CC BY
32TECHNICAL SCIENCES
МЕТОДИКА ВИЯВЛЕННЯ КАНАЛ1В ПОШИРЕННЯ IНФОРМАЦIÏ В СОЦ1АЛЬНИХ
МЕРЕЖАХ
Ахрамович В.М.
к.т.н., доцент, Тихонов Ю.О.
к.т.н., доцент, Чегренець В.М.
к.т.н., доцент Свертока В.В.
студент групи СЗД-41 Державний утверситет телекомуткацт
METHODOLOGY FOR DETECTION OF INFORMATION DISSEMINATION CHANNELS ON
SOCIAL NETWORKS
Akhramovych V.
PhD, Associate Professor, State University of Telecommunications, Kyiv, Ukraine
Tykhonov Yu.
PhD, Associate Professor, State University of Telecommunications, Kyiv, Ukraine
Chegrenec V.
PhD, Associate Professor, State University of Telecommunications, Kyiv, Ukraine
Svertoka V.
student of SZD - 41 group State University of Telecommunications, Kyiv, Ukraine
Анотащя
Розроблена методика виявлення каналiв поширення шформацп в сощальних мережах. Запропонована методика базуеться на формуванш бази знань про зв'язки мiж користувачами i групами, iнтерактивному вiдображеннi шляхiв розповсюдження iнформацiï вiзуальному аналiзу отриманих результапв для визна-чення джерел i ретрансляторiв iнформацiï. Факти передачi шформацп через канали дають можливiсть вста-новлювати шляхи поширення контенту.
Abstract
A technique for identifying channels of information dissemination on social networks has been developed. The proposed methodology is based on the formation of a knowledge base about the relationships between users and groups, interactive ways of information dissemination through visual analysis of the obtained results to identify sources and repeaters of information. Facts about transmitting information through channels make it possible to determine the ways in which content is distributed.
Ключов1 слова: сощальна мережа, вiзуалiзацiя, захист вщ шформацп, небажана шформащя, граф зв'язшв, вiзуальна аналггика.
Keywords: social network, visualization, protection against and information, undesired information, connection graph, visual analytics.
Вступ.
Сучасш проблеми в обласп шформацшно-пси-хологiчноi безпеки суспiльства i держави вимага-ють вiд фахiвцiв вироблення нових методик в об-ластi монiторингу та протидii загрозам, що похо-дять iз шформацшного простору соцiальних мереж. Сучаснi сощальш мережi - не тiльки зааб спшку-вання, а й шструмент для вилучення знань про суб'екти i об'екти в соцiальних мережах, про зв'язки мiж користувачами i групами. Крiм того, це зручна платформа для аналiзу даних про розповсюдження шформацп.
Одним iз завдань аналiзу iнформацiйних по-токiв е виявлення ретрансляторiв, каналiв поширення i джерел iнформацii. Аналiз каналiв поширення iнформацii в сощальних мережах дае змогу виявити основш iнформацiйнi потоки, що мiстять небажаний контент, що, безсумшвно, належить до актуальних завдань. В данiй статп запропонована методика виявлення каналiв поширення шформацп. Вона включае в себе кшька етапiв: на пер-шому - реалiзуеться алгоритм збору даних iз соцiальних мереж; на другому - ввдбуваються попе-редня обробка неструктурованих даних, сорту-вання, аналiз ретрансляторiв i контенту; на треть-ому - здшснюються вiзуальне представлення та
Magyar Tudomanyos Journal # 37, 2020 аналiз даних, отриманих з сощальних мереж. За до-помогою шформаци репоста в публiчних спшьно-тах сощально! мереж1 створена методика дозволяе встановити найбiльш ймовiрнi джерела введения шформаци. На основi даних репоста i переглядах iнформацiйних об'ектiв методика дае можлив!сть вiдобразити шляхи поширення шформаци по соцiальнiй мереж1 i !х характеристики. Таке уяв-лення допомагае оператору видiлити i3 безлiчi отриманих даних основнi шляхи розповсюдження !н-формацii. Новизна запропоновано! методики поля-гае в розробщ нових алгоритмiв збору даних про шформацшш об'екти i вiдображення результата, що дозволяють ефективно проводити вiзуальний аналiз шформаци. Припустимо, що така методика може застосовуватися для тдвищення рiвня захи-щеностi користувачiв сощальних мереж в!д шфор-мацiйно-психологiчного впливу, або захисту персо-нальних даних. Необхщно в!дзначити, що при в!зуал!заци канали поширення шформаци одно-часно е i середовищем передачi, i об'ектами, що во-лодiють власними характеристиками. Так, взаемозв'язку об'екпв в сощальнш мережi дають можливiсть будувати графи, а вiзуалiзований шлях поширення шформаци через одш й ri ж ретрансля-тори - виявляти шляхи контенту. Основний внесок дослщження визначаеться пiдвищенням рiвня захи-щеносп iнформацiйного простору соцiальних мереж за рахунок iнтелектуального аналiзу каналiв поширення шформаци.
