Прикладной сетевой анализ

Магистратура 2019/2020

Статус: Курс по выбору (Коммуникации, основанные на данных)

Направление: 42.04.01. Реклама и связи с общественностью

Кто читает: Школа коммуникаций

Где читается: Факультет креативных индустрий

Когда читается: 2-й курс, 1, 2 модуль

Формат изучения: с онлайн-курсом

Преподаватели: Карпов Илья Андреевич, Макаров Илья Андреевич, Смирнов Максим Сергеевич

Прогр. обучения: Коммуникации, основанные на данных

Язык: русский

Кредиты: 7

Контактные часы: 60

Полная версия программы учебной дисциплины

Аннотация

Курс знакомит студентов с активно развивающейся междисциплинарной областью исследование структурных данных и закономерностей в них. В рамках курса мы рассмотрим методы статистического и структурного анализа сетей, модели формирования и эволюции сетей и процессов, машинное обучение на графах. Особое внимание будет уделено практическому анализу и визуализации реальных сетей с использованием доступных программных средств, современных языков программирования и библиотек.

Цель освоения дисциплины

Целью освоения дисциплины «Прикладной сетевой анализ» является получение студентами системных представлений об анализе графов и социальных сетей, метода сбора, обработки и моделирование сетевых структур и применении в прикладных областях.

Планируемые результаты обучения

Демонстрирует общие знания об области применения анализа социальный сетей и программных средствам для работы с графами
Знает статистические особенности реальных сетей, основные отличия реальных сетей от модельных данных
Владеет навыками моделирования случайных графов для тестирования статистических гипотез на структурных данных
Знает понятие центральности как меры ранжирования вершин в графе на основе структурной информации
Знает понятия центральности и престижа как мер ранжирования вершин, взаимовлияние в ориентированных сетях
Умеет находить структурно схожие элементы и меры схожести в структурной информации
Умеет обнаруживать сообщества в сетях, владеет методами кластеризации на графах
Умеет моделировать распространение информации. Понимает сущность понятия эпидемии в информационном поле.
Умеет использовать информационные каскады как модель сетевого маркетинга и оценивать успешность сетевого маркетинга.
Знает модели распространения влияния. Умеет прогнозировать достижение равновесия в сетевой модели на основе Марковских процессов в сетях
Владеет методами машинного обучения для структурной модели графа
Владеет методами машинного обучения для структурной модели графа с учетом текстовых эмбеддингов
Умеет строить рекомендации связей между элементами сети, владеет методами детектирования фрода в сетях
Умеет строить модель классификации элементов сети, выявлять агентов влияния, осуществлять количественные предсказания на основе временных динамических графов
Владеет методами представления результатов проекта в области сетевого анализа

Содержание учебной дисциплины

Тема 1. Введение в сетевой анализ
Введение в сетевой анализ. Теория сложных сетей. Основные свойства сети и метрики. Примеры сетей.
Тема 2. Описательные статистики реальных сетей
Степенной закон распределения и реальные сети. Закон Ципфа. Закон шести рукопожатий. Плотностей связей между друзьями.
Тема 3. Модели формирования сети
Модель случайного графа Эрдоша-Рени. Распределения Пуассона и Бернулли. Распределение степеней вершин. Модель Барабаси-Альберта. Модель эволюции графа. Модель “маленького мира” (модель Ваттс-Строгаца). Статистики случайных графов.
Тема 4. Меры влияния агентов в неориентированных сетях
Метрики центральности вершин: степенная, мостовая, по близости, относительно собственных векторов, структурные. Интерпретация центральности как меры влияния. Визуализация ключевых агентов в сети.
Тема 5. Меры влияния агентов в ориентированных сетях
PageRank, стохастическая метрика и условие Перрона-Фробениуса. Итеративные методы. Хабы и источники. Алгоритм HITS.
Тема 6. Структурная эквивалентность
Метрики структурной эквивалентности. Евклидова метрика и расстояние Хэмминга. Коэффициент корреляции. Косинусное сходство. Ассортативное смешивание и гомофилия. Смешивание по факторным и численным атрибутам.
Тема 7. Сообщества в социальных сетях
Сетевые сообщества. Плотность сообществ и метрики разрезов. Алгоритм Ньюмена-Гирвина. Спектральные методы кластеризации. Приближенные и жадные алгоритмы. Иерархическая кластеризация. Локальная кластеризация. Графовые шаблоны, k-core, микро подграфы.
Тема 8. Распространение и эпидемии в сетях
Модели эпидемий: SI, SIS, SIR. Решение дифференциальных уравнений. Предельные случаи. Моделирование распространения инфекции.
Тема 9. Распространение инноваций и информационные каскады
Обучение на основе наблюдений. Информационные каскады. Каскады в сети. Независимая и линейная пороговая модели каскадов. Измерение распространения информации и оценка успешности компании в сетях.
Тема 10. Распространение влияния и консенсус в социальных сетях
Физическая диффузия. Диффузионное уравнение. Распространение в сети и Лапласиан. Решение диффузионного уравнения. Случайные блуждания на графе. Социальная диффузия. Пороговая модель Грановеттера для описания коллективного поведения. Самые влиятельные узлы в сети.
Тема 11. Векторные модели сетей без атрибутов
Графовые эмбеддинги. Модели на основе матричной факторизации, случайных блужданий и автоэнкодеров. Векторизация структурной модели.
Тема 12. Векторные модели сетей с текстовыми атрибутами
Атрибутивные графовые эмбеддинги. Веткорные модели текстов и инициализации моделеи. Фьюжн информации и индуктивные модели обучения.
Тема 13. Предсказание связей и рекомендации в сетях
Рост сети. Диаметр сжатия. Проблема предсказания связей. Обучение с учителем. Рекомендательные системы.
Тема 14. Классификация сетевых данных и графовые нейронные сети
Задача классификации документов, оценка влияния агентов: предсказание свойств вершин. Графовые нейронные сети. Обучение со слабой разметкой или без учителя. Машинное обучение на графах.
Тема 15. Защита проектов
Представление проекта и защита перед жюри с приглашенными экспертами.

Элементы контроля

О онлайн
Прогресс по онлайн-курсу оценивается по итогам прохождения онлайн-курса “Applied Social Network Analysis in Python”. До последнего семинара студент направляет преподавателю с корпоративной почты скриншот c фамилией и баллами, подтверждающий прохождение онлайн-курса. Для зачёта онлайн-курса регистрация на онлайн-курс осуществляется с корпоративной почты студента НИУ ВШЭ.
О аудит.
О проект1 - проект по анализу своей эго-сети Vkontakte.
О проект2

Промежуточная аттестация

Промежуточная аттестация (2 модуль)
0.2 * О аудит. + 0.1 * О онлайн + 0.2 * О проект1 - проект по анализу своей эго-сети Vkontakte. + 0.5 * О проект2

Программа дисциплины