Samanlaisuuden ja sosiaalisen vaikuttamisen mallintaminen ja ennustaminen verkkoyhteisöissä

Transkriptio

1 hyväksymispäivä arvosana arvostelija Samanlaisuuden ja sosiaalisen vaikuttamisen mallintaminen ja ennustaminen verkkoyhteisöissä Seminaariraportti Teemu Närvänen Helsinki HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos

2 HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET Tiedekunta Facultet Faculty Matemaattis-luonnontieteellinen tiedekunta Tekijä Författare - Author Laitos Institution Tietojenkäsittelytieteen laitos Teemu Närvänen Työn nimi Arbetets titel - Title Samanlaisuuden ja sosiaalisen vaikuttamisen mallintaminen ja ennustaminen verkkoyhteisöissä Oppiaine Läroämne Subject Tietojenkäsittelytiede Työn laji Arbetets art Seminaarityö Tiivistelmä Referat Abstract Aika Datum Month and year Sivumäärä Sidoantal Number of Pages 13 sivua Tämän seminaarityön teemana on referoida kirjallisuutta verkkoyhteisöjen (online communities) datan tutkimisesta sosiaalisen vuorovaikutuksen lainalaisuuksien syvemmäksi ymmärtämiseksi. Työssä käsitellään suurten, ihmisten käyttäytymistä kuvaavien tietokantojen louhintaa sekä pyritään sosiaalisen vaikuttamisen ja valinnan välisen vuorovaikutuksen tunnistamiseen ja mallintamiseen. Tarkoituksena on selvittää myös, missä laajudessa ihmisten samanlaisuus ja keskinäinen vuorovaikutus ennustavat heidän käyttäytymistään tulevaisuudessa ja kuinka tällaista ennustamista voidaan tietoteknisesti tehdä. Tehtyjen tutkimusten perusteella sosiaalinen vuorovaikutus on sekä syy että seuraus sosiaaliselle valinnalle, ja tähän liittyvien teorioiden ja mallien tulee ottaa näiden käsitteiden vuorovaikutus huomioon. Muodostettu malli tarjoaa aikaisempia malleja rikkaamman viitekehyksen ihmisten mielipiteitten ja käyttäytymisen lakien tutkimiseen sekä antaa uutta tietoa virusmarkkinointi- ja suosittelijasysteemisovellusten kehittämiseksi. ACM Computing Classifcation System (CCS): H. Information Systems H.2 DATABASE MANAGEMENT H.2.8 Database applications Subjects: Data mining Avainsanat Nyckelord Keywords Tiedon louhinta, sosiaaliset verkot, online communities, social influence, social networks Säilytyspaikka Förvaringställe Where available Muita tietoja Övriga uppgifter Further information

3 3 1. Johdanto Monilla tieteenaloilla, kuten sosiologiassa ja taloustieteissä ollaan nykyisin kiinnostuneita suurten ja monipuolisten, ihmisten käyttäytymistä ja sosiaalista vuorovaikutusta kuvaavien tietokantojen tutkimisesta. Tällaisia tietokantoja syntyy esimerkiksi silloin, kun ihmiset kommunikoivat internetissä keskenään tietokoneiden välityksellä ja nämä toiminnot tallentuvat automaattisesti. Tiedon louhinnassa voidaan tutkia näitä tietokantoja ja näin laajentaa kohdealan (sosiologian, sosiaalipsykologian, taloustieteiden ym.) tietämystä tai testata edeltäasetettujen hypoteesien paikkaansapitävyyttä aineiston pohjalta. Sosiaalisten verkostojen perusominaisuus on, että ihmisillä on joitakin samoja ominaisuuksia kuin heidän ystävilläänkin. Artikkelissa [Cra08] esitetään kaksi syytä: ensinnäkin, sosiaalisen vaikuttamisen (social influence) prosessin seurauksena ihmiset omaksuvat niiden ihmisten ominaisuuksia, joiden kanssa he ovat tekemisissä. Näin tapahtuu esim. silloin, kun uusi idea leviää suusta suuhun tai matkimalla ihmisten muodostamassa verkostossa. Toinen syy on se, että ihmiset muodostavat yleensä sosiaalisia suhteita niihin, jotka ovat jo samanlaisia kuin he itse. Tätä tarkoitetaan sosiologiassa termillä valinta (selection). Ihmisillä on tapana siis omaksua toimintoja ja aktiviteetteja niiltä, joiden kanssa ovat tekemisissä, sekä samanaikaisesti luoda uusia suhteita aktiviteettiensa perusteella. Tietoja yksilöiden sosiaalisista verkostoista ja heidän toiminnoistaan ajan kuluessa on ollut aikaisemmin hyvin työlästä kerätä. Nykyään verkkoyhteistöt internetissä tarjoavat hyvää aineistoa tämän ilmiön ja sen lainalaisuuksien tutkimiseen.

