Как вставить ссылку на группу вк: Как добавить ссылку в группу Вконтакте

Французский подросток сообщил о самоубийстве в Periscope после того, как назвал имя человека, который ее «изнасиловал» https://t.co/pWEFqsjZRvpic.twitter.com/1NWaMPL7Xg В отчете говорится, что все города по всей России умерли в один и тот же день, и все они были членами одних и тех же онлайн-групп.

В отчете также упоминается онлайн-видео, записанное в феврале, на котором видно, как подросток падает с моста. Журналист говорит, что двое мужчин подходят к «колеблющийся мальчик» до того, как он упадет, после чего они убегают. Кадры гибели еще одной девушки, которой поезд отрубил голову после того, как она легла на рельсы, также появились в сети «почти сразу», говорится в отчете .

За день до своей смерти в ноябре 2015 года девушка выложила в ВК селфи у движущегося поезда с подписью «пока». Сообщается, что она стала «иконой» для многих подростков в суицидальных онлайн-сообществах после того, как появилась фотография ее отрубленной головы, лежащей рядом с ее телом.

«Несовершеннолетние совершали самоубийства задолго до [этой] трагедии. Но почему именно сейчас он превратился в символ? Когда много времени посвящено его изучению, можно увидеть, что «раскрутка» смерти [этой девушки] была тщательно спланирована. Репосты этого были оплачены, ее страницы-клоны также были выставлены на продажу», — говорится в отчете . были в продаже и пользовались большим спросом.

Статья вызвала бурное обсуждение в России как в традиционных, так и в социальных сетях. Он подвергся критике со стороны ряда журналистов, а также медицинских экспертов, специализирующихся на подростковых самоубийствах.

Критики заявили, что статья была предвзятой по отношению к публичным группам, в которых она обвинялась в совершении серьезных правонарушений, и что автор не представил никаких доказательств того, что такие страницы могут заставить подростков покончить с собой, в противном случае не помышляя о самоубийстве. Подростковые самоубийства — серьезная проблема, но исследования связывают их с семейными проблемами, издевательствами, отсутствием психологической поддержки в решении проблем и другими личными факторами.

Блог об угрозах | Flashpoint

Информативный, ориентированный на решения контент для специалистов по безопасности — от последних новостей, экспертного анализа и передовых идей до основных руководств, статей, видео, блогов и многого другого.

Рекомендуемые

Практическое руководство по управлению уязвимостями: внедрение подхода, основанного на оценке риска попытка исправления сверху вниз.

Читать пост

Что вас интересует?

• Brand Protection
• Corporate and Physical Security
• Court documents
• Current events
• Cyber ​​threat intelligence
• Data breaches
• DevSecOps
• Flashpoint
• Fraud
• Illicit communities
• Insider threats
• Product features
• Государственный сектор и правительство
• Программа-вымогатель
• Управление уязвимостями

очистить все

Информация о киберугрозах

Карточный магазин Угроза: BidenCash сбрасывает 2,1 млн украденных кредитных карт

Что мы знаем о последнем сбросе BidenCash и что это означает в контексте крупного карточного магазина. ..

Читать пост

Информация о киберугрозах

Почему обработка естественного языка имеет решающее значение для аналитиков разведки с открытым исходным кодом

Поскольку объем данных продолжает расти, важно иметь инструменты, которые могут помочь в получении осмысленной информации …

Читать пост

Управление уязвимостями

Что мы знаем о новых уязвимостях Oracle WebLogic

В настоящее время мы видим, что уязвимость Oracle WebLogic привлекает некоторое внимание, поскольку код эксплойта был опубликован …

Читать пост

Судебные документы

Российский разработчик вредоносных программ арестован и экстрадирован в США

Прокурор США Роджер Б. Хандберг объявил в среду, 23 февраля, об аресте и экстрадиции Дария …

Читать пост

Управление уязвимостями

Доступен эксплойт

для критической уязвимости в системах Fortinet FortiNAC

Клиенты, использующие решение Flashpoint VulnDB, могут отслеживать любые разработки для этой уязвимости с помощью идентификатора VulnDB . ..

Читать пост

Информация о киберугрозах

Дайте мне свободу или дайте мне страх: мимолетное обещание централизованных незаконных сообществ

В этом блоге мы исследуем появление Libre, его перспективы в качестве централизованного незаконного сообщества в родословной …

Читать пост

Информация о киберугрозах

В погоне за деньгами: «Бесконечный форум» Killnet привлекает киберпреступников-единомышленников [обновлено]

Прокремлевская DDoS-группа хактивистов Killnet создала новый незаконный форум под названием Infinity, который надеется …

Читать пост

Информация о киберугрозах

Рекомендации КНДР: как лучше защитить свою организацию от спонсируемых государством программ-вымогателей

В новом информационном бюллетене описываются ТТП, которые спонсируемые государством КНДР субъекты киберугроз используют для удержания организаций от выкупа. …

Читать пост

Товар

Почему группы разведки переходят от внутренних виртуальных машин к управляемой атрибуции Flashpoint

Аналитические группы отказываются от собственных лабораторий виртуальных машин и обращаются к управляемой атрибуции Flashpoints — гибкой . ..

Читать пост

Информация о киберугрозах

3 ключевых вывода из нашего нового доклада о войне между Россией и Украиной

Новый отчет Flashpoints подробно описывает важность OSINT для вторжения России в Украину через призму десяти …

Читать пост

Информация о киберугрозах

OSINT API для простых смертных

Когда дело доходит до исследования OSINT, API-интерфейсы могут быть очень полезными. Вот три способа создания пользовательских возможностей…

Читать пост

Судебные документы

СУДЕБНЫЙ ДОКУМЕНТ: США против Себастьяна Рауля и др.

21-летний гражданин Франции из Эпиналя, Франция, предстанет завтра, 27 января 2023 года, в окружном суде США …

Читать пост

Загрузить еще

Нет результатов, соответствующих вашим критериям.

