Sampling designs for recovering local and global characteristics of social networks

از طریق شبیه سازی های گسترده، ما دریافتیم که روش های نمونه گیری به طور قابل توجهی در توانایی آنها برای بازیابی ویژگی های شبکه متفاوت است. روش نمونه گیری سنتی، مانند نمونه گیری تصادفی تصادفی، منجر به زیرگراف های ضعیف می شود. وقتی تمرکز بر روی درک اثرات شبکه محلی (مثلا نفوذ همسالان)، نمونه گیری آتش سوزی جنگل با میزان سوختگی متوسط ​​بهترین کار را انجام می دهد، یعنی برای بازگرداندن توزیع درجه بندی و ضریب خوشه ای، بیشترین تاثیر را دارد. هنگامی که تمرکز بر روی اثرات شبکه شبکه جهانی (به عنوان مثال، سرعت انتشار، شناسایی گره های تاثیرگذار یا اثرات متقابل بذر شبکه)، سپس نمونه گیری تصادفی پیاده (به عنوان مثال نمونه گیری از آتش سوزی آتش سوزی با سرعت کم ) بهترین عمل را انجام میدهد و برای بازیابی توزیع بینش و محدوده نزدیکی موثرتر است. علاوه بر این، ما نشان می دهیم که بازیابی دقیق ساختار شبکه های اجتماعی در یک نمونه برای تعیین خصوصیات یک فرآیند شبکه مهم است، زمانی که تنها روند در شبکه نمونه برداری مشاهده می شود. ما یافته هایمان را در چهار شبکه مختلف دنیای واقعی، از جمله یک شبکه فیس بوک و یک شبکه همکاری نوظهور، و نتایج را با توصیه هایی برای عمل تایید می کنیم.