Show simple item record

Detekce významných uzlů, komunit a predikce linků v sociálních sítích
dc.contributor.advisorMrázová, Iveta
dc.creatorKönig, Matúš
dc.date.accessioned2023-07-25T01:13:31Z
dc.date.available2023-07-25T01:13:31Z
dc.date.issued2023
dc.identifier.urihttp://hdl.handle.net/20.500.11956/183056
dc.description.abstractSocial network analysis provides several means to better understand the structure of the underlying social networks. This thesis is focused on the area of community detection in social networks. We discuss six of the main community detection algorithms and their hybrid variants involving a com- bination of rough and fine partitioning techniques. The text explains the measures used to quantify the detected communities' properties. For dif- ferent problem sizes, the Zachary's karate club and Enron email datasets were used. Further, the work concentrates on experiments that provide per- formance assessment for the investigated methods. Based on the obtained results, we draw conclusions towards recommendations for a reliable usage of the findings in practice. At the same time, we aim to identify the appropriate number of communities in the data at hand since this is a parameter of many community detection algorithms. For the same reason, we also investigate whether non-hierarchical clustering algorithms could be used to form a sub- community hierarchy. All of the mentioned experiments were run by means of a community detection system CGAT - Config-based Graph Analysis Tool we developed and implemented as a part of the thesis.en_US
dc.description.abstractMetody z oblasti analýzy sociálních sítí poskytují celou řadu nástrojů pro lepší pochopení struktury studovaných sítí. Těžiště práce spočívá ve stu- diu problematiky detekce komunit v sociálních sítích. V textu představíme šest z nejznámějších algoritmů pro detekci komunit a jejich hybridní vari- anty, které kombinují hrubé klastrovací techniky s metodami pro vytváření menších a jemnějších komunit. Text pak vysvětluje i podstatu metrik pou- žívaných pro kvantifikaci vlastností detekovaných komunit. Různou velikost řešených problémů zohledňují použité datasety, konkrétně Zachary karate klub a dataset Enron. Výsledky provedených experimentů jsou základem pro posouzení vlastností analyzovaných algoritmů a vyvození závěrů a doporučení pro budoucí využití metod analýzy sociálních sítí v praxi. Důležitým aspek- tem práce je přirozeně i určení adekvátního počtu komunit ve zkoumaných datech, protože ten je parametrem mnoha algoritmů pro detekci komunit. Ze stejného důvodu je třeba ověřit, zda může i nehierarchický shlukovací algo- ritmus vytvářet hierarchii dílčích komunit. K provedení všech zmiňovaných experimentů jsme použili systém CGAT - Config-based Graph Analysis Tool pro detekci komunit, který byl navržen a implementován v rámci řešené práce a je její součástí.cs_CZ
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Matematicko-fyzikální fakultacs_CZ
dc.subjectdata mining|social networks|detection of influential individuals|community detection|link prediction|knowledge representationen_US
dc.subjectdobývání znalostí|sociální sítě|detekce významných uzlů|detekce komunit|predikce linků|reprezentace znalostícs_CZ
dc.titleDetection of Influential Individuals, Communities, and Link Prediction in Social Networksen_US
dc.typebakalářská prácecs_CZ
dcterms.created2023
dcterms.dateAccepted2023-06-29
dc.description.departmentKatedra teoretické informatiky a matematické logikycs_CZ
dc.description.departmentDepartment of Theoretical Computer Science and Mathematical Logicen_US
dc.description.facultyFaculty of Mathematics and Physicsen_US
dc.description.facultyMatematicko-fyzikální fakultacs_CZ
dc.identifier.repId247678
dc.title.translatedDetekce významných uzlů, komunit a predikce linků v sociálních sítíchcs_CZ
dc.contributor.refereeHric, Jan
thesis.degree.nameBc.
thesis.degree.levelbakalářskécs_CZ
thesis.degree.disciplineInformatika se specializací Umělá inteligencecs_CZ
thesis.degree.disciplineComputer Science with specialisation in Artificial Intelligenceen_US
thesis.degree.programInformatikacs_CZ
thesis.degree.programComputer Scienceen_US
uk.thesis.typebakalářská prácecs_CZ
uk.taxonomy.organization-csMatematicko-fyzikální fakulta::Katedra teoretické informatiky a matematické logikycs_CZ
uk.taxonomy.organization-enFaculty of Mathematics and Physics::Department of Theoretical Computer Science and Mathematical Logicen_US
uk.faculty-name.csMatematicko-fyzikální fakultacs_CZ
uk.faculty-name.enFaculty of Mathematics and Physicsen_US
uk.faculty-abbr.csMFFcs_CZ
uk.degree-discipline.csInformatika se specializací Umělá inteligencecs_CZ
uk.degree-discipline.enComputer Science with specialisation in Artificial Intelligenceen_US
uk.degree-program.csInformatikacs_CZ
uk.degree-program.enComputer Scienceen_US
thesis.grade.csVýborněcs_CZ
thesis.grade.enExcellenten_US
uk.abstract.csMetody z oblasti analýzy sociálních sítí poskytují celou řadu nástrojů pro lepší pochopení struktury studovaných sítí. Těžiště práce spočívá ve stu- diu problematiky detekce komunit v sociálních sítích. V textu představíme šest z nejznámějších algoritmů pro detekci komunit a jejich hybridní vari- anty, které kombinují hrubé klastrovací techniky s metodami pro vytváření menších a jemnějších komunit. Text pak vysvětluje i podstatu metrik pou- žívaných pro kvantifikaci vlastností detekovaných komunit. Různou velikost řešených problémů zohledňují použité datasety, konkrétně Zachary karate klub a dataset Enron. Výsledky provedených experimentů jsou základem pro posouzení vlastností analyzovaných algoritmů a vyvození závěrů a doporučení pro budoucí využití metod analýzy sociálních sítí v praxi. Důležitým aspek- tem práce je přirozeně i určení adekvátního počtu komunit ve zkoumaných datech, protože ten je parametrem mnoha algoritmů pro detekci komunit. Ze stejného důvodu je třeba ověřit, zda může i nehierarchický shlukovací algo- ritmus vytvářet hierarchii dílčích komunit. K provedení všech zmiňovaných experimentů jsme použili systém CGAT - Config-based Graph Analysis Tool pro detekci komunit, který byl navržen a implementován v rámci řešené práce a je její součástí.cs_CZ
uk.abstract.enSocial network analysis provides several means to better understand the structure of the underlying social networks. This thesis is focused on the area of community detection in social networks. We discuss six of the main community detection algorithms and their hybrid variants involving a com- bination of rough and fine partitioning techniques. The text explains the measures used to quantify the detected communities' properties. For dif- ferent problem sizes, the Zachary's karate club and Enron email datasets were used. Further, the work concentrates on experiments that provide per- formance assessment for the investigated methods. Based on the obtained results, we draw conclusions towards recommendations for a reliable usage of the findings in practice. At the same time, we aim to identify the appropriate number of communities in the data at hand since this is a parameter of many community detection algorithms. For the same reason, we also investigate whether non-hierarchical clustering algorithms could be used to form a sub- community hierarchy. All of the mentioned experiments were run by means of a community detection system CGAT - Config-based Graph Analysis Tool we developed and implemented as a part of the thesis.en_US
uk.file-availabilityV
uk.grantorUniverzita Karlova, Matematicko-fyzikální fakulta, Katedra teoretické informatiky a matematické logikycs_CZ
thesis.grade.code1
uk.publication-placePrahacs_CZ
uk.thesis.defenceStatusO


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 560/5, 116 36 Praha 1; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV