GIỚI THIỆU THUẬT TOÁN TÌM BETWEENNESS CENTRALITY

Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
Mở đầu
Ý tưởng rằng các mạng quan hệ là quan trọng trong khoa học xã hội không
phải là mới, nhưng phổ biến rộng rãi dữ liệu sẵn có và sự phát triển trong
tính toán và phương pháp luận đã làm cho việc phân tích mạng xã hội được
ứng dụng rộng rãi ở nhiều lĩnh vực vượt ra ngoài khoa học xã hội, mặc dù
những tiến bộ lớn nhất nói chung đã liên quan đến việc nghiên cứu cấu trúc
được tạo ra bởi con người.
Các nhà khoa học máy tính đã sử dụng phương pháp phân tích mạng để
nghiên cứu các trang web, lưu lượng truy cập Internet, phổ biến thông tin…
Phương tiện truyền thông đang ngày càng tham gia tích cực vào trong cuộc
sống thường nhật của hàng trăm triệu người dân, trong đó có mạng xã hội –
một kênh thông tin có tốc độ lan truyền rất nhanh, phân tích mạng xã hội là
một yêu cầu đặt ra và kết quả phân tích được sử dụng trong nhiều lĩnh vực…
Phạm vi bài thu hoạch này tôi xin trình bày lại phần kiến thức tìm hiểu được
của mình sau tìm hiểu về mạng xã hội gồm 2 phần chính:Phần 1 Phân tích
mạng xã hội, phần 2 xây dựng thuật toán tính Betweenness theo thuật toán
của Ulrik Brandes - Department of Computer & Information Science,
University of Konstanz. trong bài báo A Faster Algorithm for Betweenness
Centrality (2001).
Qua đây tôi cũng xin chân thành gởi lời cảm ơn đến PGS TS Đỗ Phúc đã
chuyển tải những bài giảng cho chúng tôi qua cách thể hiện sinh động của
Thầy. Tôi cũng rất cảm ơn các bạn cùng lớp đã đóng góp những tài liệu quý
báu làm cơ sở cho tôi thực hiện bài tiểu luận này.
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
Mục lục
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
Nội dung
Chương I: PHÂN TÍCH MẠNG XÃ HỘI

I.1 Giới thiệu mạng xã hội
Mạng xã hội, hay gọi là mạng xã hội ảo, là dịch vụ nối kết các thành viên
cùng sở thích trên Internet lại với nhau với nhiều mục đích khác nhau không
phân biệt không gian và thời gian.
Mạng xã hội có những tính năng như chat, e-mail, phim ảnh, voice chat, chia
sẻ file, blog và xã luận. Mạng đổi mới hoàn toàn cách cư dân mạng liên kết
với nhau và trở thành một phần tất yếu của mỗi ngày cho hàng trăm triệu
thành viên khắp thế giới. Các dịch vụ này có nhiều phương cách để các thành
viên tìm kiếm bạn bè, đối tác: dựa theo group (ví dụ như tên trường hoặc tên
thành phố), dựa trên thông tin cá nhân (như địa chỉ e-mail hoặc screen name),
hoặc dựa trên sở thích cá nhân (như thể thao, phim ảnh, sách báo, hoặc ca
nhạc), lĩnh vực quan tâm: kinh doanh, mua bán
I.2 Một số khái niệm
I.2.1 Network
Trong phân tích mạng xã hội, khái niệm về lý thuyết đồ thị được dùng để hiểu
và giải thích các hiện tượng xã hội. Một mạng xã hội bao gồm một tập hợp
những actor – có thể là một tổ chức hay cá nhân và giữa họ có nhiều loại quan
hệ.
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
Mối quan hệ giữa các actor trên mạng được biểu diễn bằng đồ thị: có thể là
đồ thị có hướng hoặc vô hướng tùy theo mối quan hệ giữa các actor, mỗi
mối quan hệ giữa 2 actor được thể hiện bằng một cạnh và có thể có hoặc
không có trọng số.
Ví dụ sau đây giả sử mạng có 4 actor và giữa họ có những mối quan hệ
giao tiếp với nhau : Ann (1),Jim(2), Mary( 3), John (4) được mô phỏng
bằng một đồ thị có hướng như sau:
Dữ liệu của đồ thị có hướng này được biểu diễn bằng danh sách cạnh,
hoặc ma trận kề như hình bên dưới
Biểu diễn bằng đồ thị vô hướng:

HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
I.2.2 Liên kết mạnh và liên kết yếu (Strong and weak Ties)
Một trong những vai trò của các mạng là tạo ra cầu nối cục bộ cũng như
toàn cầu để cung cấp những sự giải thích cho câu hỏi quá trình đơn giản
xảy ra tại các nút riêng và lan truyền thông qua những liên kết phức tạp
trong toàn bộ mạng.
- Cạnh nối có thể biểu diễn cho các tương tác, dòng chảy của thông tin,
hàng hoá, tương đồng / hội nhập, hoặc quan hệ xã hội, cụ thể đối với
quan hệ xã hội
- Nguyên tắc: triadic closure: trong mạng xã hội nếu 2 người một người
bạn chung, thì trong tương lai có thể 3 người trở nên bạn của nhau
(transitivity – trong phân tích mạng xã hội đây là thuộc tính của một kết
nối)
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
Hình trsên minh họa: B, C có chung nút kề A, Cạnh BC sẽ có khả năng
được hình thành…Giải thích dựa theo hình minh họa thuật ngữ “Triadic
closure” xuất phát từ cạnh nối BC là cạnh thứ 3 của 3 cạnh tam giác ABC.
Nếu ta quan sát ảnh chụp của mạng xã hội tại 2 điểm phân biệt trong một
khoảng thời gian, sau đó trong ảnh chụp sau, ta sẽ thấy có một số lượng
đáng kể các cạnh nối xuất hiện mà cạnh này là cạnh “đóng” của “tam giác
– 2 nút có chung một nút kề” trong ảnh chụp trước đó.
- Triadic closure có vai trò cơ bản là thúc đẩy sự hình thành độ đo mạng
xã hội đơn giản và nắm được mức độ lan tỏa, phổ biến của nó, một
trong số đó là hệ số phân nhóm (clustering cofficient). Hệ số phân
nhóm của một nút được định nghĩa như 2 người bạn bất kỳ của nút đó
làm bạn với nhau. Hay nói các khác hệ số phân nhóm của một nút là tỉ
lệ mà những nút kề của nút đó nối với nhau bằng một cạnh nối trên tổng
số các nút kề. Ví dụ trong hình trên hệ số phân nhóm của nút A trong

hình (a) là 1/6 trong khi đó nút A trong hình (b) là 3/6. Tóm lại hệ số
phân nhóm nằm trong phạm vi từ 0 đến 1, hệ số này bằng 0 khi không
có cạnh nối nào của các nút bạn của nút đó, và bằng 1 khi các nút bạn
của nó nối với nhau từng đôi một. Hệ số phân nhóm càng cao, phản ánh
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
mức độ liên kết hoạt động của nhóm các nút lân cận càng mạnh và
ngược lại.
- Cầu nối và cầu nối vùng (brigde and local brigde): cầu nối là cạnh nối mà
kết nối 2 nhóm (lân cận). Trong hình sau mô tả mạng xã hội, trong mỗi
cạnh của nó có nhãn là s(strong) mạnh hoặc w(Weak) yếu để mô tả mối
quan hệ mạnh hoặc yếu. Trong hình sau, cạnh AB không phải là duy nhất
kết nối 2 điểm A,B mặc dù có thể không nhận ra nó, có con đường xa hơn
để kết nối từ A đến B là qua F, G và H. Loại cấu trúc này có thể coi là phổ
biến hơn nhiều so với cầu nối trong mạng xã hội thật sự.
Trong đồ thị trên cạnh nối 2 điểm A và B là cầu nối vùng (local brigdes),
khi A và B không có chung đỉnh kề nào, nếu xóa đi cạnh nối A, B thì sẽ
làm tăng khoảng cách đi từ A đến B.
- Homophily (đồng tính) là mối quan hệ giữa những người đồng tính cách,
quan điểm trạng thái, tín ngưỡng…nó dẫn đến sự hình thành các nhóm
(cụm) đồng nhất, hình thành các mối quan hệ dễ dàng hơn. Sự đồng nhất
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
cực đoan có thể dẫn đến làm trái với tư tưởng chung trong một số ngữ cảnh
(đó là hệ quả không mong muốn)
I.2.3 Phần tử chủ chốt (Key Player)
Trong mạng xã hội, phần tử chủ chốt được hiểu như là phần tử mà có đóng góp
quan trọng trong sự gắn kết các phần tử trong mạng… như việc kết nối các actor,
truyền thông tin … Để xếp hạng cho các các actor trong mạng dựa vào các chỉ
số độ đo trung tâm (centrality). Để xác định được tập các phần tử chủ chốt trước

