Computational analysis of large and time-dependent social networks
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Doctoral thesis (article-based)
| Defence date: 2013-05-16
Checking the digitized thesis and permission for publishing
Instructions for the author
Instructions for the author
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2013
Major/Subject
Mcode
Degree programme
Language
en
Pages
82 + app. 98
Series
Aalto University publication series DOCTORAL DISSERTATIONS, 81/2013
Abstract
Complex systems consist of a large number of elements that interact in a non-trivial way; for example the human brain, society, Internet, and biological organisms can all be modelled as complex systems. Complex systems can be naturally represented as networks, mathematical objects that consist of nodes and edges connecting these nodes, and the study of large networks based on empirical data has become known as complex networks. Since the first articles on complex networks appeared in the end of the 1990's, various technological, biological, and social networks have been analyzed. In recent years introductory text books on the subject have also been published. The study of social networks of course has a longer history. Small social networks have been studied for decades in sociology, social psychology and anthropology, and the influence that social networks have on both performance and well being of individuals has been well documented. The availability of electronic communication records—mobile phone calls, emails, online social networking sites and even multiplayer computer games—have changed the scale and detail at which social networks can be analyzed. The largest data set studied so far includes over 700 million individuals, and the mobile phone call records studied in this Thesis contain information of over 6 million people. The combination of powerful computers and large data sets have enabled the emergence of computational social science. Several aspects of large social networks are studied in this Thesis. Models of social networks are commonly used as a way to gain insight about the structure of these networks. The first article studies a number of models suggested for social networks and discusses their advantages and shortcomings. The community structure of various networks has also been a subject of great interest. It is widely accepted that nearly all networks have modular structure, evidenced by local densifications of connectivity. However, identifying communities in empirical data has turned out to be difficult both theoretically and in practice. We apply three state-of-art community detections methods to a large social network and evaluate the quality of the identified communities. One important aspect of human interactions is omitted when analyzing networks: time. Temporal networks have become a common framework for studying data sets where the relations between nodes vary with time, and this framework can be readily applied to study mobile phone calls. The last part of this Thesis introduces the concept of temporal motifs—recurring patterns of events in temporal networks—that can be used to analyze the meso-scale structure of temporal networks.Kompleksiset järjestelmät koostuvat suuresta määrästä alkioita, joiden keskinäiset vuorovaikutukset ovat monimutkaisia; esimerkiksi ihmisaivoja, yhteiskuntaa, internettiä ja biologisia organismeja voidaan kaikkia mallintaa kompleksisina järjestelminä. Matemaattisesti näitä järjestelmiä on luontevaa käsitellä verkostoina, jotka koostuvat solmuista ja niitä yhdistävistä kaarista. Suuria empiiriseen dataan perustuvia verkostoja tutkiva tieteenala tunnetaankin nykyään nimellä "kompleksiset verkostot". Ensimmäiset alaan liittyvät tutkimukset julkaistiin 90-luvun lopulla, ja sen jälkeen lähestymistapaa on käytetty erilaisten teknologisten, biologisten sekä sosiaalisten verkostojen analysointiin. Myös kompleksisia verkostoja käsitteleviä oppikirjoja on julkaistu. Sosiaalisten verkostojen historia on kuitenkin tätä pidempi, sillä niitä on tutkittu jo vuosikymmeniä sosiologiassa, sosiaalipsykologiassa sekä antropologiassa. Sosiaalisen verkoston vaikutus yksilön toimintakykyyn ja hyvinvointiin on nykyään hyvin tunnettu. Elektroninen tiedonvälitys—matkapuhelut, sähköposti, internetin sosiaalisen median palvelut ja jopa monen pelaajan tietokonepelit—on kuitenkin muuttanut merkittävästi tutkittavissa olevien sosiaalisten verkostojen kokoa ja laatua. Suurin tähän asti analysoitu sosiaalinen verkosto sisältää tietoja yli 700 miljoonasta ihmisestä, ja tässä väitöskirjassa analysoitu matkapuhelindata käsittää yli 6 miljoonan ihmistä. Tehokkaat tietokoneet yhdessä valtavien tietokantojen kanssa ovat luomassa uutta, laskennallista sosiaalitiedettä. Tässä väitöskirjassa tutkitaan useita suurten sosiaalisten verkostojen ominaisuuksia. Matemaattisia malleja käytetään usein apuna kun halutaan selittää sosiaalisten verkostojen rakennetta. Väitöskirjan ensimmäinen artikkeli tutkii erilaisten kirjallisuudessa esitettyjen mallien ominaisuuksia. Toinen paljon tutkittu aihe on verkostojen modulaarinen rakenne. On yleisesti tunnettua, että lähes kaikki empiiriset verkostot ovat modulaarisia: ne sisältävät paikallisia kaaritihentymiä. Moduulien tunnistaminen on kuitenkin osoittautunut huomattavan vaikeaksi ongelmaksi sekä teoreettisesti että käytännössä. Tunnistus-menetelmien toimintaa voidaan tutkia arvioimalla niiden empiirisestä verkostosta löytämiä moduuleja. Aika on keskeinen elementti kaikessa vuorovaikutuksessa, mutta jää huomioimatta jos sosiaalista vuorovaikutusta tutkitaan vain verkostojen avulla. Temporaalisten verkostojen avulla voidaan käsitellä verkostomaista dataa, jossa vuorovaikutukset riippuvat ajasta, kuten matkapuheluiden muodostamaa rakennetta. Väitöskirjan viimeinen osa esittelee menetelmän, jonka avulla voidaan analysoida toistuvia rakenteita temporaalisissa verkostoissa.Description
Supervising professor
Saramäki, Jari, Associate Prof., Aalto University, FinlandThesis advisor
Saramäki, Jari, Associate Prof., Aalto University, FinlandKeywords
complex systems, complex networks, social networks, temporal networks, kompleksiset systeemit, verkostoteoria, sosiaaliset verkostot, aikariippuvat verkostot
Other note
Parts
- [Publication 1]: Riitta Toivonen, Lauri Kovanen, Mikko Kivela, Jukka-Pekka Onnela, Jari Saramaki, Kimmo Kaski. A comparative study of social network models: Network evolution models and nodal attribute models. Social Networks, Volume 31, issue 4, pages 240-254, October 2009.
- [Publication 2]: Lauri Kovanen, Jari Saramaki, Kimmo Kaski. Reciprocity of mobile phone calls. Dynamics of Socio-Economic Systems, Volume 2, issue 2, pages 138-151, March 2011.
- [Publication 3]: Gergely Tibely, Lauri Kovanen, Marton Karsai, Kimmo Kaski, Janos Kertesz, Jari Saramaki. Communities and beyond: Mesoscopic analysis of a large social network with complementary methods. Physical Review E, Volume 83, issue 5, 056125, May 2011.
- [Publication 4]: Lauri Kovanen, Marton Karsai, Kimmo Kaski, Janos Kertesz, Jari Saramaki. Temporal motifs in time-dependent networks. Journal of Statistical Mechanics: Theory and Experiment, Volume 2011, P11005, November 2011.
- [Publication 5]: Lauri Kovanen, Kimmo Kaski, Janos Kertesz, Jari Saramaki. Temporal motifs reveal homophily, gender-related patterns and group talk in mobile communication networks. pre-print, arXiv:1302.2563, February 2013.