂN CẬN TRÊN PYTHON 4.3.1 GIẢI THUẬT Ta sử dụng thư viện networkx để giải toán Đầu tiên ta sử dụng lệnh add_node (add_nodes_from) add_edge (add_edges_from) để tạo thành đồ thị mong muốn Ta có giải thuật sau: Tạo set rỗng, gọi set là Dict_Cc dùng để chứa hệ số trung tâm lân cận đỉnh theo thứ tự, đồng thời cho biến i = Duyệt phần tử thứ i đồ thị (theo thứ tự cho trước đó), đồng thời đặt biến d = Duyệt tất kết nối đỉnh i tới đỉnh khác đồ thị tìm đường ngắn đỉnh i đến đỉnh, với Downloaded by út bé (beut22834@gmail.com) lOMoARcPSD|11572185 35 đường ngắn từ đỉnh i tới đỉnh ta có biến step đại diện cho bước ngắn từ đỉnh i đến đỉnh đó, lần d cập nhật 𝑑 += 𝑠𝑡𝑒𝑝 Đồng thời áp dụng cơng thức tính hệ số trung tâm lân cận có cơng thức sau: Trong đó: 𝐶𝑐 = 𝑛−1 ∑ 𝑑(𝑥, 𝑦) + n: Tổng số actor mạng lưới + ∑ 𝑑(𝑥, 𝑦): Tổng số ‘bước’ (step) đoạn đường ngắn mà 𝑎𝑐𝑡𝑜𝑟𝑖 phải để đến với actor mạng Sau Dict_Cc.add(𝐶𝑐 ) Nếu i bé số đỉnh đồ thị i tăng đơn vị quay lại bước Nếu khơng kết thúc thuật tốn Kết trả set Dict_Cc chứa hệ số trung tâm lân cận tất đỉnh đồ thị 4.3.2 BÀI TỐN Hình 15 Ví dụ demo hệ số trung tâm lân cận Sử dụng lệnh để tạo đồ thị: import networkx as nx g = nx.Graph() Downloaded by út bé (beut22834@gmail.com) lOMoARcPSD|11572185 36 g.add_nodes_from([1,2,3,4,5,6]) g.add_edges_from([(1,2),(1,5),(2,3),(2,5),(3,4),(4,5),(4,6)]) Áp dụng giải thuật trình bày 4.3.1 Ta có kết quả: {1: 0.5555555555555556, 2: 0.625, 3: 0.625, 4: 0.7142857142857143, 5: 0.7142857142857143, 6: 0.45454545454545453} 4.3.2 KẾT QUẢ Hình 16 Demo hệ số trung tâm lân cận Python 4.4 DEMO HỆ SỐ TRUNG TÂM TRUNG GIAN TRÊN PYTHON 4.4.1 GIẢI THUẬT Ta sử dụng thư viện networkx để giải toán Đầu tiên ta sử dụng lệnh add_node (add_nodes_from) add_edge (add_edges_from) để tạo thành đồ thị mong muốn Ta có giải thuật sau: Tạo set rỗng, gọi set là Dict_Cb dùng để chứa hệ số trung tâm lân cận đỉnh theo thứ tự, đồng thời cho biến i = Duyệt phần tử thứ i đồ thị (theo thứ tự cho trước đó), đồng thời đặt biến b = Downloaded by út bé (beut22834@gmail.com) lOMoARcPSD|11572185 37 Duyệt tất kết nối đỉnh x tới tất đỉnh khác đồ thị (trừ đỉnh i) tìm đường ngắn đỉnh x đến đỉnh, với đường ngắn từ đỉnh x tới đỉnh ta có biến count đại diện cho số lần xuất đỉnh i đường Sau duyệt xong ta áp dụng cơng thức tính hệ số trung tâm trung gian: Trong đó: 𝐶𝐵 = 𝑐𝑜𝑢𝑛𝑡 (𝑛 − 1)(𝑛 − 2)/2 + n : Tổng số actor có mạng lưới Sau Dict_Cb.add(𝑪𝑩 ) Nếu i bé số đỉnh đồ thị i tăng đơn vị quay lại bước Nếu khơng kết thúc thuật tốn Kết trả set Dict_Cb chứa hệ số trung tâm trung gian tất đỉnh đồ thị 4.4.2 BÀI TỐN Hình 17 Ví dụ demo hệ số trung tâm trung gian Sử dụng lệnh để tạo đồ thị: import networkx as nx a = nx.Graph() a.add_nodes_from(['L','M','N','O','P','Q','R']) Downloaded by út bé (beut22834@gmail.com) lOMoARcPSD|11572185 38 a.add_edges_from([('L','M'),('L','N'),('L','O'), ('M','P'),('M','Q'), ('N','O'), ('O','R'), ('P','Q')]) Áp dụng giải thuật trình bày 4.4.1 Ta có kết