hết cần phải biết được mục đích của việc tìm phần tử chủ chốt để xác định dựa
vào chỉ số trung tâm nào ?
Key player (Stephen P. Borgatti) được nhiều được chia làm 2 loại
- Key player Problem/Negative (KPP_Neg): những key player tiêu cực
là những phần tử mà khi loại bỏ nó khỏi mạng thì làm cho mạng kết
quả trở nên phân mảnh (ít sự gắn kết)
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
- Key player Problem/Positive (KPP_Pos): những key player tích cực: là
những phần tử có khả năng kết nối tất cả các node trong mạng. Để xác
định được những phần tử đó ta phải dựa vào các độ đo trung tâm.
 Các độ đo trung tâm
o Degree: (bậc ) là chỉ số xác định số liên kết được nối với
node, nếu đồ thị vô hướng, nếu đồ thị có hướng thì gồm tổng
số liên kết vào và liên kết ra) là độ đo xác định sự kết nối,
mức độ ảnh hưởng, phổ biến của nút. Độ đo này hữu ích khi
dùng để xác định nút có là trung tâm lan truyền thông tin và
ảnh hưởng ngay lập tức đến các node kề của nó.
o Đường đi và đường đi ngắn nhất
 Đường đi giữa hai node: là thứ tự các node (không lặp
lại) kết nối giữa hai nút
 Đường đi ngắn nhất giữa hai node là đường đi mà số
cạnh kết nối giữa 2 node là ngắn nhất
o Betweenness centrality của một nút: tổng tỉ lệ số con đường
ngắn nhất đi qua nút i chia cho tổng số con đường ngắn nhất
trong toàn mạng. chỉ số này thể hiện mức độ nút này nằm trên
đường truyền thông tin giữa các nút khác trong mạng, và khi
loại bỏ nút này thì làm mạng sẽ bị tách ra nhiều phần (phần
này sẽ được trình bày kỹ hơn ở chương 2 trong thuật toán tìm
Betweenness

o Closeness centrality: là chiều dài của tất cả các đường đi ngắn
nhất từ một nút đến tất cả các nút khác trên mạng, là chỉ số
dùng để xác định tốc độ lan truyền thông tin từ một nút đến
các nút khác trong mạng
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
o Eigenvector centrality: tỉ lệ thuật với eigenvector của các nút
kề của nó, mục đích của chỉ số này để xác định nút nào có kết
nối với nhiều nút được kết nối nhất
Chương II: GIỚI THIỆU THUẬT TOÁN TÌM
BETWEENNESS CENTRALITY
Một công cụ cần thiết cho việc phân tích mạng xã hội là các chỉ số trung tâm
(centrality), được định nghĩa dựa trên tập đỉnh của đồ thị. Chúng được thiết
kế để xếp hạng các actor tùy theo vị trí của nó trong mạng và được hiểu như
sự nổi bật của những actor đó khi nhúng vào cấu trúc xã hội. Nhiều chỉ
số dựa trên đường đi ngắn nhất nối những cặp actor, đo lường … ví dụ như
khoảng cách trung bình từ các actor khác hoặc tỉ lệ giữa đường đi ngắn nhất
có chứa actor đó. Centrality là khái niệm cốt lõi trong phân tích mạng xã hội,
trong đó Betweenness là một trong những chỉ số nổi bật nhất.
Betweenness centrality là chỉ số rất quan trọng trong quá trình phân tích
mạng, nhưng chi phí tính toán nó quá đắt. Trong phần này xin trình bày thuật
toán có độ phức tạp về không gian là O(n+m) và độ phức tạp thời gian là
trong khoảng O(nm) và O(nm+n
2
logn) cho đồ thị có trọng số và không có
trọng số. trong đó m là số liên kết, n là số các actor trên mạng. Độ đo
betweenness dựa trên đường đi ngắn nhất là một thước đo chuẩn trong
nhiều nghiên cứu và triển khai các phần mềm phân tích mạng.
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang 10
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc

II.1 Định nghĩa và ký hiệu
- Một đồ thị có hướng G=(V,E) gồm một tập đỉnh V và tập cạnh E (hay
còn gọi là các kết nối). Cạnh có hướng e =(u,v) E trong đó v được gọi là
đỉnh đầu, u là đỉnh cuối và v được gọi là đỉnh kề với u.
- Đồ thị vô hướng tương đương với đồ thị có hướng đối xứng có chứa 2
cạnh có hướng ngược nhau đối với mỗi cạnh vô hướng.
- Một đường đi (path) từ đỉnh nguồn s V đến đỉnh t V viết là (s,t) là thứ
tự các đỉnh và cạnh: s, (s,v1), v1, (v1,v2), v2,…,(vk,t),t bắt đầu từ s và
kết thúc ở t, đỉnh cuối của cạnh là đỉnh đầu của cạnh tiếp theo trong
đường đi. Chiều dài của đường đi từ s đến t: length(s,t) là số các cạnh
mà nó chứa. Khoảng cách giữa s và t: dist(s,t) được định nghĩa là chiều
dài ngắn nhất từ đỉnh s đến đỉnh t trong các đường đi từ s đến t. Lưu ý
nếu s và t trùng nhau thì dist(s,t) =0.
- Kí hiệu : số đường đi ngắn nhất từ s đến t (shortest(s,t)) và kí hiệu là số
đường đi ngắn nhất từ s đến t mà đi qua v. Nếu s=t thì và nếu đỉnh v
{s,t} thì đặt
- Bổ đề: (Bellman criterion): Một đỉnh v nằm trên một đường đi ngắn
nhất giữa s và t nếu và chỉ nếu dist(s,t) = dist(s,v)+dist(v,t).
- Cho khoảng cách từng cặp đỉnh và số đếm đường đường đi ngắn nhất,
giá trị cặp đỉnh phụ thuộc st(v) được tính bằng công thức
trong đó s,t và có đỉnh trung gian v
Điều đó có nghĩa là tỉ lệ đường đi ngắn nhất giửa s và t mà có đi qua v
được tính:
- Đường đi ngắn nhất Betweenness C
B
(v) được định nghĩa theo công thức
sau:
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang 11
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
hay công thức:

Với qui ước 0/0 =0. Độ đo này được hiểu như là mức độ đỉnh đó tham
gia vào các kết nối trên những cặp đỉnh khác nhau, dựa trên giả thuyết là
những kết nối quan trọng được chia đều chó tất cả các đường đi ngắn
nhất đối với mỗi cặp đỉnh
- Một điểm đã được chỉ ra trong Freeman (1977), định nghĩa betweenness
áp dụng cho đồ thị không liên thông không có gì thay đổi. Mặc dù
khoảng cách giữa hai đỉnh không được kết nối bởi một đường đi có
hướng là không xác định, điều này cũng có nghĩa là số đường đi ngắn
nhất giữa chúng là 0, 0 chính là kết quả mong muốn.
- Tóm lại: betweenness centrality theo truyền thống được xác định qua 2
bước:
o 1: Tính độ dài và số đường đi ngắn nhất giữa các cặp đỉnh
(từng đôi một)
o 2: Tính tổng tất cả các cặp phụ thuộc
II.2 Đếm số đường đi ngắn nhất
- Bổ đề 2: ( đếm đường đi đại số): đặt lũy thừa k của ma
trận kề của đồ thị không có trọng số . Và (a
uv
(k)
bằng số đường đi từ u
đến v có độ dài k
- Với mỗi đỉnh tính tổng các cặp phụ thuộc chi phí là O(n
2
) , thời gian
chạy tổng thể thực hiện được chi phối bởi thời gian nhân ma trận
- Rõ ràng, đếm đường đi đại số đã tìm ra nhiều thông tin hơn cần thiết.
Thay vì số đường đi có chiều dài ngắn hơn đường kính của mạng
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang 12
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
(khoảng cách lớn nhất của tất cả các cặp đỉnh) chúng ta chỉ quan tâm

