SOCIAL NETWORK ANALYSIS

Ingegneria Informatica SOCIAL NETWORK ANALYSIS

0622700060
DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA
EQF7
COMPUTER ENGINEERING
2022/2023



YEAR OF COURSE 2
YEAR OF DIDACTIC SYSTEM 2017
SPRING SEMESTER
CFUHOURSACTIVITY
324LESSONS
324EXERCISES
Objectives
Questo insegnamento si pone l’obiettivo di fornire gli strumenti per meglio comprendere e controllare i processi che si verificano all’interno di una rete. In particolare, il corso vuole fornire un quadro, il più possibile esaustivo, della recente ricerca sullo studio e l’analisi delle reti, con
particolare attenzione alle reti sociali e informative. L’attenzione non sarà sugli aspetti tecnologici ma, piuttosto, sulla comprensione dei processi che si sviluppano all’interno di una rete e sulle tecniche che possono essere utilizzate per estrarre conoscenza dall’analisi strutturale della rete.

Conoscenza a capacità di comprensione
Conoscenza degli aspetti strutturali che caratterizzano una rete e dei modelli e degli indicatori che permettono di rappresentare efficacemente tali reti ed il comportamento dei loro componenti. Conoscenza dei principali processi e delle applicazioni che possono essere eseguite su tali reti, quali la ricerca di informazioni tramite motori di ricerca, la ricerca sponsorizzata, gli effetti di rete nel determinare i comportamenti degli agenti della rete, la diffusione delle informazioni e dell’influenza e gli effetti che questa può avere sulla struttura della rete stessa.

Conoscenze e capacità di comprensione applicate
Al termine dell’insegnamento gli studenti saranno in grado di estrarre informazioni relative a processi in rete, anche da dataset di grosse dimensioni. Saranno anche in grado di analizzare, comprendere e controllare i principali processi che si sviluppano all’interno di una rete e di applicare queste conoscenze nella realizzazione e gestione di applicazioni che abbiamo componenti sociali ed economiche e nel progettare applicazioni per reti sociali come Facebook o Twitter.
Prerequisites
PER IL PROFICUO RAGGIUNGIMENTO DEGLI OBIETTIVI DEL CORSO, SONO RICHIESTE CONOSCENZE DI ALGORITMI E TECNICHE DI PROGRAMMAZIONE E LA CONOSCENZA DEL LINGUAGGIO DI PROGRAMMAZIONE PYTHON. INOLTRE, È RICHIESTA LA CONOSCENZA DI ELEMENTI DI CALCOLO DELLE PROBABILITÀ E DI ALGEBRA LINEARE.
Contents
GLI STRUMENTI PRINCIPALI UTILIZZATI DURANTE IL CORSO SARANNO LA TEORIA DEI GRAFI PER DESCRIVERE ED ANALIZZARE LA STRUTTURA DI UNA RETE, E LA TEORIA DEI GIOCHI PER DESCRIVERE I COMPORTAMENTI STRATEGICI DEGLI AGENTI.
UNA PARTE DEL CORSO SARÀ DEDICATA AD ATTIVITÀ DI PROGRAMMAZIONE IN PYTHON. IN QUESTA PARTE, UTILIZZANDO API E DATASET DISPONIBILI IN RETE VERRANNO PROPOSTI ESPERIMENTI DI ANALISI DEI DATI PER L'ESTRAZIONE DI INFORMAZIONI RELATIVE ALLA STRUTTURA DELLE RELATIVE RETI.

UNITÀ DIDATTICA 1: NETWORK SCIENCE AND GRAPH THEORY
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 9/0/6)
- 1 (2 ORE LEZIONE): INTRODUCTION TO NETWORK SCIENCE
- 2 (3 ORE LEZIONE): GRAPHS AND NETWORKS
- 3 (2 ORE LEZIONE): THE STRENGTH OF WEAK TIES
- 4 (3 ORE LABORATORIO): SOCIAL NETWORKS MINING: DIAMETER AND TRIANGLES
- 5 (3 ORE LABORATORIO): SOCIAL NETWORKS MINING: CLUSTERING AND CENTRALITY
- 6 (2 ORE LEZIONE): INFORMATION NETWORKS AND THE STRUCTURE OF THE WEB; WEB SEARCHING ALGORITHMS
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: CAPIRE LE PROPRIETÀ TOPOLOGICHE PRINCIPALI DELLE RETI INFORMATIVE E SOCIALI E CONOSCERE LE MISURE UTILIZZATE PER QUANTIFICARLE
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SVILUPPARE ALGORITMI EFFICIENTI PER ANALIZZARE LE PROPRIETÀ TOPOLOGICHE DELLE RETI SOCIALI