quả: {'L': 0.6, 'M': 0.5333333333333333, 'N': 0.0, 'O': 0.3333333333333333, 'P': 0.0, 'Q': 0.0, 'R': 0.0} 4.4.3 KẾT QUẢ Hình 18 Demo hệ số trung tâm trung gian Python 4.5 DEMO HỆ SỐ PHÂN CỤM TRÊN PYTHON 4.5.1 GIẢI THUẬT Ta sử dụng thư viện networkx để giải toán Đầu tiên ta sử dụng lệnh add_node (add_nodes_from) add_edge (add_edges_from) để tạo thành đồ thị mong muốn Ta có giải thuật sau: Tạo set rỗng, gọi set là Dict_Cluster dùng để chứa hệ số phân cụm cục đỉnh theo thứ tự, đồng thời cho biến i = Downloaded by út bé (beut22834@gmail.com) lOMoARcPSD|11572185 39 Duyệt phần tử thứ i đồ thị (theo thứ tự cho trước đó), đồng thời đặt biến b = Với đỉnh thứ i đồ thị, ta xét xem đỉnh có láng giềng láng giềng đỉnh Sau ta tìm bậc đỉnh I, tìm tổng số cạnh kết nối láng giềng đỉnh i, với điều kiện cạnh không nối đến đỉnh i Gọi tổng số cạnh vừa tìm e Sau duyệt xong ta áp dụng cơng thức tính hệ số phân cụm cục bộ: Đối với mạng lưới vơ hướng ta có công thức: 𝐶𝑖 = 2|𝑒| 𝑘𝑖 (𝑘𝑖 − 1) Đối với mạng lưới có hướng ta có cơng thức: Trong đó: 𝐶𝑖 = + 𝑘𝑖 : số bậc đỉnh i |𝑒| 𝑘𝑖 (𝑘𝑖 − 1) Sau Dict_Clustering.add(𝐶𝑖 ) Nếu i bé số đỉnh đồ thị i tăng đơn vị quay lại bước Nếu khơng kết thúc thuật tốn Kết trả set Dict_Clustering chứa hệ số phân cụm cục tất đỉnh đồ thị Khi có tất hệ số phân cụm cục ta tính hệ số phân cụm cục trung bình với cơng thức: 𝑛 𝐶̅ = ∑ 𝐶𝑖 𝑛 𝑖=1 Đối với hệ số phân cụm tồn cục ta phải duyệt đồ thị để tìm chu trình tam giác tạo nên ba đỉnh đồ thị, sau với đỉnh ta xét xem có cạnh Downloaded by út bé (beut22834@gmail.com) lOMoARcPSD|11572185 40 kết nối để tìm tổng số đỉnh tạo thành ba Công thức hệ số phân cụm toàn cục: 𝐶= Tạm dịch: 𝑥 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑡𝑟𝑖𝑎𝑛𝑔𝑙𝑒𝑠 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑎𝑙𝑙 𝑡𝑟𝑖𝑝𝑙𝑒𝑡𝑠 + 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑡𝑟𝑖𝑎𝑛𝑔𝑙𝑒𝑠: tổng số tam giác tạo tất ba mạng lưới + 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑎𝑙𝑙 𝑡𝑟𝑖𝑝𝑙𝑒𝑡𝑠: tổng số actor tạo thành ba 4.5.2 BÀI TỐN Hình 19 Ví dụ demo hệ số phân cụm Sử dụng lệnh để tạo đồ thị: import networkx as nx b = nx.Graph() b.add_nodes_from(['A','B','C','D','E','F','G']) b.add_edges_from([('A','B'),('A','C'), ('B','C'),('B','D'),('B','G'), ('D','E'),('D','G'), ('E','F'),('E','G')]) Áp dụng giải thuật trình bày 4.5.1 Downloaded by út bé (beut22834@gmail.com) lOMoARcPSD|11572185 41 Ta có kết quả: {'A': 1.0, 'B': 0.3333333333333333, 'C': 1.0, 'D': 0.6666666666666666, 'E': 0.3333333333333333, 'F': 0, 'G': 0.6666666666666666} Hệ số phân cụm toàn cục: 0.5294117647058824 Hệ số phân cụm cục trung bình: 0.5714285714285714 4.5.3 KẾT QUẢ Hình 20 Demo hệ số phân cụm cục Python CHƯƠNG – KẾT LUẬN Như sau chương thứ nhất, hiểu mạng lưới xã hội cộng đồng mạng lưới xã hội, tính ứng dụng mạng lưới vào xã hội vào vấn đề thực tế Tiếp theo đó, ta hiểu phương pháp phân tích mạng lưới xã hội gì, hiểu ứng dụng phương pháp phân tích mạng lưới xã hội vào vấn đề mạng