Luận văn: Nghiên cứu bài toán Phân tích mạng xã hội (ĐH Bách Khoa Hà Nội)

Luận văn nghiên cứu chuyên sâu về bài toán phân tích mạng xã hội. Tìm hiểu các phương pháp, thuật toán hiện đại và ứng dụng thực tiễn trong việc khai thác dữ liệu mạng xã hội.

• Tác giả: Đặng Thị Kim Dung
• Người hướng dẫn: PGS. Nguyễn Thị Kim Anh
• Trường học: Trường Đại học Bách Khoa Hà Nội
• Chuyên ngành: Khoa học dữ liệu
• Đề tài: Nghiên cứu bài toán Phân tích mạng xã hội
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC HÌNH VẼ
• DANH MỤC BẢNG BIỂU
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Khái niệm về mạng xã hội
• 1.2. Lịch sử mạng xã hội
• 1.3. Một số lý thuyết đồ thị trong phân tích mạng xã hội
• 1.3.1. Định nghĩa đồ thị
• 1.3.2. Các thành phần của đồ thị
• 1.4. Một số lý thuyết về tính chất của mạng xã hội
• 1.4.1. Lý thuyết ràng buộc yếu (strength of weak ties - 8)
• 1.4.2. Lỗ trong cấu trúc (Structural holes)
• 1.4.3. Lý thuyết của Coleman về trung tâm xã hội (Coleman social capital- csc)
• 1.4.4. Tính chất thế giới nhỏ (small- world)
• 1.4.5. Phân phối lũy thừa trong scale-free network
• 1.5. Thu thập thông tin mạng xã hội
• 1.6. Kết luận chương
• 2. CHƯƠNG 2: BÀI TOÁN PHÂN TÍCH MẠNG XÃ HỘI
• 2.1. Phương pháp trích xuất mạng con
• 2.2. Một số thước đo thống kê mô tả đặc trưng cho mạng xã hội
• 2.2.1. Khoảng cách trong mạng
• 2.2.2. Sức mạnh của nút trong mạng
• 2.2.3. Hệ số phân cụm mạng
• 2.3. Bài toán phát hiện cộng đồng trong mạng xã hội
• 3. CHƯƠNG 3: MÔ HÌNH THỰC NGHIỆM
• 3.1. Ý nghĩa của bài toán trong ngân hàng
• 3.2. Dữ liệu đầu vào bài toán
• 3.3. Các đặc điểm của mạng
• 3.4. Phát hiện cộng đồng trong mô hình mạng
• 3.5. Phát hiện nút quan trọng
• 3.5.1. Phát hiện nút quan trọng trên toàn bộ mạng
• 3.5.2. Phát hiện nút quan trọng ứng với từng cộng đồng
• 3.6. Kết luận chương
• KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phân Tích Mạng Xã Hội Ứng Dụng và Lợi Ích

Phân tích mạng xã hội (Social Network Analysis - SNA) là một lĩnh vực nghiên cứu liên ngành, sử dụng các phương pháp từ khoa học máy tính, thống kê và xã hội học để hiểu cấu trúc và động lực của các mạng xã hội. Mạng xã hội không chỉ là các nền tảng trực tuyến như Facebook, Twitter, hay LinkedIn, mà còn bao gồm các mạng lưới quan hệ trong tổ chức, cộng đồng và xã hội nói chung. Mục tiêu chính của SNA là khám phá ra các mẫu hình, xu hướng và ảnh hưởng trong mạng lưới, từ đó đưa ra những quyết định sáng suốt hơn. Các khái niệm quan trọng trong phân tích mạng xã hội bao gồm nút (node) đại diện cho cá nhân hoặc tổ chức, cạnh (edge) đại diện cho mối quan hệ giữa các nút, và các network metrics như độ tập trung, hệ số phân cụm và trung gian. Những metrics này cho phép chúng ta định lượng và so sánh các đặc điểm của các mạng khác nhau. SNA có nhiều ứng dụng thực tế trong nhiều lĩnh vực khác nhau. Trong kinh doanh, nó có thể được sử dụng để xác định những người có ảnh hưởng (influencer identification), phân tích sentiment analysis của khách hàng về sản phẩm hoặc dịch vụ, và tối ưu hóa chiến lược marketing. Trong y tế công cộng, SNA có thể giúp theo dõi sự lan truyền của dịch bệnh và xác định các nhóm đối tượng dễ bị tổn thương nhất. Trong an ninh quốc gia, nó có thể được sử dụng để phát hiện các mạng lưới khủng bố và tội phạm có tổ chức. Theo Dang Thi Kim Dung, luận văn đã chỉ ra tầm quan trọng của việc áp dụng phân tích mạng xã hội trong việc giải quyết các vấn đề thực tế, đặc biệt trong bối cảnh Big data mạng xã hội ngày càng phát triển. Sự phát triển của các công cụ phân tích mạng xã hội và các thuật toán machine learning cho mạng xã hội đã giúp cho việc phân tích trở nên dễ dàng và hiệu quả hơn bao giờ hết. Tuy nhiên, cũng cần lưu ý rằng phân tích mạng xã hội có thể đặt ra một số thách thức về quyền riêng tư và đạo đức, đặc biệt khi xử lý dữ liệu cá nhân.

1.1. Ứng Dụng Thực Tế Của Phân Tích Mạng Xã Hội

Phân tích mạng xã hội có ứng dụng rộng rãi trong nhiều lĩnh vực. Trong kinh doanh, nó giúp xác định những người có ảnh hưởng, phân tích sentiment analysis của khách hàng, và tối ưu hóa chiến lược marketing. Trong y tế công cộng, SNA theo dõi sự lan truyền của dịch bệnh. Trong an ninh quốc gia, nó phát hiện các mạng lưới khủng bố. Các công cụ phân tích mạng xã hội và thuật toán machine learning cho mạng xã hội giúp việc phân tích dễ dàng hơn. Tuy nhiên, cần lưu ý các thách thức về quyền riêng tư và đạo đức khi xử lý dữ liệu cá nhân.

1.2. Các Thước Đo Quan Trọng trong SNA

Các network metrics như độ tập trung, hệ số phân cụm và trung gian rất quan trọng. Chúng cho phép định lượng và so sánh các đặc điểm của các mạng khác nhau. Độ tập trung đo lường mức độ mà các nút trong mạng tập trung xung quanh một số ít nút trung tâm. Hệ số phân cụm đo lường mức độ mà các nút trong mạng có xu hướng tạo thành các cụm hoặc nhóm. Trung gian đo lường mức độ mà một nút nằm trên các đường đi ngắn nhất giữa các nút khác trong mạng.

II. Thách Thức Trong Phân Tích Dữ Liệu Mạng Xã Hội Lớn Big Data

Phân tích mạng xã hội đối mặt với nhiều thách thức, đặc biệt khi xử lý dữ liệu mạng xã hội lớn (Big Data). Social network data thường có kích thước khổng lồ, tính phức tạp cao và thay đổi liên tục. Điều này đòi hỏi các phương pháp phân tích phải có khả năng mở rộng, hiệu quả và thích ứng. Một trong những thách thức lớn nhất là vấn đề về khả năng mở rộng của các thuật toán phân tích mạng xã hội. Nhiều thuật toán truyền thống có độ phức tạp tính toán cao, không thể áp dụng cho các mạng có hàng triệu hoặc hàng tỷ nút và cạnh. Do đó, cần phải phát triển các thuật toán mới có khả năng xử lý song song và phân tán, hoặc sử dụng các phương pháp xấp xỉ để giảm độ phức tạp tính toán. Một thách thức khác là vấn đề về chất lượng dữ liệu. Dữ liệu mạng xã hội thường chứa nhiều nhiễu, thông tin không đầy đủ hoặc không chính xác. Điều này có thể ảnh hưởng đến độ tin cậy của kết quả phân tích. Vì vậy, cần phải có các phương pháp tiền xử lý dữ liệu hiệu quả để làm sạch, chuẩn hóa và tích hợp dữ liệu. Ngoài ra, phân tích hành vi người dùng mạng xã hội cũng đặt ra những thách thức về quyền riêng tư và đạo đức. Việc thu thập và phân tích dữ liệu cá nhân có thể vi phạm quyền riêng tư của người dùng, đặc biệt nếu không có sự đồng ý hoặc thông báo rõ ràng. Do đó, cần phải tuân thủ các quy định về bảo vệ dữ liệu cá nhân và áp dụng các biện pháp bảo mật phù hợp. Cuối cùng, visual hóa mạng xã hội lớn cũng là một thách thức. Việc hiển thị và tương tác với các mạng phức tạp có thể gây khó khăn cho người dùng. Cần phải phát triển các kỹ thuật visual hóa mạng xã hội mới có khả năng biểu diễn thông tin một cách trực quan, dễ hiểu và cho phép người dùng khám phá dữ liệu một cách tương tác.

2.1. Khả Năng Mở Rộng Của Thuật Toán Phân Tích

Nhiều thuật toán truyền thống không thể áp dụng cho các mạng lớn do độ phức tạp tính toán cao. Cần phát triển các thuật toán mới có khả năng xử lý song song và phân tán, hoặc sử dụng các phương pháp xấp xỉ để giảm độ phức tạp tính toán.

2.2. Vấn Đề Về Chất Lượng Dữ Liệu và Tiền Xử Lý

Dữ liệu mạng xã hội thường chứa nhiều nhiễu, thông tin không đầy đủ hoặc không chính xác. Cần có các phương pháp tiền xử lý dữ liệu hiệu quả để làm sạch, chuẩn hóa và tích hợp dữ liệu.

2.3. Bảo Vệ Quyền Riêng Tư Trong Phân Tích Dữ Liệu Người Dùng

Việc thu thập và phân tích hành vi người dùng mạng xã hội có thể vi phạm quyền riêng tư. Cần tuân thủ các quy định về bảo vệ dữ liệu cá nhân và áp dụng các biện pháp bảo mật phù hợp.

III. Phương Pháp Học Máy Trong Phân Tích Mạng Xã Hội Tổng Quan

Học máy trong phân tích mạng xã hội đã trở thành một công cụ quan trọng. Machine learning cho mạng xã hội có thể giúp giải quyết nhiều bài toán phức tạp, từ dự đoán liên kết (link prediction) đến phát hiện cộng đồng (community detection) và sentiment analysis. Các phương pháp học máy có thể được chia thành hai loại chính: học có giám sát (supervised learning) và học không giám sát (unsupervised learning). Trong học có giám sát, mô hình được huấn luyện trên một tập dữ liệu đã được gán nhãn, ví dụ như dự đoán xem một người dùng có khả năng kết nối với một người dùng khác hay không dựa trên các đặc điểm chung của họ. Trong học không giám sát, mô hình tự động khám phá ra các cấu trúc ẩn trong dữ liệu, ví dụ như phân cụm người dùng thành các cộng đồng dựa trên các tương tác của họ. Một số thuật toán học máy phổ biến được sử dụng trong phân tích mạng xã hội bao gồm Support Vector Machines (SVM), Random Forests, k-means clustering và các thuật toán phân tích mạng xã hội dựa trên đồ thị neural networks. Các thuật toán này có thể được sử dụng để giải quyết nhiều bài toán khác nhau, tùy thuộc vào mục tiêu nghiên cứu và đặc điểm của dữ liệu. Ví dụ, SVM và Random Forests có thể được sử dụng để dự đoán liên kết, trong khi k-means clustering có thể được sử dụng để phát hiện cộng đồng. Dang Thi Kim Dung nhấn mạnh rằng việc lựa chọn thuật toán phù hợp là rất quan trọng để đạt được kết quả tốt nhất. Ngoài ra, việc đánh giá hiệu quả của các mô hình học máy cũng là một bước quan trọng. Cần phải sử dụng các metric đánh giá phù hợp, ví dụ như độ chính xác, độ phủ và F1-score, để so sánh hiệu quả của các mô hình khác nhau và lựa chọn mô hình tốt nhất. Việc sử dụng NLP trong phân tích mạng xã hội cũng ngày càng trở nên phổ biến, đặc biệt trong các bài toán liên quan đến opinion mining mạng xã hội và phân tích cảm xúc.

3.1. Các Thuật Toán Học Có Giám Sát Trong SNA

Trong học có giám sát, mô hình được huấn luyện trên một tập dữ liệu đã được gán nhãn. Ví dụ, dự đoán xem một người dùng có khả năng kết nối với một người dùng khác hay không dựa trên các đặc điểm chung của họ. SVM và Random Forests là các thuật toán phổ biến.

3.2. Các Thuật Toán Học Không Giám Sát Trong SNA

Trong học không giám sát, mô hình tự động khám phá ra các cấu trúc ẩn trong dữ liệu. Ví dụ, phân cụm người dùng thành các cộng đồng dựa trên các tương tác của họ. K-means clustering là một thuật toán phổ biến.

3.3. Sử Dụng NLP Để Phân Tích Văn Bản Trên Mạng Xã Hội

NLP trong phân tích mạng xã hội được sử dụng trong các bài toán liên quan đến opinion mining mạng xã hội và phân tích cảm xúc. Nó giúp trích xuất thông tin từ văn bản, phân tích sentiment analysis và xác định Xu hướng mạng xã hội.

