Vol. 25 Núm. 2 (2015)
Artículos de Investigación

Algoritmo computacional de mezcla dinámica de cliqués para medir la resonancia de individuos en redes sociales

Jorge Esteban Zaragoza Salazar
Universidad Autónoma del Estado de México
Biografía
Adrían Trueba Espinosa
Universidad Autónoma del Estado de México
Biografía

Publicado 2015-05-15

Palabras clave

  • Clique,
  • graphs,
  • social network,
  • centrality,
  • influence,
  • merge,
  • random walk,
  • Dynamic Time Warping.
  • ...Más
    Menos
  • Cliqué,
  • grafo,
  • red social,
  • centralidad,
  • influencia,
  • fusionar,
  • paseo aleatorio,
  • distorsión temporal dinámica.
  • ...Más
    Menos

Cómo citar

Zaragoza Salazar, J. E., & Trueba Espinosa, A. (2015). Algoritmo computacional de mezcla dinámica de cliqués para medir la resonancia de individuos en redes sociales. Acta Universitaria, 25(2), 28–39. https://doi.org/10.15174/au.2015.733

Resumen

Considerando la facilidad que tienen las redes sociales para reprodcir información, la cual puede ser viral en cuestión de horas, provocando un efecto nocivo o favorable en la sociedad, el presente artículo aborda la propagación de información en redes sociales. Para medir la propagación de la información se proponen métricas para medir la resonancia (centralidad) de un individuo en las redes sociales, utilizando algoritmos y modelos matemáticos. Destacaremos el algoritmo de Dynamic Time Warping (DTW, por sus siglas en inglés) en los resultados obtenidos, con random walk, para simular cómo se difundirá un mensaje en un grafo compuesto por nodos (personas).


Citas

  1. Belo, R. & Ferreira, P. (September, 2012). Using Randomization to Identify Social Influence in Mobile Networks. Trabajo presentado en la 2012 International Conference on and 2012 International Confernece on Social Computing (SocialCom)Privacy, Security, Risk and Trust (PASSAT), Amsterdam, Países Bajos. doi: 10.1109/SocialCom-PASSAT.2012.62


  2. Durr, M., Protschky, V. & Linnhoff-Popien, C. (August, 2012). Modeling Social Network Interaction Graphs. Trabajo presentado en la 2012 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM), Istanbul, Turquía. doi: 10.1109/ASONAM.2012.110


  3. Fortunato, S. (2010). Community detection in graphs. Physics Reports 486, 75-174. doi: 10.1016/j.physrep.2009.11.002


  4. Guo, R. (December, 2012). Research on Information Spreading Model of Social Network. Trabajo presentado en la 2012 Second International Conference on Instrumentation, Measurement, Computer, Communication and Control (IMCCC), Harbin, China. doi: 10.1109/IMCCC.2012.220


  5. Huang X., Acero A., & Hon H. W. (2001). Spoken Language Processing. USA: Prentice-Hall.


  6. Ilyas, M. U. & Radha, H. (June, 2011). Identifying Influential Nodes in Online Social Networks Using Principal Component Centrality. Trabajo presentado en la 2011 IEEE International Conference on Communications (ICC), Kyoto, Japón. doi: 10.1109/icc.2011.5963147


  7. Junquero-Trabado, V., Trench-Ribes, N., Aguila-Lorente, M. A. & Dominguez-Sal, D. (October, 2011). Comparison of influence metrics in information diffusion networks. Trabajo presentado en la 2011 International Conference on Computational Aspects of Social Networks (CASoN). Salamanca, España. doi: 10.1109/CASON.2011.6085914


  8. Khrabrov, A. & Cybenko, G. (August, 2010). Discovering Influence in Communication Networks using Dynamic Graph Analysis. Trabajo presentado en la 2010 IEEE Second International Conference on Social Computing (SocialCom), Minneapolis, EU. doi: 10.1109/SocialCom.2010.48


  9. Liu, D. & Chen, X. (November, 2011). Rumor Propagation in Online Social Networks Like Twitter —A Simulation Study. Trabajo presentado en la 2011 Third International Conference on Multimedia Information Networking and Security (MINES), Shanghai, China. doi: 10.1109/MINES.2011.109.


  10. Müller, M. (2007). Dynamic Time Warping. In Information Retrieval for Music and Motion. Berlin Heidelberg: Springer-Verlag.


  11. Nekovee, M., Moreno, Y., Bianconi, G. & Marsili, M. (2007). Theory of rumour spreading in complex social networks. Physica A, 374, 457-470. doi: 10.1016/j.physa.2006.07.017


  12. Svendsen, M., Mukherjee, A. P. & Tirthapura, S. (2014). Mining Maximal Cliques from a Large Graph using MapReduce: Tackling Highly Uneven Subproblem Sizes. Journal of Parallel and Distributed Computing (Available online). doi:10.1016/j.jpdc.2014.08.011


  13. Wei, X., Valler, N., Prakash, B. A., Neamtiu, I., Faloutsos, M. & Faloutsos, C. (2012). Competing memes propagation on networks: a case study of composite networks. ACM SIGCOMM Computer Communication Review, 42(5), 6-11. doi: 10.1145/2378956.2378958


  14. Yan, B. & Gregory, S. (November, 2009). Detecting Communities in Networks by Merging Cliques. Trabajo presentado en la ICIS 2009. IEEE International Conference on Intelligent Computing and Intelligent Systems, 2009, Shanghai, China. doi: 10.1109/ICICISYS.2009.5358036


  15. Zheng, J., Chen. W., Zhang, L. & Bu, J. (April, 2010). A Metric for Measuring Members’ Contribution to Information Propagation in Social Network Sites. Trabajo presnetad en la 2010 12th International Asia-Pacific Web Conference (APWEB), Busan, Corea del Sur. doi: 10.1109/APWeb.2010.50