Comparación de modelos de difusión de información en redes sociales

Trabajo Fin de Grado en Matemáticas Computacional

Autora: Mar Iborra Granel

Este repositorio implementa y compara cinco modelos de difusión de información en redes sociales sobre un dataset real de Twitter con hashtags:

• IC — Independent Cascade (Kempe et al., 2003): baseline clásico, difusión solo por aristas del grafo
• TIC — Topic-aware IC (Barbieri et al., 2013): extiende IC con probabilidades por tópico y arista
• NSTI-IC — Neighbor Structure & Topic-aware Interest IC (Zhang et al., 2020): incorpora estructuras topológicas locales y afinidad temática del receptor
• AIR — Authoritativeness-Interest-Relevance (Barbieri et al., 2013): difusión global por autoridad temática, sin restricción al grafo de follows
• NSTI-IC+AIR — modelo híbrido propuesto en este TFG: combina la estructura local de NSTI-IC con la autoridad global de AIR mediante Noisy-OR

El objetivo es analizar cómo influyen la estructura local del grafo, los tópicos de los ítems y la autoridad temática de los usuarios en la propagación de hashtags en Twitter, y determinar qué componentes son determinantes en un dataset donde el 91.3% de las activaciones ocurren fuera del grafo de follows.

---

Dataset

Se utiliza el dataset de difusión de información en Twitter disponible en:

https://ieee-dataport.org/documents/information-diffusion-dataset-twitter-user-tweets

Características principales:

• ~44.000 nodos (usuarios), ~485.000 aristas (follows)
• ~40.000 cascadas de hashtags, ~1.9M activaciones
• Solo el 8.7% de activaciones consecutivas ocurren entre usuarios conectados en el grafo

El repositorio trabaja con una versión procesada del dataset adaptada al formato necesario para los modelos.

---

Estructura del repositorio

TFG_MAIS_CODE/
│
├── README.md
├── requirements.txt
│
├── data/
│   ├── raw/                     # Datos originales del dataset
│   └── processed/               # Datos transformados en formato CSV
│
├── notebooks/
│   ├── 00_dataset_exploration.ipynb
│   ├── 01_preprocessing.ipynb
│   ├── 02_topic_modeling.ipynb
│   │
│   ├── 03_models/
│   │   ├── 00_seeds.ipynb
│   │   ├── IC.ipynb
│   │   ├── TIC.ipynb
│   │   ├── AIR.ipynb
│   │   ├── NSTI_IC.ipynb
│   │   └── NSTI_IC_AIR.ipynb
│   │
│   ├── 04_evaluation_comparison.ipynb
│   │
│   └── 05_experiments/
│       ├── experiment1/
│       │    ├── exp1_01_subgraph_construction.ipynb
│       │    └── exp1_02_subgraph_models.ipynb
│       ├── experiment2/
│       │    ├── exp2_01_subgraph_construction.ipynb
│       │    └── exp2_02_subgraph_models.ipynb
│
├── src/                         # Código reutilizable
│   ├── results.py
│   ├── ic/
│   │   └─ model.py
│   ├── tic/
│   │   └─ model.py
│   ├── air/
│   │   └─ model.py
│   ├── nsti_ic/
│   │   └─ model.py
│   └── nsti_ic_air/
│       └─ model.py
│
└── results/                    
│   └── models/
│       └── ic/
│       └── tic/
│       └── air/
│       └── nsti_ic/
│       └── nsti_ic_air/

---

Formato de los datos procesados

Los modelos utilizan los siguientes archivos en data/processed/:

• seed_nodes.csv

• users.csv

  • user_id

• edges.csv

  • src_user_id
  • dst_user_id

• cascades.csv

  • item_id
  • user_id
  • timestamp

• items.csv

  • item_id
  • topic_vector

• user_topics.csv

  • user_id
  • interest_vector

---

Flujo de trabajo

1. Exploración del dataset (00_dataset_exploration.ipynb)
2. Preprocesamiento y generación de CSV (01_preprocessing.ipynb)
3. Modelado de tópicos con LDA, K=20 (02_topic_modeling.ipynb)
4. Split train/test y selección de semillas (00_data_split.ipynb, 00_seeds.ipynb)
5. Entrenamiento y evaluación de modelos:
   • IC — EM para probabilidades por arista
   • TIC — EM con responsabilidades por tópico
   • NSTI-IC — EM para estructuras + descenso de gradiente
   • AIR — GEM para autoridad temática
   • NSTI-IC+AIR — EM + GD + GEM combinados
6. Comparación final (04_evaluation_comparison.ipynb)

---

Evaluación

Se utilizan dos protocolos de evaluación:

MSE/AUC (Zhang et al., 2020) — métrica principal:

• Para cada cascada test: nodos activos reales (y=1) + 50 inactivos muestreados (y=0)
• Simulaciones MC o cálculo analítico → P(u activo)
• Métricas: MSE, AUC-ROC, Accuracy por umbral

Evaluación por cascada — métrica secundaria:

• Muestra estratificada de 300 cascadas test (75 por cuartil)
• Top-3 nodos más tempranos como semilla
• Métricas: MAE, ratio sim/real, correlación

---

Requisitos

Instalar dependencias:

pip install -r requirements.txt

Dependencias principales: numpy, pandas, scikit-learn, python-igraph, joblib, matplotlib, gensim

---

Referencias

• Kempe, D., Kleinberg, J., & Tardos, É. (2003). Maximizing the spread of influence through a social network. KDD 2003.
• Barbieri, N., Bonchi, F., & Manco, G. (2013). Topic-aware social influence propagation models. TKDE.
• Zhang, C., Yin, Y., & Liu, Y. (2020). NSTI-IC: An independent cascade model based on neighbor structures and topic-aware interest. APWeb-WAIM 2020.