Recomendación de contactos para la optimización de redes sociales
Author
Lucio Sarsa, ClaudiaAdvisor
Castells Azpilicueta, PabloEntity
UAM. Departamento de Ingeniería InformáticaDate
2017-06Subjects
Maximización de la difusión de información; Recomendación; Red social; InformáticaEsta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.
Abstract
En el campo del análisis de las redes sociales, dos de los ámbitos más populares son el estudio de la difusión de la información y de la recomendación de contactos. El primero orientado recientemente al marketing viral y el segundo dado al auge que han tenido los sistemas de recomendación en los últimos años y como mejora de la experiencia del usuario en la red. En este Trabajo de Fin de Grado se estudia la aplicación de los algoritmos de maximización de la difusión como recomendación de contactos para optimizar la difusión de información a través de una red social, centrándose en el caso particular de Twitter.
Para verificar la eficacia de estos algoritmos, aplicados como recomendación no personalizada, se compararon los resultados contra los obtenidos aplicando métricas de topologías de redes, también aplicados como recomendación no personalizada, y contra algoritmos típicos de recomendación personalizada de contactos. Se analizan los resultados desde tres perspectivas distintas:
1. Los resultados de los propios modelos de maximización de la difusión.
2. Utilización en el marketing viral.
3. Aplicados a la recomendación de contactos.
En el primer punto, se prueban los algoritmos clásicos de difusión de información: el modelo de la cascada independiente y el modelo del umbral lineal, con el objetivo de medir cuántos nodos de un grafo pueden ser activados comenzando con un conjunto pequeño de nodos semillas activados inicialmente.
En el segundo punto, se prueban los algoritmos de difusión y los de métricas de topologías de redes y se realiza una simulación de marketing viral, donde los nodos semilla seleccionados por cada algoritmo difunden el mismo mensaje cada uno y se mide la velocidad y la propagación en la red.
En el tercer punto, aparte de los algoritmos mencionados anteriormente también se prueban unos algoritmos clásicos de recomendación personalizada de contactos. Los usuarios semilla de cada algoritmo son aplicados como recomendación no personalizada al resto de usuarios del grafo, excepto los algoritmos de recomendación personalizada, que para cada usuario recomiendan unos usuarios de manera personalizada. En estas simulaciones múltiples usuarios tienen varios tuits que propagar. Se medirá la velocidad, la cantidad de información nueva y la propagación.
Como conclusión, los resultados de la experimentación demuestran que los algoritmos de difusión de información, aplicados como recomendación de contactos no personalizada, pueden ser utilizados para optimizar la información que fluye a través de una red, aunque también tienen sus desventajas frente a otros algoritmos como es el tiempo necesario (NP-hard) para encontrar los usuarios semillas. In the field of social network analysis, two of the most popular areas are the study of the information diffusion and friend recommendation system. The first one focuses on viral marketing recently and the second one to improve the user experience in the network due to the rise of recommendation systems in recent years. In this Bachelor Thesis, we study the use of diffusion maximization algorithms as friend recommendation systems to optimize the information diffusion through a social network, focusing on Twitter.
To verify the effectiveness of these algorithms, applied as a non-personalized recommendation, the results are compared with those obtained by applying metrics of network topologies, also applied as a non-personalized recommendation, and against typical personalized recommendation algorithms. The results are analyzed from three different perspectives:
1. The results of the diffusion maximization models.
2. Their use in viral marketing.
3. Applied as friend recommendation systems.
Firstly, the classical information diffusion algorithms are tested: the independent cascade model and the linear threshold model, with the objective of measuring how many graph nodes can be activated starting with a small set of activated seed nodes.
Secondly, the diffusion algorithms and network topology metrics are tested and a viral marketing simulation is performed, where the seed nodes selected by each algorithm spread the same message and the velocity and propagation are measured.
Thirdly, apart from the algorithms mentioned above, we also test classic personalized recommendation algorithms. The seed users of each algorithm will be applied as a non-personalized recommendation to the rest of the users of the graph, except the algorithms of personalized recommendation which for each user will recommend some users in a personalized way. In these simulations, multiple users will have several tweets to propagate. The speed, the amount of new information and the propagation will be measured.
In conclusion, the experimentation results demonstrate that information diffusion algorithms applied as non-personalized recommendation systems can be used to optimize information flowing through a network, although they also have their disadvantages compared to other algorithms such as the amount of time needed (NP-hard) to find the seed users.
Files in this item
Google Scholar:Lucio Sarsa, Claudia
This item appears in the following Collection(s)
Except where otherwise noted, this item's license is described as https://creativecommons.org/licenses/by-nc-nd/4.0/
Related items
Showing items related by title, author, creator and subject.
-
Novedad y diversidad en la recomendación de contactos en redes sociales
Pepa, Sofía Marina
2016-02 -
Evolución de redes sociales con recomendación interactiva de contactos
Amor Mourelle, Antonio
2020-09 -
Recomendación de contactos en Twitter
Alhambra Morón, Alfonso
2014-05