Visual Social Network Analysis Based on Deep-Walk Graph-Embeddings and Self-Organizing Maps

• Thiago Ciodaro UFRJ
• Vitor do Carmo UFRJ
• Fernando Ferreira UFRJ
• Felipe Grael UFRJ
• Debora Salles UFRJ
• Marie Santini UFRJ

DOI: https://doi.org/10.5753/brasnam.2024.2983

Resumo

A identificação de padrões de comunicação em redes sociais representa um desafio de grande complexidade. Essas redes, de natureza intrinsecamente complexa, são caracterizadas por grafos esparsamente conectados. Esse estudo propõe um modelo de análise que combina a capacidade de representação topológica de técnicas de graph-embeddings, como o DeepWalk, com o poder de identificação de estruturas dados de redes neurais baseadas em mapas auto-organizáveis. O artigo descreve os resultados da experimentação do modelo de análise proposto com dados de retweets do Twitter/X em temas relacionados à vacinação no Brasil.

Referências

Anowar, F., Sadaoui, S., and Selim, B. (2021). Conceptual and empirical comparison of dimensionality reduction algorithms (pca, kpca, lda, mds, svd, lle, isomap, le, ica, t-sne). Computer Science Review, 40:100378.

Bonabeau, E. and Hénaux, F. (1998). Self-organizing maps for drawing large graphs. Information Processing Letters, 67(4):177–184.

Chen, F., Wang, Y.-C., Wang, B., and Kuo, C.-C. J. (2020). Graph representation learning: a survey. APSIPA Transactions on Signal and Information Processing, 9:e15.

Csardi, G. and Nepusz, T. (2006). The igraph software. Complex Syst, 1695:1–9.

Faysal, M. A. M. and Arifuzzaman, S. (2018). A comparative analysis of large-scale network visualization tools. In 2018 IEEE International Conference on Big Data (Big Data), pages 4837–4843. IEEE.

Grootendorst, M. (2022). Bertopic: Neural topic modeling with a class-based tf-idf procedure. arXiv preprint arXiv:2203.05794.

Kohonen, T. (1990). The self-organizing map. Proceedings of the IEEE, 78(9):1464–1480.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in python. Journal of Machine Learning Research, 12:2825–2830.

Pereira, R. and Murai, F. (2021). Quão efetivas são redes neurais baseadas em grafos na detecção de fraude para dados em rede? In Anais do X Brazilian Workshop on Social Network Analysis and Mining, pages 205–210. SBC.

Perozzi, B., Al-Rfou, R., and Skiena, S. (2014). Deepwalk: online learning of social representations. In Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining, KDD ’14. ACM.

Rolemberg, T. and Silva, L. (2021). Aplicação de conceitos de redes complexas para a descoberta de formação de grupos em mapas auto-organizáveis. In Anais do X Brazilian Workshop on Social Network Analysis and Mining, pages 1–12, Porto Alegre, RS, Brasil. SBC.

Salles, D., de Medeiros, P. M., Santini, R. M., and Barros, C. E. (2023). The far-right smokescreen: Environmental conspiracy and culture wars on brazilian youtube. Social Media + Society, 9(3):20563051231196876.

Traag, V. A., Waltman, L., and Van Eck, N. J. (2019). From louvain to leiden: guaranteeing well-connected communities. Scientific reports, 9(1):5233.

Vesanto, J. and Alhoniemi, E. (2000). Clustering of the self-organizing map. IEEE Transactions on Neural Networks, 11(3):586–600.

Vettigli, G. (2018). Minisom: minimalistic and numpy-based implementation of the selforganizing map.

Won, M. and Fernandes, J. (2022). Analyzing twitter networks using graph embeddings: an application to the british case. Journal of Computational Social Science, 5.