Содержание к диссертации
Введение
Глава 1. Современное состояние проблемы исследования и моделирования социальных сетей. Постановка задачи исследования 10
1.1. Соотнесение понятий социальной сети и сетевого сообщества 10
1.2. Понятие информационного ресурса сетевого сообщества 13
1.3. Влияние «экономических» и «физических» представлений на формирование подходов к исследованию сетевых сообществ. Понятия социального капитала и потенциала 16
1.4. Методологическая база и существующие подходы к моделированию социальных сетей и сетевых сообществ 19
1.5. Категорийный аппарат для эволюционно-динамического подхода к развитию сетевого сообщества 24
1.6. Подход к анализу и моделированию сетевого сообщества, как системы, эволюционирующей в пространстве состояний. Постановка задачи исследования 26
1.7. Выводы по главе 1 33
Глава 2. Модель эволюции сетевого сообщества 36
2.1. Категории метода пространства состояний для описания сетевого сообщества 36
2.2. Статическая модель сетевого сообщества. Сетевое сообщество как граф в пространстве состояний (временной срез) 38
2.2.1. Информационная структура сетевого сообщества 40
2.2.2. Модель акторной структуры сетевого сообщества 42
2.2.3. Интегрированная информационно-акторная графовая модель сетевого сообщества 44
2.2.4. Модель слоя текстурированной среды сетевого сообщества на основе интегрированной информационно-акторной графовой структуры 46
2.3. Рекомендации по характеру алгоритмизации распространения влияния для перехода от горизонтальной структуры (статика) к вертикальной (динамическая текстура) 55
2.4. Динамическая модель сетевого сообщества. Процедура изменения ресурсных состояний элементов сетевого сообщества. Условное текстурирование. Формирование многомерной ресурсной среды 58
2.5. Базовая теоретико-множественная модель сетевого сообщества 62
2.6. Выводы по главе 2 67
Глава 3. Метод управления эволюционным переходом 69
3.1. Моделирование межслойного перехода в текстурированном пространстве состояний 69
3.2. Задача управления эволюционным переходом 80
3.3. Определение параметров перехода (расстояния между эволюционными площадками и интенсивности перехода) 82
3.4. Анализ режимов движения в пространстве состояний 86
3.5. Экспериментальное исследование режимов движения в пространстве состояний 87
3.6. Качественный анализ процесса межслойного перехода 91
3.7. Логика механизмов и стратегии управленческого воздействия 102
3.8. Описание структурно-функциональной схемы программного обеспечения реализуемой модели 104
3.9. Выводы по главе 3 110
Заключение 112
Список литературы 113
- Методологическая база и существующие подходы к моделированию социальных сетей и сетевых сообществ
- Динамическая модель сетевого сообщества. Процедура изменения ресурсных состояний элементов сетевого сообщества. Условное текстурирование. Формирование многомерной ресурсной среды
- Определение параметров перехода (расстояния между эволюционными площадками и интенсивности перехода)
- Описание структурно-функциональной схемы программного обеспечения реализуемой модели
Введение к работе
Актуальность темы исследования. В числе атрибутивных компонентов шестого технологического уклада особое место занимают свободно институциализируемые системы искусственного интеллекта, ресурсоемкие информационные сети и бизнес-ориентированные сетевые сообщества. Очевидно, что значение этих системно связанных компонентов будет в ближайшее время возрастать. Второй особенностью времени является то, что информация, хаотично генерируемая в социальных сетевых сообществах, становится экономическим ресурсом, который, благодаря развитию технологий больших данных, становится предметом целевых, активных и успешных манипуляций. Поскольку риски при прямом директивном вмешательстве в деятельность динамичного сетевого социума по-прежнему неоправданно велики, то само моделирование уже становится актуальным и практически единственным научным методом селективной поддержки глобальной эволюции сетевого мира.
