Figura 3.24. Salida del Influence Models tras ejecutarlo en modo de Selección de Semillas.
En la primera columna se indica el ID del usuario, en la segunda la ganancia acumulada del conjunto propuesto y en la tercera la ganancia marginal aportada por el usuario en cuestión. Al ser breve el ejemplo, puede previamente de manera intuitiva predecirse el mismo resultado que se obtiene de la ejecución del Influence Models. Es decir, que la cuenta @bocaoficial (ID=2) con un tweet realizado y dos retweets sobre el mismo iba a ser influyente. De manera similar se hubiera incluido a la cuenta @deportes102 (ID=1) que con dos tweets realizados y un retweet sobre uno de ellos podría ser previamente considerado dentro de los influyentes. Por último, se indica la cuenta @90minutos (ID=6) que como puede verse la ganancia marginal que aporta al grafo equivale a 1. Esto ocurre ya que no tuvo interacciones con otros nodos y entonces la cantidad de créditos que aporta es su total propio, es decir, 1. Cabe destacar la no aparición en el conjunto de la cuenta @laura301 (ID=3) que realizó un retweet y fue retweeteada en una oportunidad.
Es trascendental comprender que la ganancia marginal se modifica a medida que se selecciona un usuario para ingresarlo al conjunto de semillas. Es decir, se genera un ranking interno de las ganancias cada vez que uno de los usuarios es seleccionado. Es por ello, que en múltiples casos usuarios relacionados por las interacciones no siempre son incluidos de manera conjunta. Esto sucede ya que incluir a uno de ellos, puede derivar en que el aporte o nueva ganancia marginal del otro usuario al conjunto restante sea menor a la calculada en un principio.
3.6. Visualización de los Resultados
Hasta la etapa anterior se resume el proceso que ocurre cada cierta ventana de tiempo (normalmente un minuto). Sin embargo, para esta quinta etapa la visualización de los resultados en forma de gráficos sobre los usuarios que fueron o son semillas cobran mayor sentido cuanto mayor tiempo transcurre. Esto se debe a que así permite analizar la dinámica de la influencia del usuario. De todas maneras para indicar un cierre sobre el ejemplo conductor, en la Figura 3.25 se ilustra el gráfico que se generaría para el usuario @bocaoficial con las interacciones procesadas en las etapas anteriores.
Figura 3.25. Gráfico de evolución de influencia del usuario
@bocaoficial siguiendo ejemplo conductor.
Nótese que la posición en el Seed Set está invertida para analizar visualmente de manera sencilla las crecidas o los descensos posibles de la influenciabilidad de los usuarios. Es decir, dicha cuenta era la primera en el Seed Set y, por ello, en el gráfico puede apreciarse que se ubica en la posición 3 (lo que permite visualizar un valor de influencia alto).
Al mostrar resultados de una sola ejecución del Influence Models (a las 22:50:00hs), el gráfico no aporta información de interés. Es por ello, que a continuación se muestran diversos casos posibles con el paso del tiempo, con la cuenta @deportes102. El primer caso planteado es, en el transcurso horario de las 10.00hs y las 19.00hs el usuario @deportes102 fue incluido en el Seed Set como lo indica la Tabla 3.6. Tabla 3.6. Inclusiones en el Seed Set de @deportes102 entre las 10hs y las 19hs. En base a la misma, el gráfico que se generaría sería el que se ilustra en la Figura 3.26. Figura 3.26. Gráfico de evolución de influencia del usuario @deportes102 entre las 10hs y las 19hs.
Si en cambio la ventana temporal analizada, hubiese sido desde las 22.00hs hasta las 22.50hs, la tabla de Inclusiones en el Seed Set sería la ilustrada en la Tabla 3.7. Tabla 3.7. Inclusiones en el Seed Set de @deportes102 entre las 22.00hs y las 22.50hs.
El gráfico que se obtendría utilizando los datos de la Tabla 3.7, sería el ilustrado en la Figura 3.27. Figura 3.27. Gráfico de evolución de influencia del usuario @deportes102 entre las 22.00hs y las 22.50hs.
En base a la observación de gráficos como los mostrados previamente, se pueden estudiar diversos aspectos de la influencia de los usuarios. Entre otros, puede analizarse la continuidad en el tiempo de su aparición en el Seed Set o determinar las brechas horarias o días en los que logra los picos más altos. Además al examinar sus acciones en dichos momentos también pueden visualizarse ciertos campos donde su influencia es mayor. Es decir, si bien la búsqueda es categorizada y, por ejemplo, todas las acciones tratarán o contendrán la palabra “fútbol”, dentro del mismo puede distinguirse entre opiniones, noticias, resultados, entre otros. También permite en cierto punto determinar cuáles son las temáticas dentro de la categoría en cuestión, sobre la que más información se propaga.
De esta forma, atravesando las cinco etapas descritas en las secciones anteriores y en la presente, se busca cumplir con el objetivo del enfoque. Como se ha enunciado con anterioridad, dicho objetivo se centra principalmente en resolver el problema de la maximización de la influencia, dada una temática y una red social, y además busca poder analizar la dinámica o evolución de la influencia de los usuarios en el tiempo.