4 4 Sekä sosiaalinen vaikuttaminen että valinta johtavat samanlaistumiseen, sillä sosiaalisen verkoston (verkon) naapurisolmut näyttävät usein samankaltaisilta. Artikkelin [Cra08] kirjoittajat kuitenkin painottavat, että on tärkeää myös erotella em. käsitteiden vaikutuksia, sillä niillä on erilaiset toimintamekanismit. Sosiaalinen vaikuttaminen johtaa kohti koko verkon laajuista yhteneväisyyttä, kun uusi käyttäytymismuoto leviää kaaria pitkin solmusta toiseen. Valinta taas pyrkii muodostamaan verkossa pienempiä samanmielisiä klustereita. Tätä tapahtumaa kutsutaan usein termillä balkanisoituminen. Näillä kahdella voimalla, vuorovaikutuksella ja samanlaisuudella, on analogia myös sosiaalisten verkostojen louhinnassa. Virusmarkkinointi (viral marketing) [Dom05] perustuu sosiaaliseen vaikuttamiseen, kun taas suosittelijasysteemit (recommender systems) [Hil95] pohjaavat ennustuksen henkilön kanssa samalla lailla käyttäytyvien ihmisten käytökseen ja mielipiteisiin. Virusmarkkinoinnin ja suosittelijasysteemien suhde on samankaltainen kuin sosiaalisen vaikuttamisen ja valinnan suhde. Siksi näiden sosiaalisten ilmiöiden tutkiminen ja ymmärtäminen tuo uutta tietoa tiedon louhintaan. Tämän seminaarityön teemana on verkkoyhteisöjen (online communities) datan tutkiminen sekä sosiaalisen vaikuttamisen ja valinnan välisen vuorovaikutuksen tunnistaminen ja mallintaminen tiedon louhinnan avulla. Referoin tässä seminaarityössä lähdettä [Cra08], jossa aiheena on kahteen peruskysymykseen vastaaminen: 1. Miten sosiaalinen vaikuttaminen ja valinta yhdessä vaikuttavat henkilön kiinnostuksiin ja toimintaan? Kuinka sosiaalinen vuorovaikutus vaikuttaa kiinnostuksiin ja päinvastoin? Tätä käsitellään luvussa 2.