Методы наблюдения за сетевыми сообществами, методы анализа их информации сегодня составляют неотъемлемую часть исследований и принятия решений во многих областях. В связи с этим развитие теоретических и прикладных знаний в области анализа и управления сетевыми сообществами является одной из наиболее актуальных проблем. Ее современное состояние характеризуется большим разнообразием существующих подходов, однако перманентная трансформация самой концепции сетевых сообществ и методов ее реализации делает актуальным создание новых методов и решений.
Одной из важных фаз процесса управления является наблюдение (мониторинг). Результаты наблюдения являются ключевым фактором в процессе выработки и принятия управленческих решений, качество наблюдения непосредственно влияет на весь процесс управления. В системах, где управленческие решения реализуются неавтоматически, что характерно для систем, основанных на использовании информации о состоянии социальных сетей, например, в информационных системах, обеспечивающих маркетинг и продвижение, своевременное информирование менеджера об изменениях, происходящих в сети, представляет особую значимость для реагирования на происходящие изменения и выработки управленческих решений.
Степень разработанности проблемы. Исследованию и анализу социальных сетей и
сетевых сообществ, вопросам математического моделирования, подходам к
информационному управлению посвящено множество работ российских и зарубежных исследователей в соответствующих областях науки и практики. В качестве определяющих работ можно перечислить труды Новикова Д.А., Губанова Д.А., Чхартишвили А.Г., Калмана
Р., Фалба П., Ершова А.П., Арбиба М., Качала В.В., Erdos P., Barabasi A., Renyi A., Mesarovic М., Takahara Y., Berge C., Tutte W.T., Ore O. и др.
Разработанные исследователями классы моделей, как правило, ориентированы на моделирование действий участников сетевого сообщества (сетевых акторов (агентов)). Исследованиям данного направления посвящены работы Губанова Д.А., Патаракина Е.Д., Mizruchi M.S., Snijders T.A.B. и др. Однако в настоящее время отдельный интерес представляют также комплексные исследования акторного (агентного) потенциала в сочетании с информационным наполнением сети, что обусловливает необходимость разработки не только акторных и информационных моделей сети, но и интегрированных информационно-акторных (проектируемых с учетом двойственной сущности сетевого сообщества, а именно сообщества как группы акторов и сообщества как единого информационного ресурса).
Кроме того, представляют интерес исследования в области анализа и моделирования социальных сетей и сетевых сообществ (можно отметить, например, труды Wasserman S., Snijders T.A.B., Heidler R., Hansen D., Shneiderman B., Smith M.A., Golbeck J., а также работы Newman M.E.J. и Freeman L.C., содержащие подробную характеристику существующих подходов и методов). При моделировании динамических свойств сообщества как системы методологическими ориентирами являются работы в области моделирования динамических систем, исследования пространства состояний и хаотических свойств систем (например, труды Лоскутова А.Ю., Малинецкого Г.Г., Стрейц В., Sorkin R.D., Fiedler B., Robinson R.C., Teshl G. и др.). Однако, несмотря на обилие научных источников литературы, отмечается недостаточно принципиальное разграничение понятий динамики и эволюции.
Таким образом, с одной стороны, противоречивость разработок в методологической сфере осложняет реализацию управленческих аспектов методического плана, а с другой – стремительный рост информационных массивов, а также появление новых тенденций в развитии технологий больших данных в своей трудно объективируемой совокупности требуют пересмотра (и, при необходимости, коррекции) существующих подходов к моделированию и исследованию социальных сетей и сетевых сообществ как важнейших генераторов не только исходных данных, но и качественно преобразованных данных.
Объектом исследования являются информационные ресурсы сетевого сообщества.
Предметом исследования являются модели и методы управления информационными ресурсами сетевого сообщества с учетом эволюционной динамики сообществ.
Цель исследования заключается в развитии теоретических и прикладных знаний в области функционирования сетевых сообществ на основе расширения возможностей их
использования в прикладных задачах внешнего наблюдения и анализа развития и эволюции сетевого сообщества с использованием моделей на основе концепции текстурированных сред и разработанных с их применением методов и программных инструментов. Задачи исследования для достижения поставленной цели:
-
Исследование категорийного аппарата с целью уточнения понятий в области эволюционно-динамического моделирования сетевых сообществ.
