Representación del conocimiento de redes sociales y su dinámica

Abstract

Esta tesis se enfoca en el estudio de la dinámica del conocimiento que se presenta en el contexto de las redes sociales. Acorde con la literatura, este tipo de redes puede ser representada como una red compleja, la cual permite representar tanto a los miembros de la red como las relaciones (con distintos grados de fortalezas) entre los mismos; sin embargo, en los modelos clásicos no se hace explícita la representación del conocimiento. Como primer aporte de esta tesis, se presenta un modelo denominado Base de Conocimiento de Red (BCR), el cual permite representar este contexto como una red compleja multi-capa, que también permite representar el conocimiento individual de cada miembro. Además, el modelo posibilita establecer un conjunto de restricciones sobre la parte estructural y sobre la parte epistémica de la red para poder caracterizar dominios más específicos. Asimismo, se propone una manera de representar el contenido que uye por la red mediante elementos denominados ítems de noticia. En contextos sociales, debido a la cantidad de información que puede ser generada en un breve lapso y a la velocidad con que puede fluir en la red, la integración de ésta con los conocimientos previos de un agente no es una tarea sencilla. Basándose en la literatura preexistente, se podría pensar en realizar dicha integración con operadores de revisión de creencias clásicos; sin embargo, luego de analizarlos se concluyó que los mismos no son adecuados ya que éstos no son capaces de manejar la riqueza de las entradas epistémicas provenientes de las plataformas sociales. Por lo tanto, uno de los principales aportes de esta tesis es la definición de tres familias de operadores específicos para revisar la base de conocimiento local de un usuario: mesurado, débilmente mesurado y social. Tales operadores fueron definidos agrupando distintos subconjuntos de postulados planteados con el fin de representar distintas actitudes que puede tener un usuario para integrar el conocimiento social. La definición de estos postulados fue informada por una evaluación empírica realizada sobre un vasto conjunto de datos reales compuesto de publicaciones de la red social Twitter. Además, para los primeros dos operadores se propone una construcción algorítmica, denominada revisión mesurada, la cual construye la KB local revisada identificando las posibles operaciones a partir de órdenes parciales estrictos. Como última contribución, se reporta el resultado de una segunda evaluación empírica cuyo objetivo es implementar una aplicación de una versión simplificada del modelo de BCR. Ésta demuestra que, junto con algoritmos de Machine Learning, el modelo puede utilizarse para predecir comportamientos básicos de usuarios en Twitter.

In this thesis we focus on the knowledge dynamics that takes place in social media contexts. According to the literature, this type of network can be represented as a complex network that allows representing both the network's members as well as the relations among them, considering the possibility for different strength levels; however, in the classical models, knowledge representation is not considered explicitly. The first contribution of this thesis is the definition of a model called Network Knowledge Base (NKB), which allows to represent social contexts as a complex multi-layer network, in which individual knowledge can be maintained. Additionally, in this model the notion of network is enriched with a set of constraints that conditions both the structural part of the network and the individual users' knowledge bases|thus, different types of domains and applications can be characterized. Furthermore, the concept of news item is proposed as a means to represent the information that ows through the network. In social contexts, given that the volume of information that can be generated in a very short time and the speed with which it can spread over the network, the task of integrating this information with the agents' previous knowledge is not easy. Based on existing literature, it is possible to consider approaching the knowledge integration task via classical belief revision operators; however, after analyzing this possibility, it was concluded that such operators are not appropriate since classical operators are not capable of managing the richness of the epistemic inputs produced by social platforms. Therefore, one of the main contribution of this work is the definition of three novel belief revision operator families specifically conceived for revising local knowledge base: restrained, weakly restrained, and social. These operators are defined based on the satisfaction of different subsets of postulates specified for the purpose of representing different attitudes that a user can have when integrating social knowledge. The definition of such postulates were informed by an empirical evaluation over a real-world dataset from the Twitter social network. Moreover, an algorithmic construction is proposed for the first two operator families called revise for restrained, whose output is generated by considering all valid operations over a KB based on strict partial orders. As a final contribution, results are reported on a second empirical evaluation, which has the objective of implementing an application of a simplified version of the NKB model. This experiment demonstrates that, leveraging Machine Learning algorithms, the model can be used to predict basic user behaviors in Twitter.