Поiнформованiсть про шляхи поширення до-поможе протидiяти цшеспрямованим вкиданню або витоку шформаци. У статл також проведено короткий огляд робiт в областi аналiзу соцiальних мереж, пiдходiв, як1 використовують графи взаемозв'язк!в, а також огляд сучасних робгг по в!зуал!заци даних. Застосовнють пропонуемо1 методики п!дтвер-джуеться результатами експериментiв. Стаття ор-гашзована таким чином. У п. 2 даний огляд лггера-тури, присвячено1 аналiзу соцiальних мереж i вико-ристання методiв в!зуал!заци.
Огляд релевантних робгт. Загальний п!дх!д до класифшаци веб-сторiнок було розглянуто в [2]. Та-кий пiдхiд був заснований на аналiзi рiзних аспектiв веб-сторшок для визначення тематично1 спрямова-ност! Основним аспектом, який використовувався для встановлення категори, був текст веб-сторшки. Однак в результатi експериментiв автори прийшли до висновку, що текст не шдходить для аналiзу таких категорш веб-сайтiв як, наприклад, «новини», «блоги» i «сощальш мереж!». Це обумовлено тим, що веб сторшки даних категорiй можуть мютити одночасно тексти, присвяченi р!знш тематищ. Для виявлення таких категорiй було запропоновано за-стосовувати структурш особливосп веб-сторiнок [3]. Загальний п!дх!д, що поеднуе анал!з, дозволяе з досить високою точшстю визначати категор!ю веб-сторшки, що була доведена результатами експери-мента. Однак при робот! з категор!ею «сощальш мереж1» було виявлено, що важливою шформащею е не тшьки категор!я конкретного шформацшного об'екта (пов!домлення, групи i т. д.), але i шляхи по-
ширення дано1 шформаци. Виявлення джерел i ре-транслятор!в шформаци значно тдвищуе ефек-тившсть метод!в протиди. В робот! [5] встановлено, що анал!з недостаючих вузл!в в зв'язках, як1 вини-кають або тшьки можуть виникнути в сощальних мережах, може п!двищити ефективнють прогноз!в i моделювання розвитку подш. При цьому автори [5] спираються на анал!з нечгтко структурованих ди-нам!чних систем, хоча для в!зуал!заци також використовують граф, але мета проанал!зувати потоки або полшшити як1сть подання шформаци на граф! перед собою не ставлять. В роботах [6,7] запропо-нований стек технологш для анал!зу об'екта в сощальних мережах. Основними компонентами стека е компоненти пошуку неявних стльнот кори-стувач!в, щентифжаци користувач!в р!зних сощальних мереж, визначення демограф!чних атрибута, вим!рювання шформацшного впливу м!ж користувачами в сощальних мережах, а також генераций граф!в, в!зуал!зуючих структури спшьнот ко-ристувач!в. Автори [8] виявили зв'язок м!ж об'ектами сощально! мереж1 i проанал!зували закон розподшу зв'язк1в м!ж вузлами. Вони показали, що вузли в мережах пов'язаш асиметрично, для сощально! мереж! справедливий розподш вузл!в по числу зв'язк!в у вигляд! статичного закону (безмас-штабний розподш вузл!в по числу зв'язк1в), тобто в так!й мереж1 в!дсутн! вузли з типовим числом зв'язшв (Scale-free networks). В [9], проводиться до-слщження взаемовпливу об'екта сощально! мереж! (в тому числ! подходи, засноваш на використанш понять «структурш порожнеч!» i «шформацшний купол», «шформацшш каскади» [10] та ш.). Активно розвиваеться такий напрямок як сощально -мережевий анал!