UNITÀ DIDATTICA 2: GAME THEORY AND MECHANISM DESIGN
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 6/0/0)
- 7 (3 ORE LEZIONE): GAME THEORY
- 8 (3 ORE LEZIONE): AUCTION, MATCHING & SPONSORED SEARCH
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: CAPIRE I CONCETTI CHIAVE DELLA TEORIA DEI GIOCHI: GIOCATORI, STRATEGIE, EQUILIBRI, TRUTHFULNESS
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: INDIVIDUARE EQUILIBRI E MECCANISMI EFFICIENTI IN SETTING DIVERSI DA QUELLI CONSIDERATI

UNITÀ DIDATTICA 3: BANDIT LEARNING
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 4/0/3)
- 9 (2 ORE LEZIONE): INTRODUCTION TO BANDIT LEARNING
- 10 (2 ORE LEZIONE): COMBINATORIAL MULTI-ARM BANDIT LEARNING
- 11 (3 ORE LABORATORIO): BANDIT LEARNING
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: CAPIRE I CONCETTI E GLI ALGORITMI CHIAVE DI BANDIT LEARING
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: ESSERE CAPACE DI APPLICARE ALGORITMI DI BANDIT LEARNING EFFICIENTI IN DIFFERENTI SETTINGS

UNITÀ DIDATTICA 4: THE EFFECTS OF STRATEGIC BEHAVIORS IN A SOCIAL NETWORK
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 9/0/3)
- 12 (2 ORE LEZIONE): NETWORK EFFECTS
- 13 (3 ORE LEZIONE): INFORMATION CASCADES
- 14 (2 ORE LEZIONE): RICH GET RICHER PHENOMENON AND POWER LAWS
- 15 (2 ORE LEZIONE): SMALLWORLDS
- 16 (3 ORE LABORATORIO): NETWORK MODELS
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: CAPIRE COME IL COMPORTAMENTO STRATEGICO DEGLI UTENTI INFLUENZI SIA LA STRUTTURA DELLA RETE STESSA, SIA LE INFORMAZIONI VEICOLATE SULLA RETE STESSA
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: ESSERE CAPACE DI PRODURRE MODELLI DI RETE CHE POSSANO SIMULARE EFFICIENTEMENTE ED EFFICACEMENTE RETI SOCIALI REALI

UNITÀ DIDATTICA 4: INFORMATION DIFFUSION ON SOCIAL NETWORKS
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 5/0/3)
- 17 (3 ORE LEZIONE): INFORMATION DIFFUSION AND EPIDEMICS
- 18 (3 ORE LABORATORIO): DYNAMICS & SEEDING
- 19 (2 ORE LEZIONE): ELECTION MANIPULATION
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: CAPIRE I CONCETTI CHIAVE CHE STANNO ALLA BASE DELLA DIFFUSIONE DELL'INFORMAZIONE NELLE RETI SOCIALI, LE TECNICHE PRINCIPALI USATE PER INCREMENTARE O CONTRASTARE TALE DIFFUSIONE
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: ESSERE CAPACE DI PRODURRE MODELLI DI DIFFUSIONE SU RETI SOCIALI CHE POSSANO SIMULARE EFFICACEMENTE LA DIFFUSIONE SU RETI SOCIALI REALI E DI PROGETTARE ALGORITMI EFFICIENTI PER INCREMENTARE O CONTRASTARE TALE DIFFUSIONE


TOTALE ORE LEZIONE/ESERCITAZIONE/LABORATORIO 33/0/15
Teaching Methods
L’INSEGNAMENTO CONTEMPLA SIA LEZIONI TEORICHE CHE ESERCITAZIONI PRATICHE. LE ESERCITAZIONI PREVEDONO LO SVOLGIMENTO DI ATTIVITÀ DI PROGRAMMAZIONE IN LINGUAGGIO PYTHON.