-
Проведение анализа существующих методов, алгоритмов и программных продуктов, предназначенных для наблюдения и управления в сетевых сообществах.
-
Разработка модели сетевого сообщества, обеспечивающей возможность внутреннего и внешнего наблюдения его эволюции.
-
Разработка метода управления эволюционными переходами при эволюционном развитии сетевого сообщества.
-
Разработка комплекса программ для реализации функции внешнего наблюдения при управлении сетевым сообществом.
Методологическая база исследования: математическое моделирование, теория систем и системный анализ, теория графов, теория множеств, методы анализа, моделирования и мониторинга социальных сетей и сетевых сообществ.
Информационная база исследования. При проектировании моделей учитывались результаты экспериментов на базе микроблоггинговой сети.
Научная новизна работы заключается в следующих новых научных результатах, выносимых на защиту:
-
Разработан комплексный подход к анализу и моделированию сетевого сообщества на основе концепции текстурированных сред.
-
Разработана оригинальная модель слоя текстурированной среды сетевого сообщества на основе интегрированной информационно-акторной графовой структуры.
-
Разработана новая модель эволюции сетевого сообщества с учетом принципов моделирования динамических систем и принципов эволюции самоорганизующихся систем.
-
На основе разработанных моделей предложен оригинальный метод анализа и идентификации эволюционного перехода.
-
На основе разработанных методов и моделей предложен комплекс программ для проведения автоматизированного мониторинга и анализа эволюционного развития сообщества, включающий оригинальные модули анализа межслойного перехода.
Теоретическая значимость исследования состоит в разработке комплексного подхода к исследованию эволюционно-динамического поведения сетевого сообщества на
основе концепций текстурированных сред и интегрированных кластерных моделей. Этот подход обеспечивает возможность внешнего наблюдения за эволюцией сети в задачах внешнего наблюдателя, позволяя ему принимать решение при недоступном внутреннем содержании сети.
Практическая значимость состоит в разработанном программном обеспечении для анализа эволюционного развития сообщества, результатах проведенного с его использованием экспериментального исследования реальных сетей, а также внедрении результатов исследования в учебный процесс при преподавании на магистерских программах «Электронный бизнес» и «Big Data Systems» НИУ ВШЭ и курсе по большим данным в Венском университете прикладных наук (University of Applied Sciences FH Technikum Wien, Вена, Австрия). Предложены рекомендации по использованию разработанных моделей и методов для маркетинговых исследований.
Достоверность и обоснованность полученных результатов подтверждается их соответствием общепризнанным теоретическим и практическим данным, опубликованным в литературе, непротиворечивым применением методов логико-методологического анализа, а также положительными результатами численных экспериментов.
Апробация результатов исследования. Основные результаты диссертационной работы докладывались и обсуждались на специальном семинаре в Гарвардском университете «Social Network Analysis in an Era of Big Data: Problems and Prospects», научных конференциях, в т.ч. зарубежных:
1. V Международная научно-практическая конференция «Управление
информационной безопасностью в современном обществе».
-
13th IEEE International Conference on E-Business Engineering, Макао, Китай, 2016.
-
18th IEEE Conference on Business Informatics, Париж, Франция, 2016.
-
17th IEEE Conference on Business Informatics, Лиссабон, Португалия, 2015.
-
11th IEEE International Conference on E-Business Engineering, Гуанчжоу, Китай, 2014.
-
16th IEEE Conference on Business Informatics, Женева, Швейцария, 2014.
7. «Электронный бизнес. Управление интернет-проектами. Инновации», Москва,
Россия, 2014.
8. 10th IEEE International Conference on e-Business Engineering (ICEBE-2013),
Ковентри, Великобритания, 2013.