5 5 2. Missä laajudessa ihmisten samanlaisuus ja keskinäinen vuorovaikutus ennustavat heidän käyttäytymistään tulevaisuudessa? Tätä käsitellään luvussa Sosiaalinen vaikuttaminen ja valinta ajan kulussa Tässä luvussa tarkastellaan artikkelin [Cra08] pohjalta sosiaalisen vuorovaikutuksen seurauksia ja mallinnetaan kahden henkilön kanssakäymisen vaikutusta. Tutkimusaineistona artikkelissa käytettiin Wikipediaa. Wikipedia on suuri vapaaehtoisuuteen ja avoimeen muokattavuuteen perustuva verkkoyhteisö, jonka tavoitteena on muodostaa ilmainen tietosanakirja kaikkien ulottuville. Sen koko muokkaushistoria on vapaasti saatavilla, mikä tekee siitä mielenkiintoisen aineiston mm. sosiaalisten verkkojen tutkimiselle. Wikipediassa suuri määrä käyttäjiä on vuorovaikutuksessa keskenään artikkelien kirjoittamisen prosessissa. Jokaisella (artikkeli)sivulla ja käyttäjällä on myös keskustelusivu, jota voidaan vapaasti muokata. Tarkasteltavassa tutkimuksessa käsiteltiin niitä englanninkielisen Wikipedian käyttäjiä, joilla on oma keskustelusivu. Näitä oli kaikkiaan ja he olivat tehneet 61% kaikista editoinneista (muutoksista) artikkeleihin. Nimettömien käyttäjien editointeja ei huomioitu. Jotta Crandell et al. pystyivät mittaamaan, kuinka valinta ja sosiaalinen vaikuttaminen toimivat käytännössä, he määrittelivät vektorin, joka kuvaa henkilön aktiviteetteja ajan suhteen. Tarkoituksena oli tutkia, kuinka kahden henkilön vektorien (aktiviteettien) välinen kulma muuttuu silloin, kun nämä henkilöt ensimmäisen kerran ovat vuorovaikutuksessa keskenään. Tarkastellaan edelleen artikkelin mukaan systeemiä, jossa on m mahdollista aktiviteettia, ja jokaisella henkilöllä v hetkellä t on m-ulotteinen (aktiviteetti)vektori v(t), missä i:s koordinaatti

6 6 v(t) i kuvaa määrää, jolla henkilö v osallistuu aktiviteettiin i. Vektorit voivat olla binäärisiä, jolloin v(t) i = 0 tai 1 kuvaa, onko v koskaan osallistunut aktiviteettiin i. Vektorit voivat olla myös painotettuja, jolloin v(t) johdetaan siitä, kuinka monta kertaa v on osallistunut aktiviteettiin i. Tässä yhteydessä tutkimuksessa käytettiin vektorien samanlaisuuden arvioimiseksi niiden välistä kulman kosinia: 2.1 Samanlaisuuden analysointi ajan kulussa Edellä olevien määritysten mukaisesti voidaan käyttäjälle luoda vektori v(t), joka kuvaa sitä, kuinka monta kertaa hän on muuttanut kutakin artikkelia hetkeen t mennessä. Määritellään käyttäjien u ja v kohtaamisajaksi se hetki, kun toinen heistä lähettää ensimmäisen viestin toisen käyttäjän keskustelusivulle. Kysymyksenä on, kuinka näiden kahden käyttäjän samanlaisuus vaihtelee kohtaamisajan ympäristössä? Lisääntynyt samanlaisuus juuri ennen kohtaamista tarkoittaisi valintaa, kun taas lisääntynyt samanlaisuus kohtaamisen jälkeen sosiaalista vaikuttamista. Kuvassa 1 on Wikipedian editointihistorian aineiston ( asti) analyysin tulokset [Cra08]. Kuvaaja näyttää kaikille niille pareille, jotka ovat kommunikoineet keskenään, näiden vektorien välisen kulman kosinin keskiarvon ajan (editointien määrän) suhteen. Kuvaajassa on siis parien samanlaisuuden mitta.

7 7 Aika t on kuvassa 1 suhteutettu niin, että kullakin parilla 0 on niiden kohtaamisaika. Eri käyrät merkitsevät eri aktiivisuuden omaavia pareja. Tutkimuksen tekijät tarkastelivat erityisesti niitä pareja, jotka ovat suorittaneet ainakin k editointia (muokkausta) ennen kohtaamisaikaa sekä k editointia jälkeen kohtaamisen, vastaavasti eri k:n arvoilla. Jotta voitaisiin estää eri aktiivisuuden omaavien populaatioiden sekoittuminen, käyrissä näytetään vain 2k muokkausta ajan 0 molemmin puolin. Kuvassa näytetään myös vertailukohtana keskenään kommunikoimattomilta pareilta laskettu samanlaisuus (baseline). Kuva 1. Keskimääräinen käyttäjäparien samanlaisuus editointimäärän (ajan) funktiona Kuvaajan huomattavin piirre on nopea samanlaisuuden lisääntyminen juuri ennen ensimmäistä kohtaamista. Kasvu jatkuu myös hitaammin pitkään kohtaamisajan jälkeen. Tutkijoiden mukaan kuvaajassa näyttää olevan läsnä vahva valinnan vaikutus, missä jyrkin samanlaisuuden lisääntyminen tapahtuu juuri ennen kohtaamisaikaa. Kuitenkin kuvaajassa näkyy myös jatkuva