đến số con đường ngắn nhất giữa mỗi cặp đỉnh
- Để lợi dụng những thực thể điển hình nằm rải rác, chúng ta đếm số
đường đi ngắn nhất bằng thuật toán duyệt (traversal algorithm). Cả hai
thuật toán BFS cho đồ thị không có trọng số và thuật toán Dijkstra cho
đồ thị có trọng số bắt đầu từ một đỉnh nguồn s và mỗi bước đưa thêm
đỉnh gần nhất vào tập đỉnh đã được thăm để tìm đường đi ngắn nhất từ
đỉnh nguồn đến tất cả các đỉnh khác. Trong quá trình này, chúng đương
nhiên sẽ khám phá ra tất cả các đường đi ngắn nhất từ đỉnh nguồn. Tập
các đỉnh trước của đỉnh v trên đường đi ngắn nhất từ đỉnh s là
- Bổ đề 3: Đếm tổ hợp các đường đi ngắn nhất đối với đỉnh s≠v
Chứng minh: Vì tất cả các trọng số cạnh là rõ
ràng, cạnh cuối cùng của bất kỳ đường đi ngắn
nhất từ s đến v là một cạnh {u,v} do vậy d
G
(s,u) < d
G
(s,v). Rõ ràng, số
đường đi ngắn nhất từ s đến v kết thúc bởi cạnh này bằng với số đường
đi ngắn nhất từ s đến u.
II.3 Gom nhóm các cặp đỉnh phụ thuộc
- Khái niệm về sự phụ thuộc của một đỉnh s vào một đỉnh v được định
nghĩa bởi công thức
Điều quan trọng ta nhận thấy rằng tổng của những phần này tuân theo
một quan hệ đệ quy.
- Bổ đề 5: Nếu có chính xác một đường đi ngắn nhất từ s đến mỗi đỉnh t,
sự phụ thuộc của đỉnh s vào bất kỳ đỉnh v tuân theo công thức
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang 13
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
- Định lý 6: sự phụ thuộc của s vào bất kỳ v tuân theo công thức
Chứng minh: ta có >0 chỉ khi tồn tại t mà v nằm trên ít nhất một đường

đi ngắn nhất từ s đến t, và lưu ý rằng trên bất cứ một đường đi nào như
thế có chính xác 1 cạnh {v,w} với vP
s
(w). Điều này sẽ được thấy rõ hơn
qua hình minh họa sau:
Hình 2: Trường hợp tổng quát của định lý 6, các thành phần của phụ
thuộc vào đỉnh sau được kế thừa dọc theo những cạnh của đồ thị có
hướng mở của những đường đi ngắn nhất từ đỉnh nguồn
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang 14
Hình 1.1: với giả thiết trong
bổ đề 5, một đỉnh nằm trên tất
cả các đường đi ngắn nhất đến
đỉnh sau nó trong cây đường
đi ngắn nhất từ đỉnh nguồn.
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
II.4 Thuật toán tìm Betweenness (Ulrik Brandes 2001)
- Betweenness được tính toán hiệu quả dựa trên thực tế khối số lượng
từng cặp đỉnh phụ thuộc = có thể được tổng hợp mà không cần tính tất
cả chúng một các rõ ràng.
Với mọi s,v ta có thể kết luận
Quan hệ đệ qui này khẳng định rằng sự phụ thuộc của đỉnh s vào một số
đỉnh v có thể được dịch ra từ sự phụ thuộc vào những đỉnh trên các cạnh
nằm ở xa.
Thuật toán: Shortest path vertex betweenness (Brandes, 2001)
 Input: đồ thị có hướng G=(V,E)
 Dữ liệu:
o hàng đợi Q, stack S có thể chứa tất cả các đỉnh v
o dist[v]: khoảng cách từ đỉnh nguồn
o Pred[v]: danh sách các đỉnh trước của v trong đường đi ngắn
nhất

o đỉnh nguồn đến v
o : phụ thuộc của đỉnh nguồn trên v
 Output: betweenness của C
B
[v] (v)
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang 15
(1)
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
- Vì C
B
(v) = v), Thuật toán 1 tính betweenness bằng cách lặp lại đối
với tất cả các đỉnh v, mỗi lầ tính toán (sv) cho đỉnh v có 2 bước:
bước 1 là tìm kiếm theo chiều rộng: xác định khoảng cách và số
đường đi ngắn nhất từ s, bước 2: lần ngược lại tất cả các đỉnh đã
được đặt theo thứ tự thăm trong quá trình duyệt theo chiều rộng ở
bước 1 có nghĩa là đỉnh ở xa s nhất sẽ được duyệt đầu tiên và tính độ
phụ thuộc theo công thức (1)
- Lưu ý rằng thuật toán này áp dụng chung cho đồ thị có hướng và vô
hướng. Với đồ thị vô hướng thì số điểm sẽ được ghi nhận gấp đôi so
với đồ thị có hướng vì mỗi cặp đỉnh được xem xét 2 lần mỗi lần một
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang 16
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
hướng. Tổng quát, chỉ số trung tâm được tính bởi thuật toán 1 có thể
được bình thường hóa trong bất kỳ cách dùng nào.
CHƯƠNG TRÌNH DEMO
1 Mô tả
- Trong phạm vi bài thu hoạch này,chương trình demo của tôi thực hiện các
công việc sau:
o Tính chỉ số Degree, Betweenness, Closeness, clustering.
o Xác định tập Key Player

