O que são coeficiente de clustering e cauda longa em redes?

Estudar os conceitos de coeficiente de clustering e cauda longa me ajudou a entender porque algumas redes são tão desiguais, mas também muito eficientes em espalhar informação.

O clustering mede o quanto os vizinhos de um nó também estão conectados entre si, algo muito comum em redes sociais (meus amigos também são amigos entre si).

Já a cauda longa aparece em distribuições de grau: poucos nós têm muitas conexões, e muitos nós têm poucas conexões. Me dei conta de que é o que vemos, por exemplo, em sites da internet ou influenciadores em redes sociais.

E fiquei com a pergunta de como o coeficiente de clustering pode influenciar a rapidez com que uma informação se espalha em uma rede social?

Comentários

Postar um comentário

Postagens mais visitadas deste blog

Como funciona o algoritmo DFS (Depth-First Search) e por que ele se parece com visitar parentes e conhecidos?

Depois de entender o BFS, que explora primeiro os vizinhos mais próximos, estudei o DFS (Depth-First Search). No começo, parecia apenas “o oposto do BFS”, mas encontrei a analogia dos parentes e conhecidos me ajudou muito a fixar a lógica. O BFS é como se você quisesse conhecer todos os vizinhos do seu bairro. Você começa pela sua casa (o nó inicial). Depois visita todas as casas da mesma rua, depois passa pra rua seguinte, e assim por diante. É um percurso em camadas: você esgota primeiro quem está perto, depois expande para os que estão mais longe. DFS é como visitar parentes distantes em profundidade: Você começa pela sua casa (o nó inicial). Em vez de visitar todos os vizinhos primeiro, você escolhe um caminho e segue até o fim (como visitar uma tia distante, depois a prima dessa tia, depois a amiga da prima…). Só quando não há mais ninguém para visitar naquele ramo, você volta e segue para outro caminho. Enquanto o BFS é como conhecer todos os vizinhos do seu bairro antes de sair,...
Leia mais

Como funcionam matriz de adjacência, lista de adjacência e matriz de incidência?

Nos meus estudos sobre representação de grafos, aprendi que existem três formas principais: matriz de adjacência, lista de adjacência e matriz de incidência. No começo fiquei em dúvida sobre quando usar cada uma. A matriz de adjacência é uma tabela em que as linhas e colunas representam os nós. Se o grafo for não direcionado, a matriz é simétrica (ex.: se A está ligado a B, então B também está ligado a A). Se o grafo for direcionado, a matriz não é necessariamente simétrica: a posição [A,B] pode ter valor (aresta de A para B), mas [B,A] pode estar vazia (não existe volta). Isso mostra claramente a direção das conexões. A lista de adjacência é mais eficiente para grafos grandes, pois lista apenas os vizinhos que realmente existem para cada nó. A matriz de incidência relaciona nós e arestas, sendo útil em análises mais específicas, como problemas de fluxo. Pergunta: Qual dessas representações seria mais adequada para um grafo muito grande, com milhões de nós, mas poucas conexões entre el...
Leia mais