lưới xã hội Qua vài ví dụ ta thấy ứng dụng thực tiễn Chương thứ hai đề cập đến phép đo mạng lưới xã hội, qua phép đo density ta hiểu tính dày đặc mạng lưới, tính dày đặc cao nghĩa mạng lưới có xu hướng giúp đỡ nhiều, với phép đo clustering ta hiểu phân cụm mạng lưới Với phép đo degree, betweenness, closeness ta tìm Downloaded by út bé (beut22834@gmail.com) lOMoARcPSD|11572185 42 key players mạng lưới, nghĩa thành phần chủ chốt mạng lưới Một thành phần signed graph giúp ta hiểu rõ mối quan hệ mạng lưới dự đoán xu hướng kết nối tương lai Chương thứ ba, ta hiểu định nghĩa nhận biết cộng đồng ý nghĩa Nó ứng dụng nhiều lĩnh vực sống đặc biệt điều tra tội phạm lĩnh vực kinh tế Với thuật toán nhận biết cộng đồng ta dễ dàng phân cụm thành phần mạng lưới vào cộng đồng có tính chất riêng biệt cách dễ dàng Nội dung thuật toán đề cập bên TÀI LIỆU THAM KHẢO Tiếng Việt Lê Minh Tiến, 2006 “Tổng quan phương pháp phân tích mạng lưới xã hội nghiên cứu xã hội”, Tạp chí Khoa học Xã hội, 09,: 66-77 Trần Trung Hiếu, 2011 Họ thuật toán Girvan – Newman phát cộng đồng cài đặt thử nghiệm mạng xã hội trực tiếp Khóa luận tốt nghiệp đại học hệ quy, Đại học quốc gia Hà Nội – Trường Đại học Công Nghệ, TP Hà Nội, Việt Nam Đỗ Duy Phúc, 2012 Tìm hiểu mạng xã hội kỹ thuật phân tích Báo cáo mơn học sở liệu nâng cao, Đại học quốc gia Tp Hồ Chí Minh – Trường Đại học Cơng Nghệ Thơng Tin, TP Hồ Chí Minh, Việt Nam Tiếng Anh Santo Fortunato, 2010 “Community detection in graphs”, Physics Report 486 (3–5): 75–174 Ala Berzinji., Lisa Kaati., and Ahmed Rezine, 2012 “Detecting key players in Terrorist Networks”, European Intelligence and Security Informatics Conference: 297 – 302 Stephen P.Borgatti, 2006 “Indetifying sets of key players in a social network”, Comput Math Organiz Theor 12: 21 – 34 Downloaded by út bé (beut22834@gmail.com) lOMoARcPSD|11572185 43 Tyler Derr., Yao Ma., and Jiliang Tang, 2018 “Signed graph convolutional network”, IEEE International Conference on Data Mining: 929 – 934 M Girvan., and M E J Newman , 2002 "Community structure in social and biological networks" Proc Natl Acad Sci USA 99 (12): 7821–7826 D.Hansen., B.Shneiderman., and Smith MA, 2011 Social network analysis: measuring, mapping, and modeling collections of connections In: Analyzing social media networks with NodeXL: insights from a connected world (Eds D.Hansen, B.Shneiderman., and Smith MA) Elsevier Inc, Burlington, pp 31–52 10 M E J Newman, 2006 “Modularity and community struture in networks” Proceedings of the National Academy of Sciences of the United States of America 103 (23): 8577–8696 11 R V Guha., R Kumar., P Raghavan., A Tomkins, 2004 “Propagation of trust and distrust” Proc WWW 12 F Heider, 1946 “Attitudes and cognitive organization” Journal of Psychology 21:107–112 13 M E J Newman, 2013 “Community detection and graph partitioning” A letters Journal Exploring the Frontiers of Physics 103 (2) : 28003 14 John Scott, 