8 8 sosiaalisen vaikuttamisen vaikutus, missä samanlaisuus lisääntyy koko ajan vertailukohtaa nopeammin. Voidaan kyllä kysyä, mikä on artikkelin koeasetelman vaikutus saatuihin tuloksiin, sillä aineisto valittiin siten, että hetken nolla tienoilla henkilöillä on ollut samoja intressejä. Artikkelin [Cra08] kirjoittajien mukaan näyttää todennäköiseltä, että eksplisiittinen ihmisten välinen koordinaatio ei ole yksin vastuussa samanlaistumisesta, vaikka Wikipedia perustuukin laajaan ihmisten väliseen koordinointiin. Tehty analyysi toistettiin myös poissulkemalla adminstraattoreiden toiminta, mutta kuvaaja pysyi hyvin samankaltaisena kuin edellä. Yhteenvetona artikkelissa todetaan, että sekä valinnan että sosiaalisen vaikuttamisen vaikutukset näkyvät selkeästi Wikipedian aineistossa. 2.2 Sosiaalisen vuorovaikutuksen mallintaminen Tässä luvussa tarkastellaan, että voidaanko kuvassa 1 näkyvät samanlaisuuden vaikutukset mallintaa yksilön käyttäytymistä sekä vuorovaikutusta kuvaavan mallin avulla. Artikkelissa [Cra08] esitettiin malli, joka etsii minimaaliset vaikuttavat voimat, jotka synnyttävät nähdyt aktiviteetit ja vuorovaikutuksen verkkoyhteisössä. Tässä käyn läpi siitä pääpiirteet ja tarkempi analyysi löytyy kyseisestä artikkelista. Tutkijoiden tekemässä mallissa Wikipedian kullekin käyttäjälle muodostetaan aktiviteettihistoria, jossa on kaikki hänen tekemänsä toiminnot. Valitessaan seuraavaa aktiiviteettiaan käyttäjä todennäköisesti poimii jonkun aikaisemmin tehdyn aktiviteettinsa. Sosiaalinen vaikuttaminen voidaan ottaa huomioon siten, että käyttäjä voi myös poimia jonkin

9 9 hänen ystävänsä aktiviteetin. Käyttäjän ja ystävän välillä on tällöin kaari sosiaalisessa verkostossa. Edellämainittujen toimintojen lisäksi käyttäjä voi myös valita toiminnon kenen tahansa käyttäjän aktiviteettihistoriasta, tai luoda kokonaan uuden aktiviteetin. Käyttäjän ei ole kuitenkaan todennäköistä valita hyvin kauan sitten tehty aktiviteetti. Kuvassa 2 näytetään aktiviteettivaihtoehdot [Cra08]. Kuva 2. Käyttäjän aktiviteetin vaihtoehdot Ollessaan sosiaalisessa vuorovaikutuksessa käyttäjällä on mallissa kaksi mahdollisuutta. Hän voi jutella jollekin satunnaisesti valitulle henkilölle tai sitten yhteisen aktiviteetin omaavalle henkilölle. Satunnaista henkilöä valittaessa on todennäköisempää valita suuren aktiviteettihistorian omaava henkilö. Henkilöiden merkittävyys painotetaan tällöin aktiviteettien määrän suhteessa. Kun käyttäjä päättää jutella yhteisen aktiviteetin omaavan henkilön kanssa, valitaan käyttäjän aktiviteettihistoriasta jokin tehty aktiviteetti, ja sitten satunnaisesti henkilö, joka on tehnyt saman aktiviteetin viimeaikoina.