-
VII Международная конференция «Управление развитием крупномасштабных систем», Москва, Россия, 2013.
-
15th IEEE Conference on Business Informatics, Вена, Австрия, 2013.
11. XXVI Международные Плехановские чтения, Москва, Россия, 2013.
Исследования поддержаны грантом РФФИ «Исследование эволюционной динамики социальных сетей на основе моделирования условно-текстурированной ресурсной среды».
Публикации. Материалы диссертации опубликованы в 17 печатных работах. Из них 3 статьи – в рецензируемых журналах из перечня ВАК, 14 – в сборниках трудов конференций.
Личный вклад автора. Представленные в диссертации результаты получены лично автором при участии научного руководителя. Подготовка к публикации полученных результатов проводилась как автором самостоятельно, так и в соавторстве, причем вклад диссертанта был определяющим. Апробация результатов исследования на конференциях проводилась автором лично.
Структура и объем диссертации. Диссертация состоит из введения, 3 глав, заключения, списка литературы, включающего 121 наименование. Объем диссертации составляет 125 страниц. Работа содержит 2 таблицы и 19 рисунков.
Методологическая база и существующие подходы к моделированию социальных сетей и сетевых сообществ
Исследованию и анализу социальных сетей и вопросам информационного управления в них посвящено множество работ российских и зарубежных исследователей в различных областях науки и практики, таких, как социологическое направление и описание развития современной парадигмы для различных стран [71, 82, 101], политика [63, 93, 96], социальные сети в организациях и профессиональные сетевые сообщества [15, 39, 40, 50] и т.д.
Использование новых для корпоративных структур возможностей, предлагаемых сетевыми сообществами (как технологическая база, так и практическая реализация в рамках корпораций), находится в начальной стадии развития, поэтому широкого применения пока не отмечается. Тем не менее, среда профессиональных сетевых сообществ исследуется теоретически, а также практически актуализируется, например, в образовательной сфере, в частности, как коммуникационный способ обучения, совершенствования и повышения уровня профессиональной компетенции преподавателей иностранных языков в результате внедрения в рабочую деятельность различных инновационных методик взаимодействия в рамках профессиональных сетевых сообществ [15]. В связи с широким распространением сетевых технологий отмечается постепенный рост интереса профессиональной общественности к социально-ориентированному программному обеспечению.
Для исследования социальных сетей и сетевых сообществ может быть успешно применена методологическая база различных научных областей, таких как, теория графов, семантические технологии, агентное моделирование, теория игр и т.п. Для описания социальных сетей и происходящих в них процессов используется множество актуальных методов и подходов.
В частности, графовые модели исследовались [7, 75, 79, 83, 88, 91, 94]. Применению семантических технологий и онтологического моделирования посвящен ряд работ, например [39, 40].
Вопросами, связанными с изучением агентов, в частности, занимались [79, 113]. Моделированием вопросов влияния и изучением поведения агентов в социальных сетях занимались такие исследователи, как, например [19, 61, 66, 114]. Обширный, практически исчерпывающий обзор моделей влияния проводят Губанов, Новиков, Чхартишвили в работе [19], где также отмечают их свойства и проводят сравнительную характеристику. На основании анализа литературы они выделяют классы моделей: оптимизационные и имитационные модели (модели с порогами, модели независимых каскадов, модели просачивания и заражения, модели Изинга, модели на основе клеточных автоматов, модели на основе цепей Маркова) и теоретико-игровые модели (модели взаимной информированности, модели согласованных коллективных действий, модели коммуникаций и задачи поиска минимально достаточной сети, модели стабильности сети, модели информационного влияния и управления, модели информационного противоборства).