Подпишитесь на нашу рассылку новостей об угрозах

Хотите, чтобы главные новости Flashpoint попадали прямо в вашу почту? Подпишитесь на нашу рассылку, чтобы регулярно получать кураторский контент.

Поддерживаемый Кремлем ВКонтакте не смог купить самую разыскиваемую в России интернет-компанию — The Bell — Eng

907:57 — 18 октября 2022 г.

Несмотря на поддержку Кремля, интернет-гигант ВКонтакте не смог купить крупнейший в России рекламный сервис Avito. Южноафриканский владелец сервиса, интернет-группа Naspers, категорически отказалась продавать его такому сомнительному покупателю. В результате Avito приобрел конкурент — российский бизнесмен Иван Таврин, близкий к миллиардеру Алишеру Усманову. Перед войной он купил компанию стоимостью 8 миллиардов долларов всего за 2 миллиарда долларов. Однако это в два раза больше, чем предлагал ВКонтакте.

• В конце прошлой недели The Bell первым сообщил о крупной сделке на российском интернет-рынке: Kismet Capital Group Ивана Таврина договорилась с Naspers о покупке 100% акций Avito. Через несколько часов Prosus, дочерняя компания Avito в Нидерландах, подтвердила сделку.
• Avito был выставлен на продажу с тех пор, как весной Naspers официально выставил компанию на продажу. Среди претендентов был миллиардер Владимир Потанин, который агрессивно скупал акции по сниженным ценам после начала войны. Но лидером по покупке Avito была VK, крупнейшая российская интернет-компания. С конца прошлого года ВКонтакте принадлежит «Газпрому» и Юрию Ковальчуку, другу Путина. После сделки ВК возглавил Владимир Кириенко, сын высокопоставленного кремлевского чиновника Сергея Кириенко.
• Avito — лидер рынка объявлений в России и одна из самых прибыльных интернет-компаний страны. Однако VK, владеющая крупнейшей в России социальной сетью «ВКонтакте», хотела использовать Avito в качестве источника трафика, сообщили The Bell источники на рынке. Владимиру Кириенко поручено остановить падение аудитории ВК (в прошлом месяце у Авито было 92 млн активных пользователей, почти столько же, сколько у ВК).
• Потенциальных покупателей на Авито было более десятка, но почти все они отказались за лето. Два источника сообщили The Bell, что Кремль активно участвовал в сделке за кулисами. «Нас убедили, что в торгах за «Авито» нет смысла, потому что он уже продан нужному кандидату, то есть ВК», — сказал один из них. Вскоре после проведения тендера депутат Госдумы Антон Горелкин, ранее помогавший установить государственный контроль над интернет-компанией «Яндекс», предложил запретить иностранным компаниям владеть сервисами онлайн-рекламы. Рынок воспринял это как прямое предупреждение, что продавцы Авито должны отдавать предпочтение ВК.
• Однако Naspers был категорически против такой сделки, сообщили The Bell шесть разных источников. «Они заняли позицию, что не продадут ВК даже под страхом смерти», — сказал один из них. И это сработало. «Они из дружественной страны. Мы дали им возможность выбрать покупателя», — сказал The Bell источник в правительстве, имея в виду правительственный список «недружественных стран». Южной Африки в этом списке нет.
• В результате Naspers получил не только лояльного покупателя, но и хорошую цену. Таврин заплатил за компанию 151 миллиард рублей (чуть более 2 миллиардов долларов), что в два раза превышает сумму, которую, по утверждениям источников, собиралась предложить ВКонтакте. Тем не менее, это намного меньше довоенной оценки компании, которая в 2019 г.оценивалась в 3,85 миллиарда долларов, а в начале 2022 года аналитики оценивали ее в диапазоне 6,5–8 миллиардов долларов.
• Таврин заработал состояние в начале 2000-х, покупая региональные телеканалы и перепродавая их лидерам рынка. А в 2009 году объединил усилия с Усмановым в телебизнесе. Их самым крупным совместным проектом стала покупка СТС, одного из ведущих каналов России. Позже он был продан Национальной медиагруппе Ковальчука.
• В 2010-е годы Таврин возглавлял одно из крупнейших предприятий Усманова — сотовую компанию «МегаФон». При этом он помогал миллиардеру в деликатных сделках. В 2014 году именно Таврин купил 12% «ВКонтакте» у основателя Павла Дурова в ходе корпоративной битвы за соцсеть. Через пару месяцев эти акции были перепроданы Mail.Ru Group Усманова.
• Неудивительно, что многие подозревают, что Таврин купил Avito, чтобы продать его ВКонтакте. Однако, похоже, это не так. Два источника сообщили The Bell, что сделка включает двухлетний период блокировки, когда Avito не может быть передан третьей стороне. В объявлении от Prosus мало подробностей, но говорится, что продажа включает «механизмы защиты транзакций для продавца». Таврин сказал The Bell, что купил Avito не для того, чтобы продавать его. Вместо этого он хочет видеть ее публичной компанией.

История упорного Naspers, в конечном счете, добивающегося своего, лишний раз доказывает, что, несмотря на войну и крах отношений с Западом, Кремль не хочет ссориться с иностранными компаниями. Путин явно рассчитывает, что цинизм крупных западных корпораций придет ему на помощь и иностранные компании в конце концов вернутся в Россию.

Создано с

Вам также может понравиться

Оценки мер сходства в ВКонтакте для предсказания ссылок

1 Введение

Социальные сети помогают людям взаимодействовать через Интернет. Сейчас сервисы социальных сетей позволяют делиться интересами через тексты, музыку, видео и т.д. Понятно, что люди хотят как можно быстрее получать больше информации и новых контактов, и информация должна соответствовать их предпочтениям.