2 Hướng dẫn sử dụng
- Bước 1: chọn số đỉnh của đồ thị (4-10)
- Bước 2: nhập ma trận kề của đồ thị (nhập trực tiếp hoặc nhập từ file có 2
file đồ thị kèm theo trong thư mục …bin\debug)
- Bước 3: check vào ô đồ thị vô hướng, nếu đồ thị nhập vào là vô hướng
(nếu không check vào thì hiểu như đồ thị có hướng)
- Bước 4: Click vào button Nạp dữ liệu
- Click vào button Degree Centrality để tính chỉ số Degree
- Click vào button Tìm Key player để tìm tập các phần tử chủ chốt
3. Kết quả thực hiện
a. Đồ thị mặc định khi chạy chương trình
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang 17
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
b. Đồ thị đề thi của Thầy
c. Đồ thị khác
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang 18
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
3. Hướng phát triển
Nếu có điều kiện chương trình sẽ phát triển như sau
- Đồ thị sẽ được tự động tạo hoặc lấy dữ liệu từ cơ sở dữ liệu đồ thị để phân
tích, số đỉnh của đồ thị lớn hơn
- Có hình ảnh minh họa trực quan về đồ thị
- Các chỉ số tính được sẽ được mô tả trực quan bằng biểu đồ.
Kết luận
Với tốc độ phát triển như hiện nay, mạng xã hội đang ngày càng tác
động lớn vào thói quen của cộng đồng mạng đặc biệt là giới trẻ.
Việc phân tích mạng xã hội là một yêu cầu cần thiết, kết quả phân
tích đó được ứng dụng trong nhiều lĩnh vực khác nhau đặc biệt là
trong kinh doanh, một lĩnh vực rất nhạy bén trong việc nhận thấy
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang 19

Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
khách hàng tiềm năng trong thế giới thu nhỏ này…Và nó cũng là
một thách thức đối với những nhà quản lý mạng làm sao để quản lý
thông tin được truyền trong mạng xã hội và ai là người phát tán
thông tin trên mạng? Những yêu cầu đó cho thấy vai trò của việc
phân tích mạng xã hội là quan trọng trong giai đoạn hiện nay.
Tuy vậy trong phạm vi bài báo cáo này tôi chỉ mới trình bày được
những khái niệm cơ bản trong phân tích mạng xã hội và chương
trình demo hỗ trợ tìm phần tử chủ chốt trong mạng xã hội (mô
phỏng)
Hướng phát triển
Báo cáo được viết sâu hơn, chi tiết hơn trong từng mục, cả những
cái nhìn toàn diện về mạng xã hội và các lĩnh vực ứng dụng kết quả
của mạng xã hội. Chương trình demo viết cho mạng thật sự lớn và
tìm phân tích online .
Vì thời gian làm bài báo cáo chuyên đề có hạn, thời gian tiếp xúc
với hướng phân tích mạng xã hội chưa nhiều nên bài thu hoạch còn
nhiều hạn chế, kính mong được sự thông cảm của Thầy cũng như
các bạn cho những thiếu sót của tôi.
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang 20
Bài thu hoạch môn CSDL Nâng cao GVHD: PGS TS Đỗ Phúc
Tài liệu tham khảo
[1] PGS TS Đỗ Phúc, Bài giảng môn Cơ sở dữ liệu nâng cao
[2] Dr. Giorgos Cheliotis ()
Communications and New Media, National University of Singapore, Social
Media
[3] Ulrik Brandes, the article “A Faster Algorithm for Betweenness
Centrality” 2001, the article “On Variants of Shortest-Path Betweenness
Centrality and their Generic Computation” (2007)
[5] Stephen P. Borgatti , the article “Identifying sets of key players in a social

network”
[6] David Easley and Jon Kleinberg , Networks, Crowds, and Markets:
Reasoning about a Highly Connected World , Cambridge University Press,
2010.
[7] Trang web Wikipedia – mạng xã hội
HVTH: Bùi Thị Mỹ Duyên MSHV CH1101079 Trang 21