При исследовании структуры графов зарубежными исследователями часто используется следующая классификация: «случайные» сети (random networks), «безмасштабные» (scale-free) и т.н. «малый мир» («small world»). Случайные сети часто описываются моделью Erdos-Renyi. В данной сети случайным образом строятся ребра графа на заданном множестве вершин. «Безмасштабные» сети описывается моделью Barabasi-Albert. Сеть основывается на двух принципах: рост и предпочтительное присоединение. Сеть типа «малый мир» – большая сеть, но имеющая малый диаметр (среднюю длину пути). Несмотря на большой размер сети, обычно бывает, что существует относительно небольшое расстояние между любой парой узлов. Длина пути определяется минимальным числом ребер, необходимых для перехода от одного узла к другому (в случае со взвешенными дугами, длина пути определяется минимальной суммой весов). Данная сеть описывается моделью Watz-Strogatz. Такие модели чрезвычайно актуальны при моделировании процессов случайной генерации в сетях.
Особое место занимает исследование различных вопросов, связанных с развитием социальных сетей [78, 81, 85, 102, 103, 107]. При этом, можно отметить следующую особенность: как правило, четкого деления между понятиями «динамика» и «эволюция» не наблюдается, в результате чего эти два понятия рассматриваются как аналогичные. Однако следует заметить, что при исследовании сетевых сообществ недостаточно проведения исследования его динамики и необходим учет именно «эволюционности» его развития. Эта идея концептуально корреспондируется с подходом известного российского ученого Н.Н. Моисеева [46] по трактовке «универсального эволюционизма», который он называл «физикалистким».
Фактически, для исследования статического состояния сетевого сообщества могут с тем или иным успехом применяться практически любые математические модели. Возможность и эффективность их применения обусловлена конкретной задачей. В то же время, исследование развития сообщества (т.е. происходящих в нем изменений) представляет неоднозначную задачу. Здесь возникает вопрос, какие методы лучше применять – моделирования динамики или эволюции. Соответственно, требуется уточнение различия между терминами «динамика» и «эволюция».
По определению, динамика – состояние движения, ход развития, изменение какого-либо явления под влиянием действующих на него факторов.
Широко известно применение моделей динамики численности популяций для моделирования социальных процессов. Именно эти модели часто ассоциируются с исследованием социальных сетей. Их применение для исследования и моделирования социальных сетей в традиционном социологическом понимании с целью решения статистических и прогнозных задач в области социологии не вызывает вопросов. Однако в случае он-лайн социальных сетей и сетевых сообществ их применение не всегда достаточно точно характеризует принципы развития общества, поскольку позволяет учесть лишь один из аспектов его развития.
Среди подобных моделей можно привести следующие примеры:
- Модель неограниченного роста. Для построения таких моделей учитывается некоторый интервал нарастания времени. Однако, провести какую-либо универсальную аналогию с сетевым сообществом в данном случае практически невозможно – любые примеры будут лишь частными случаями из всех потенциально возможных вариантов.
- Модель Мальтуса (рождаемость-смертность). Особенностью этой модели является то, что она учитывает не все основные факторы, влияющие на численность населения. Это обстоятельство ограничивает возможность ее применения; тем более – для моделирования сетевых сообществ, поскольку в них, помимо ресурсов, обусловленных человеческим потенциалом, присутствуют еще и другие виды информационных ресурсов, накопление которых может не зависеть от роста популяции сети.
- Модель Ферхюльста (рождаемость-смертность с учетом численности). Позволяет учесть условия ограниченности ресурса.
Эволюционный подход к моделированию (в частности, [46]) представляет собой более сложный (комплексный) подход, позволяющий учесть поведение такой сложной самоорганизующейся системы, которой является сетевое сообщество.
В контексте «эволюционности» исследователи [107] описывают следующие классы моделей:
1. Модели эволюции сети (Network evolution models (NEMs)). В статье отмечается, что специфические эволюционные механизмы приводят к специфической структуре сети. Также приводятся 3 свойства таких моделей:
- одиночная реализация сети производится в результате итерационного процесса, который всегда начинается с исходной конфигурации сети .
- спецификации модели эволюции включают явно определенные стохастические правила, в соответствии с которыми сеть эволюционирует во времени. Правила определяют возможные переходы от одной сети к следующей в ходе итерационного процесса, который производит одну реализацию сети .