Рекомендация по ссылке стала одной из наиболее важных функций в онлайновых социальных сетях и стала активной областью исследований [3, 8,9,10, 14, 16]. Есть хорошо известные примеры рекомендаций по ссылкам, такие как «Люди, которых вы можете нанять» в LinkedIn, «Вы можете знать» в Google+ и «Люди, которых вы можете знать» в Facebook. Учитывая огромный академический и практический интерес к рекомендации ссылок [6], мы рассмотрели существующие подходы и применили механизм рекомендаций для социальной сети ВКонтакте.

Особое внимание уделено наиболее популярным мерам сходства, которые используются в литературе, а именно косинусному подобию, общим соседям, подобию Жаккара и Адамику-Адару. Мы показываем эффективность каждой метрики, используя матрицу путаницы плюс показатель F1, который является стандартным базовым уровнем. Мы изучаем каждую метрику в наборе небольших онлайн-социальных сетей, а также в собранных наборах данных ВКонтакте.

Социальная сеть — это граф как структура данных, пользователи — это узлы, а дружба (отношения) пользователей — это ребра [11]. Мы стремимся понять факторы, которые могут повлиять на появление новых границ, и пытаемся предсказать будущие связи в социальных сетях. В разд. 2 мы представляем некоторые из основных существующих методов предсказания ссылок. В разд. 3 мы представляем существующие методы, которые мы тестируем и сравниваем наши результаты с наборами данных ВКонтакте. В разд. 4 мы подробно описываем настройки нашего эксперимента и наборы данных, которые мы собрали и предварительно обработали. Раздел 5, таким образом, представляет, как мы можем оценить результаты, а также оценку наиболее известных методов. В разд. 6, мы показываем наши результаты и обсуждаем последствия. Наконец, в разд. 7, мы завершаем наше исследование.

2 Связанная работа

Wu et al. [17] изучают понимание временного поведения пользователей на платформах социальных сетей. Эволюция услуг социальных сетей обусловлена ​​взаимодействием между предпочтениями пользователей и структурами социальных сетей. Авторы утверждают, что на поведение пользователей в будущем влияет сеть вокруг них и эффект гомофилии. В [1] авторы демонстрируют разработанную Социальную Факторизацию Пуассона (SPF), вероятностную модель, которая включает информацию из социальных сетей в традиционный метод факторизации. SPF вводит социальный аспект алгоритмической рекомендации. Они разработали масштабируемый алгоритм анализа данных с помощью SPF и продемонстрировали, что он превосходит конкурирующие методы на шести реальных наборах данных.

Чжан и др. [18] изучали проблему социального влияния в крупной сети микроблогов Weibo.com. ^{Сноска 1} Они исследуют (повторно)твитят поведение пользователей, рассматривая эго-сеть пользователей. В предлагаемом нами методе мы расширяем еще один шаг, рассматривая степени пользователей второго уровня. Кути и др. [5] демонстрируют поведение онлайн-потребителей и пытаются объяснить способы улучшения систем рекламного (рекламного) таргетинга. Исследователи используют информацию в электронных письмах, такую ​​как журналы покупок и сообщения между пользователями, чтобы найти закономерности и их взаимодействие. Например, авторы измерили влияние пола и возраста, которые показали, что пользователь электронной почты женского пола с большей вероятностью будет совершать покупки в Интернете, чем средний пользователь электронной почты мужского пола. Кроме того, покупательная способность повышается с возрастом до 30 лет, затем стабилизируется в начале 60-х годов и затем начинает снижаться. Такие находки помогают прогнозировать поведение будущих покупателей и делают покупки более приятными для потребителей.

Измерение сходства между узлами является основной задачей в задаче предсказания ссылок. В [15] авторы разработали новый способ измерения сходства между узлами на основе теоретико-игрового индекса взаимодействия. Базовая форма индекса взаимодействия основана на двух концепциях решения из теории игр: значении Шепли и индексе Банцафа. Он также обобщается на более широкий класс понятий решения: значение Шепли и индекс Банцафа. Авторы показали, что с помощью их подхода можно улучшить существующие результаты в задачах прогнозирования ссылок и обнаружения сообществ.

В этой статье мы рассматриваем задачи прогнозирования ссылок, а точнее, мы обсуждаем меры сходства для задач прогнозирования ссылок. Одна из общепринятых гипотез заключается в том, что похожие пользователи станут друзьями в будущем. Поэтому важно измерять сходство между пользователями, чтобы можно было точно предсказать будущие ссылки. Как мы будем обсуждать на протяжении всей статьи, существует множество показателей для измерения сходства. Как только сходство измерено, есть много способов предсказать будущие связи. Один из интуитивно понятных способов — установить порог и предсказать пользователей, у которых сходство выше заданного порога. Другие простые способы включают прогнозирование топ- тыс. пользователей и 1% лучших пользователей. Более продвинутые методы включают в себя изучение того, как много предсказывать с помощью алгоритмов машинного обучения.

2.1 ВКонтакте

В этом разделе мы сосредоточимся на наборах данных, которые мы собрали за 6 месяцев из сети ВКонтакте. ВКонтакте ( V Kontakte, что означает InContact) — крупнейшая европейская социальная сеть и социальная сеть. По данным SimilarWeb, ^{Footnote 2} ВКонтакте является пятым по популярности веб-сайтом в мире. По состоянию на январь 2017 года среднесуточная аудитория составляет около 87 миллионов посетителей, ^{Footnote 3} с более чем 410 миллионами зарегистрированных пользователей. ^{Сноска 4}

Рис. 1

Профиль ВКонтакте

Изображение в полный размер

У любого пользователя ВКонтакте есть профиль, который содержит различную информацию. Имя и фамилия являются обязательными полями, а другие данные, такие как день рождения, город и интересы, являются необязательными. На рис. 1 показан пример профиля социальной сети. Кроме того, пользователи могут делиться интересной информацией, публикуя ее на стене профиля, а также делая репосты от других пользователей или групп, ^{Сноска 5} и каждое сообщение может содержать вложения — документы или медиафайлы.