з (SNA). Це споаб вивчення сощальних мереж як набору сутностей, м!ж якими е певш в!дносини. В SNA величина позитивно! ко-реляцi! вузла соцiально! мереж! характеризуемся такими !ндикаторами, як: стутнь (degree), власний вектор (eigenvector), м!ра близькосп (closeness) i центральшсть до посередництва (betweenness-centrality). Таким чином, в процеа анал!зу вид!ля-ють найб!льш популярш (впливов!) вузли та !х зв'язки з шшими об'ектами. В [11] описана сощальна зв'язашсть з використанням трьох р!зних !ндекав: центральний стушнь (Degree centrality) як показник розпод!лу р!вня влади i впливу в мереж!, близьк!сть вузла до центру мереж! i його взаемозв'язок з центром шших вузл!в. Була видви-нута г!потеза про те, що в сощальнш мереж! кори-стувач!в можно разбити на кластери - неформально! орган!зац!! i в!зуал!зувати за кластерами [12]. В!зуал!защя на основ! кластеризац!! п!двищуе р!вень сприйняття !нформац!! при отриманн! графа з сощально! мереж!, дозволяе розбити граф за певними категор!ям (кольорових групах) i вид!лити основн! напрямки зв'язку об'ект!в. При цьому варто в!дзначити, що в ц!й робот! введен! в мережевш взаемод!! ключов! поняття: «власник», «проекту-вальник» i «п!дрядник». У статт! [13] запропонова-ний п!дх!д до автоматизованого анал!зу прези-дентських вибор!в в США за допомогою технологш великих даних i мережевого анал!зу. В результат!
роботи розробленого парсера будуеться мережа з позитивними i негативними сторонами м1ж суб'ек-тами i формуеться вiзуальна карта поширення ш-формацii про основних кандидатiв передвиборноi гонки i 1'х подiлу в сощальнш мереж1. Поеднання аналiзу контенту, ЗМ1, журналiв i анал1зу сощаль-них мереж для вивчення сощально1' взаемодii розглянуто в [14]. Запропонований авторами метод може бути також використаний для анал1зу шфор-мащйних каналiв i прогнозування шляхiв захисту вiд шкодливого впливу. Автори [15] вважають, що люди зануренi в сощальну мережу i технологii, го-ворять про необхiднiсть анал1зу великих, гетеро-генних, даних. В даний час дуже популярнi до-слвдження в областi вiзуалiзацii уявлень великих даних. Наприклад, С. В. Мельман i iн. [16] пропо-нують технологш створення системи вiзуалiзацii великих обсяпв синоптичних даних, застосовуючи розподшет i гетерогеннi (паралельнi / пбридт) об-числення. Рiшення для кластерного аналiзу i вiзуалiзацii великих обсяпв даних розглянуп в [17], де запропонована система, призначена для заванта-ження на соцiальну мережу при проведент повтор-них досл1джень, зменшуючи тим самим число бло-кувань з Н боку. Iнформацiя, що надходить з соцiальноi мереж1, мае рiзнорiдну структуру з р!з-ними ступенями вкладеносп, яка може з часом ютотно змiнюватися. Можливiсть зберiгати слабо-структурованi данi - найважливiша вимога до шдсистеми зберiгання. Алгоритм збору даних, в свою чергу, виконуе запити до сощально!' мереж1 тшьки у випадках вiдсутностi iнформацii в сховищi або втрати и актуальность Основна частина.