- модели эволюции включают критерий остановки (в случае растущей модели (growing NEM), алгоритм останавливается, когда сеть достигнет предварительно установленного уровня, в случае динамической модели эволюции сети, алгоритм останавливается, когда статистика в выбранной сети больше не меняется). Однако, автор совершенно справедливо отмечает, что мы не можем быть абсолютно уверены в том, что достигнуты стационарные распределения, можно быть относительно уверенным, если наблюдаемые свойства остаются постоянными и их распределения остаются стабильными в течение большого количество временных шагов).
Динамическая модель сетевого сообщества. Процедура изменения ресурсных состояний элементов сетевого сообщества. Условное текстурирование. Формирование многомерной ресурсной среды
Динамике ориентированного графа посвящен ряд исследований в различных областях науки, в частности, математике и теоретической физике [31, 68, 99]. Результаты, полученные в данных работах, могут быть применены в качестве методической и методологической базы для проведения научных и экспериментальных исследований в области социальных сетей и сетевых сообществ.
Происходящие изменения состояний элементов структуры сетевого сообщества целесообразно представить в виде многомерной текстурированной среды, каждый последующий слой которой будет представлять собой новую кластеризацию в связи с качественным изменением в наполнении единого (совокупного) информационного ресурса от исходного состояния сетевого сообщества.
Механизмы текстурирования особенно актуальны при моделировании объектов с многоярусным строением [16]. Такой тип строения чаще всего характерен для сложения пород, слоистости биологических материалов, продукции химического производства, кристаллографических текстуры и т.д., тем не менее, достаточно известны исследования, посвященные распознаванию и обработке визуализированной текстурированной информации (например, [58]).
При этом под текстурой среды понимается некая ориентация структурных элементов, составляющая в пространстве среду [16]. Однако при такой трактовке понятие текстуры часто смешивается с понятием структуры (в частности, иерархической). В настоящей работе предлагается принципиально иной подход – слои текстуры последовательно эволюционируют, т.е. приобретают более совершенное качество. Наиболее близки к пониманию описываемых здесь процессов методологические положения по генерированию многоярусных текстурированных сред, в которых представлены модели переноса для каждого уровня текстурированной среды [16].
Переходя к моделированию, рассмотрим изменение структуры сетевого сообщества в связи с переходом из момента времени , в момент времени .
Следует заметить, что период времени для перехода на следующий слой не является константой.
Критерием перехода на следующий слой текстурированного пространства состояний является качественное изменение статической структуры сетевого сообщества в момент , вследствие чего необходима перекластеризация совокупного информационного ресурса сетевого сообщества.
Изменение структуры сообщества и соответствующий переход на новый слой текстурированной среды (т.е. новую эволюционную площадку) может быть обусловлено следующими причинами [50]:
- изменение в составе объектов (включение нового актора в сообщество, формирование нового тематического кластера, добавление нового информационного ресурса);
- изменение в связях между объектами;
- изменения происходят одновременно и в составе системы, и в связях между объектами.
Таким образом, образуется новый слой текстурированного пространства состояний, который призван отражать актуальное состояние совокупного информационного ресурса в требуемый момент времени. Сформированная при этом текстура моделирует этапы процесса эволюционного развития сетевого сообщества [57].
Графически примеры порядка формирования новых слоев текстуры представлены на рис. 8, 9.
На рис. 8 представлено графическое изображение перехода на новый слой текстурированного пространства состояний при вбросе нового информационного ресурса, не ассоциирующегося ни с одной из практикующихся тематик сетевого сообщества. В результате проверки данного ресурса на полезность для целей функционирования и развития сетевого сообщества, принимается решение о формировании нового тематического кластера, вследствие чего сетевое сообщество переходит на новый, более высокий, уровень развития ( ). Если ресурс оказывается бесполезным, не обладает когнитивным компонентом, тогда новый информационный кластер не формируется и переход на новый слой текстуры не осуществляется.