ВКонтакте имеет открытые API для разработки приложений. Это позволяет разработчикам получать доступ к серверу через запросы. API предоставляют возможность доступа к некоторой информации о пользователе с его/ее согласия, такой как фотографии, друзья, профиль и стена.

3 Методы

Проблема предсказания канала связи связана со структурой сети. В нашем исследовании мы используем сходство между пользователями, используя информацию из их степеней второго уровня. 9{t’}\), где \(t

Проблема предсказания ссылок — это проблема предсказания будущих соединений в сети, которые могут образоваться в сети. Здесь мы кратко перечислим некоторые меры, которые мы рассматриваем в этом исследовании.

$${\rm косинус}\,{\rm сходство}\,(A, B) = {\rm cos}(\theta ) = \frac{f(A)f(B)}{|f( А)| |f(B)|} $$

(1)

$$ {\rm Общие}\,{\rm Соседи}\,(A, B) = f(A) \cap f(b) $$

(2)

$$ {\rm Jaccard}\,{\rm Подобие}\,(A, B)= \frac{|f(A) \cap f(B)|}{|f(A ) \cup f(B)|} $$

(3)

$$\begin{align}&{\rm Adamic}\,{\rm Adar}\,{\rm Index}\,(A, B) = \sum _{w \in f (A) \cap f(B)} \frac{1}{\log |f(w)|} \\&{\text {где}}\,(f(w))\,{\hbox {обозначает \,\,набор\,из\,соседей\,из}}\,w. \end{align}$$

(4)

3.2 Сходство второго общего соседа

Мы предлагаем новую меру сходства между пользователями, использующими вторые степени [7, 12]. Вторые соседи определяются как узлы, которые связаны во вторых прыжках.

$$\begin{align}&{\rm Second}\,{\rm Common}\,{\rm Neighbours}\,(A, B)= \left| \bigcup _{i \in f(A)} f(i) \cap \bigcup _{j\in f(B)}f(j)\right| \\& {\ text {где}}\,f()\,{\hbox{друг пользователя,}} f(A)\,{\hbox{друг пользователя}}\,A, f(i) \,{\hbox{множество соседей}}\,т.е. \end{aligned}$$

(5)

Мы предлагаем еще одну простую метрику для сравнения с предложенной мерой сходства, основанной на кратчайшем расстоянии между пользователями.

$$\begin{align} {\rm Кратчайший}\,{\rm Путь}\,{\rm Индекс}\,(A, B) = {\text{Длина\,из\,Кратчайший\,Путь \,Между}}\,A\,{\text{и}}\,B \end{выровнено}$$

(6)

4 Эксперименты

В идеале оценка алгоритмов предсказания канала должна выполняться для каждой временной метки для проверки производительности и корректировки алгоритма при необходимости. Однако такой подход занимает много времени и трудно отследить входящих и исходящих пользователей из исходной сети. Поэтому обычной практикой является удаление небольшой части ребер из сети, как если бы они не существовали, а затем попытка предсказать удаленные ребра. Этот статический подход имеет возможные недостатки, поскольку сходство между пользователями не статично; таким образом, удаленные ребра легче предсказать, чем будущие ребра.

В ходе эксперимента мы сравниваем обычную практику с прогнозированием реальных ссылок на основе реальных будущих ссылок без удаления ребер. Чтобы иметь возможность оценить точность, мы собрали наборы данных от одного и того же набора пользователей в разные промежутки времени, чтобы построить модель обучения, а затем сравнить прогнозы.

4.1 Сбор набора данных

Мы собрали несколько снимков сетей из ВКонтакте для проверки методов предсказания ссылок. Чтобы упростить сравнение, мы предварительно обрабатываем данные, чтобы в результирующих сетях были одни и те же пользователи, поскольку новые пользователи, присоединившиеся в последних сетях, непредсказуемы. На следующем этапе мы исключаем пользователей, которые подозреваются в том, что они не являются обычными людьми, такими как группы, коммерческие аккаунты и знаменитости. Мы удалили пользователей, у которых более 500 друзей, исходя из среднего количества друзей в ВК, которое составляло 240. Наборы данных содержат информацию о профилях пользователей, друзьях и публикациях с их стен, как показано на рис. 2.

Рис. 2

Извлеченные данные из ВКонтакте

Полноразмерное изображение

Мы используем сети ВКонтакте с четырьмя разными временными метками, как указано в Таблице 1. далее обработал данные, удалив узлы, степень которых меньше двух, и вновь присоединенные узлы, которых не было в исходном графе. Обработанные сети сведены в Таблицу 2.

Таблица 2 Сети ВКонтакте после предварительной обработки

Полноразмерный стол

4.2 Реализация

Мы использовали язык программирования Python и разработали два варианта реализации. В первом варианте мы использовали библиотеку P andas для сбора и обработки набора данных, а затем мы написали коды для мер сходства, т. е. косинусного сходства, общих соседей, сходства Жаккара и индекса Адамика-Адара.

Во втором варианте мы использовали меры сходства Жаккара и Адамика-Адара из библиотеки N etworkx для повышения скорости нашей реализации.

• Python 3.5.2

  Python — это высокоуровневый язык программирования общего назначения, ориентированный на повышение производительности труда разработчиков и удобочитаемости кода. Синтаксис ядра Python минимален, и в то же время стандартная библиотека включает в себя большое количество полезных функций.

• IPython 5.1.0

  IPython — интерактивная вычислительная среда для языка программирования Python в оболочке Jupyter Notebook 4. 3.1. Это программа с открытым исходным кодом и один из популярных инструментов для специалистов по данным.

