با بررسی گراف شبکه چه دانشی به دست می‌آوریم؟

• کدام کاربران تأثیرگذارتر هستند؟
با شناخت کاربران تأثیرگذار، شاید بتوان از گسترش شایعات جلوگیری کرد، تبلیغات را به گونه مؤثرتری انجام داد و به طور کلی از منابع موجود برای هدایت جریان اطلاعات در شبکه بهترین بهره را برد. شناسایی افراد تأثیرگذار از روی گراف شبکه کار ساده‌ای نیست؛ با این حال روش‌هایی ارائه شده است که در ادامه برخی از آن‌ها را معرفی می‌کنیم. از بین روش‌های مبتنی بر مرکزیت (centrality)، ساده‌ترین راهکار این است که تعداد یال‌های متصل به هر رأس را بشماریم. به عبارتی در یک شبکه اجتماعی هرچه تعداد دوستان شما بیشتر باشد، مرکزیت شما بیشتر است. اما تعداد دوستان تنها عاملی نیست که باید لحاظ شود، بلکه جایگاه فرد مدنظر در گراف شبکه نیز اهمیت دارد. در این راستا پیشنهاد شده است که با یک روش تکراری، ابتدا تمامی رئوسی را که تنها یک رابطه دوستی دارند و نیز افرادی که تنها با این گروه ارتباط داشته‌اند، انتخاب شوند که در این مرحله سطح یک حاصل می‌شود. در مرحله بعد (پس از حذف افراد سطح قبلی) تمامی رئوس دارای تنها دو رابطه دوستی و افراد مرتبط با آن‌ها انتخاب می‌شوند و الی آخر. در نهایت، شبکه به دسته‌هایی مشابه آنچه در شکل 1 رسم شده است، تقسیم خواهد شد.

شکل ۱

در این روش افراد عضو سطح سوم، حتی اگر تعداد دوستان کمتری از افراد سطح اول داشته باشند، مرکزیت بیشتری خواهند داشت. به بیان دیگر، کیفیت ارتباطات نیز علاوه بر کمیت آن در میزان تأثیرگذاری هر کاربر نقش دارد.
افزون بر موارد مذکور، روش‌های متنوع دیگری برای شناسایی کاربران تأثیرگذار در شبکه ارائه شده است. هر کدام از آن‌ها ملاک مشخصی را در نظر می‌گیرند و ممکن است پاسخ‌های آن‌ها بسیار مختلف باشد. با توجه به کاربرد مدنظر یکی از روش‌ها را می‌توان انتخاب کرد.

مطلب پیشنهادی

دنیای کلاود و استراتژی‌های جدید تجاری

چرا غول دنیای فناوری عاشق لینوکس شده است؟

تحقیقاتی که در دانشگاه کالیفرنیای جنوبی انجام شده، بیانگر این مطلب است که گاهی افراد برداشت غیرواقع‌بینانه‌ای از تأثیرگذاری خود یا سایرین در شبکه دارند. البته ذکر این نکته ضروری است که به طور کلی تناقض‌های زیادی در شبکه‌های اجتماعی وجود دارد. یک نمونه مشهور از تنافض‌ها این است: دوستان شما به طور میانگین ارتباطات بیشتری از شما دارند. دلیل این موضوع را می‌توان این‌گونه بیان کرد: تعداد زیادی از کاربران در شبکه ارتباطات محدودی دارند و تعداد اندکی از کاربران ارتباطات فراوانی دارند. دسته دوم میانگین را به‌شدت بالا می‌برند که موجب درستی مطلب یادشده می‌شود. برای مثال فرض کنید که در حال مقایسه قد خود با یک گروه از افراد هستید. اگر حتی یک نفر قدی معادل یک کیلومتر داشته باشد، میانگین به‌شدت بالا می‌رود و تقریباً همه افراد جمع، قدی کمتر از میانگین خواهند داشت. مشابه این وضع در شبکه‌های اجتماعی وجود دارد.
حال یک تناقض مشابه کشف شده است که آن را توهم اکثریت (majority illusion) نامیده‌اند. این پدیده زمانی رخ می‌دهد که یک فرد رفتارها یا گرایش‌های دوستان خود را به کل جامعه تعمیم می‌دهد. برای شرح بیشتر موضوع، یک شبکه فرضی کوچک در شکل 2 رسم شده است که شامل 14 کاربر و ارتباطات بین آن‌ها است.