10 10 Mallissa valitaan jonakin ajanhetkenä jokin käyttäjä u, joka suorittaa todennäköisyydellä φ jonkun edellämainitun aktiviteetin tai todennäköisyydellä 1 - φ sosiaalisen vuorovaikutuksen. Mallin muodostamista varten kerättiin ensin Wikipedian analyysin pohjalta tarvittavat todennäköisyyksien ja vakioiden arvot, jonka jälkeen simuloitiin Wikipedian käyttäjien toimintaa edellämainituin lainalaisuuksin. Kuvassa 3 [Cra08] näkyy tehdyn simulaation tulokset, parien keskimääräinen samankaltaisuus ajan funktiona. Huomattavaa on, että käyrä muistuttaa hyvin paljon empiiristä kuvan 1 käyrää, mistä voisi päätellä mallin kuvaavan todellisuutta hyvin. Samanlaisuus nousee nopeasti ennen kohtaamisaikaa ja lisääntyy tämän jälkeen hitaammin. Kuva 3. Simulaation tulos parien samanlaisuudesta editointimäärän (ajan) funktiona

11 11 Muodostettu malli ja Wikipediasta saadut parametrit auttavat ymmärtämään paremmin valinnan ja sosiaalisen vaikuttamisen lainalaisuuksia verkkoyhteisössä. Aktiviteeteista 94% on editointeja, vuorovaikutusta 6%. Editointitapahtumista 50% noudattaa yleistä editointilinjaa, 35% editoi sivua omasta editointihistoriasta, 8% naapureiden historiasta. Lisäksi 7% tapauksissa aloitetaan uusi artikkeli. Naapurien aktiviteettihistoria vaikuttaa valintaan, mutta vaikutus on pienempi kuin omalla luontaisella kiinnostuksella, samoin kuin yleisellä tausta-aktiivisuudella kaikkia artikkeleita kohtaan Vuorovaikutuksen lisäanalyysiä Syvemmän ymmärryksen saavuttamiseksi vuorovaikutuksen kumulaituvuudesta artikkelin [Cra08] tutkijat analysoivat yksityiskohtaisemmin ihmisten vuorovaikutusta ensikohtaamisessa (kohtausaikana). Ihmisten kohtaamiseen Wikipediassa on monia eri syitä, kuten esim. tervetulokomitea lähettää uusille käyttäjille tervehdysviestin, administraattorit sekä tavalliset käyttäjät lähettävät ohjeita tai varoituksia sääntöjä rikkoville käyttäjille, lukiessaan artikkeleita käyttäjät huomaavat muiden käyttäjien editoinnit, jne. Useimmiten ihmiset tapaavat yhteisessä toiminnassa artikkelin luonnin yhteydessä. Tutkiakseen tarkemmin näitä syitä, tutkijat valitsivat tietokannasta satunnaisesti 30 paria, jotka tapasivat ensimmäisen kerran. Näistä tutkittiin tapaamisen aihe, vastaukset ja viitteet Wikipedian artikkeleihin tai artefakteihin. Lisäksi tarkasteltiin parien editointihistoria. Näistä tiedoista pääteltiin, että useimmiten ihmiset juttelevat, kun huomaavat toisen yhteisen aktiviteetin yhteydessä johonkin artefaktiin liittyen. Toisen huomaaminen johtaa kommunikointiin sekä usein koordinoituun toimintaan. Tällä lyhytaikaisella kanssakäymisellä on usein kuitenkin hämmästyttävän pitkäaikaisia seurauksia, kun parien samanlaisuus lisääntyy myös pitkän ajan