4.2.1 Библиотеки Python

• Панды

  P Библиотека andas делает Python мощным инструментом для анализа данных. Это открытый, простой в использовании, с лицензией BSD. Пакет позволяет строить сводные таблицы, выполняет группировку, обеспечивает легкий доступ к табличным данным и имеет надежные инструменты ввода-вывода для загрузки и сохранения данных из плоских файлов (CSV и с разделителями). Библиотека хорошо подходит для различных типов данных: формы статистических наборов или наборов данных наблюдений, произвольные матричные данные с метками строк и столбцов, а также могут быть разнородными или однородно типизированными, табличными данными, такими как электронные таблицы Excel. 9Пакет andas 0782 P обеспечивает высокую производительность, поскольку многие низкоуровневые алгоритмы настроены в коде Cython. Язык Cython является расширенным набором Python, который позволяет компилятору генерировать очень эффективные коды C из Python.

• Matplotlib

  M atplotlib — это библиотека для построения графиков для Python, которая создает показатели качества публикации в различных форматах. Это позволяет рисовать графики, графики, гистограммы, спектры мощности, гистограммы, диаграммы ошибок и диаграммы рассеяния на результирующих наборах данных.

• Scikit-Learn

  S cikit-learn — бесплатная библиотека машинного обучения для Python под лицензией BSD. Он включает в себя различные алгоритмы классификации, регрессии и кластеризации, включая машины опорных векторов и случайные леса. Библиотека построена на S ciPy (фундаментальная библиотека для научных вычислений и других полезных инструментов) и N umPy (базовый пакет n -мерный массив)

• Сетьx

  N etworkX — бесплатная библиотека с лицензией BSD для создания, управления и изучения структуры, динамики и функций графов и сложных сетей в Python.

5 Оценки

Для оценки качества прогнозов мы используем общепринятые меры интеллектуального анализа данных: точность, полнота, точность и F1-показатель .

• Точность (7) — это отношение числа правильно предсказанных событий к числу всех предсказанных событий.

  $$\begin{align} {\rm Precision} = \frac{{\rm tp}}{{\rm tp} + {\rm fp}} \end{align}$$

  (7)

• Отзыв (8) — это отношение количества правильно предсказанных событий к количеству всех правильных событий.

  $$\begin{align} {\rm Recall} = \frac{{\rm tp}}{{\rm tp} + {\rm fn}} \end{align}$$

  (8)

• Точность (9) — отношение правильно предсказанных событий. Возможно, это наиболее интуитивно понятная мера производительности, но она хороша только для симметричных наборов данных, где ложные срабатывания и ложные отрицания примерно одинаковы.

  $$ {{\rm Точность} = \frac{{\rm tp} + {\rm tn}}{N}} $$

  (9)

  $$\begin{aligned}&{\text {где}}\,N \, (10)\,{\hbox{ сумма ставок:}} \\&\quad N = {\rm fn} + {\rm fp} + {\rm tn} + {\rm tp} \end{align}$$

  (10)

• \(F_{1}\,{\rm score}\) (11) — гармоническое среднее точности и полноты.

  $$\begin{align} F_{1}\,{\rm score} = 2 \times \frac{{\rm Precision} \times {\rm Recall}}{{\rm Precision} + {\rm Напомним}} \end{aligned}$$

  (11)

Статистические показатели выполнения теста бинарной классификации также называются показателями:

• истинных срабатываний (tp) — категории, которые мы ожидали увидеть и получили на выходе классификатора;

• ложноотрицательных результатов (fn) — категории, которые мы ожидали увидеть, но классификатор их не определил, также известная ошибка II рода;

• ложных срабатываний (fp) — категории, которые не должны выводиться, но классификатор выдал их ошибочно на выходе, также известная ошибка I рода;

• истинных негативов (tn) — это категории, которые не должны выводиться, а также корректно отсутствуют на выходе классификатора.

5.1 Оценка существующих методов

Чтобы получить базовую линию, мы начали с наиболее часто используемых мер подобия [13], которые были введены в предыдущем разделе, косинус (1) сходство, общие соседи (2), Жаккара ( 3) подобие и Адамик-Адар (4).

5.1.1 Оценка существующих методов на Facebook

Для проведения оценок мы использовали набор данных Facebook ^{, сноска 6} , который содержит 4039 узлов и 88 234 ребра. Для прогнозирования соединений было удалено 30% ребер, и после удаления количество ребер стало 61 764. Один из вопросов, на который нам нужно ответить, — сколько ребер мы должны предсказать? Первый подход, который мы попробовали, заключается в том, что индекс подобия (косинус, Жаккара и Адамика-Адара) должен быть больше нуля, что привело к очень плохим результатам. Затем мы добавили пороговое значение, которое решает, следует ли прогнозировать будущую ссылку или нет.

Меры подобия имеют разные граничные значения. Минимальное значение для всех показателей равно 0; однако правая граница косинуса и Жаккара равна 1, тогда как правая граница Адамика-Адара является плавающей и зависит от количества пересекаемых объектов. В нашем случае сходство по общему соседу показывает, сколько друзей пересекается между списками друзей двух пользователей, поэтому порог равен 0. Значение порога выбирается в диапазоне от 0 до 1. Результаты определения порога представлены на рис. . 3, 4 и 5. Влияние порогового значения сравнивается с показателем F1.

Рис. 3

Мера сходства косинуса для Facebook

Полноразмерное изображение

Рис. 4

Мера сходства Jaccard для Facebook

Полноразмерное изображение Рис. Полноразмерное изображение

После предыдущих оценок пороговые значения для Жаккара и Адамика-Адара оказались бесполезными, поскольку пороговые значения были равны 0, а для меры косинуса наилучшая оценка показана при пороговом значении 0,6. Вопрос «сколько ребер мы должны предсказать?» очень трудно ответить, и производительность зависит от ответа. В таблице 3 показаны результаты оценки показателей сходства с использованием точности, полноты, точности и F1-показателя.