1991 Social network analysis: a Handbook London: SAGE publications 15 Jure Leskovec., Daniel Huttenlocher., and Jon Kleinberg, 2010 “Signed network in social media” In ACM Press the 28th international conference, 10-15 April, 2010 Atlanta, GA, USA 16 Xie, Jierui., and Szymanski, Boleslaw K, 2011 “Community detection using a neighborhood strength driven Label Propagation Algorithm” In IEEE 2011 IEEE Network Science Workshop (NSW), 22-24 June, 2011 West Point, New York, USA Downloaded by út bé (beut22834@gmail.com) lOMoARcPSD|11572185 44 17 D J Watts., and Steven Strogatz, 1998 “Collective dynamics of ‘smallworld’ networks” Nature 393 (6684): 440–442 18 D.Cartwright., and F.Harary, 1956 “Structural balance: a generalization of Heider’s theory”, Psychological Review 63: 277-293 19 J Bagrow., and E Bollt, 2005 “A local method for detecting communities” Phys Rev E (72): 046108 Website 20 Kernix Lab, 2016 “Community detection in social network”, May 2020 Ho Chi Minh City, Vietnam 21 Omar Lizardo., and Isaac Julbert, 2020 “Social network: An introduction”, May 2020 Ho Chi Minh City, Vietnam 22 Neo4j Community “Node similarity”, Neo4j, May 2020 Ho Chi Minh City, Vietnam 23 Wikipedia Community, 2020 “Clustering coefficient”, Wikipedia, May 2020 Ho Chi Minh City, Vietnam Downloaded by út bé (beut22834@gmail.com) lOMoARcPSD|11572185 45 TỰ ĐÁNH GIÁ Requirements 1/ Report In right format Chapter Chapter Chapter Chapter Chapter Score Level /10 score 8.0 1.0 1.0 Wrong format and outlines Not enough content, bad written, no example 2.0 Not enough content, bad written, no example 2.0 Not enough content, bad written, no example 1.0 Not enough content, bad written, no example 0.5 Not enough content, bad written SelfReason(s) evaluation Level Level 1/2 score Full score Some errors In right format and outlines, no error Full contents, well written, with examples 0.75 Không đủ thời gian Full contents, well written, with examples 1.75 Không đủ thời gian Full contents, well written, with examples 1.5 Không đủ thời gian Full contents, well written, with examples Full contents, 0.5 Full contents, not very well written, not enough examples Full contents, not very well written, not enough examples Full contents, not very well written, not enough examples Full contents, not very well written, not enough examples Full contents, Downloaded by út bé (beut22834@gmail.com) lOMoARcPSD|11572185 46 Requirements Score Level /10 score References 0.5 2/ Demo 2.0 Contents 1.0 No reference Demo ≤ fomula /algorithm Program 1.0 Cannot be compiled Total 10.0 Result: Level Level 1/2 score not very well written Full score well written Right format, ≥ references Wrong format, < references Demo up to fomulas or algorithms Runtime error for fomula or algorithm Demo ≥ fomulas or algorithms Can be run correctly with no error Downloaded by út bé (beut22834@gmail.com) SelfReason(s) evaluation 0.5 0.5 8.5 Có thể khơng u cầu