IV. Phát Hiện Cộng Đồng Trong Mạng Xã Hội Các Phương Pháp Chính

Phát hiện cộng đồng (Community detection) là một bài toán quan trọng trong phân tích mạng xã hội. Mục tiêu của community detection là tìm ra các nhóm nút có liên kết chặt chẽ với nhau bên trong nhóm và liên kết lỏng lẻo với các nút bên ngoài nhóm. Các cộng đồng có thể đại diện cho các nhóm người có chung sở thích, quan điểm, hoặc hoạt động. Có nhiều phương pháp phát hiện cộng đồng khác nhau, từ các thuật toán cổ điển như thuật toán Louvain và thuật toán Leiden đến các phương pháp dựa trên học máy. Thuật toán Louvain là một thuật toán tham lam (greedy algorithm) lặp đi lặp lại việc tối ưu hóa độ modularity của mạng, trong khi thuật toán Leiden là một cải tiến của thuật toán Louvain, khắc phục một số hạn chế của thuật toán Louvain. Các phương pháp dựa trên học máy có thể sử dụng các thuật toán phân cụm (clustering algorithms) để phân các nút vào các cộng đồng dựa trên các đặc điểm của chúng. Việc đánh giá chất lượng của các cộng đồng được phát hiện là một bước quan trọng. Một trong những metric đánh giá phổ biến nhất là độ modularity (modularity), đo lường mức độ mà các cộng đồng được phát hiện tốt hơn so với một cấu trúc mạng ngẫu nhiên. Theo Dang Thi Kim Dung, việc phát hiện các cộng đồng có thể giúp hiểu rõ hơn về cấu trúc và động lực của mạng xã hội, từ đó đưa ra những quyết định sáng suốt hơn trong nhiều lĩnh vực khác nhau. Ví dụ, trong marketing, việc phát hiện các cộng đồng có thể giúp xác định các nhóm khách hàng tiềm năng và tùy chỉnh các chiến dịch quảng cáo cho phù hợp. Trong an ninh quốc gia, nó có thể giúp phát hiện các mạng lưới tội phạm và khủng bố.

4.1. Thuật Toán Louvain và Leiden So Sánh và Đánh Giá

Thuật toán Louvain là một thuật toán tham lam lặp đi lặp lại việc tối ưu hóa độ modularity của mạng. Thuật toán Leiden là một cải tiến của thuật toán Louvain, khắc phục một số hạn chế của thuật toán Louvain. So sánh hiệu suất và độ chính xác của hai thuật toán.

4.2. Các Phương Pháp Học Máy Cho Phát Hiện Cộng Đồng

Các phương pháp dựa trên học máy có thể sử dụng các thuật toán phân cụm (clustering algorithms) để phân các nút vào các cộng đồng dựa trên các đặc điểm của chúng. K-means, spectral clustering, và graph neural networks là các ví dụ.

4.3. Đánh Giá Chất Lượng Cộng Đồng Qua Modularity

Độ modularity đo lường mức độ mà các cộng đồng được phát hiện tốt hơn so với một cấu trúc mạng ngẫu nhiên. Nó là một metric quan trọng để đánh giá chất lượng của các cộng đồng.

V. Phân Tích Ảnh Hưởng và Lan Truyền Thông Tin Trên Mạng Xã Hội

Lan truyền thông tin trên mạng xã hội là một hiện tượng phức tạp, chịu ảnh hưởng bởi nhiều yếu tố khác nhau, từ cấu trúc mạng đến đặc điểm của thông tin và hành vi của người dùng. Phân tích mạng xã hội có thể giúp hiểu rõ hơn về quá trình lan truyền thông tin trên mạng xã hội và xác định những người có ảnh hưởng (influencer identification). Một số mô hình lan truyền thông tin trên mạng xã hội phổ biến bao gồm mô hình Independent Cascade, mô hình Linear Threshold và mô hình Susceptible-Infected-Recovered (SIR). Mô hình Independent Cascade giả định rằng mỗi nút bị ảnh hưởng có một cơ hội nhất định để ảnh hưởng đến các nút lân cận của nó. Mô hình Linear Threshold giả định rằng mỗi nút có một ngưỡng nhất định và sẽ bị ảnh hưởng nếu tổng số ảnh hưởng từ các nút lân cận vượt quá ngưỡng này. Mô hình SIR chia các nút thành ba trạng thái: Susceptible (dễ bị ảnh hưởng), Infected (bị ảnh hưởng) và Recovered (khỏi bệnh), và mô tả quá trình lan truyền thông tin như một quá trình lây lan dịch bệnh. Việc xác định influencer identification là rất quan trọng trong nhiều lĩnh vực, đặc biệt trong marketing và quan hệ công chúng. Những người có ảnh hưởng có thể giúp lan truyền thông tin một cách nhanh chóng và hiệu quả, và do đó có thể đóng vai trò quan trọng trong việc quảng bá sản phẩm, dịch vụ hoặc ý tưởng. Các metric như độ tập trung (degree centrality), trung gian (betweenness centrality) và độ gần gũi (closeness centrality) có thể được sử dụng để xác định những người có ảnh hưởng. Ngoài ra, các phương pháp học máy cũng có thể được sử dụng để dự đoán khả năng ảnh hưởng của một người dựa trên các đặc điểm của họ.