Таблица 3 Меры оценки для набора данных Facebook

Полноразмерная таблица

Анализируя результаты, можно сказать, что меры общего соседа и меры сходства Жаккара показывают одинаковые значения. В этом примере индекс Адамика-Адара показывает самые высокие значения точности, правильности и оценки F1. Точность демонстрирует высокие значения, причина в том, что TN в определении велико, а в определении Accuracy содержится TN. В нашем случае истинные негативы обозначают те связи, которые мы не предсказывали и которые на самом деле не произошли. Предположим, что у нас есть граф с 1000 узлов и 15 000 ребер. График не полный. Количество ребер полного графа можно найти по формуле:

$$\begin{align}&{\rm Number}\,{\rm of}\,{\rm Edges} = \frac{n(n-1)}{2} \\&{\text{ где}}\,n\,{\text{количество узлов}}. \end{aligned}$$

(12)

Итак, для графа с 1000 узлов количество возможных ребер равно 499 500. Если мы предскажем 5000 будущих ссылок (новых ребер), истинное положительное значение будет равно:

$$\begin{aligned}&{\rm TP} = {\rm APL} -{\rm EL} -{\rm PrL} \ \& {\text{где\,APL\,число всех возможных ссылок,\,EL\,количество существующих ссылок, PrL число предсказанных ссылок}} \end{aligned}$$

(13)

TP \(=~499{,}500 — 15{,}000 — 5000 = 479{,}500\), так что теперь понятно, почему TN такой большой. Поэтому дальнейшая точность не сильно влияет на наш анализ.

Чтобы изучить популярные меры подобия для прогнозирования ссылок, мы использовали данные из социальной сети Вконтакте (ВК). Сначала мы обработали набор данных Facebook. Среднее количество друзей пользователей составляет 23 в наборе данных Facebook и 246 в наборе данных VK. Для эффективной обработки больших данных мы сократили количество узлов с 10 728 (2 332 068 ребер) до 4 000 пользователей, чтобы оно содержало 4 000 узлов и 1 122 226 ребер. Чтобы проверить общепринятую практику, мы удалили 30% ребер, а затем попытались предсказать удаленные. После удаления 30% ребер количество ребер составило 784,49.9.

Пороговое значение выбрано для максимальной точности: 0,6 для косинуса и 0 для других мер подобия. В таблице 4 показана эффективность наиболее популярных показателей сходства: точность, полнота, точность и показатель F1.

Таблица 4 Таблица показателей оценки для ВКонтакте (базовый уровень)

Полная таблица

Как показано в таблице, качество прогнозов для сети ВКонтакте ниже, чем для набора данных Facebook. Одна из причин в том, что сеть ВКонтакте очень разреженная, а связи сосредоточены в небольших регионах. Результаты набора данных ВК показывают, что индекс подобия Адамика-Адара является лучшей оценочной мерой по F1-показателю и косинусу для других.

5.2 Оценка существующих методов на разных наборах данных

Для дальнейшего изучения мер сходства для прогнозирования ссылок мы использовали шесть различных наборов данных, показанных в таблице 5. Для оценки прогнозов было удалено 30% ребер. В таблице 5 представлены исходный набор данных и набор данных с удаленными ребрами.

Таблица 5 Наборы данных

Полноразмерная таблица

Таблицы 6, 7, 8, 9, 10, 11, 12, 13, 14 и 15 иллюстрируют эффективность прогнозов.

5.3 Небольшой набор данных из Facebook

Этот набор данных Facebook отличается от данных Facebook, которые мы использовали в разд. 5.1.1. Это наименьший набор данных среди представленных данных в таблице 5 с самыми большими средними степенями. В таблице 6 показаны матрицы путаницы для небольшого набора данных из Facebook, где все меры дают много ложных срабатываний. Наилучший результат TP получается из подобия косинусов. Меры подобия Жаккара и общего соседа демонстрируют одинаковые результаты во всех скоростях. Согласно Таблице 7, наилучший отзыв достигается по косинусному подобию, но в то же время наихудшие результаты по точности, что приводит к наихудшему показателю F1.

Таблица 6 Иллюстрация коэффициентов прогнозирования для небольшого набора данных из Facebook

Полная таблица

Таблица 7 Оценка мер подобия для небольшого набора данных из Facebook

Полная таблица

5.4 LastFM

Этот набор данных содержит социальную сеть Платформа социальной сети LastFM. В таблице 8 показаны матрицы путаницы для набора данных LastFM, где все меры дают много ложных тревог. Наилучший результат TP получается из подобия косинусов. Меры подобия Жаккара и общего соседа демонстрируют одинаковые результаты для всех коэффициентов предсказания. Согласно таблице 9, лучший результат отзыва получается из косинусного сходства с худшими результатами по точности, что приводит к худшему результату F1.

Таблица 8 Иллюстрация коэффициентов прогнозирования набора данных LastFM

Полноразмерная таблица

Таблица 9 Оценка мер сходства для набора данных LastFM

Полноразмерная таблица

5.

5 GrQc

Сеть совместной теории относительности и квантовой космологии (GR-QC) из электронной печати arXiv и охватывает научное сотрудничество между авторами в статьях, представленных в категории «Общая теория относительности и квантовая космология».

Таблица 10 иллюстрирует матрицу путаницы для набора данных GrQc. Как показано в таблице, опять же, все меры подвержены ложным срабатываниям. Согласно Таблице 11, наилучший отзыв дается косинусным сходством, а наихудшие результаты — точностью, а также оценкой F1.

Таблица 10 Иллюстрация степени подобия для набора данных GrQc

Полная таблица

Таблица 11 Таблица оценок мер для набора данных GrQc электронная печать arXiv. Средняя степень этого набора данных является наименьшей среди всех представленных наборов данных в таблице 5. Таблица 12 иллюстрирует матрицы путаницы для набора данных HepTh. Согласно Таблице 13, наилучший отзыв дается косинусным сходством.
Таблица 12 Иллюстрация различных коэффициентов сходства для набора данных HepTh

Полноразмерная таблица

Таблица 13 Таблица оценочных показателей для набора данных HepTh

Полноразмерная таблица

-print arXiv и охватывает научное сотрудничество между статьями, представленными в категории «Конденсированные вещества». Это самый большой набор данных среди представленных наборов данных в таблице 5. Таблица 14 иллюстрирует матрицы путаницы для набора данных CondMat. Согласно Таблице 15, наилучший отзыв дается косинусным сходством.

