情報システム実験B: 大規模ソーシャルネットワーク分析 (K-14)#

最終更新日：2022年4月11日

1. 担当教員#

2. 実施学期・受入人数・教室#

  • 秋学期ABC・6名
  • オンライン（新型コロナウィルス感染症の状況に応じて3C113を利用）

3. 実験概要#

本実験ではデータとデータの繋がりや関連性を表現したデータであるソーシャルデータ（グラフデータ）について，(1) その概念と代表的な分析手法およびアプリケーション作成等について学習する． Twitter や Facebook の友人関係やオンラインゲームのプレイ履歴などから，大規模なソーシャルデータを構築，およびそれらの大規模なデータから高速にコミュニティの検出やユーザの属性判定といった分析を行う方法について実習を行う． 代表的な分析アルゴリズムの学習と実際のデータを分析する実習課題を並行して行い，段階的に理解を深めていくことを狙う． プログラミングについてはC言語やPython，Javaなどの基本的な知識があれば問題ない．

キーワード

データマイニング，グラフマイニング，ビッグデータ分析，ソーシャルネットワーク分析，etc.

主な学習内容#

大まかに下記の内容について実習を行う． 詳細な予定は受講者向けにmanabaにて共有する．

★第1回〜第3回：ソーシャルデータの基本性質（参考資料）#

ソーシャルデータの基本性質について学習します．具体的には，ERモデル・次数分布・クラスタ係数・スモールワールド性等について学習します． また，ソーシャルデータの分析や可視化を行うプログラムの基礎についても学習します．


★第4回〜第8回：コミュニティ分析アルゴリズム#

ソーシャルデータの中に隠れたコミュニティ構造を発見するためのアルゴリズム（グラフクラスタリングアルゴリズム）について学習します．具体的には，モジュラリティに基づくクラスタリング手法（Newman法，Louvain法）とその解像度限界，構造的類似度に基づくクラスタリング手法（SCAN，SCAN++）と同手法を用いたハブ・外れ値データの検出について実際のデータを用いて学習します．


★第9回〜第13回：影響力解析（中心性解析）アルゴリズム#

ソーシャルデータの中で影響力の大きいデータ・ユーザを特定するためのアルゴリズム（中心性解析アルゴリズム）について学習します．具体的には，媒介中心性や近接中心性といったシンプルな指標や，リンク予測や情報検索・情報推薦等でも利用されているPageRank・Personalized PageRankについて実際のデータを用いて学習します．


★第14回〜第19回：関係データに対する機械学習アルゴリズム#

レビューデータなどのヘテロジニアスな関係データを解析するための基本的なアルゴリズムについて学習します．具体的には，ヘテロジニアスグラフの基礎について学習し，行列分解法とその最適化アルゴリズム（1次交互勾配法，疑似2次交互勾配法）について実データを用いて学習します．また，欠損値を含むようなデータに対する行列分解法についても学習します．


★第20回〜第26回：実データ解析の実践・アプリケーション開発#

これまで学習した内容をもとに，実データ解析やアプリケーション開発を行います．各学生の興味に基づいて実際のデータを収集し，分析や利便性を求めたアプリケーションの開発をします． 過去の実習例は以下のとおりです．

  • Wikipediaを用いたブレインストーミング支援アプリ（2017年）
  • 次に来るYoutubeゲーム実況チャンネルの発見（2018年度）
  • 影響力の高い日本人Youtuberの検出（2018年度）
  • Twitterを用いた防災関連用品の重要度分析（2018年度）
  • ドラマ「相棒」の見どころ特定（2018年度）
  • COINS Twitterユーザのフォロー構造分析と影響力分析（2018年度）
  • ニュース記事の自動まとめサービス（2019年度）
  • MovieLensデータセットを用いたおすすめ映画検索（2019年）
  • Swarmから取得したデータを使ったおすすめ観光ルートの分析（2019年度）
  • 科研費データベースを利用した筑波大学の研究動向解析と共同研究推薦（2020年度）
  • Vtuberコミュニティの影響力解析と配信者推薦（2020年度）
  • GitHubコミュニティの分析（2021年度）
  • ビットコインの送金ネットワーク解析（2021年度）
  • 日本の漫画家間の影響力分析（2021年度）
  • 楽天レシピAPIを用いた食材調査と料理推薦アプリ（2021年度）

★第27回〜第28回：成果発表会・最終レポート作成#

上記の実データ解析・アプリケーション開発の成果について発表会を行います．

4. 成績評価#

成績評価は実験中に出題するレポートの提出を以って行う．出席回数が主専攻実験の規定に満たない者は，レポートの内容に関わらずD判定とする．詳細はmanaba参照のこと．

5. 関連科目#

この課題は以下と関連している．希望者は受講することが望ましい．

  • 微分積分A・B
  • 線形代数A・B
  • データ構造とアルゴリズム
  • データベース概論A・B
  • 情報検索概論