Informaation leviämisen minimointi sosiaalisessa verkossa : sisäpiiritiedon kontrolloiminen rahoitusmarkkinoilla

Abstract

Leviämistä, eli diffuusiota sosiaalisessa verkossa on tutkittu laajasti erityisesti lääketieteessä, markkinoinnissa ja tietotekniikassa. Leviämisen kohteena voi olla esimerkiksi tieto, sairaus, idea tai huhu. Aikaisempi sosiaalisia verkkoja ja leviämistä koskeva tutkimus on tarkastellut esimerkiksi sitä, miten leviäminen etenee verkossa, miten leviämiseen voidaan vaikuttaa ja miten sitä voidaan ennustaa sekä sitä, millaisia vaikutuksia ja seuraamuksia leviämisellä on. Jotta leviämistä voidaan hahmottaa ja mahdollisesti ennustaa, on kehitetty erilaisia leviämismalleja. Tässä tutkielmassa tutustutaan leviämisen dynamiikkaan perehtymällä SIR, SI ja SIS-mallien toimintaan sekä Linear Threshold- ja Independent Cascade-leviämismalleihin. Tutkielmassa sosiaalisella verkolla tarkoitetaan ihmisistä ja heidän välisistään yhteyksistä koostuvaa verkkomaista rakennetta, jota voidaan kuvata graafilla. Yhteyksien luonne voi vaihdella fyysisistä kohtaamisista puhelinkeskusteluihin.

Leviämismallien tarkoitus on siis hahmottaa itse diffuusioprosessia. Entäpä voidaanko leviämiseen vaikuttaa? Leviämistä koskevaa tutkimusta motivoi pyrkimys vaikuttaa leviämisprosessin kulkuun. Yksi lähestymistapa on leviämisen maksimointi. Käytännön esimerkkinä informaation maksimoinnista on mainonta. Toisaalta tavoitteena voi olla myös leviämisen minimointi, kuten estää taudin leviäminen epidemiaksi, tai minimoida haitallisen informaation leviämistä. Leviämisprosessin manipuloimiselle oleellista on löytää verkoston vaikutusvaltaisimmat solmut, eli ne avainhenkilöt, joiden olemassaolo aiheuttaa leviämisen laajimmalle alueelle. Näiden solmujen tunnistamiseksi on kehitetty erilaisia keskeisyysmittalukuja, joista tutkielmassa esitellään astekeskeisyys, välillisyyskeskeisyys, k-kuoriluku, sekä ominaisvektorikeskeisyys ja sen variaatiot: Googlen PageRank ja Katz-keskeisyys. Tutkielmassa tutustutaan myös Independent Cascade-mallin vaikutusfunktioon.

Tutkielmassa käsiteltävä tiedonleviämisen minimointiongelma on esitelty rahoitusmarkkinoilla leviävän sisäpiiritiedon kontekstissa. Ongelmaa tarkastellaan sosiaalisessa verkossa, jossa leviäminen tapahtuu Independent Cascade-leviämismallin mukaisesti. Ongelman viitekehys on rakennettu verkostorakenteen manipuloimiselle siten, että haitallisen sisäpiiritiedon leviäminen onnistutaan minimoimaan optimaalisesti. Tutkielman lopussa on kokeellinen osio, jossa esitellään säännönmukaisten interventioiden vaikutusta leviämiseen erilaisissa graafeissa, eli sosiaalisissa verkoissa. Optimaalista ratkaisua minimointiongelmaan haetaan käyttäen ahnetta algoritmia, johon sovelletaan keskeisyysmittalukuja sekä vaikutusfunktiota. Vaikka informaation diffuusioon liittyvää tutkimusta löytyy, on vielä tilaa minimointiongelman lisätutkimukselle, sekä yhä laskentatehokkaampien algoritmien kehittämiselle. Graafiteoreettisten menetelmien ja mallinnuksen hyödyntäminen uusissa sovelluksissa ja näkökulmissa voi auttaa vähentämään haitallisen informaation leviämisestä aiheutuvia kustannuksia.