Збiр даних для ршення задач знаходження ка-налiв розповсюдження iнформацii в соцiальнiй мереж! i 1'х кешування вимагають велико!' кшькосп ре-сурав, якщо грунтуватися лише на iнформацiйному наповненш об'ектiв соцiальноi мереж1. Наприклад, для пошуку канал1в поширення зображення може знадобитися вивантажування i пор!вняння м1ж собою вах зображень, опублжованих в соцiальнiй мереж1, щоб попм вибудовувати 1х у хронолопч-ному порядку за датою публiкацii' i виявити тим самим канал поширення. Однак на практищ ре-алiзувати такий щдхвд вкрай складно, тому при формувант алгоритму збору даних доцшьно грунтуватися на функщональних можливостях сощаль-но! мереж1, тж на зшсп опублiкованих об'екпв. Соцiальна мережа може бути представлена як су-куптсть взаемопов'язаних об'екпв 2. Прикладами об'ектiв можуть служити: користувач, спiльнота, пост, вкладення i т. д., а прикладами зв'язшв м!ж об'ектами - однорiвневi ввдносини (складаються «в друзях», складаються в спiвтовариствi i т. п.) i вщносини вкладеностi (пост мютить вкладення, профшь користувача, який включае, наприклад, родича i т.п.). На найвищому р!вш уявлення об'ектами сощально!' мережi е и користувачi и i стльноти G, при цьому иив£2. Шд користувачем будемо ро-зумгги об'ект, який мае персональну сторшку, за-крiплену за певним акаунтом (людиною), тд спшь-нотою - самостшний комплексний об'ект сощально!'
Magyar Tudomanyos Journal # 36, 2019 мережа, що володiе власними сторшками. Користу-вачi можуть створювати i приймати участь у спшь-нотах. Будемо також мати на уваз^ що шфор-мацiйне наповнення сторiнок користувачiв i сторiнок стльнот вiдбуваються за схожими принципами. Ввдзначимо, що в ходi етапу збору даних iнформацiя про вщносини вкладеностi м1ж об'ектами заздалепдь вiдома i автоматично помiщаеться в сховище разом з самими об'ектами. Розглянемо в якосп зв'язку мiж об'ектами вiдношення «репост», реалiзоване у багатьох сощальних мережах. Два об'екти qs i qd знаходяться в вщношент «репост» qs Rq d, якщо зроблене безпосередне котювання об'екта qs в об'ект qd штатними засобами соцiальноï' мереж1, зi збереженням посилань як на факт котювання, так i на вихвдний об'ект. При цьому можна стверджувати, що qs £ qd. В такому випадку об'ект qs називаеться джерелом копшвання, а об'ект qd - приймачем. Залежно вiд конкретноï' сощально! мереж1 iсторiя копшвання може бути збережена i представлена рiзними способами. На-явнiсть у ввдносинах «репост» обов'язкових посилань на вихщний об'ект i факт котювання дозволя-ють прийти до висновку, що даний вид вщносин е одним з найб№ш ефективних способiв виявлення каналiв поширення iнформацiï' в сощальних мережах.
