Диссертация (1148128), страница 30
Текст из файла (страница 30)
Vol. 12. № 3.P. 328—383309Burt R. S. STRUCTURE: A computer program providing basic data for the analysis of empirical positions in a systemof actors // Survey Research Center, Working Paper. 1977. Vol. 5. P. 33—38310Richards Jr W. D. A Manual for Network Analysis (Using the NEGOPY Network Analysis Program). 1975. 94 p.137различных инструментов для сетей311. В 1979 г.
Л. Фримэн создал программуCENTER, которая использовала разные метрики центральности для измерениязанимаемого положения в сети. В 1981 г. группа голландских ученых разработалапрограмму GRADAP, которая имела схожую концепцию312.Таким образом, появилось огромное количество программ, решающих однии те же задачи разными алгоритмами.
В 1980-х годах были предприняты попыткисвязать хаотическую массу алгоритмов воедино. Научная группа в университете вКиле (Германия) под руководством Ф. Паппи в 1983 г. создали программу общегоназначения для сетевого анализа SONIS313.Примерно в тоже время научная группа Калифорнийского университета вИрвине выпустила программу UCINET. В любом случае, SONIS и UCINETявляются первыми программами общего назначения, включающими в себябольшой перечень инструментов сетевого анализа.
Это превратилось в трендсоздания общих и универсальных продуктов. В настоящее время группуразработчиков возглавляет С. Боргатти, в начале своей деятельности Л. Фримэн иМ. Эверетт писали UCINET как набор модулей на DOS314. В качестве данныхUCINET использует матрицу смежности, записанную в текстовом файле,преобразуя её в свой формат .dl. Это и раскрывает основной минус даннойпрограммы; матричная форма записи при увеличении порядка графа увеличиваетпо экспоненте и размер файла, в котором записана матрица смежности. Тем неменее, UCINET обеспечивает анализ основных метрик сетевого анализа.Программа pajek была разработана словенским ученым В. Батагельи иА. Мрваром в 1996 г., и в переводе со словацкого означает паук.
Разработчиками311Seidman S. B., Foster B. L. Sonet-1: Social network analysis and modeling system // Social Networks. 1979. Vol. 2.№ 1. P. 85—90312Stokman F. N., Van Veen F. GRADAP, Graph Definition and Analysis Package User’s Manual // Interuniversity ProjectGroup GRADAP, University of Amsterdam-Gröningen-Nijmegen. 1981. 580 p.313Pappi F. U., Stelck K.
SONIS: Ein Databanksystem zur Netzwerkanalyse // Pappi F. U. (ed.). Methoden derNetzwerkanalyse. Oldenbourg Verlag, 1987. Vol. 1. P. 253—265314Borgatti S. P., Everett M. G., Freeman L. C. UCINET IV network analysis software // Connections. 1992. Vol. 15. № 1.P. 12—15138заявлено, что pajek способна на анализ огромных сетей. Также разработчикаминаписан подробный мануал по использованию pajek в сетевом анализе315.В 2006 г.
в Компьеньском университете технологий группой студентов быласоздана программа Gephi для анализа и визуализации графов316. Сегодня даннаяпрограмма является лучшей, на наш взгляд, для визуализации сетей.В настоящее время складывается жесткая ситуация, когда сетевой аналитикстановится аутсайдером, если он не знает языка программирования. Самымипопулярными языками в сфере анализа данных принято считать R, Python и C. Всфере сетевого анализа стоит отдельно выделить пакет igraph, которыйпредставляет из себя инструмент для анализа сетей и обладает математическимаппаратом для графовых вычислений. Изначально он был написан на C и вышел всвет в 2006 г.317.
Сегодня данный пакет является кросс-платформенным исуществует в репозитории CRAN в качестве библиотеки R; также есть версия наязыке Python, к сожалению, только версии 2.x. Для Python версии 3.x мы можемназвать аналогичный пакет NetworkX318.Внастоящеевремясуществуетгигантскоеколичестворазличногопрограммного обеспечения.
Общепринятыми форматами для математическихмоделей являются .graphML, .gexf, .dl,. .net. Большое количество форматовявляется следствием появления значительного числа программ. Сегоднябольшинство уважающих себя продуктов стараются перейти к чтению всехформатов. Самыми известными и часто используемыми программами являютсяGephi, UCINET, Pajek и библиотеки igraph и networkX.Суммируя все вышеперечисленное, мы пришли к некоторым выводам.Во-первых, представление о структуре как выражении совокупностиотношений мы встречаем на протяжении как конца XIX, так и всего XX века.Структурная перспектива постоянно возникала у исследователей, словно315De Nooy W., Mrvar A., Batagelj V.