شکل ۲

حال سه کاربر را با رنگ قرمز علامت‌گذاری می‌کنیم و تعداد افراد مرتبط با آن‌ها را می‌شماریم. در شکل سمت چپ، رئوس رنگ‌نشده بیش از نیمی از دوستان خود را دارای علامت می‌بینند. اما در شکل سمت راست این قضیه برقرار نیست. در واقع در شکل سمت چپ توهم اکثریت رخ داده است، چراکه کاربران گمان می‌کنند بیشتر افراد شبکه قرمزرنگ هستند، در حالی که واقعیت چیز دیگری است. بررسی‌ها نشان داده است این پدیده در شبکه‌های واقعی نیز به‌وضوح رخ می‌دهد و منجر به شکل‌گیری باورهای نادرست در افراد می‌شود. برای مثال نوجوانان ممکن است یک رفتار نادرست در بین دوستان خود، مثلاً سیگار کشیدن را به کل جامعه تعمیم دهند.

• فاصله میان ما چقدر است؟
یک پرسش جالب در هر شبکه اجتماعی می‌تواند این باشد: بین من و یک فرد مشخص، مثلاً رئیس جمهور، البته اگر عضو شبکه مذکور باشد، چند نفر قرار دارند؟ به عبارت دیگر، طول کوتاه‌ترین مسیر بین ما دو نفر شامل چند رأس در گراف است؟ یک نظریه مطرح برای پاسخ به این سؤال، نظریه شش درجه جدایی (Six degrees of separation) بوده است. طبق این نظریه، بین هر دو فرد بر روی کره زمین، حداکثر شش گام فاصله وجود دارد. اگر تصور این موضوع دشوار است، گراف رسم‌شده در شکل 3 که نمونه‌ای از یک شبکه اجتماعی واقعی است، می‌تواند برای درک موضوع کمکتان کند.

شکل ۳

شایان ذکر است مطالعه‌ای که گروه پژوهشی فیسبوک چندی پیش انجام داده، بیانگر این مطلب است که در جمعیت حدود 1.6 میلیارد نفری فیسبوک (حدود یک‌چهارم جمعیت جهان)، فاصله میانگین افراد با یکدیگر 3.57 نفر است؛ یعنی کمتر از شش نفر. پیش‌بینی شده است که با فراگیرتر شدن این شبکه، فاصله میانگین افراد از این رقم نیز کمتر شود.

• چه اجتماعاتی در شبکه وجود دارد؟
یکی دیگر از مسائل مهم در تحلیل شبکه‌های اجتماعی، تقسیم‌بندی کاربران به دسته‌های مختلف است؛ به طوری که تعداد یال‌های داخل هر دسته یا اجتماع تراکم زیادی داشته باشد. برای مثال، طبیعی است ارتباطات بین هم‌کلاسی‌ها در یک شبکه اجتماعی متراکم باشد. یک الگوریتم شناسایی اجتماع (Community detection) برای یافتن چنین دسته‌هایی به کار می‌رود. نمونه‌ای از اجتماعات یک شبکه فرضی در شکل 4 دیده می‌شود. در این گراف افراد با رنگ آبی متعلق به بیش از یک اجتماع هستند که در واقعیت نیز معمولاً چنین است.

شکل ۴

اگر از قبل بدانیم چه اجتماعاتی در شبکه وجود دارد، تقسیم‌بندی کاربران به دسته‌های مختلف کار ساده‌ای است. اما هنر یک الگوریتم شناسایی اجتماع در این است که هیچ شناخت اولیه‌ای از ماهیت کاربران نداشته باشد و عملکرد خود را تنها بر اساس گراف شبکه انجام ‌دهد. تاکنون الگوریتم‌های پیچیده‌ای بدین منظور ارائه شده است. اساس کار برخی از آن‌ها تقسیم‌بندی است؛ به نحوی که تعداد یال بین رئوس داخل هر دسته بیشتر از تعداد یال بین آن دسته و سایر شبکه باشد. برای مثال تقسیم‌بندی انجام‌شده در گراف شکل 4 مناسب به نظر می‌رسد؛ چراکه بیشتر ارتباطات بین رئوس داخل یک دسته برقرار شده است.

•  سخن آخر
آنچه در این نوشتار مطرح شد، تنها گوشه‌هایی از مبحث گسترده و پرکاربرد تحلیل شبکه‌های اجتماعی (Social network analysis) بود. مسلماً جنبه‌های متنوع دیگری نیز برای مطالعه و پژوهش وجود دارد که هر کدام از آن‌ها می‌تواند کاربردهایی در حوزه‌های مختلف همچون بازاریابی، جامعه‌شناسی، مسائل امنیتی و... داشته باشد. یکی از سرمایه‌های ارزشمند شرکت‌های ارائه‌دهنده خدمات شبکه اجتماعی، منبع غنی از اطلاعات شبکه است که می‌تواند به عنوان یک ورودی واقعی برای تحلیل‌های مذکور استفاده شود و به تولید دانش بیانجامد.