5.1. Các Mô Hình Lan Truyền Thông Tin Cơ Bản

Mô hình Independent Cascade, mô hình Linear Threshold và mô hình Susceptible-Infected-Recovered (SIR) là các mô hình phổ biến để mô tả quá trình lan truyền thông tin trên mạng xã hội.

5.2. Xác Định Người Có Ảnh Hưởng Bằng Các Metric Độ Đo

Các metric như độ tập trung (degree centrality), trung gian (betweenness centrality) và độ gần gũi (closeness centrality) có thể được sử dụng để xác định những người có ảnh hưởng (influencer identification).

5.3. Ứng Dụng Học Máy Trong Dự Đoán Ảnh Hưởng

Các phương pháp học máy cũng có thể được sử dụng để dự đoán khả năng ảnh hưởng của một người dựa trên các đặc điểm của họ. Feature engineering và lựa chọn thuật toán phù hợp là quan trọng.

VI. Kết Luận và Hướng Nghiên Cứu Tương Lai Trong SNA Hiện Đại

Phân tích mạng xã hội là một lĩnh vực nghiên cứu đầy tiềm năng, có nhiều ứng dụng thực tế trong nhiều lĩnh vực khác nhau. Tuy nhiên, vẫn còn nhiều thách thức cần phải vượt qua, đặc biệt trong bối cảnh dữ liệu mạng xã hội ngày càng lớn và phức tạp. Các hướng nghiên cứu tương lai trong phân tích mạng xã hội bao gồm phát triển các thuật toán có khả năng mở rộng, hiệu quả và thích ứng hơn, cải thiện chất lượng dữ liệu, bảo vệ quyền riêng tư của người dùng và phát triển các kỹ thuật visual hóa mạng xã hội mới. Một trong những hướng nghiên cứu quan trọng là phát triển các phương pháp phân tích cấu trúc mạng xã hội dựa trên đồ thị neural networks (GNNs). GNNs là một loại mạng neural có khả năng xử lý dữ liệu đồ thị một cách hiệu quả, và đã đạt được những kết quả ấn tượng trong nhiều bài toán phân tích mạng xã hội, từ dự đoán liên kết đến phát hiện cộng đồng và phân loại nút. Một hướng nghiên cứu khác là phát triển các phương pháp phân tích hành vi người dùng mạng xã hội dựa trên học sâu (deep learning). Học sâu có thể giúp trích xuất các đặc trưng phức tạp từ dữ liệu văn bản, hình ảnh và video, và do đó có thể cải thiện độ chính xác của các mô hình dự đoán hành vi. Cuối cùng, việc kết hợp phân tích mạng xã hội với các lĩnh vực khác như data mining mạng xã hội, social listening và social media analytics cũng là một hướng nghiên cứu đầy hứa hẹn. Sự kết hợp này có thể giúp tạo ra những giải pháp toàn diện hơn để giải quyết các vấn đề thực tế.

6.1. Các Hướng Nghiên Cứu Về Thuật Toán SNA Mở Rộng

Phát triển các thuật toán có khả năng mở rộng, hiệu quả và thích ứng hơn để xử lý dữ liệu mạng xã hội lớn. Nghiên cứu các phương pháp phân tích cấu trúc mạng xã hội dựa trên đồ thị neural networks (GNNs).

6.2. Học Sâu Cho Phân Tích Hành Vi Người Dùng

Phát triển các phương pháp phân tích hành vi người dùng mạng xã hội dựa trên học sâu (deep learning) để trích xuất các đặc trưng phức tạp từ dữ liệu.

