А.А. Журина1, А.А. Кочкаров2, Р.А. Кочкаров3

1−3 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)

1 alena21081998@yandex.ru, 2 akochkarov@fa.ru, 3 rkochkarov@fa.ru

Постановка проблемы. Анализ данных социальных сетей осуществляется представлением их структуры в виде графа и исследованием характеристики всего графа и отдельных его частей.

Цель. Провести анализ известных социальных сетей, предложить характеристики для социальных графов, построить граф на примере одной из социальных сетей.

Результаты. Приведены сопутствующие факторы анализа информации в социальных сетях. Рассмотрены инструменты анализа социальных сетей, в том числе данных в виде текста, структурных связей. Предложены автоматические инструменты анализа, как встроенные в социальные сети, так и сторонних разработчиков. Описаны метрики анализа социальных графов, визуализирован социальный граф на примере одного из пользователей социальной сети VK, определены значимые узлы.

Практическая значимость. Предложенные инструментарий и алгоритм действий позволят провести структурный анализ социальных графов отдельных пользователей или больших графов известных социальных сетей.

Журина А.А., Кочкаров А.А., Кочкаров Р.А. Анализ структурных характеристик социальных сетей // Информационно-измерительные и управляющие системы. 2023. Т. 21. № 5. С. 63−72. DOI: https://doi.org/10.18127/j20700814-202305-08

1. Хотилин М.И., Благов А.В. Визуальное представление и кластерный анализ социальных сетей. URL: http://repo.ssau.ru/bitstream/Informacionnye-tehnologii-i-nanotehnologii/Vizualnoe-predstavlenie-i-klasternyi-analiz-socialnyh-setei-60918/1/1067-1072.pdf (дата обращения: 23.06.2023).
2. Tan W., Blake M.W., Saleh I., Dustdar S. Social-network-sourced big data analytics // IEEE Internet Computing. 2013. № 5. P. 62−69.
3. Берновски М.М., Кузюрин Н.Н. Случайные графы, модели и генераторы безмасштабных графов // Труды Института системного программирования РАН. 2012. Т. 22. URL: https://www.ispras.ru/proceedings/docs/2012/22/isp_22_2012_419.pdf (дата обращения: 23.06.2023).
4. Батура Т.В. Методы автоматической классификации текстов // Программные продукты и системы. 2017. Т. 30. № 1. С. 85−99.
5. Гаршин В.В., Калабухов К.С., Степанцов В.А., Смотров С.В. Разработка системы анализа тональности текстовой информации. URL: http://www.vestnik.vsu.ru/pdf/analiz/2017/03/2017-03-21.pdf (дата обращения: 23.06.2023).
6. Blagov A., Rytcarev I., Strelkov K., Khotilin M. Big Data Instruments for Social Media Analysis // Proceedings of the 5th International Workshop on Computer Science and Engineering. 2015. P. 179−184.
7. Коршунов А., Белобородов И., Бузун Н. и др. Анализ социальных сетей: методы и приложения // Труды Института системного программирования РАН. 2014. Т. 26. № 1. С. 439−456.
8. Allen-Perkins A., Pastor J.M., Estrada E. Two-walks degree assortativity in graphs and networks // Applied Mathematics and Computation. 2017. V. 255. P. 1−15.
9. Twitter US Airline Sentiment. URL: https://www.kaggle.com/crowdflower/twitter-airline-sentiment#Tweets.csv (дата обращения: 23.06.2023).
10. Савватеев А. Модели интернета и социальных сетей. URL: https://habr.com/ru/post/458454/ (дата обращения: 26.06.2023).
11. Анализ дружеских связей VK с помощью Python. URL: https://habr.com/ru/post/221251/ (дата обращения: 26.06.2023).
12. Описание методов API. URL: https://vk.com/dev/methods (дата обращения: 26.06.2023).