NELLE LEZIONI VENGONO PRESENTATI MODELLI PER RAPPRESENTARE RETI SOCIALI E DESCRIVERE FENOMENI GLOBALI SULLA BASE DEI COMPORTAMENTI LOCALI DEI SINGOLI AGENTI ED ALGORITMI PER DESCRIVERE TALI PROCESSI E PER ESTRARRE INFORMAZIONI DA RETI DI GRANDI DIMENSIONI. NELLE ESERCITAZIONI IN LABORATORIO GLI STUDENTI IMPLEMENTANO GLI ALGORITMI PRESENTATI NEL CORSO. NELLE ESERCITAZIONI IN AULA VIENE ASSEGNATO AGLI STUDENTI, DIVISI PER GRUPPI DI LAVORO, UNO O PIÙ PROJECT-WORK DA SVILUPPARE DURANTE TUTTO LO SVOLGIMENTO DEL CORSO. IL PROGETTO COMPRENDE UNITARIAMENTE TUTTI I CONTENUTI DELL’INSEGNAMENTO ED È STRUMENTALE ALL’ACQUISIZIONE, OLTRE CHE DELLE CAPACITÀ DI ANALIZZARE RETI COMPLESSE ED ESTRARRE INFORMAZIONI DA DATA SET DI GROSSE DIMENSIONI, ANCHE A SVILUPPARE E RAFFORZARE LE CAPACITÀ DI LAVORARE IN TEAM.
Verification of learning
LA PROVA DI ESAME È FINALIZZATA A VALUTARE NEL SUO COMPLESSO LE CONOSCENZE E LE CAPACITÀ DI COMPRENSIONE DEI CONCETTI PRESENTATI A LEZIONE, NONCHÉ LA CAPACITÀ DI APPLICARE TALI CONOSCENZE NELL’AMBITO DELLA SCIENZA DELLE RETI PER ANALIZZARE E COMPRENDERE PROCESSI ALL’INTERNO DI RETI SOCIALI E/O DI INFORMAZIONE.

LA PROVA D’ESAME SI ARTICOLA NELLA DISCUSSIONE DEL PROGETTO SVOLTO DURANTE IL CORSO ED UN COLLOQUIO ORALE. CON IL PROGETTO SARANNO VALUTATE LE CAPACITÀ DI APPLICARE LE CONOSCENZE ACQUISITE NELL’AMBITO DELL’ANALISI DI RETI PER L’ESTRAZIONE DI INFORMAZIONI E NELLA PROGETTAZIONE, REALIZZAZIONE E TESTING DI APPLICAZIONI IN AMBITO SOCIALE. LA DISCUSSIONE DEL PROGETTO CONSENTIRÀ ANCHE DI VALUTARE LE CAPACITÀ DELLO STUDENTE DI LAVORARE IN GRUPPO E DI PRESENTARE IL PROPRIO LAVORO. CON IL COLLOQUIO ORALE SARANNO VALUTATE LE CONOSCENZE E LA COMPRENSIONE ACQUISITE IN MERITO A METODI ED TECNICHE UTILIZZATE PER ANALIZZARE ED ESTRARRE INFORMAZIONI DA RETI SOCIALI.

NELLA VALUTAZIONE FINALE, ESPRESSA IN TRENTESIMI, LA VALUTAZIONE DEL PROGETTO PESERÀ PER IL 60% MENTRE IL COLLOQUIO PER IL RESTANTE 40%. LA LODE POTRÀ ESSERE ATTRIBUITA AGLI STUDENTI CHE DIMOSTRINO UNA PIENA CONOSCENZA E PADRONANZA DI TUTTE LE PRINCIPALI TEMATICHE AFFRONTATE AL CORSO E CAPACITÀ DI APPLICARLI ANCHE A CONTESTI DIFFERENTI DA QUELLI ANALIZZATI A LEZIONE.
Texts
D. EASLEY, J. KLEINBERG, “NETWORKS, CROWDS AND MARKETS: REASONING ABOUT A HIGHLY CONNECTED WORLD”, CAMBRIDGE UNIVERSITY PRESS, 2010.
J.LESKOVEC, A. RAJAMARAN, J. ULLMAN, “MINING OF MASSIVE DATASETS”, CAMBRIDGE UNIVERSITY PRESS, 2014.

ALTRO MATERIALE DIDATTICO SARÀ RESO DISPONIBILE SUL SITO DEL CORSO.

LETTURE SUGGERRITE:
M. JACKSON, “SOCIAL AND ECONOMIC NETWORKS”, PRINCETON UNIVERSITY PRESS, 2010.
M.E.J. NEWMAN, “NETWORKS: AN INTRODUCTION”, OXFORD UNIVERSITY PRESS, 2010.
N.NISAN, T. ROUGHGARDEN, E. TARDOS, V. VAZIRANI (A CURA DI), “ALGORITHMIC GAME THEORY”, CAMBRIDGE PRESS, 2007.
M. OSBORNE, A. RUBINSTEIN, “A COURSE IN GAME THEORY”, MIT PRESS, 1994.
More Information
L'INSEGNAMENTO E' EROGATO IN ITALIANO

MATERIALE DIDATTICO INTEGRATIVO SARà DISPONIBILE NELLA SEZIONE DEDICATA DELL'INSEGNAMENTO ALL'INTERNO DELLA PIATTAFORMA E-LEARNING DI ATENEO (HTTP://ELEARNING.UNISA.IT) ACCESSIBILE AGLI STUDENTI DEL CORSO TRAMITE LE CREDENZIALI UNICHE DI ATENEO
  BETA VERSION Data source ESSE3 [Ultima Sincronizzazione: 2022-09-16]