Detailansicht
Information access clustering based on linear threshold model simulations
David Lisica
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Informatik
Betreuer*in
Yllka Velaj
DOI
10.25365/thesis.80632
URN
urn:nbn:at:at-ubw:1-27275.28415.623841-2
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Verbindungen und Positionen in sozialen Netzwerken sind zentrale Determinanten von Einfluss und Macht, da sie wesentliche Bestandteile des sozialen Kapitals darstellen und Individuen den Zugang zu Ressourcen, Informationen und Chancen ermöglichen, die ihnen andernfalls verschlossen blieben. Aufbauend auf der Theorie des sozialen Kapitals, formalen Netzwerkrepräsentationen, Diffusionsmodellen sowie früheren Arbeiten zu Clustering-Algorithmen auf Basis von Informationszugang schlägt diese Arbeit eine neuartige Methode zur Gruppierung von Knoten in Netzwerken vor, die auf ihrem Zugang zu Informationen basiert. Dieser wird durch die Ähnlichkeit von Informationsquellen sowie von Informationsdiffusionspfaden quantifiziert. Während bisherige Arbeiten in diesem Bereich ausschließlich das Independent Cascade Model (ICM) verwendeten, kommt in dieser Arbeit das Linear Threshold Model (LTM) zum Einsatz. Die Methode wird empirisch anhand von drei Single-Layer- und zwei Multi-Layer-Datensätzen evaluiert, wobei jeweils vier Strategien zur Kantengewichtung betrachtet werden (gewichtet, zufällig, trivalent und uniform). Die Äquivalenz zwischen dem LTM und der Knotenerreichbarkeit über Live-Edge-Graphen wird hergeleitet, und die algorithmische Performance wird mithilfe der Python-Library NDLib verglichen. Für jede Parameterkombination wird das Informationszugangs-Clustering unter dem LTM mit etablierten Baseline-Methoden verglichen. Über verschiedene Parametervariationen hinweg liefert der vorgeschlagene Ansatz Cluster, die mit jenen klassischer Community-Detection-Verfahren vergleichbar sind, zugleich jedoch eine transparente und interpretierbare Perspektive im Hinblick auf den Zugang zu Informationen bieten.
Abstract
(Englisch)
Connections and position in social networks are key determinants of one’s influence and power, as they constitute core components of social capital, allowing individuals to access resources, information and opportunities that would otherwise remain unavailable. Building on social capital theory, formal network representations, diffusion models, and prior work on clustering algorithms based on information access, this thesis proposes a novel method for grouping nodes in a network according to their access to information, measured by the similarity of information sources and information diffusion pathways. Previous work on this topic relied exclusively on the Independent Cascade Model (ICM), whereas this thesis adopts the Linear Threshold Model (LTM). Empirically, the approach is evaluated on three single-layer and two multi-layer datasets, each instantiated with four edge-weight assignment strategies (weighted, random, trivalent, and uniform). The equivalence between the LTM and node reachability via live-edge graphs is explained, and algorithmic performance is compared using the Python NDLib library. For every combination of parameters, information access clustering under the LTM is compared against the well-known baseline methods. Across different variations of parameters, the proposed method produces clusters comparable to those obtained by well-established community-detection approaches, while offering a transparent and interpretable perspective in terms of access to information.
Schlagwörter
Schlagwörter
(Deutsch)
Clustering Informationszugang Netzwerkeinfluss Informationsverteilung Linear Threshold Model Multi-Layer Graphen
Schlagwörter
(Englisch)
clustering information access network influence information diffusion Linear Threshold Model multi-layer graphs
Autor*innen
David Lisica
Haupttitel (Englisch)
Information access clustering based on linear threshold model simulations
Publikationsjahr
2026
Umfangsangabe
vii, 69 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Yllka Velaj
Klassifikation
54 Informatik > 54.80 Angewandte Informatik
AC Nummer
AC17801323
Utheses ID
79801
Studienkennzahl
UA | 066 | 921 | |