На рис. 9 представлен пример формирования нового слоя текстурированного пространства состояний сетевого сообщества в случае вброса информационного ресурса, имеющего отношение к уже существующей тематической категории совокупного информационного ресурса. Если включаемый ресурс в результате проверки оказывается полезным для сообщества, обладает когнитивным компонентом, то он допускается в качестве дополнения к уже имеющемуся тематическому кластеру. В этом случае сообщество также переходит на новый слой текстуры, что отражает новый этап в его эволюционном развитии.
Таким образом, представленная схема является моделью процесса эволюционного развития структуры сетевого сообщества как совокупного информационного ресурса, например, в следующих ситуациях:
- вбрасываемый ресурс в результате проверки на обладание знаниевым компонентом оказывается «бесполезным» для сетевого сообщества. В этом случае изменения в структуре не происходит, слой текстуры не формируется;
- вбрасываемый ресурс полезен, обладает знаниевым компонентом и отражает совершенно новую область знания. Таким образом формируется новый кластер, включается в структуру сетевого сообщества и отображается на новом слое;
- вбрасываемый ресурс полезен, обладает знаниевым компонентом, тяготеет к одной из реализуемых сообществом тематик. Следовательно, его можно отнести к одному из уже сформированных тематических кластеров.
Таким образом, формализуется общая идеология предстоящего математического моделирования.
Определение параметров перехода (расстояния между эволюционными площадками и интенсивности перехода)
В моделях и методологиях, создаваемых для описания объектов в динамике, расстояние часто определяется временным параметром. Так в рассмотренной выше работе [60] предлагается считать расстоянием между двумя объектами «время перехода в пространстве состояний из начального состояния в конечное объекта «сцена», являющегося абстракцией системы двух связанных объектов». Т.е. расстояние представляет собой «минимальное время реализации «сцены» как физического объекта». Кроме того, в работе [60] отмечается, что сцена не является традиционным физическим объектом, т.к. нарушается периодичность реализации. В связи с чем, такую сцену предлагается называть «объектом переменной длины» [60].
Данные утверждения благодаря предельной степени абстракции можно считать справедливыми и методологически продуктивными также и для таких объектов, как сетевые сообщества. Для такого объекта в модели текстурированного пространства состояний, понятие расстояния можно определить следующим образом. Расстояние – минимальное время формирования нового слоя в процессе виртуального текстурирования пространства состояний сетевого сообщества. Т.е. в определенный момент времени сетевое сообщество обладает определенной структурой, являющейся отражением его состояние в этот момент. В некоторый момент времени сообщество переходит на новый уровень развития. В данном случае (условная характеристика, не являющаяся константой) представляет собой период времени, необходимый для перехода на следующий слой или расстояние между двумя слоями текстуры.
Любая реальная система динамична и эволюционна. И даже революция – это лишь ускоренная эволюция. Также и стационарные системы можно трактовать как условно динамичные, взятые дискретно по временному срезу. Любой срез структурен. Следовательно, динамичность системы определяется интенсивность перехода от одной структуры к другой. В сети, как текстурированном пространстве состояний с неявными структурами системообразующим фактором является сами процессы перехода. Исходя из представленной логики, в методологии научного познания [9] динамичную систему предлагается описывать как «поток переходов пространственно объединенных стационарных систем».
Понятно, что динамичность, или эволюционность, системы будет характеризоваться интенсивностью данных потоков. Для физических систем проблема формализации процессов перехода достаточно подробно разработана [9] и практически и экспериментально реализована, в то же время для социальных, в т.ч. и сетевых, систем, корректный эксперимент в которых весьма затруднен, формализация переходного процесса является проблемой, ожидающей своего решения. (В то же время, например, интенсивность научных публикаций, сопровождающих процесс формирования научного знания, является достаточно корректным статистическим материалом, по крайней мере, в первом приближении).
