Social Network Analysis. Methoden zur Analyse von Sozialen Netzwerken

Inhaltsverzeichnis

Kapitel 1 Einleitung

Kapitel 2 Social Networks

2.1 Begriff

2.2 Datenerhebung und Datensammlung für SNA

Kapitel 3 Modellierung

3.1 Visualisierung

3.2 Metriken

3.3 Centrality

3.3.1 Degree Centrality

3.3.2 Closeness Centrality

3.3.3 Betweenness Centrality

3.3.4 Eigenvector Centrality

Kapitel 4 Gruppenidentifikation

4.1 Allgemeines

4.2 Link Removal/Girvan-Newman Algorithmus

4.3 Graph Partitioning/Spectral Clustering

4.4 Anwendungsbereiche

Kapitel 5 Link Mining & Anwendungen

5.1 Object-related Tasks

5.1.1 Link-based Object Ranking

5.1.2 Link-based Object Classification

5.1.3 Object Identification

5.2 Link-based Tasks

5.2.1 Link Prediction

5.3 Graph-related Tasks

5.3.1 Subgraph Discovery

5.3.2 Graph Classification

Kapitel 6 Zusammenfassung und Ausblick

Zielsetzung & Themen

Die vorliegende Arbeit befasst sich mit der Analyse sozialer Netzwerke im Zeitalter von Web 2.0. Ziel ist es, Methoden zur Modellierung, Visualisierung und Auswertung dieser komplexen Strukturen aufzuzeigen, um zentrale Akteure sowie Gruppen innerhalb der Netzwerke identifizieren zu können.

• Grundlagen sozialer Netzwerke und deren Datenerhebung
• Mathematische Modellierung und Visualisierung von Graphen
• Zentralitätsmetriken zur Bewertung einzelner Akteure
• Verfahren zur Gruppenidentifikation (Clustering)
• Techniken des Link Minings für weiterführende Analysen

Auszug aus dem Buch

Zusammenfassung der Kapitel

Kapitel 1 Einleitung: Diese Einleitung führt in die Bedeutung sozialer Netzwerke im Web 2.0 ein und gibt einen Überblick über die behandelten Methoden zur Netzwerkanalyse.

Kapitel 2 Social Networks: Dieses Kapitel definiert den Begriff soziale Netzwerke und erläutert, wie Daten in diesen Systemen erhoben und gesammelt werden.

Kapitel 3 Modellierung: Hier werden die grafische Darstellung mittels Graphentheorie sowie mathematische Zentralitätsmetriken wie Degree, Closeness, Betweenness und Eigenvector Centrality vorgestellt.

Kapitel 4 Gruppenidentifikation: Das Kapitel behandelt Verfahren zur Clusterung von Netzwerken, um Gruppen anhand von Algorithmen wie Girvan-Newman oder Spectral Clustering zu isolieren.

Kapitel 5 Link Mining & Anwendungen: Es wird das Aufgabengebiet des Link Minings detailliert betrachtet, unterteilt in objekt-, link- und graphenbasierte Ansätze für weiterführende Analysen.

Kapitel 6 Zusammenfassung und Ausblick: Das abschließende Kapitel fasst die gewonnenen Erkenntnisse zur Netzwerkanalyse zusammen und zeigt deren Relevanz für technische und soziale Anwendungen auf.

Schlüsselwörter

Soziale Netzwerke, SNA, Social Network Analysis, Graph, Modellierung, Zentralität, Degree Centrality, Betweenness Centrality, Gruppenidentifikation, Clustering, Link Mining, PageRank, Datenanalyse, Web 2.0

Häufig gestellte Fragen

Worum geht es in dieser Arbeit?

Die Arbeit beschäftigt sich mit der wissenschaftlichen Analyse sozialer Netzwerke unter Einsatz von Methoden der Graphentheorie und des Data Minings.

Welche zentralen Themenfelder werden abgedeckt?

Die zentralen Themen sind die mathematische Modellierung von Netzwerken, die Berechnung von Akteurs-Zentralität und die Identifikation von Gruppenstrukturen innerhalb dieser Netzwerke.

Was ist das primäre Ziel der Arbeit?

Das Ziel ist die Vermittlung grundlegender Ansätze und Methoden zur Charakterisierung und Analyse der Struktur sozialer Netzwerke.

Welche wissenschaftlichen Methoden kommen zum Einsatz?

Verwendet werden graphentheoretische Modelle, mathematische Zentralitätsmaße (z.B. Degree-, Closeness-Centrality) sowie Algorithmen zur Gruppenidentifikation (Girvan-Newman, Spectral Clustering).

Was wird im Hauptteil behandelt?

Im Hauptteil werden die Modellierung durch Graphen, die Definition von Zentralitätsmaßen und fortgeschrittene Techniken wie das Link Mining zur Klassifizierung von Objekten erläutert.

Welche Schlüsselwörter charakterisieren die Arbeit?

Die Arbeit wird primär durch Begriffe wie Soziale Netzwerke, SNA, Graphentheorie, Zentralität, Gruppenidentifikation und Link Mining charakterisiert.

Wie unterscheidet sich die Degree Centrality von der Closeness Centrality?

Die Degree Centrality misst die Anzahl der direkten Verbindungen eines Knotens, während die Closeness Centrality die Nähe eines Knotens zu allen anderen Einheiten im Netzwerk über die Summe der Pfadlängen bewertet.

Warum ist der Girvan-Newman Algorithmus für die Gruppenidentifikation relevant?

Der Girvan-Newman Algorithmus identifiziert Gruppen, indem er sukzessive Kanten mit hoher Betweenness entfernt, die als Brücken zwischen verschiedenen Teilgruppen fungieren.

Welche Bedeutung hat das Link Mining im Kontext der Arbeit?

Link Mining ermöglicht über das einfache Betrachten von Verbindungen hinaus eine tiefergehende Analyse, wie etwa das Ranking von Webseiten oder die Vorhersage zukünftiger Kanten im Netzwerk.