安德烈·库利尼奇（Andrey Kulinish）来自莫斯科国际商业高等学院 MIRBIS，他决定计算出俄罗斯电商领域最具权威性的专家。这是一个有趣且独特的话题。快来寻找自己并评估他人吧！
项目背景与数据获取
半年前，我展示了 谢尔盖·叶戈鲁什金（Sergey Egorushkin） 在 VKontakte 中的受众分析结果。“那能不能也做 Facebook 的，并且针对特定名单？”谢尔盖问道。当时我意气风发，信誓旦旦地承诺几乎在一天内提供结果，并指出 Facebook 上最具权威的电子商务专家。我当时太冲动了……
众所周知，几乎所有社交网络都关闭了通过 API 获取用户及其活动信息的功能。数据因此成为主要问题。最初的供应商曾承诺但未导出用于分析的数据集，后来干脆不再联系。在此背景下，SocialDataHub 团队的反应速度令人惊叹！在我提出请求后的一天内，我就获得了所需的数据。
数据集构建与方法论
输入的数据是什么？谢尔盖·叶戈鲁什金向我提供了他认为在电子商务领域最具权威性的 47 位专家的档案链接。我们收集了这些人及其朋友之间的关系信息，最终得到了 10,677 个个人和 48,197 条友谊关系。这种数据集构建方式略有缺陷，只能公正地对最初这 47 位个人进行排名。因此，请勿过于严肃地对待这些结果。
图分析使用了 Python + NetworkKit 库，采用了完全标准的社交图分析方法论。
下图是我们的原始图。但实际上，我可以展示任何具有大量节点和连接的图。在这种情况下，图片的含义非常有限，但看起来很美观。
图的总体特征分析
让我们看看我们图的总体特征，数字会说明一切：
- 我们得到了一个连通图。这意味着通过一定数量的联系人，所有参与者彼此相连，不存在孤立的社区。
- 我们图的平均宽度为 1.857。这意味着参与分析的人平均通过两次握手认识彼此。这是一个非常密集的图，这一特性是由数据集的构建方法决定的。
- 图顶点的整体聚类系数为 0.889，这表明存在独立社区的可能性很高。
- 累积图节点度数的严重偏斜，正如生活应有的样子。这表明存在一定数量的节点（人物）拥有大量入边，反之亦然。
社区结构识别
该图并非同质化，我们可以轻松识别出12个社区。
这些社区彼此紧密相连，这在社区关系图中可以清楚地看到。
而社区成员的数量均匀递减。
它们的分析可以留待日后专门撰文探讨，但这里展示的是最小的内部社区的图结构。
显然，这个社区是围绕某个人聚集起来的。这超出了最初的分析目标，但变得非常有趣。这个小社区的中心人物是亚历山大·克津斯基。如果感兴趣，以后还可以分析其他社区。但我们还是回到主要目标——谁是Facebook电商领域最具权威性的专家。
权威性算法与初步结果
为了确定权威性，使用了两种算法：
- 计算了节点的 centrality（中心性）——度数，它显示了特定用户（或用户集群）在图中的“重要性”或“影响力”。更准确地说，使用的是布兰德斯算法。
- 由于这是互联网行业，因此不能不利用 PageRank。
我们这一初步分析的结果如下所示。
两种方法的结果如果在细节上存在差异，乍一看也显得相当合理。有趣的是，一眼就能看出我不属于这个“圈子”。在两项权威度评估中，我都排在列表末尾。你可以在 链接中的 MS Excel 文件里查找自己的信息，其中列出了所有参与分析的成员名单。
毫无疑问，朋友数量是一个非常相对的权威度指标。因此，我希望从 SocialDataHub 获取点赞、评论和转发的数据。在这种情况下，情况可能会发生根本性的变化。敬请期待后续内容。