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.
David Lisica (Thu,) studied this question.