6.3. Kết Hợp SNA Với Các Lĩnh Vực Phân Tích Dữ Liệu Khác

Kết hợp phân tích mạng xã hội với các lĩnh vực khác như data mining mạng xã hội, social listening và social media analytics để tạo ra những giải pháp toàn diện hơn.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT. Khái niệm về mạng xã hội. Lịch sử mạng xã hội. Một số lý thuyết để thị trong phân tích mạng xã hội.1 Định nghĩa đề thị.

co St ch Hee ecceesesssssssssessseee D 1. Câu phần của đô thị - - - - 9 1. Một số lý thuy nh chất cửa muạng xã hội - 1 1. LỤ thuyết ràng bude yéu (strength of weak ties - 8) 12 1.

8 trong cite inte (Structural holes) .3 Lý thuyết của Coleman về trung tâm xã hội (Coleman social capitai- csc) - - - 14 1. Tĩnh chất thê giới nhỏ (small- world) 14 1. Phân phôi lũy thừa trong scale-free network. Thu thập thông tin mạng xã hội.

Kết luận chương - - - 18 CHƯƠNG2: BÀI TOÁN PHÂN TÍCH MANG XÃ HỘI 20 2. Phương pháp trích xuất mạng con. Mật số thước đo thống kê mồ tả đặc trung cho mạng xã hội. Khoảng cách trong mạng - - 29 2.

Sức mạnh của nút rong HẠN§. Hệ số phân cụm mạng 30 2. Bài toàn phát hiện công đồng trong ưng xã hội - - 31 LOI CAM DOAN Téi xin cam doan: Luan van thac s¥ Khoa hoc div héu “Nghién ctu bài toán Phân tích mạng xã hội” do tôi thực hiện vả trinh bay dưới sự hướng din cia PGS. Nguyễn Thị Kim Anh, Viện Công nghệ Thông tin và Truyền thông — Trường Đại học Bách Khoa Hả Nội.

Đây là công trình nghiên cửu hoàn toàn trung thực, không vi phạm bắt cứ điều gì trong Luật Sở hữu trí tuệ và Pháp luật Việt Nam. Tếu sai, tôi hoàn toàn chịu trách nhiệm trước Pháp luật Tắt cả các bái báo, khóa luận, tải liệu, công cụ phần mềm của các lác giả khác được sử dụng lại trong bài luận này đều dược chỉ dẫn tường minh về tác giả và đều có trong đanh mực tài liệu tham khảo. Hà Nội, ngày 20 tháng 12 năm 2021 Tác giả Đặng Thị Kim Dung LOI CAM ON “Theo học và tìm hiểu sâu hơn về ngành Khoa học đữ liệu là mơ ước của tôi. Do dó, tối đã đăng kỉ học cao học ngành Khoa học dữ liệu tại trưởng Đại Iloc Bách Khoa IIả Nội.

+ðể hoàn thành luận văn thạc sĩ này, tôi xin bày tổ sự cầm kích đặc biệt tới Cô giáo hướng dẫn của tôi là PGS.TS Nguyễn Thị Kim Anh - người đã định hướng, trực tiếp dẫn dắt và cố vấn cha tôi trong suốt thời gian thực hiện để tài nghiên cửu khoa học. 'Irong thời gian thực hiện, tôi đã pặp rất nhiêu vấn đề. Tuy nhiên, củng sự động viên và giúp đỡ của cô Kim Anh, tôi đã hoàn Lhảnh bài luận. Đồng thời, tôi xin tổ lòng biết ơn đến cha mẹ, người thân và bạn bè đã luôn bên canh tìng hộ, động viên tôi trong cuộc sống cũng như trong thời gian hoàn thành luận văn thạc sĩ.

Xin chan thanh cam on tat cA mọi người! THả Nội, ngày 19 tháng 12 nim 2021 ‘Tac gia Ding Thi Kim Dung LOI CAM DOAN Téi xin cam doan: Luan van thac s¥ Khoa hoc div héu “Nghién ctu bài toán Phân tích mạng xã hội” do tôi thực hiện vả trinh bay dưới sự hướng din cia PGS. Nguyễn Thị Kim Anh, Viện Công nghệ Thông tin và Truyền thông — Trường Đại học Bách Khoa Hả Nội. Đây là công trình nghiên cửu hoàn toàn trung thực, không vi phạm bắt cứ điều gì trong Luật Sở hữu trí tuệ và Pháp luật Việt Nam. Tếu sai, tôi hoàn toàn chịu trách nhiệm trước Pháp luật Tắt cả các bái báo, khóa luận, tải liệu, công cụ phần mềm của các lác giả khác được sử dụng lại trong bài luận này đều dược chỉ dẫn tường minh về tác giả và đều có trong đanh mực tài liệu tham khảo.

