Netzwerkkommunikation

Heute Vormittag hörte ich einem Vortrag von Herrn Prof. Dr. Ulrik Brandes von der Universität Konstanz, Informatik und Informationswissenschaft. Er hat zum Thema „Visuelle Exploration dynamischer Konfliktnetzwerke“ gesprochen.

Der Schwerpunkt lag dabei auf nicht-diskreten Rollenzuordnungen und deren Visualisierung in einem eigenvektorbasierten Verfahren. Als Grundlage nahm er Agenturmeldungen, die von KEDS (Kansas Event Data System) semiautomatisch auf genannte Beziehungen codiert wurden. Die Bestimmung dieser Beziehungen funktioniert mehrstufig: Zunächst werden die einzelnen Akteure identifiziert („angegriffen von der NATO“, „A gegen B“) und als Token definiert. Die Beziehungen untereinander werden dann mittels der WEIS Event Codes und den Goldenstein Scale Values klassifiziert. Eine Liste der 226 Codes findet sich zur Anschauung hier. Die Goldenstein Scale Values sind definiert zwischen -10 bis 10 und meinen sehr feindlich bis sehr freundlich. Die einzelnen WEIS Codes erklären die Art der Beziehung zwischen zwei Knoten. So ist beispielsweise „A visits B“ codiert mit „A B 032 1.9“.

Die Beziehungen der beteiligten Parteien während des Kriegs im ehemaligen Jugoslawien (Balkan Set der KEDS) wurden so dynamisch visualisiert. Im Zentrum der Forschung stand jedoch nicht die Erklärung des Balkankonfliktes, auch wenn aus den gewonnen strukturellen Erkenntnissen die Idee geboren wurde, eine Art Frühwarnsystem zu entwickeln. Vielmehr lag das Interesse im methodischen Bereich, nämlich bei der nicht-diskreten Rollenzuordnung. Einem Knoten wird im diskreten Falle immer eine einzige Rolle (oder auch gar keine) zugewiesen. Dies führt automatisch zu bestimmten Informationsverlusten. Eine nicht-diskreten Rollenzuteilung erlaubt, einer Kante mehrere Rollen zu unterschiedlichen Anteilen zuzuweisen. Mit dem vorgestellten Verfahren war es Brandes et al. möglich, einen Rollengraph als Hypothese über Eigenwerte und Eigenvektoren von mehreren Rollenmatrizen zu verifizieren. Interessant war neben vielen kleineren Details auch der „model fit“-Quotient, der beschreibt, wie gut der beschriebene bipartite Graph funktioniert.

Derzeit wird das Verfahren für n-partite Graphen ausgedehnt – Wikipedia, bzw. die Versionshistorie mit den kurzen Editieranweisungen dient als Datengrundlage. Dabei wird dann ein negativer Wert im Sinne der Goldenstein Scale Values angenommen, wenn zwei Änderungen sehr kurz hintereinander geschehen – also eine Korrektur stattfindet. Hier bemerkte Brandes, dass das Verfahren nicht hundertprozentig valide wäre. In der anschließenden Diskussion wurde hauptsächlich über die Validität der Datengrundlage gesprochen. Auch das KEDS-Material hat eine Fehlerrate von bis zu 20 Prozent.

Insgesamt war der Vortrag für mich sehr interessant. Vielen Dank dafür :)

Felix Heinen hat es geschafft (Glückwünsche!). Er hat ein Abschlussprojekt “data visualisation of a social network” als Graphikdesiger fertiggestellt und das lässt sich sehen! Mehr Eindrücke gibt es direkt auf seiner Website.

Die beiden Grafiken beschreiben Informationen aus einem Netzwerk von myspace (”like myspace”) zu dem Thema “Wer” (genutzte Funktionen, Alter, Bildungsgrad, Geschlecht, etc) und “Wo” (geographische Verteilung).

Leider ist Felix bereits der dunklen Macht verfallen und verkauft seine wissenschaftliche Arbeit nun, statt sie frei verfügbar zu machen:

I don’t want to make more details public, because some companies and social networks have evidenced their interest, so I have decided to sell my concept and the program.

[via einfach-persönlich, nerdcore]

Viele Netzwerkeffekte sind über statische Momentaufnahmen im Querschnitt zu erkennen, sondern müssen über längere Zeit im Längstschnitt betrachtet und analysiert werden. Besonders bei komplexen Netzen ist eine Netzwerkvisualisierung dabei eine enorme Hilfe. Allerdings sind Visualisierungs-Tools wie Pajek oder yEd nicht besonders dafür geeignet, Veränderungen in einem Netzwerk zu visualisieren. Bei der Recherche bin ich auf den TeCFlow (Temporal Communication Flow) Visualizer gestoßen. Hier sieht man ein QuickTime-Movie als Demo bei einer Weblog-Netzwerkanalyse - sieht vielversprechend aus.

Der Google-Touchgraph analysiert die “‘Ähnliche Seiten”-Verweise der Google-Ergebnisliste und visualisiert sie in einem Graphen. Das ganze ist als Java-Anwendung geschrieben und im Browser ausführbar - einmal für Google und einmal für Amazon. Ausprobieren, Spass haben.

Amaznode stellt Verbindungen zwischen Büchern visuell als Netzwerk dar. Die Daten stammen aus den “Kunden, die diesen Artikel gekauft haben, kauften auch diesen”-Listen direkt von Amazon. Nett.

Ah, Sie lesen nicht gerne? Hören aber viel Musik? Und Ihre MP3- oder CD-Sammlung haben Sie aber auch schon zu oft gehört? Da hilft LivePlasma weiter. Hier werden Netzwerkzusammenhänge zwischen Musikern gezeigt. Sehr nett, insb. wenn man sich einmal neben dem Mainstream umhören möchte. Und ganz nebenbei kann man auch nach Filmen, Schauspielern und Regisseuren suchen.

Beim Durchstöbern des Netzes nach Forschungsprojekten zu Netzwerken bin ich auf den DFG-Schwerpunkt 1126 (Algorithmik großer und komplexer Netzwerke) gestoßen. Die Universität Tübingen ist auch daran beteiligt. Dort wurde ein Algorithmen-Paket entworfen, welches die Darstellung von Netzwerk-Graphen behandelt. Das Projekt yFiles ist aber scheinbar mittlerweile nur noch käuflich erwerbbar - so könnte man denken. Stimmt auch, zumindest teilweise. Die yFiles als Java Class gibts nur gegen Geld. Doch ein Programm zum Visualisieren von Graphen, der die Klasse nutzt, gibts kostenlos. Immerhin. Das Tool sieht auch recht schmuck aus und ist im Gegensatz zum Platzhirschen Pajek auch “flott erfasst”. Nett sind die verschiedenen Möglichkeiten, die Knoten anzuordnen - was wohl als zentrale Funktion festgehalten werden kann. Daneben gibts noch die Möglichkeit die Zentralitätsmaße berechnen zu lassen. Im- und Export funktionieren unter anderem über GraphML. Ob sich das Tool in der Praxis als hilreich erweist, wird sich zeigen.