12 12 kuluttuakin. Tämä näkökulma on hyvä ottaa huomioon yhteistoiminnallisuuteen perustuvia järjestelmiä suunniteltaessa. 3. Tulevaisuuden ennustaminen sosiaalisten tapahtumien ja samanlaisuuden avulla Tässä luvussa yritetään vastata artikkelin [Cra08] pohjalta kysymykseen, kuinka ihmisen käyttäytymistä tulevaisuudessa voidaan ennustaa samanlaisuuden ja sosiaalisen verkon linkkien (sosiaalisen vaikuttamisen) avulla. Näitä kahta lähdettä verrataan toisiinsa arvioimalla kummankin vaikutukselle tietty todennäköisyys. Aluksi menetelmässä lasketaan artikkelin [Bac06] tekniikkaa soveltaen todennäköisyys sille, että verkon solmu (käyttäjä) omaksuu k:lla sen naapurilla olevan käyttäytymismuodon. Tämä mittaa sosiaalisen verkon linkkien vaikutusta, joka vastaa ilmiönä sosiaalista vaikuttamista. Sitten saatua arvoa verrataan sen todennäköisyyteen, että solmu omaksuu k:n samanlaisen solmun käyttäytymisen. Menetelmässä rakennetaan kaksi verkkoa, joista toinen perustuu sosiaaliseen vuorovaikutukseen ja toinen käyttäytymishistorian samanlaisuuteen. Vuorovaikutusverkkoon luodaan suunnattu kaari (v,w) niiden käyttäjien välille, jossa käyttäjä v on editoinut w:n keskustelusivua ennen annettua hetkeä t 1. Sitten luodaan samanlaisuusverkko seuraavasti: jos solmulla v on d v naapuria vuorovaikutusverkossa, kytkemme v:n d v solmuun, joiden aktiviteettivektorit ovat eniten samanlaisia v:n aktiviteettivektorin v(t 1 ) kanssa. Erilaisten samanlaisuusmittojen kokeilemisen jälkeen tähän käyttöön tutkimuksessa valittiin painotettu Jaccardin kerroin:

13 13 Painotetussa Jaccardin kertoimessa painot ξ j ovat käänteisesti verrannolliset niiden ihmisten lukumäärään, jotka ovat osallistuneet kuhunkin aktiviteettiin j. Kun vuorovaikutusverkko ja samanlaisuusverkko luodaan, arvioidaan käyttäjän tulevaisuuden aktiviteettien todennäköisyys seuraavasti. Käyttäjä u määritellään olevan k-altistunut aktiviteettiin a hetkellä t 1, jos hän ei ole omaksunut aktiviteettia a ja hänellä on tarkalleen k naapuria, jotka ovat kyseisen aktiviteetin omaksuneet. Tällöin voidaan nähdä, omaksuuko käyttäjä u aktiviteetin a hetken t 1 ja myöhemmän hetken t 2 välillä vai ei. Merkitään p(k):lla niitä tapauksia, joissa käyttäjä oli k- altistunut aktiviteettiin a hetkellä t 1 ja sitten omaksunut käyttäytymisen hetkien t 1 ja t 2 välillä. Artikkelissa [Cra08] rakennettiin edellä esitetyt sosiaalisen vaikuttamisen (vuorovaikutuksen) ja samanlaisuuden verkot Wikipedian sekä LiveJournalin aineistoissa. Wikipedian käyttäjien vuorovaikutukset kuvattiin aikaisemmassa luvussa mainitulla tavalla. LiveJournalissa vuorovaikutukset määriteltiin ystävälinkkien avulla, ja kukin LiveJournalin yhteisö määrää aktiviteetin, jonka käyttäjä voi tehdä, kun hän liittyy tähän yhteisöön. Kuvassa 4 [Cra08] näytetään p(k) k:n funktiona. Wikipediassa sosiaaliset yhteydet (vuorovaikutusverkko) määrää korkeammalla todennäköisyydellä tulevaisuuden aktiviteetit. LiveJournalissa taas samanlaisuus näyttää olevan määräävä tekijä. Tämä ero vaikuttaa tutkimuksen tekijöiden mukaan aluksi intuition vastaiselta, sillä Wikipediassa keskittytään tietyn aiheen artikkelin kirjoittamiseen ja LiveJournalissa taas enemmän sosiaaliseen vuorovaikutukseen. Luvussa 2.3. mainittu vuorovaikutustapojen yksityiskohtaisempi analyysi tuo tähänkin lisävalaistusta. Wikipediassa suuri osa artikkelien kirjoittamiseen liittyvästä työstä