Таким чином, щллю алгоритму збирання даних для аналiзу каналiв розповсюдження шфор-мацп в соцiальних мережах буде збiр ведомостей про об'екти, як1 перебувають у вiдношеннi «репост». Б№ш формально алгоритм збору даних можна описати таким чином. Нехай функщя Q (u) визначае всi джерела котювання безлiчi об'ектiв {qs} с u: Q (u) = {qs|3 qd£u: qs Rq d}, u £Z. Наприклад, результатом роботи функци Q (u) на «спт» сторiнки в соцiальнiй мереж1 «ВКонтакте» стали б всi записи користувачiв або спiльнот, як1 об'ект u хоча б один раз котював. Визначимо алгоритм збору даних в такий споаб. Нехай X£Z - безлiч вихвдних об'ектiв соцiальноï мереж! На першому кроцi алгоритму для кожного вихвдного об'екта u£X слад видшити безлiч об'ектiв Q0, що е джере-лами копiювання: Q0 = U u£X Q (u). На i-му кроцi алгоритму для вае1 множини виявлених об'ектiв Qi за допомогою рекурентноï' функцiï' Fi необхщно iтерактивно отримувати всi об'екти, що складають «репост» з об'ектами, визначеними на попереднь-ому етапi: F1 (Q0) = U qi£Q0 R (qi) = Q1, Fn (Qn-1) = U qi£Qn-1 Fn-1 (qi) = Qn. Алгоритм зактчуе свою роботу на крощ n, якщо
Fn (Qn-1) = 0. Вщзначимо, що в ходi роботи алгоритму формуеться також безлiч об'ектiв U '£Z, що представляе собою користувачiв або спiльноти соцiальноï мереж1, що мютять об'екти q, як1, в свою чергу, складаються м1ж собою в вщношенш «репост»: U' = {u£Z |3q£u: q£n-1 U i = 0 Qi}. Таким чином, можна побудувати спрямований граф N '= (U', E '), в якому вершинами е так! об'екти сощаль-ноï' мереж1 як користувач або група, а наявтсть ребра м1ж ними визначаеться наявтстю в них об'ектiв qs i qd, що складаються щодо «репост »: Vus, ud £ U'3 (us, ud) £ E'-^-З qs £ us Л qd £ ud: qs Rq d.
При передачi шформацп вщ джерела поши-рення далi по ланцюжку можна спостерiгати факт «загасання» або «спотворення» первинно! шформацп. Для дослвдження цього феномена збiр даних про об'екти сощально! мереж1 повинен включати також збiр вщомостей про !х iнформацiйний простiр. Схема алгоритму збору даних про ввдно-сини «репост» мгж об'ектами сощально! р приведена на рис. 1.
Для ощнки ступеня спотворення шформацп в мiру перемiщення вихщного об'екта по ланцюжку поширення необхвдно пiддати зiбранi данi попе-реднш обробцi. Як механiзм обробки текстового наповнення шформацшних об'екпв пропонуеться
використовувати метод обчислення ключових слiв, реалiзований, наприклад, в системi зi створення укра!нськомовного корпусу для автоматичного пе-рефразування i пошуку синонiмiв «РагаРЫ^еп» [19]. Формально алгоритм попередньо! обробки ш-формацшного простору об'екпв може бути записа-
ний у такий споаб. Нехай ^ - функщя обчислення к ключових сл!в за iнформацiйним простором об'екта и 6 2. Параметр к може мати довшьт значення i задаеться разом з набором вхщних даних X перед початком дослвдження. На першому крощ слiд обрахувати ключовi слова для вах п
Рис. 1. Схема алгоритму збору даних iнформацiйних просторiв вихiдних об'ектв
¡ршкти„идЧ
К'1
На другому кроцi ключовi слова обрахову-ються для кожного шформацшного простору
об'екта приймача: Ступiнь збереження початкового контексту Ра вiд шформацшного простору об'екта приймача с1
визначаеться за формулою ' ' От-
римане в результатi застосування алгоритму значення Pd вказуе на стушнь схожостi iнформацiйних просторiв джерел i приймачiв. Далi, для наочносп,
зазначена величина буде представлена у вщсотках. Алгоритм збору i попередньо! обробки даних доз-воляе отримати iнформацiю про канали розповсюд-ження iнформацi!, побудованi на штатних функцю-нальних можливостях соцiально! мереж!. Вс данi можуть бути збереженi в будь-якому NoSQL-схо-вищ! для подальшо! обробки. Проте в сирому ви-гляд! зiбрана iнформацiя вкрай скрутна для ро-зумшня ! анал!зу людиною.
