Matteo Moreno | Matricola 722172 | Anno Accademico 2015/2016

Analisi Riconoscimento Reti Sociali

PAGINA 1

Introduzione

Per questo progetto ho utilizzato l’api di Facebook “Netvizz v1.3” e ho focalizzato la mia attenzione sul gruppo pubblico “Facoltà Medicina e Chirurgia – Varese” al fine di analizzare i comportamenti e le interazioni all’interno del gruppo. Per l’elaborazione dei dati ho utilizzato il software gratuito “Gephi 0.9.1” che fornisce vari modi per modificare e rappresentare i dati.

Preparazione dati

La prima fase consiste nel ricavare i dati su cui focalizzare l’attenzione. A questo scopo utilizziamo un api messa a disposizione da Facebook che si chiama Netvizz. Per prima cosa si accede tramite proprio username e password a Facebook e, nella barra di ricerca, digitiamo il nome del servizio Netvizz. Dopo averlo cliccato, accediamo effettivamente alla homepage dell’api e, tra le varie voci elencate, andiamo a selezionare “group data”. Questo ci permetterà di ottenere i dati relativi ad un gruppo che però deve essere pubblico, in quanto questa funzionalità non è supportata per i gruppi privati. Il gruppo su cui ho deciso di porre l’attenzione è Facoltà Medicina e Chirurgia – Varese (https://www.facebook.com/groups/14810332916/) che ha 1691 membri. Ora bisogna utilizzare Lookup-ID per ottenere l’id relativo al nostro gruppo. Bisogna quindi collegarsi al sito (https://lookup-id.com/) e copiare l’URL del gruppo di medicina e premere “Lookup”. Una volta terminata l’operazione verrà fornito l’ID del gruppo (14810332916) che va copiato e inserito nella home di Netvizz, nella casella di testo di fianco alla scritta “group id”. L’ultimo passo consiste nello scegliere il numero di post da scaricare tramite l’api (è possibile selezionare un massimo di 999 post). Di seguito riporto la schermata relativa alla mia acquisizione dati tramite Netvizz.

Una volta compilati i campi, bisogna fare click su “get group data” per poter scaricare un file zip contenente i file che ci interessano per poter analizzare il gruppo in oggetto.

PAGINA 2

Importazione dati in Gephi

Nel file .zip scaricato in precedenza, il file che più ci interessa è quello con l’estensione .gdf, che nel mio caso è group_14810332916_2016_07_28_15_35_44.gdf. A questo punto apriamo Gephi e andiamo ad importare il file descritto prima nel seguente modo.

Per l’opzione Graph Type scegliamo “undirect” altrimenti verrebbero disegnati tutti i collegamenti di un nodo con gli altri nodi, di qualsiasi livello. Da questa schermata, inoltre, vediamo anche che ci sono 1230 nodi e 2775 archi. Eseguito questo passo, facciamo click su ok e avverrà l’effettivo caricamento del file .gdf che avrà questo aspetto.

PAGINA 3

Elaborazione dati

Applichiamo il primo algoritmo. Nella scheda Layout in basso a sinistra scegliamo “ForceAtlas 2” e spuntiamo “Prevent Overlap”. ForceAtlas2 è un algoritmo che calcola la correlazione tra nodi, li pesa e li raggruppa in cluster omogenei. A questo punto facciamo click su “Run” e vediamo come l’algoritmo modifica la struttura del nostro grafo di partenza.

L’algoritmo arriva ad una convergenza in cui i nodi non si muovono più, o quasi. Il risultato finale sarà che i nodi con forti interazioni verranno raggruppati tra loro e gli altri isolati. Fatto ciò, spostiamoci sulla parte destra dello schermo, nella scheda statistiche e facciamo “Run” su “Average Degree” e “Avg. Path Length”. Il primo indica il numero medio di connessioni, mentre il secondo indica il numero medio di passi per il percorso più breve tra tutte le possibili coppie di nodi.

PAGINA 4

Nel menù a tendina sul lato sinistro con scritto “choose rank parameter”, ora che abbiamo calcolato le due statistiche precedenti, possiamo scegliere “Beetweness Centrality” e con la seconda icona dei cerchi concentrici scegliamo la dimensione minima e massima dei nodi (io ho scelto min=10 e max=50) e infine facciamo click su “Apply”.

Fatto ciò, torniamo al menù “Statistics” e clickiamo “Run” su “Modularity”. Poi in alto a sinistra nel menù a tendina, possiamo scegliere il criterio di partizionamento “Modularity Class”, che cerca i nodi che sono più densamente collegati tra loro rispetto al resto della rete, in modo da ottenere colori che indicano le diverse comunità determinate da questo algoritmo.

PAGINA 5

Come ulteriore step possiamo selezionare “type_post”, sempre nel menù a tendina in alto a sinistra, in modo da avere una migliore idea sulla composizione della rete.

Conclusioni

Tramite l'uso di Netvizz, dal gruppo “Facoltà Medicina e Chirurgia – Varese” è stato possibile estrapolare i dati che rappresentano gli utenti ed i post nel gruppo (ossia i nodi) e le relazioni che gli utenti hanno con i post (ossia gli archi). Come è possibile vedere anche dall’immagine sopra e dal "Data Laboratory" messo a disposizione da Gephi, i post non sono omogenei, ma di diversi tipi: video (blu), stati (verde), link (rosa), foto (azzurro) o eventi (giallo); è poi presente anche la componente user (nero), che rappresenta gli utenti che hanno effettuato delle azioni verso i post di cui sopra (quali ad esempio commento, aver messo mi piace, condivisione del post…).

In base a questi elementi, si può ipotizzare che il gruppo in questione possa assomigliare ad una “rete di affiliazione”, nella quale i post hanno il ruolo dei “punti focali” e gli utenti sono gli individui che interagiscono con i punti focali. I post non rispecchiano a pieno la vera definizione di punto focale (ovvero entità attorno a cui attività comuni sono organizzate), ma li si può considerare, divisi nelle tipologie discusse in precedenza, come gli argomenti trattati all'interno del gruppo e di interesse intorno a cui l'attività del gruppo di medicina e chirurgia si sviluppa.

Posizionando il cursore sopra un utente (nodo nero), si può notare come sussista un arco utente-post solo nel caso in cui l’utente abbia effettuato un’azione verso un particolare post (in questo caso verso dei link, degli stati e delle foto).

PAGINA 6

Se invece posizioniamo il cursore su un nodo che rappresenta uno stato, come viene evidenziato dalla foto seguente, notiamo che vengono evidenziati tutti gli utenti che con questo particolare post hanno interagito.

Dalle ultime due immagini notiamo come non ci siano archi diretti tra post diversi puntati dallo stesso utente, oppure non sono presenti archi diretti fra utenti diversi che hanno interagito con lo stesso post.

PAGINA 7

Potremmo però ipotizzare che siano presenti dei legami impliciti tra utenti diversi che puntano allo stesso post oppure tra diversi post che sono puntati dallo stesso utente. Questo potrebbe portare ad un’evoluzione temporale della rete in questione: si potrebbe verificare il caso in cui degli utenti che sono amici tra di loro andranno ad interagire sulle stesse tipologie di post (figura 1), oppure che utenti diversi che hanno interagito ad uno stesso post possano diventare tra di loro amici (figura 2).

Figura 2: il link A-C è chiusura focale

Figura 1: il link A-C è chiusura per appartenenza