Uw kansen op het vormen van online vriendschappen hangen voornamelijk af van het aantal groepen en organisaties waar u lid van wordt, niet hun type, volgens een analyse van zes online sociale netwerken door datawetenschappers van Rice University.

"Als iemand vrienden zoekt, ze moeten in principe in zoveel mogelijk gemeenschappen actief zijn, " zei Anshumali Shrivastava, assistent-professor informatica bij Rice en co-auteur van een peer-reviewed onderzoek dat vorige maand werd gepresenteerd op de IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining 2018 in Barcelona, Spanje. "En als ze vrienden willen worden met een bepaalde persoon, ze moeten proberen deel uit te maken van alle groepen waar die persoon deel van uitmaakt."

De bevinding is gebaseerd op een analyse van zes online sociale netwerken met miljoenen leden, en Shrivastava zei dat zijn eenvoud als een verrassing kan komen voor degenen die vriendschapsvorming bestuderen en de rol die gemeenschappen spelen bij het tot stand brengen van vriendschappen.

"Er is een oud gezegde dat 'vogels van een veer samenkomen, '" zei Shrivastava. "En dat idee - dat mensen die meer op elkaar lijken, meer kans hebben om vrienden te worden - is belichaamd in een principe dat homofilie wordt genoemd, dat is een veel bestudeerd concept in vriendschapsvorming."

Een denkrichting stelt dat vanwege homofilie, de kans dat mensen vrienden worden, neemt in sommige groepen toe. Om hiermee rekening te houden in computationele modellen van vriendschapsnetwerken, onderzoekers kennen elke groep vaak een "affiniteitsscore" toe; hoe meer groepsleden op elkaar lijken, hoe groter hun affiniteit en hoe groter hun kansen om vriendschappen te sluiten.

Voorafgaand aan sociale media, er waren weinig gedetailleerde gegevens over vriendschappen tussen individuen in grote organisaties. Dat veranderde met de komst van sociale netwerken met miljoenen individuele leden die vaak zijn aangesloten bij veel gemeenschappen en subgemeenschappen binnen het netwerk.

"Een gemeenschap, voor onze doeleinden, is een gelieerde groep mensen binnen het netwerk, " zei Shrivastava. "Gemeenschappen kunnen erg groot zijn, zoals iedereen die zich identificeert met een bepaald land of een bepaalde staat, en ze kunnen heel klein zijn, als een handvol oude vrienden die elkaar één keer per jaar ontmoeten."

Het vinden van betekenisvolle affiniteitsscores voor honderdduizenden gemeenschappen in online sociale netwerken was een uitdaging voor analisten en modelbouwers. Het berekenen van de kans op vriendschapsvorming wordt verder bemoeilijkt door de overlap tussen gemeenschappen en subcommissies. Bijvoorbeeld, als de oude vrienden in het bovenstaande voorbeeld in drie verschillende staten wonen, hun kleine subgemeenschap overlapt met de grote gemeenschappen van mensen uit die staten. Omdat veel individuen in sociale netwerken tot tientallen gemeenschappen en subgemeenschappen behoren, overlappende verbindingen kunnen dicht worden.

in 2016, Shrivastava en co-auteur Chen Luo, een afgestudeerde student in zijn onderzoeksgroep, realiseerde zich dat sommige bekende analyses van online vriendschapsvorming geen rekening hielden met factoren die voortkwamen uit overlap.

"Laten we zeggen Adam, Bob en Charlie zijn lid van dezelfde vier gemeenschappen, maar daarnaast, Adam is lid van 16 andere gemeenschappen, "Zei Shrivastava. "Het bestaande affiliatiemodel zegt dat de kans dat Adam en Charlie vrienden zijn alleen afhangt van de affiniteitsmaten van de vier gemeenschappen die ze gemeen hebben. Het maakt niet uit dat ze allemaal bevriend zijn met Bob of dat Adam in 16 andere richtingen wordt getrokken."

Dat leek Luo en Shrivastava een flagrante vergissing, maar ze hadden een idee hoe ze dit moesten verklaren op basis van een analogie die ze zagen tussen de overlappende subgemeenschappen en de overlappende overeenkomsten tussen webpagina's waarmee internetzoekmachines rekening moeten houden. Een van de meest populaire maatregelen voor zoeken op internet is de Jaccard-overlap, die eind jaren negentig werd ontwikkeld door wetenschappers van Google en anderen.

"We gebruikten dit om overlap tussen gemeenschappen te meten en controleerden vervolgens of er een verband was tussen overlap en vriendschapskans, of vriendschapsband, op zes goed bestudeerde sociale netwerken, " zei Shrivastava. "We vonden dat op alle zes, de relatie zag er min of meer uit als een rechte lijn."

"Dat houdt in dat vriendschapsvorming alleen kan worden verklaard door te kijken naar overlap tussen gemeenschappen, " zei Luo. "Met andere woorden, u hoeft geen rekening te houden met affiniteitsmaatregelen voor specifieke gemeenschappen. Al dat extra werk is overbodig."

Toen Luo en Shrivastava eenmaal de lineaire relatie tussen Jaccard-overlap van gemeenschappen en vriendschapsvorming zagen, ze zagen ook een kans om een ​​methode voor het indexeren van gegevens te gebruiken genaamd "hashing, " die wordt gebruikt om webdocumenten te ordenen voor efficiënt zoeken. Shrivastava en zijn collega's hebben hashing toegepast om uiteenlopende rekenproblemen op te lossen, zoals locatiedetectie binnenshuis, de opleiding van deep learning-netwerken en een nauwkeurige schatting van het aantal geïdentificeerde slachtoffers die zijn omgekomen in de Syrische burgeroorlog.

Shrivastava zei dat hij en Luo een model ontwikkelden voor vriendschapsvorming dat "de manier nabootste van de wiskunde achter het hashenwerk".

Het model biedt een eenvoudige verklaring voor het ontstaan ​​van vriendschappen.

"Gemeenten hebben de hele tijd evenementen en activiteiten, maar sommige hiervan zijn een grotere aantrekkingskracht, en de voorkeur om deze bij te wonen is groter, " zei Shrivastava. "Op basis van deze voorkeur, individuen worden actief in de meest geprefereerde gemeenschappen waartoe ze behoren. Als twee mensen tegelijkertijd actief zijn in dezelfde gemeenschap, ze hebben een constante, meestal klein, kans op het vormen van een vriendschap. Dat is het. Dit herstelt wiskundig ons waargenomen empirische model."

Hij zei dat de bevindingen nuttig kunnen zijn voor iedereen die gemeenschappen bij elkaar wil brengen en het proces van vriendschapsvorming wil verbeteren.

"Het lijkt erop dat de meest effectieve manier is om mensen aan te moedigen meer subgemeenschappen te vormen, " zei Shrivastava. "Hoe meer subgemeenschappen je hebt, hoe meer ze elkaar overlappen, en hoe waarschijnlijker het is dat individuele leden in de hele organisatie hechtere vriendschappen zullen hebben. Mensen hebben lang gedacht dat dit een factor zou zijn, maar wat we hebben laten zien is dat dit waarschijnlijk de enige is waar je op moet letten."