В!зуал!защя. Для вивчення результапв, отри-маних шсля закшчення етапу збору даних, дощльно розробити граф!чну схему, яка надае можливють проведення !х в!зуального анал!зу. 1снуе безл!ч спо-соб!в граф!чного представлення пов'язаних р!знор!дних об'екпв [20], однак для ввдображення
об'екпв сощально! мереж! i !х взаемозв'язк1в до-цiльно використовувати граф, вершинами якого е користувач! або групи, а ребрами - наявшсть в!дно-син «репост» мiж цими об'ектами (вага ребра визна-чаеться к!льк!стю таких в!дносин мiж двома об'ектами, напрямок ребра - в!д джерела до приймача). Вiзyaлiзaцiя у виглядi графа надае безлiч aтрибyтiв для пiдвищення шформативносп зображення: форма, розмiр, колiр вершини, товщина i напрямок ребра i т. п. При необхiдностi додаткова шформащя може бути також представлена в п!дписах до вершин. В!дм!тимо, що всi показники, обраховаш для об'ектiв сощально! мереж1, залежать вiд тимчасо-вого iнтервaлy - перюду проведения досл1дження. За допомогою зiбрaних даних можна також обчис-лити додaтковi показники, що мають значення для iнформaцiйного насичення в!зуал!зацп. 1нфор-мaцiйний атрибут «к!льк!сть переглядiв» V iews (u) дае чисельне уявлення про аудитор!ю, що звернула увагу на вiдповiднi об'екти Qu користувача u, i може бути визначений за формулою
редне число переглядiв Views (u), тим на б!льшу ayдиторiю впливае об'ект u сощально! мереж1. 1н-шим важливим показником об'екта u сощально! мереж! може бути ушкальшсть генерованого ним контенту, що обчислюеться як вцщошення числа iH-
Q:
формацшних об'екпв -', що складають «реиост» з шшими iнформaцiйними об'ектами, до загально! кшькосп шформацшних об'екпв:
Л. Цей иоказник доиомагае вста-новити, чи е даний об'ект сощально! мереж1 джере-лом, споживачем, агрегатором або ретранслятором шформацп.
Як юлькюний иоказник ^ !Ji щ0
оцiнюе iнформaцiйнi потоки м!ж двома об'ектами сощально! мереж1, пропонуеться використовувати наступну величину, р!вну р!зниц числа взаемних «репоспв»:
- {<V. I * из
От -
Ficilt{v] ,tj
Зф f t* п)
= \Q\
■ Ъ Я 1-ЙГ!-
Вщ знака показника буде
залежати напрямок шформащйного потоку. Також в данш робот! запропонований метод, який дозволяе найти показник Ри, визначальний фактор «загасання» вихщно!' iнформацii в шформацшному простор! об'екта и сощально!' мереж! За допомогою даного показника можна встановити, наск!льки змшюеться контекст шформащйного простору об'екпв сощально!' мереж! у м!ру руху шформацшних об'екпв по ланцюжку вщносин «репост». Застосовуючи представлен! показники, можна видшити наступи типи об'ектiв соцiально!' мереж!, що беруть участь в шформацшнш взаемодп:
• джерело iнформацii - об'ект, який мютить високу долю ушкального контента i е вщправною точкою для шформацшого наповнення !нших об'екпв мережу
• ретранслятор iнформацi!' - об'ект з низькою часткою ушкального контенту, який вщтворюеться шшими учасниками шформащйного обмшу;
• агрегатор шформаци - об'ект, який розмiщуе чужий контент при обхватi аудиторii;
• споживач iнформацi!' - об'ект, який активно розмщуе на сво!й сторшщ запозичений контент, що не користуеться великим iнтересом у аудиторii i не мае подальшого поширення.