Таблица 14 Иллюстрация показателей сходства для набора данных CondMat

Полноразмерная таблица

Таблица 15 Оценка показателей для набора данных CondMat

Полноразмерная таблица

Основываясь на результатах производительности, которые мы показали для пяти различных наборов данных, мы можем наблюдать, как разные меры ведут себя в разных наборах данных. Как правило, мы хотим иметь высокий TP и низкий FP. Однако в действительности, когда растет TP, растет и FP. То же самое относится к TN и FN. Поэтому, по крайней мере, для этих пяти наборов данных, которые мы рассмотрели здесь, косинусное сходство не является хорошей метрикой для проблем прогнозирования ссылок, поскольку оно приводит к большому количеству ложных срабатываний. Несмотря на то, что он имеет самый высокий показатель TP среди четырех рассматриваемых показателей подобия, это происходит только за счет высокого FP. Мы осторожно предполагаем, что, согласно результатам, сходство Жаккара является наиболее успешной мерой среди четырех, поскольку она стабильно показывает высокий уровень TP при низком FP, а также высокий TN и низкий FN. Сходство Адамика-Адара иногда имеет лучшую производительность, чем сходство Жаккара, но оно не так стабильно, поскольку иногда показывает низкую скорость TP.

6 результатов

Полученные результаты означают, что можно предсказать будущие соединения ценой ложных срабатываний. Также увеличение размера сети (количество узлов) подразумевает экспоненциальное увеличение TN. Чтобы преодолеть такие недостатки, мы импровизировали новые подходы.

6.1 Следующие шаги прогнозирования по ВКонтакте

Следующим шагом наших прогнозов с использованием набора данных ВКонтакте было предположение, что не все пользователи «полезны», и мы должны исключить их из нашего набора данных. Допущение «Полезность» касается того, что некоторые профили являются профилями не обычного пользователя, а профилем компании или известного человека (например, певцов), некоторые профили не могут быть компаниями или популярными людьми и в обоих случаях их не нужно иметь рекомендации, в противном случае среднее значение и медиана пользователей в нашем наборе данных составляют около 240 друзей, также основанных на числе Данбара [2]; поэтому мы удаляем пользователей, у которых в списке друзей более 500 пользователей.

Набор данных содержит 13 951 пользователя после исключения пользователей, у которых более 500 друзей. Чтобы делать прогнозы, мы удалили 30% ребер.

Таблица 16 Таблица показателей оценки для VK (метод удаления)

Полноразмерная таблица

В таблице 16 показаны оценки показателей подобия: точность, полнота, точность и F1-оценка. Мы обнаружили, что сходство Жаккара имеет наилучшие значения точности и оценки F1.

6.1.1 Анализ стен

Как описано в разд. 2.1, любой пользователь социальной сети ВК может репостить некоторую информацию и эти посты прикрепляются к его стене. Посты имеют идентификатор пользователя или группы, который показывает, откуда был сделан репост. Объединив собранную частоту постов и места репостов (идентификаторы, откуда был сделан репост), мы ввели меру сходства пользователя А и пользователя Б:

$$\begin{align}& {\rm Wall}\,{\rm Similarity} = {\rm log} (I(A) + R(B)) \\ &{\text{where}}\ ,I\,{\text{(общие идентификаторы) – количество общих групп двух пользователей}} \\& {\text{где}}\,R\,{\text{(общие репосты) – количество общих постов из двух пользователей}}\end{align}$$

(14)

6.

1.2 Реальные данные

тех же пользователей, который был собран 24 января 2017 года и содержит 1 523 040 ребер. Таблица 17 иллюстрирует полученные результаты.

Таблица 17. Таблица оценочных показателей для VK (сравнение реальных данных)

Полная таблица

6.2 Предлагаемая мера

В этом разделе мы представляем новые подходы к преодолению недостатков, показанных ранее.

1. 1.

   Согласно оценке далее мы обращаем внимание только на показатели TP, FP и FN, не используя точность, полноту, F1-оценку и точность.

2. 2.

   Также мы стараемся ограничить количество прогнозов и выбирать только самые высокие значения сходства для прогнозирования будущих соединений.

3. 3.

   В разд. 6.1.1 мы описываем результаты подхода с использованием стен пользователей для поиска сходства между пользователями.

6.3 Оценка других подходов

Таблицы 18, 19 и 20 иллюстрируют результаты измерений сходства, когда мы ограничивали количество прогнозов, выбирая 2% лучших из лучших индексов сходства для 1000 случайно выбранных пользователей.

Здесь мы опускаем сходство с общими соседями, поскольку оно показывает аналогичные результаты с индексом Жаккара и косинусом. Вместо этого мы добавляем две другие меры, т. е. подобия второго соседа в уравнении. (5) и длина кратчайшего пути в уравнении. (6). Основным результатом результатов является то, что TP равна нулю, что означает, что мы предсказываем очень небольшое количество потенциальных отношений.

Таблица 18 Иллюстрация различных курсов (данные за январь)

Полная таблица

Таблица 19 Иллюстрация различных курсов (данные за февраль 2017 года)

Полная таблица

Таблица 20 Иллюстрация различных курсов (данные за март 2017 года) )

Полноразмерная таблица

6.

3.1 Топ 25

В этом эксперименте мы выбираем 25% из лучших показателей сходства для 1000 случайно выбранных пользователей. Результаты обобщены в таблицах 21, 22 и 23. Значения TP увеличились, но у нас все еще есть большие ложные прогнозы.

