Not logged in.

Contribution Details

Type Bachelor's Thesis
Scope Discipline-based scholarship
Title Quantifying and Correcting the Majority Illusion in Social Networks
Organization Unit
Authors
  • Markus Göckeritz
Supervisors
  • Daniel Spicar
  • Abraham Bernstein
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date December 2016
Abstract Text The majority illusion that was discovered by Lerman et al. tricks individuals into perceiving a social behavior to be popular when in reality, it is not. That is, vertices in a network overestimate the presence of an attribute as highly connected vertices skew the perception of their neighbors. We show how the majority illusion can be quantified on a vertex-centric and a global perspective for binary as well as for continuous attributes. In the context of social contagion, the majority illusion is an interesting case of disproportionate experiences that can cause a false truth to propagate through a network. We propose an approach to exploit the majority illusion in order to artificially promote the diffusion of a binary attribute in a network in a threshold model Granovetter (1978). Our approach returns target vertex sets that are guaranteed to cause an influence cascade that eventually activates the entire network. Our approach out-performs a naive highest-degree approach in scale-free networks that exhibit network structures as described by Barabàsi et al. (2000) and Dorogovtsev and Mendes (2002). In small-word networks as described by Watts and Strogatz (1998) our approach returns target vertex sets that, on average, have twice the size of target vertex sets retrieved with a highest-degree approach. Additionally, we introduce an alternative dynamic diffusion model that considers the time dimension and incorporates assumptions we make about human behavior in the real world. In the diffusion model we introduce, we were unable to confirm or to disprove that the extent and speed at which a social behavior propagates in a diffusion process profits from highly clustered network structures as suggested by Centola (2010) and Centola and Baronchelli (2015).
Zusammenfassung Das Phänomen der Majority Illusion, welches ursprünglich von Lerman et al. (2015) entdeckt wurde, versetzt Personen in den Irrglauben, dass ein Verhalten, oder Attribut, sehr populär sei, obwohl es in der Realität nur selten vorkommt. Dadurch, dass sehr stark vernetzte Personen ein bestimmtes Verhalten aufweisen, wird weniger stark vernetzen Personen, die mit ihnen verbunden sind, vorgetäuscht, dass dieses Verhalten sehr populär wäre. Wir zeigen in unserer Arbeit, wie die Existenz und das Ausmass der Majority Illusion für ein Netzwerk auf Knotenebene, wie auch auf Netzwerkebene berechnet werden kann. Im Kontext der Adoption sozialen Verhaltens ist die Majority Illusion ein interessanter Fall von falschen Wahrnehmungen. Wir präsentieren eine Methode, wie die Majority Illusion ausgenutzt werden kann, um die Verbreitung eines binären Attributes in Netzwerken in einem Threshold Modell nach Granovetter (1978) künstlich zu verstärken. Wir vergleichen unsere Methode mit einem naiven Knotengrad-Ansatz, der nach stark vernetzen Knoten sucht. Unsere Methode findet Knotenmengen, die garantiert eine Kaskade von Adoptionen auslösen, die das ganze Netzwerk aktivieren. In skalenfreien Netzwerken, die Strukturen aufweisen, wie sie von Barabàsi et al. (2000) und Dorogovtsev und Mendes (2002) beschrieben wurden, liefert unsere Methode bessere Resultate, als der Knotengrad-Ansatz. In Netzwerken die Strukturen aufweisen, wie sie von Watts und Strogatz (1998) beschrieben wurden, liefert sie Resultate, welche im Durchschnitt doppelt so viele Knoten beinhalten, wie die des Knotengrad-Ansatzes. Darüber hinaus präsentieren wir eine Variante eines dynamischen Adoptionsmodells, welches den Zeitaspekt berücksichtigt und Annahmen, die wir über das menschliche Verhalten in der realen Welt treffen, in das Modell integriert. Es konnte keine Beziehung zwischen dem Ausmass und der Geschwindigkeit der Adoption und dem Clustering innerhalb des Netzwerkes, wie es von Centola (2010) und Centola und Baronchelli (2015) vorgeschlagen wird, belegt werden. Ebenso war es uns nicht möglich, einen solchen Zusammenhang zu widerlegen.
PDF File Download
Export BibTeX