Анализ дружеских связей VK — различия между версиями
(→Задачи) |
(→Заключение) |
||
| (не показано 7 промежуточных версий 2 участников) | |||
| Строка 1: | Строка 1: | ||
| − | [[File: | + | [[File:znaGfHygTsk.jpg|600px|thumb|right|Так выглядит пример социального графа дружеских связей.Каждый квадратик - человек.Каждая линия - дружба.]] |
== <big>Введение</big> == | == <big>Введение</big> == | ||
| Строка 36: | Строка 36: | ||
<big>1.Для получения данных пользователь мы использовали API Вконтакте. API ВКонтакте — это интерфейс, который позволяет получать информацию из базы данных vk.com с помощью http-запросов к специальному серверу. Для работы с VK API в Python есть две популярные библиотеки: vk и vk_api. | <big>1.Для получения данных пользователь мы использовали API Вконтакте. API ВКонтакте — это интерфейс, который позволяет получать информацию из базы данных vk.com с помощью http-запросов к специальному серверу. Для работы с VK API в Python есть две популярные библиотеки: vk и vk_api. | ||
| − | В своём проекте мы использовали библиотеку vk_api.С помощью методов этой | + | В своём проекте мы использовали библиотеку vk_api.С помощью методов этой библиотеки мы получаем списки друзей, которые далее нужно будет сортировать. |
| − | 2.После получения списков друзей с помощью методов API VK,нам нужно будет их отсортировать. | + | |
| + | 2.После получения списков друзей с помощью методов API VK,нам нужно будет их отсортировать.Делаем это следующим образом : | ||
| + | |||
| + | *Поисковым запросом находим список друзей исходного id. | ||
| + | |||
| + | *Далее заполняем словарь общих друзей. | ||
| + | |||
| + | *Получаем ответ. | ||
| + | |||
| + | Всю полученную информацию мы сохраняем в словаре. | ||
| + | |||
| + | Таким образом,суть в том, что мы просто составляем словарь по поисковым запросам.У нас есть первоначальная таблица id друзей.Затем, c помощью цикла у каждого id мы смотрим количество общих друзей с исходным id. | ||
3.Для визуализации графов мы использовали библиотеку NetworkX. | 3.Для визуализации графов мы использовали библиотеку NetworkX. | ||
| − | + | Рассматриваемая библиотека NetworkX предназначенная для создания, манипуляции и изучения структуры, динамики и функционирования сложных сетевых структур.Так же использовалась библиотека Matplotlib. | |
| − | Более подробное описание выполнения работы Вы можете найти в текстовом | + | Более подробное описание выполнения работы Вы можете найти в текстовом документе нашей курсовой работы.(см. раздел "Скачать проект")</big> |
== <big>Результаты работы программы</big> == | == <big>Результаты работы программы</big> == | ||
| Строка 55: | Строка 66: | ||
<big>Таким образом, в ходе работы над проектом, был построен социальный граф дружеских связей в социальной сети Вконтакте. Мы смогли проанализировать информацию о некоторой группе людей и наглядно увидеть связь между ними. Из результатов программы можно увидеть, как выделяются подгруппы людей, внутри которых почти все дружат между собой —та самая кластеризация, о которой говорилось во введении. | <big>Таким образом, в ходе работы над проектом, был построен социальный граф дружеских связей в социальной сети Вконтакте. Мы смогли проанализировать информацию о некоторой группе людей и наглядно увидеть связь между ними. Из результатов программы можно увидеть, как выделяются подгруппы людей, внутри которых почти все дружат между собой —та самая кластеризация, о которой говорилось во введении. | ||
</big> | </big> | ||
| − | + | ||
| + | == <big>Перспективы развития проекта</big> == | ||
| + | *Визуализация проекта с помощью 3D графики. | ||
| + | *Использование более полной информации о пользователях(например: фотографии профилей, имена. | ||
| + | *Работа в realtime. | ||
| + | *Использование RAD-buildera для вывода этого проекта в конченый продукт. | ||
| + | *Построение собственной рекомендательной системы на основе связей/общих интересов и тд. | ||
== <big>Cписок литературы</big> == | == <big>Cписок литературы</big> == | ||
| Строка 71: | Строка 88: | ||
* Документация Matplotlib: https://matplotlib.org</big> | * Документация Matplotlib: https://matplotlib.org</big> | ||
| − | == <big>Скачать проект</big> == | + | == <big>Скачать проект</big> == |
| − | |||
| + | * Текстовый документ описания курсовой работы: | ||
| + | [[File:Курсовая_Работа_Граф_Дружеских_Связей.docx]] | ||
| + | * Код программы на языке Python : | ||
| + | |||
| + | [[:File:Код_Программы.docx]] | ||
== <big>Участники проекта</big> == | == <big>Участники проекта</big> == | ||
Текущая версия на 11:04, 2 июня 2017
Содержание
Введение[править]
Все мы знакомы с теорией о шести рукопожатиях. Недавний анализ сети Фейсбука вывел число 4,7. Мы решили проверить эти данные, только в той соцсети, в которой «живём» (а именно, ВКонтакте). Наша задача – анализ дружеских сетей Вконтакте,разработана на языке программирования Python. Она позволяет построить социальный граф своей странички в сети Вконтакте. Социальный граф — это информация о некоторой группе людей и об отношениях между ними (в данном случае о том, кто с кем дружит). Но часто под этим словосочетанием также подразумевается и схематичное изображение этой информации — в виде точек и линий между ними. Если определенным образом переставить точки, то можно видеть, как выделяются подгруппы людей, внутри которых почти все дружат между собой — это называется кластеризацией.