Hà Nội, ngày 20 tháng 12 năm 2021 Tác giả Đặng Thị Kim Dung 3. Giới thiệu bài toàn phát hiện cộng đồng 3.3, Mục tiêu bài toán phát hiện cộng dẳng. Các thuật toán quan trọng trong bài toán “Phát hiện cộng đồng" 3. Xác định nút quan trọng trong cộng đồng qua tinh trung tầm 2.

Mức độ trung tâm theo bậc (Oesree ceniralihJ. Khoảng cách trung tâm (Closeness centrality) 2.3, Vi tri trung tam (Betweenness centrality). Kết luận chương, CHƯƠNG 3: MO HINH THUC NGHIEM 3. Ý nghĩa củ bai toán Irong ngân hàng.

Dữ liệu đầu vào bài toán. Các đặc điểm của mạng. Phát hiện cộng đẳng ong mnô hình mang 3,5. Phát hiện mút quan trỌNg,.

Phát hiện mút quan trọng trên loàn bộ mạng. Phát hiện nút quan trọng ứng với từng cộng đng. Kết luận chương. TH xe KẾT LUẬN.

TÀI LIỆU THAM KHẢO. " vaste DANII MUC UNIT VE Hình 1. Vĩ dụ cơ băn của mô hình mạng 3 Tình 1.Một số hình ảnh về để thị 6 Hình 1.8ơ dé mang may tình đa kênh thoại. co oi 25s 7 Hinh 1.Cac loai dé thi ca ban.

Ví dụ về dỗ thị vòng, dỗ thị dây đủ, đỗ thị hai phía, đỗ thị bánh xe. Hình ánh vị dụ vẻ đồ thị. Hee wd Tlinh 1. Vi dụ minh họa vẻ tính chồng chéo 12 Hình 1.

Ví dụ mình hợa vẻ tỉnh chất bắc cầu. Liên kết giữa A và G được gợi là môi liên kết bắc câu - - 13 Hình1. Hình ánh mình họa lý thuyết câu trúc lỗ. Hình vẽ biểu điển khi tạo mội kết nội ngẫu nhiền trong mạng được phan cum - - 15 Tình 1.

Hình ảnh về mạng ngẫu nhiên (trải) và nưng không có quy mô (phôi) Hinh 2. Vi dụ về thành phan trong mang Hình 3. Vị dụ khả năng tiếp cận. Tình anh ví dụ thành phân mạnh và yếu trong đỗ thị Hình 2.

Hình ảnh vi dụ thành phân liên thông mạnh. Hình ảnh vi dụ thành phân liên thông yếu. Tình ảnh ví đụ vé Cliques. Hình ảnh vi da cliques thực tế chồng lên nhau - - 37 Hình 2.

Hình ảnh vi dụ về k-eores. Hình ảnh ví dụ phân cộng đồng. Hình ảnh ví dụ tính toán mô đun mạng - - 39 Hình 2. Hình ánh mồ tả cho bai giai doan của thuật toản.

Đầu tiên tối ưu hỏa. mồ dun và các công déng, duoc tim thấy được tổng hợp thành một mạng. Chi tiét thuat ton Louvain! - - - 44 Tình 2. Ví dụ cộng đồng không liên thông*91 44 Hình 2.

Chỉ tiết các bước thuật toàn LeidenÏ#1,. Hình ảnh ví đụ về bậc. 48 LOI CAM DOAN Téi xin cam doan: Luan van thac s¥ Khoa hoc div héu “Nghién ctu bài toán Phân tích mạng xã hội” do tôi thực hiện vả trinh bay dưới sự hướng din cia PGS. Nguyễn Thị Kim Anh, Viện Công nghệ Thông tin và Truyền thông — Trường Đại học Bách Khoa Hả Nội.

Đây là công trình nghiên cửu hoàn toàn trung thực, không vi phạm bắt cứ điều gì trong Luật Sở hữu trí tuệ và Pháp luật Việt Nam. Tếu sai, tôi hoàn toàn chịu trách nhiệm trước Pháp luật Tắt cả các bái báo, khóa luận, tải liệu, công cụ phần mềm của các lác giả khác được sử dụng lại trong bài luận này đều dược chỉ dẫn tường minh về tác giả và đều có trong đanh mực tài liệu tham khảo. Hà Nội, ngày 20 tháng 12 năm 2021 Tác giả Đặng Thị Kim Dung 3. Giới thiệu bài toàn phát hiện cộng đồng 3.3, Mục tiêu bài toán phát hiện cộng dẳng.