Exploratory social network analysis with Pajek. Cambridge University Press, 2011.Vol. 27. 442 p.316Bastian M., Bastian M., Heymann S., Jacomy M. Gephi: an open source software for exploring and manipulatingnetworks // ICWSM. 2009. Vol. 8. P. 361—362317Csardi G., Nepusz T. The igraph software package for complex network research // InterJournal, Complex Systems.2006. Vol. 1695. № 5. P. 1—9318Schult D. A., Swart P. Exploring network structure, dynamics, and function using NetworkX // Proceedings of the 7thPython in Science Conferences (SciPy 2008). 2008. Vol. 2008. P. 11—16139интуитивно взывая к применению математического аппарата. Это мы замечаем уРэдклифа-Брауна и Курта Левина.
Примеры их исследований особенновыразительны, так как область антропологии действительно часто перекликаетсяс абстрактным понятием «культура» и требует изучения структуры, агештальтпсихология не часто использует прикладные аспекты математики. ДажеМорено не был математиком, а его социограммы являются результатомстремления к структурной перспективе.Во-вторых, ранний этап развития сетевого анализа можно охарактеризоватьмножеством исследований антропологов, психологов, географов, социологов иматематиков. Мы доказали, что традиция сетевого анализа начинается с 1930-хгодах.В-четвертых, сегодня сфера применения сетевого анализа выходит далекозапределыоднойилидаженесколькихдисциплин.Этоподлинномеждисциплинарная область знания.
Однако сформировавшаяся основа несет всебе результат эмерджентного эффекта от всех сфер научного знания, которыевнесли свою лепту, поэтому владение современным методами сетевого анализанакладывает на исследователя свои требования. В качестве основного требованиямы можем назвать необходимость владения математическим аппаратом инавыками программирования, так как анализ данных в настоящее времяразвивается в данной плоскости.В-пятых, в результате столкновения научных дисциплин (в основномсоциологии, физики и биологии) появилось новое междисциплинарное поле,которое уже успели назвать сетевой наукой. Прежде всего, такое стремлениеисходит от физиков. Например, Барабаши является ярым сторонником новойнауки319.
В Кэмбридже выпускается журнал Network Science320. Более того,Н. Гаммон и К. Карлей после изучения цитирования в рамках сетевыхBarabási A. L., Frangos J. Linked: the new science of networks science of networks. Basic Books, 2014. 280 p.Network Science Journal [Электронный ресурс] URL https:// www.cambridge.org/core/journals/network-science (датаобращения: 26.12.2016)319320140исследований пришли к выводу, что сетевая наука отвечает признакамнормальной науки по Т. Куну321.В-шестых, столкновение дисциплин привело к тому, что предметнаяобласть для сетевых исследований заметно расширилась, повысив требования,предъявляемыекисследователям.Появилосьразнообразиенаучнойпериодической печати; появилась возможность для ученых, занимающихсясетевым анализом, быть опубликованным в Science и Nature.Во-седьмых, многие метрики в сетевом анализе имеют социологическоепроисхождение, они отражают первые задачи по структурации общественныхотношений и разделении на подгруппы.
Математический аппарат являетсянаилучшим способом доказательства гипотез, связанных с отношениями.Во-восьмых, сегодня критически важную роль для сетевого анализа играюткак компьютерные программы, так и языки программирования. Данныеобстоятельства создают для исследователей в области общественных наукопределенные трудности. Тем не менее, владение навыками работы скомпьютерными программами в значительной степени помогают при анализеданных.В-девятых, модель всегда является упрощенной моделью реальности,необходимой для понимания и прогнозирования оригинального объекта илиявления. Модель не передает всех свойств объектов или явлений, математическиемодели не могут открыть все тайны отношений между узлами или описать всюструктуру общества, однако они могут дать исчерпывающие выводы в рамкахвыбранного фреймворка.321Hummon N.
P., Carley K. Social networks as normal science // Social networks. 1993. Vol. 15. № 1. P. 71—106141ГЛАВА 3. КЛАСТЕРЫ ПЕТЕРБУРГСКИХ ПОЛИТИЧЕСКИХ ОНЛАЙНСООБЩЕСТВ В «ВКОНТАКТЕ»§ 3.1 Моделирование смежности аудитории онлайн-сообществВ качестве источника данных для диссертационного исследованиявыступала онлайн социальная сеть «ВКонтакте» и API VK (applicationprogramming interface) — интерфейс прикладного программирования, которыйдает огромные возможности для анализа. Социальная сеть «ВКонтакте» былавыбрана как самая популярная социальная сеть на постсоветском пространстве, атакже как самая популярная в Санкт-Петербурге. В настоящий момент в нейзарегистрированооригинальностьболеемногих93млн.страниц,профилей.темнеПодменее,нетвопросомостаетсясоциальнойсети,сопоставимой по охвату.