Таблица 21 Иллюстрация различных ставок (данные за январь 2017 г.)

Полная таблица

Таблица 22 Иллюстрация различных ставок (данные за февраль 2017 г.)

Полная таблица

Таблица 23 Иллюстрация различных ставок для 25% верха прогнозы (данные за март 2017 г.)

Полноразмерная таблица

6.4 Сравнение метода второго соседа

В этом разделе мы использовали ранее представленный набор данных Facebook. Мы удалили 30% ребер, а затем сделали прогноз для 1000 случайно выбранных пользователей. В таблице 24 показано, что предлагаемая мера второго соседа показывает наилучшую TP и наименьшую FP с меньшим FN по сравнению с мерой кратчайшего пути.

Таблица 24 Иллюстрация различных коэффициентов (данные из набора данных Facebook)

Полноразмерная таблица

7 Заключение и будущая работа

Существует множество различных подходов к прогнозированию ссылок, и их можно условно разделить на методы, основанные на обучении. и методы, основанные на близости. В нашем исследовании мы рассмотрели методы, основанные на близости, а именно косинусное подобие, общий сосед, подобие Жаккара, индекс Адамика-Адара, второй сосед и кратчайший путь. Все они являются методами, основанными на структурной близости, которые не учитывают узловую информацию. Мы тщательно протестировали меры на разных наборах данных. Многие существующие исследования делают прогнозы только для случайно удаленных ребер из-за отсутствия реальных наборов данных. Мы собирали собственные снимки графиков из социальной сети ВК в течение 4 месяцев. Чтобы упростить сбор данных для прогнозирования, мы отфильтровали пользователей, у которых слишком много ссылок, а также сохранили одних и тех же пользователей для каждого снимка, поскольку в этом исследовании мы прогнозируем ссылки, а не новых пользователей.

Результаты не позволяют сделать вывод о том, какой подход предпочтительнее в большинстве случаев. Метод прогнозирования для реальных сетей следует выбирать с учетом эвристики, учитывая характер сети. В этом исследовании мы показали, что существует большая разница при одинаковых показателях в наборах данных ВКонтакте и Facebook.

В [4] авторы обсуждают проблему современных подходов к прогнозированию каналов. Мы указывали, что оценка предсказаний ссылок на основе удаленных ребер не подходит с учетом динамики социальных сетей. Кроме того, ссылки со временем не только добавляются, но и удаляются. Поскольку этот факт также влияет на меры топологического подобия, неэффективно прогнозировать будущие связи только на основе текущего моментального снимка сети. Мы планируем работать над динамикой сетей, чтобы прогнозировать ссылки с меньшим количеством ложных срабатываний.

Ссылки

1. Чейни А.Дж. Б., Блей Д.М., Элиасси-Рад Т. (2015) Вероятностная модель использования социальных сетей в персонализированных рекомендациях по товарам. В: Материалы 9-й конференции ACM по рекомендательным системам, RecSys 2015, Вена, Австрия, 16–20 сентября, стр. 43–50

2. Dunbar RIM (1992) Размер неокортекса как ограничение размера группы у приматов. J Hum Evolut 22(6):469–493

   Артикул Google Scholar

3. Хуссейн Р., Наваз В., Ли Дж.И., Сон Дж., Сео Дж.Т. (2016) Гибридная структура управления доверием для автомобильных социальных сетей. В: Международная конференция по вычислительным социальным сетям. Springer, стр. 214–225

4. Джунутхула Р.Р., Сюй К.С., Девабхактуни В.К. (2016) Оценка точности прогнозирования ссылок в динамических сетях с добавленными и удаленными ребрами. В: Международные конференции IEEE 2016 г. по большим данным и облачным вычислениям (BDCloud), социальным вычислениям и сетям (SocialCom), устойчивым вычислениям и коммуникациям (SustainCom) (BDCloud-SocialCom-SustainCom), стр. 377–384

5. Кути Ф., Лерман К., Айелло Л.М., Грбович М., Джурич Н., Радосавлевич В. (2015) Портрет онлайн-покупателя: понимание и прогнозирование поведения потребителей. CoRR, abs/1512.04912

6. Лебедев А., Ли Дж. Ю., Ривера В., Маццара М. (2017) Прогнозирование связи с использованием топ-k кратчайших расстояний, LNCS. Springer

7. Lee JY, Oh JC (2017) Социальные сети с точки зрения агента: распределенная оценка второй степени. Энциклопедия анализа и майнинга социальных сетей, стр. 1–12

8. Lee JY (2014) Расчет репутации в социальных сетях и их приложениях

9. Lee JY, Duan Y, Oh JC, Du W, Blair H, Wang L, Jin X (2011) Автоматический расчет репутации посредством анализа документов : подход социальной сети. В: Международная конференция 2011 г. по достижениям в области анализа и анализа социальных сетей (ASONAM), стр. 559–560. IEEE

10. Lee JY, Duan Y, Oh JC, Du W, Blair H, Wang L, Jin X (2012) Расчет репутации на основе социальных сетей и классификация документов. J UCS 18 (4): 532–553

    Google Scholar

11. Lee JY, Lopatin K, Hussain R, Nawaz W (2017) Эволюция дружбы: тематическое исследование mobiclique. В: Труды конференции вычислительных границ. ACM, стр. 267–270

12. Lee JY, Oh JC (2014) Оценка степени соседних узлов в онлайн-социальных сетях. В кн.: Международная конференция по принципам и практике многоагентных систем. Springer, стр. 42–56

13. Li Z (Lionel), Fang X, Sheng ORL (2015) Обзор рекомендаций по ссылкам для социальных сетей: методы, теоретические основы и будущие направления исследований. CoRR, abs/1511.01868

14. Солонец С., Дробный В., Ривера В., Ли Дж. Ю. (2017) Представляем ADegree: анонимизация социальных сетей посредством программирования ограничений, LNCS.