Các thuật toán quan trọng trong bài toán “Phát hiện cộng đồng" 3. Xác định nút quan trọng trong cộng đồng qua tinh trung tầm 2. Mức độ trung tâm theo bậc (Oesree ceniralihJ. Khoảng cách trung tâm (Closeness centrality) 2.3, Vi tri trung tam (Betweenness centrality).

Kết luận chương, CHƯƠNG 3: MO HINH THUC NGHIEM 3. Ý nghĩa củ bai toán Irong ngân hàng. Dữ liệu đầu vào bài toán. Các đặc điểm của mạng.

Phát hiện cộng đẳng ong mnô hình mang 3,5. Phát hiện mút quan trỌNg,. Phát hiện mút quan trọng trên loàn bộ mạng. Phát hiện nút quan trọng ứng với từng cộng đng.

Kết luận chương. TH xe KẾT LUẬN. TÀI LIỆU THAM KHẢO. " vaste LOI CAM DOAN Téi xin cam doan: Luan van thac s¥ Khoa hoc div héu “Nghién ctu bài toán Phân tích mạng xã hội” do tôi thực hiện vả trinh bay dưới sự hướng din cia PGS.

Nguyễn Thị Kim Anh, Viện Công nghệ Thông tin và Truyền thông — Trường Đại học Bách Khoa Hả Nội. Đây là công trình nghiên cửu hoàn toàn trung thực, không vi phạm bắt cứ điều gì trong Luật Sở hữu trí tuệ và Pháp luật Việt Nam. Tếu sai, tôi hoàn toàn chịu trách nhiệm trước Pháp luật Tắt cả các bái báo, khóa luận, tải liệu, công cụ phần mềm của các lác giả khác được sử dụng lại trong bài luận này đều dược chỉ dẫn tường minh về tác giả và đều có trong đanh mực tài liệu tham khảo. Hà Nội, ngày 20 tháng 12 năm 2021 Tác giả Đặng Thị Kim Dung 3.

Giới thiệu bài toàn phát hiện cộng đồng 3.3, Mục tiêu bài toán phát hiện cộng dẳng. Các thuật toán quan trọng trong bài toán “Phát hiện cộng đồng" 3. Xác định nút quan trọng trong cộng đồng qua tinh trung tầm 2. Mức độ trung tâm theo bậc (Oesree ceniralihJ.

Khoảng cách trung tâm (Closeness centrality) 2.3, Vi tri trung tam (Betweenness centrality). Kết luận chương, CHƯƠNG 3: MO HINH THUC NGHIEM 3. Ý nghĩa củ bai toán Irong ngân hàng. Dữ liệu đầu vào bài toán.

Các đặc điểm của mạng. Phát hiện cộng đẳng ong mnô hình mang 3,5. Phát hiện mút quan trỌNg,. Phát hiện mút quan trọng trên loàn bộ mạng.

Phát hiện nút quan trọng ứng với từng cộng đng. Kết luận chương. TH xe KẾT LUẬN. TÀI LIỆU THAM KHẢO.

" vaste DANII MUC UNIT VE Hình 1. Vĩ dụ cơ băn của mô hình mạng 3 Tình 1.Một số hình ảnh về để thị 6 Hình 1.8ơ dé mang may tình đa kênh thoại. co oi 25s 7 Hinh 1.Cac loai dé thi ca ban. Ví dụ về dỗ thị vòng, dỗ thị dây đủ, đỗ thị hai phía, đỗ thị bánh xe.

Hình ánh vị dụ vẻ đồ thị. Hee wd Tlinh 1. Vi dụ minh họa vẻ tính chồng chéo 12 Hình 1. Ví dụ mình hợa vẻ tỉnh chất bắc cầu.

Liên kết giữa A và G được gợi là môi liên kết bắc câu - - 13 Hình1. Hình ánh mình họa lý thuyết câu trúc lỗ. Hình vẽ biểu điển khi tạo mội kết nội ngẫu nhiền trong mạng được phan cum - - 15 Tình 1. Hình ảnh về mạng ngẫu nhiên (trải) và nưng không có quy mô (phôi) Hinh 2.

Vi dụ về thành phan trong mang Hình 3. Vị dụ khả năng tiếp cận. Tình anh ví dụ thành phân mạnh và yếu trong đỗ thị Hình 2. Hình ảnh vi dụ thành phân liên thông mạnh.

Hình ảnh vi dụ thành phân liên thông yếu. Tình ảnh ví đụ vé Cliques. Hình ảnh vi da cliques thực tế chồng lên nhau - - 37 Hình 2. Hình ảnh vi dụ về k-eores.

Hình ảnh ví dụ phân cộng đồng.