Чтобы построить социальный граф, нам надо:
1. Получить список всех друзей текущего пользователя и представить их в виде точек на плоскости.
2. Для каждого друга из п.1 получить его друзей, общих с текущим пользователем.
3. Точку каждого друга соединить линиями с точками других друзей, которые есть у него в друзьях.
Для более точного понимания можно рассмотреть пример:
у Вас есть все из перечисленных друзей (A, B, C, D, E, F H, K). В свою очередь у друга 'A' есть Ваш друг 'E' и 'F'. У друга 'B' есть Ваши друзья 'C', 'D', 'H', 'K'. Ваш друг 'C' дружит с 'D' и 'K'.
Цель[править]
Главной целью нашей работы является анализ дружеских связей Вконтакте с помощью построения социального графа.
Задачи [править]
1.Получение данных пользователя.
2.Обработка полученных данных.
3.Визуализация.
Описание выполнения задач[править]
1.Для получения данных пользователь мы использовали API Вконтакте. API ВКонтакте — это интерфейс, который позволяет получать информацию из базы данных vk.com с помощью http-запросов к специальному серверу. Для работы с VK API в Python есть две популярные библиотеки: vk и vk_api. В своём проекте мы использовали библиотеку vk_api.С помощью методов этой библиотеки мы получаем списки друзей, которые далее нужно будет сортировать.
2.После получения списков друзей с помощью методов API VK,нам нужно будет их отсортировать.Делаем это следующим образом :
- Поисковым запросом находим список друзей исходного id.
- Далее заполняем словарь общих друзей.
- Получаем ответ.
Всю полученную информацию мы сохраняем в словаре.
Таким образом,суть в том, что мы просто составляем словарь по поисковым запросам.У нас есть первоначальная таблица id друзей.Затем, c помощью цикла у каждого id мы смотрим количество общих друзей с исходным id.
3.Для визуализации графов мы использовали библиотеку NetworkX. Рассматриваемая библиотека NetworkX предназначенная для создания, манипуляции и изучения структуры, динамики и функционирования сложных сетевых структур.Так же использовалась библиотека Matplotlib.
Более подробное описание выполнения работы Вы можете найти в текстовом документе нашей курсовой работы.(см. раздел "Скачать проект")
Результаты работы программы[править]
Полученный социальный граф дружеских связей.
Заключение[править]
Таким образом, в ходе работы над проектом, был построен социальный граф дружеских связей в социальной сети Вконтакте. Мы смогли проанализировать информацию о некоторой группе людей и наглядно увидеть связь между ними. Из результатов программы можно увидеть, как выделяются подгруппы людей, внутри которых почти все дружат между собой —та самая кластеризация, о которой говорилось во введении.
Перспективы развития проекта[править]
- Визуализация проекта с помощью 3D графики.
- Использование более полной информации о пользователях(например: фотографии профилей, имена.
- Работа в realtime.
- Использование RAD-buildera для вывода этого проекта в конченый продукт.
- Построение собственной рекомендательной системы на основе связей/общих интересов и тд.
Cписок литературы[править]
- Документация API VK : https://vk.com/dev/manuals
- Документация NetworkX : https://networkx.readthedocs.io/en/stable/
- Документация Matplotlib: https://matplotlib.org
Скачать проект[править]
- Текстовый документ описания курсовой работы:
Файл:Курсовая Работа Граф Дружеских Связей.docx
- Код программы на языке Python :