Оскшьки при вiзуал!зацi!' даних необх!дно дотримуватися балансу м!ж iнформативнiстю i простотою сприйняття даних, що виводяться [21], сл!д розробити схему в!зуального представлення даних ! використовувати методи для !х ф!льтрацп. У табл. 1 наведено наб!р пропонованих до в!дображення показник!в ! в!дпов!дн! характеристики графа для !х подання.
Табл. 1.
Метрики вiзуальноl аналiтики та способи 'fx подання
Характеристика Показник
Вершина (розм!р) Середне число перегляд!в
Вершина (форма) Тип об'екта
Вершина (кол!р) Ун!кальн!сть контекту, що генеруеться
Вершина (шдпис) Оц!нка зм!ни контекту
Ребро (вага) 1нформацшний пот!к
Ребро(напрямок) Напрям !нформац!йно! дп
Ребро (кол!р) Ун!кальн!сть контекту, що генеруеться
Напрямок ребра може означати: шформащю про джерело i приймaчi об'ектiв або вказувати на напрямок шформащйного впливу одного об'екта на шший. Дaлi п!д напрямком ребер графа маеться на yвaзi !нформац!йний вплив джерела iнформaцi! на ll приймач.
Описаний п!дх!д до вiзyaлiзaцi! дозволяе вщобразити в зрозум!л!й форм! ва елементи схеми
поширення !нформац!!. Заснований на графах метод подання шформацшних потошв дае можливють в!зуально встановлювати основн! джерела i ретранслятори шформацп, виявляти шляхи l! розповсюдження, а також в!дкривае можливост! для опрацювання алгоритму подальшо! протид!! поширенню потенцшно небезпечно! !нформац!!.
Висновок.
Безпосередньою сферою застосування запропоновано! методики е шформацшна безпека держави: п!двищення р!вня захищенносп в!д !нформац!йно-психолог!чного впливу в сощальних мережах, анал!з атакуемо! ауд!тор!!, виявлення шлях!в розповсюдження !нформац!! та джерел вкидання !нформац!!. Отриман! результати дозволяють проводити досл!дження в област! в!зуального анал!зу соц!альних мереж. Також розроблена методика може бути використана не тшьки для задач захисту користувач!в, а також для захисту особистих даних. Кр!м того, у оператора з'явиться можлив!сть в!дстежувати «загасання» !нформац!! в м!ру !! в!ддалення в!д ключових джерел поширення.
Перспективним е впровадження теплових карт залученост!. В даний час вивчаються можливост! сум!щення поточно! модел! в!зуал!заци !нформац!йних поток!в з картою залученост! об'екпв впливу. Кр!м того, представляеться важливим класиф!кувати типи вузл!в поширення !нформац!!, в!докремити аг!тац!йн! джерела в!д простих транслятор!в. Виявлення ознак таких вузл!в дозволить проводити сегментац!ю об'екпв соц!альних мереж i п!двищити ефектившсть захисту в!д шк!дливого впливу.
Список л^ератури.
1. Социальные сети в России, лето 2017:цифры итренды. URL:https://www.cossa.ru/289/166387/ https://www.slideshare.net/Taylli01/2017-77172443 (дата обращения: 20.08.2018).
2. Kotenko I. V., Chechulin A. A., Shorov A. V., Komashinsky D. V. Analysis and evaluation of web pages classification techniques for inappropriate content blocking // 14th Industrial Conference on Data Mining, LNAI. New York e. a.: Springer-Verlag, 2014. Vol. 8557. P. 39-54.
3. Novozhilov D. A., Kotenko I. V., Chechulin A. A. Improving the categorization of web sites by analysis of Html-Tags Statistics to Block inappropriate content // 9th Intern. Symposium on Intelligent Distributed Computing. New York e. a.: SpringerVerlag, 2016. P. 257-263.