14 14 liittyy mm. pienten asiavirheiden korjaamiseen, kieliopin korjaamiseen sekä ilkivaltaa vastaan taisteluun. Nämä toiminnot (aktiviteetit) ovat tärkeitä, mutta eivät vaadi suurta kiinnostusta artikkelin aihetta kohtaan eivätkä siis indikoi sitä. Tällaiset käyttäjän editoinnit vähentävät samanlaisuuteen pohjautuvien ennustusten todenperäisyyttä. Kuva 4. Todennäköisyys liittyä yhteisöön k-altistumisen (linkin) funktiona perustuen sosiaalisiin yhteyksiin (musta käyrä) tai samanlaisuuteen (punainen käyrä) LiveJournalin toimintadynamiikka on erilaista: ystävälinkkien muodostaminen on usein vain ele, eikä välttämättä indikoi kommunikaatiota. Toisaalta yhteisön jäsenyys merkitsee usein aitoa kiinnostusta yhteisön aihetta kohtaan eikä se ole vain mekaaniseksi luokiteltua toimintaa (esim. kuten virheiden korjaaminen Wikipediassa). 4. Johtopäätökset Tehtyjen tutkimusten perusteella sosiaalinen vuorovaikutus on sekä syy että seuraus sosiaaliselle valinnalle, ja tähän liittyvien teorioiden ja mallien tulee ottaa käsitteiden vuorovaikutus

15 15 huomioon. Näyttää siltä, että verkkoyhteisöissä ihmiset huomaavat toiset ja kommunikoivat heidän kanssaan yhteisten sekä viimeaikaisten aktiviteettien ja toimintojen kautta. Tämä vastaa sosiaalisen vuorovaikutuksen ja valinnan vaikutusta fyysisessä maailmassa, missä ihmiset todennäköisemmin kommunikoivat samassa kirkossa, koulussa tai työpaikalla kohtaamien ihmisten kanssa. Artikkelissa [Cra08] muodostettu malli tarjoaa aikaisempia malleja rikkaamman viitekehyksen ihmisten mielipiteitten ja käyttäytymisen lakien tutkimiseen. Yhteisöjen dynamiikan tunteminen on tärkeää pyrittäessä ymmärtämään sosiaalisen vuorovaikutuksen ja samanlaisuuden välistä suhdetta ja niiden ennustuskykyä. Wikipediassa sosiaalisen vuorovaikutuksen ja samanlaisuuden verkot ovat vain vähän päällekkäisiä, 15% solmuista on niissä yhteisiä. Tulevaisuudessa kannattaisi ehkä yhdistää nämä kaksi lähestymistapaa ns. hybridisuosittelijasysteemiksi. Monimenetelmätutkimus, jossa yhdistetään suurten data-aineistojen louhinta syvälliseen aihealueen prosessien ymmärtämiseen on mielenkiintoinen alue tutkittavaksi tulevaisuudessa. Lähteet: Cra08 Crandall, D. et al., Feedback Effects between Similarity and Social Influence in Online Communities. Proc. 14th ACM SIGKDD Intl. Conf. on Knowledge Discovery and Data Mining, Las Vegas, Nevada, USA 2008, pp PDF Dom05 Domingos, P. Mining social networks for viral marketing. IEEE Intelligent Systems, Vol. 20, No , pp

16 16 Hil95 Hill, W. et al. Recommending and evaluating choices in a virtual community of use. In Conference on Human Factors in Computing Systems CHI, Denver, Colorado, USA 1995, pp Bac06 Backstrom, L. et al., Group formation in large social networks: membership, growth, and evolution. In International Conference on Knowledge Discovery and Data Mining KDD, Philadelphia, PA, USA 2006, pp