Bi-grafe gebaseerd sociaal netwerk analyse en leren.

Veel sociale netwerken zijn bi-partite van structuur, waarbij de knopen van het netwerk opgesplitst kunnen worden in twee niet overlappende groepen en connecties enkel bestaan tussen knooppunten van verschillende groepen. Bijvoorbeeld, auteurs die gelinkt zijn aan hun papers, of smartphones gelinkt aan de locaties die ze bezoeken. Vaak wordt enkel het geprojecteerde netwerk gebruikt: een netwerk van auteurs, gelinkt als ze samen een paper hebben geschreven, of een netwerk van smartphones, gelinkt als ze samen een locatie hebben bezocht. Dit leidt echter tot een belangrijk verlies van informatie en een groter aantal connecties. Hoewel sociale netwerk analyse en inferentie veel interesse wekken in sociale, computer-, en mens-wetenschappen, is er heel weinig onderzoek verricht naar dit specifiek type van netwerk. In dit project zullen we nieuwe metrieken definiëren om de globale structuur van dergelijk netwerken te analyseren, de evolutie doorheen de tijd ervan bestuderen, aangepaste leeralgoritmes ontwikkelen die voorspellingsmodellen genereren, en de methoden valideren op grote netwerk datasets. We zullen hierbij specifiek focussen op drie real-life cases: het auteur-paper netwerk gebruik makend van publieke data, alsook data van Universiteit Antwerpen, het klant-betalingsontvanger netwerk gebruik makend van data van een grote Europese bank, en het smartphone -locatie netwerk gebaseerd op data van een VS-gebaseerde ad exchange. Onze bevindingen zouden moeten leiden tot nieuwe inzichten in menselijk gedrag, theorievorming en accuratere voorspellingsmodellen in ieder van deze domeinen.

Trefwoorden:AD-HOCNETWERKEN, MARKETING, DATA-ANALYSE, DATA MINING

Disciplines:Toegepaste wiskunde, Statistische en numerieke methoden, Toegepaste economie, Economische geschiedenis, Macro-economie en monetaire economie, Micro-economie, Toerisme