4. Kotenko I. V., Chechulin A. A., Komashinsky D. V. Categorisation of web pages for protection against inappropriate content in the Internet // Intern. Journal of Internet Protocol Technology. 2017. Vol. 10(1). P. 61-71.
5. Zadeh L., Abbasov A., Shahbazova S. Fuzzy based techniques in human like processing of social network data // Intern. Journal of Uncertainty, Fuzziness and Knowledge-Based Systems. Singapore: World Scientific, 2015. Vol. 23 (Suppl. 1). P. 1-14.
6. Gomzin A., Kuznetsov S. Methods of construction of socio-demographic profiles of Internet users // Programming and Computer Software Journal. Moscow: ISP RAS, 2015. Vol. 27(4). P. 129-144.
7. Drobyshevskiy M., Korshunov A., Turdakov D. Parallel modularity computation for directed weighted graphs with overlapping communities // Programming and Computer Software Journal. Moscow: ISP RAS, 2016. Vol. 28(6). P. 153-170.
8. Barabasi A., Bonabeau E. Scale-free networks // Scientific American Journal. 2003. Vol. 288(5). P. 5059.
9. Zhang E., Wang G., Gao K., Zhao X., Zhang Y. Generalized structural holes finding algorithm by bisection in social communities // 6th Intern. Conference on Genetic and Evolutionary Computing. 2013. P. 276-279.
10. Liu Q., Zhang L. Information cascades in online reading: an empirical investigation of panel data // Library Hi Tech Journal. 2016. Vol. 32(4). P. 687705.
11. Opsahl T., Agneessens F., Skvoretz J. Node centrality in weighted networks: Generalizing degree and shortest paths // Social Networks Journal. 2010. Vol. 32(3). P. 245-251.
12. Hickethier G., Tommelein I. D., Lostuvali B. Social network analysis of information flow in an IPD-project design organization // 21st Annual Conference of the Intern. Group for Lean Construction. 2013. P. 315-324.
13. Sudhahar S., Veltri G., Cristianini N. Automated analysis of the US presidential elections using Big Data and network analysis // Big Data & Society Journal. 2015. Vol. 2(1). P. 1-28.
14. Martinez A., Dimitriadis Y., Rubia B., Gomez E., de la Fuente P. Combining qualitative evaluation and social network analysis for the study of classroom social interactions // Computers & Education Journal. 2003. Vol. 41(4). P. 353-368.
15. Lazer D., Pentland A. S., Adamic L., Aral S., Barabasi A. L. Life in the network: the coming age of computational social science // Science Journal. New York: NIH Public Access, 2009. Vol. 323(5915). P. 721.
16. Melman S., Bobkov V., Cherkashin A. Technology and system visualization of large amounts of synoptic data // Journal Information Science and Control Systems. 2015. Vol. 3(45). P. 63-71.
17. Hornostal O. System of cluster analysis and visualization of big data // Intern. Scientific Journal Internauka. 2016. Vol. 1(6). P. 22-24.
18. Averbukh V., Manakov D. Analysis and visualization of "bigdata" // Intern. Scientific Conference Parallel Computational Technologies.
2015. P. 332-340.
19. ParaPhraser.ru: nepe$pa3upoBaHue h CHHOHHMH3auna TeKCTa. URL: www.paraphraser.ru (gaTa o6pa^eHHa: 20.08.2018).
20. Kolomeec M. V., Gonzalez-Granadillo G., Doynikova E. V., Chechulin A. A., Kotenko I. V., Debar H. Choosing models for security metrics visualization // Computer Network Security. Lecture Notes in Computer Science. New York e. a.: SpringerVerlag, 2017. Vol. 10446. P. 75-87.
21. Kolomeec M. V., Chechulin A. A., Pronoza A. A., Kotenko I. V. Technique of data visualization example of network topology display for security monitoring // Journal of Wireless Mobile Networks, Ubiquitous Computing, and Dependable Applications.
2016. Vol. 7(1). P. 41-57.