Концепция рассмотрения сети, как условно текстурированного пространства состояний позволяет непротиворечиво отнести рассматриваемую систему к указанному выше классу систем. Однако, ставя задачу формализации потока перехода, без решения которой невозможно корректное моделирование, следует обратить внимание на особенность вида целевой функции. Это не может быть функция, максимизирующая только скорость перехода, поскольку не столько количественные, сколько качественные параметры эволюционной площадки преобразуют ее. Таким образом, речь должна идти о введении особой системной категории – становлении потока.
Это одновременно и функциональное, и структурное явление. Методология структурно-функционального анализа достаточно хорошо разработана для стационарных систем или систем, динамичных в физическом смысле. Однако для социальных сетевых систем процесс становления потока является специфичной задачей. Становлением потока предлагается называть эволюционный процесс, отражающий не только изменчивость информационного ресурса площадки, но и его устойчивость. Исходя из диалектического характера двух упомянутых категорий, здесь предлагается говорить о становлении потока, об его устойчивости в смысле закономерной изменчивости. Закономерная изменчивость – означает – неслучайная изменчивость. Отсюда задача – установление закономерности, а затем и моделирование систем на основании установленной закономерности. Логично также сделать замечания, касающиеся определения скорости перемещения системы на новый слой. Выше было отмечено, что период времени между переходами из одного состояния сетевого сообщества в другое, как правило, не является постоянной величиной, поскольку переход в качественно новое состояние может произойти в непредвиденный момент времени. Такие процессы принято называть случайными процессами с непрерывным временем [1]. Исследователь [1] также отмечает, что для таких процессов «вероятность перехода в точно произвольный момент времени равна нулю» и предлагают описывать переход с помощью параметра «интенсивности перехода» , которая определяется как предел отношения вероятности перехода системы за промежуток времени из одного состояния в другое к длине этого промежутка [1]:
Указанная формула достаточно корректна для определения интенсивности перехода при развитии простых или организационно структурированных объектов. Однако сети принадлежат к другому по порядку формализации классу, и поэтому здесь в большей степени важна не вероятностная интенсивность перехода, а характер распределения параметрических вероятностей, поскольку эффективность управления зависит именно от точности моделирования этого характера по эволюционной площадке. Здесь следует также отметить, что нормальное распределение, являясь «пиковым» не может быть признано оптимальным по целевому применению, эволюционный переход не может быть переходом по точке и даже по ее окрестности. Это должен быть переход по площади. Поэтому целевой функцией при моделировании должна быть функция равномерного распределения вероятностей.
Описание структурно-функциональной схемы программного обеспечения реализуемой модели
В настоящее время существуют различные программные комплексы визуализации и аналитики (такие как, например, NodeXL, Gephi, Pajek, Tulip и т.п.). Как правило, они могут предоставить внешним аналитикам информацию о состоянии сети в определенный момент времени. Однако, для внешнего аналитика представляет интерес автоматизированный анализ динамики с целью выявления новых качественных состояний сети, который уже после выявления нового состояния предоставлял бы ему информацию о произошедших изменениях. Такой сервис позволил бы аналитику, вместо постоянного изучения состояния сети в отдельные моменты времени, проводить детальный анализ только в отмеченные моменты, что привело бы к повышению эффективности его работы за счет экономии времени.
На основе предложенного в настоящей работе комплексного подхода разработана структурно-функциональная схема программного обеспечения мониторинга и анализа сетевого сообщества (рис. 16). Показанная схема отражает предлагаемый комплекс мониторинга динамики. При реализации в качестве компонентов комплекса в исследовательских целях использовалось программное обеспечение анализа и визуализации NodeXL и оригинальные модули.
Функции проектируемого программного комплекса разделены на 2 подсистемы: макро- и микроуровень. Алгоритм работы вышепоказанной схемы 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):
Для выделения «аномального» слоя и выявления возможности формирования нового слоя текстуры разработан следующий алгоритм (рис. 18):
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.