Confianza y desconfianza en redes sociales: Detección de trolls

34 no á ica nº 225 sep iemb e-oc ub e 2013 monog a ía Emp esa 2.0: Úl imos esul ados de I+D monog a ía 1. In oducción La Emp esa 2.0 es un concep o que engloba odos los aspec os elacionados con un nue- o pa adigma en la ges ión emp esa ial que adop a algunas de las ideas undamen ales de la llamada Web 2.0, in eg ándolas en el modelo emp esa ial, de o ma que se pue- dan ap o echa es os nue os esquemas de comunicación y ac uación, no sólo den o de la p opia emp esa, sino ambién en el p oce- so comunica i o en e la emp esa y sus clien- es, los socios o con o as emp esas. Den o de es e ámbi o, esul a de g an in e és el uso de las pla a o mas de edes sociales en el ámbi o emp esa ial, que posibili a un con- ac o más di ec o en e la emp esa y sus po enciales clien es. O a a ea in e esan e que puede se abo da- da g acias al uso de es as ecnologías es la búsqueda de expe os [18] en un sis ema on- line median e el análisis de las in e acciones de los usua ios de la ed y las alo aciones que pueden hace sob e las apo aciones de o os usua ios. Si bien es e ipo de sis emas puede epo a muchos bene icios, ambién aen consigo algunos p oblemas que deben se enidos en cuen a. Uno de es os p oblemas es la ges ión de la epu ación on-line . Al igual que en su día ocu ía (y sigue ocu iendo) en la web con las páginas de spam , las pla a o mas de edes sociales ienen su iendo de e mina- dos "a aques" po pa e de cie os usua ios, encaminados a al e a el uncionamien o no mal de es os sis emas, o incluso ob ene algún ipo de bene icio de ellos, como po ejemplo un aumen o de su popula idad, o pa a daña la epu ación de de e minadas en idades de la ed, ya sean pe sonajes públi- cos, ma cas, p oduc os o emp esas. Los sis emas de Ges ión de la Repu ación on-line (TRS, de las siglas en inglés de T us and Repu a ion Sys ems ) son los enca ga- dos de a a de e i a es as si uaciones indeseadas. Es e p oblema no es nue o, y exis en di e - sas p opues as pa a a a de abo da lo, po ejemplo la c eación de un equipo de mode ado es en o os on-line o edes socia- les de no icias, donde a una se ie de usua ios se les o o ga la capacidad (y la esponsabili- dad) pa a expulsa a aquellos usua ios que ellos conside en malin encionados o " olls ". Es os mecanismos suelen se e ec i os en comunidades on-line pequeñas, ya que al aumen a el núme o de usua ios e in e ac- ciones en la ed, es necesa io aumen a el núme o de mode ado es. Po lo an o es e sis ema no es escalable a g andes comunida- des on-line . O os sis emas de ges ión de la epu ación on-line a an de e i a es a limi ación dele- gando las a eas de mode ación a odo el conjun o de usua ios de la ed, de o ma que los usua ios pueden alo a a o os usua ios o los con enidos que es os gene an. La ma- yo en aja de es os sis emas es su descen- alización y, po an o, su escalabilidad. Exis en di e sos sis emas pa a a a es a in o mación que p o een los usua ios de una ed, p opagando las opiniones o alo a- ciones de cada usua io siguiendo la opolo- gía de la ed de o ma que se calcule un alo de iabilidad pa a cada usua io, según las Con ianza y descon ianza en e- des sociales: De ección de olls F. Ja ie O ega, Fe mín L. C uz, José A. T oyano, Ca - los G. Vallejo, Fe nando En íquez Depa amen o de Lenguajes y Sis emas In o má icos, Uni e sidad de Se illa <{ja ie o ega, c uz, oyano, allejo, en os}@us.es><{ja ie o ega, c uz, oyano, allejo, en os}@us.es> <{ja ie o ega, c uz, oyano, allejo, en os}@us.es><{ja ie o ega, c uz, oyano, allejo, en os}@us.es> <{ja ie o ega, c uz, oyano, allejo, en os}@us.es> Resumen: Uno de los aspec os más impo an es en la emp esa 2.0 es la ges ión de la epu ación on- line. En es e abajo, nos en en amos a los compo amien os deshones os que se pueden lle a a cabo en la web 2.0 pa a al e a la epu ación de los usua ios (o en idades) de una ed social. La p incipal no edad de es e abajo consis e en la habilidad de p ocesa una ed on-line con elaciones posi i as y nega i as en e sus usua ios. En es e abajo p oponemos un sis ema de epu ación de usua ios que iene en conside ación es as elaciones posi i as y nega i as. Es e sis ema se basa en un algo i mo de anking sob e g a os que cons ui á una lis a de los usua ios de la ed social, o denados según su epu ación. Apa e de los esul ados mos ados, es a écnica p esen a algunas ideas no edosas que pueden se adap adas a o as a eas donde las elaciones posi i as y nega i as en e elemen os sean ele an es. Algunas de es as aplicaciones ambién se discu en b e emen e, des acando la aplicabilidad de nues a in es igación. Palab as cla e: Algo i mos basados en g a os, con ianza y descon ianza, edes sociales. Au o es F ancisco Ja ie O ega Rod íguez es Doc o en In o má ica, ac ualmen e in es igado en el depa a- men o de Lenguajes y Sis emas In o má icos en la Uni e sidad de Se illa. Su in es igación es á en oca- da p incipalmen e al Análisis de Redes Sociales y el P ocesamien o del Lenguaje Na u al. Sus abajos más ecien es es án elacionados con la mine ía de opiniones, el análisis de edes sociales, la de ección de spam en la web y el cálculo de la epu ación y iabilidad de usua ios en edes sociales. Fe mín L. C uz-Ma a es Doc o en Ingenie ía In o má ica y p o eso Colabo ado en la Uni e sidad de Se illa. Ac ualmen e su in es igación se cen a en el análisis del sen imien o y la mine ía de opiniones, pe o ambién ha abajado en emas elacionados con el P ocesamien o del Lenguaje Na u al, como el e ique ado basado en g a os y el e ique ado de oles semán icos. José An onio T oyano Jiménez es Doc o en In o má ica y P o eso Ti ula del Depa amen o de Len- guajes y Sis emas In o má icos de la Uni e sidad de Se illa. Sus líneas de in es igación es án cen adas en la aplicación de écnicas de ap endizaje au omá ico al a amien o de in o mación no es uc u ada. Sus úl imos abajos a an sob e el análisis de opiniones en ex os gene ados po usua ios, análisis de epu ación en edes sociales y de ección de endencias en Twi e . Ca los An onio Ga cía Vallejo es Doc o en In o má ica po la Uni e sidad de Se illa. Cen a su in es i- gación en algo i mos sob e g a os aplicados al Ap endizaje Au omá ico y sus aplicaciones al Análisis de Redes Sociales. Sus úl imos abajos es án elacionados con la mine ía de opiniones, la clasi icación y la selección de ins ancias. Fe nando En íquez de Salamanca Ros abaja como p o eso e in es igado en la Uni e sidad de Se i- lla, en la que ob u o su í ulo de Doc o en Ingenie ía In o má ica. Su línea de in es igación es á en ocada p incipalmen e en la aplicación del ap endizaje au omá ico a a eas de P ocesamien o del Lenguaje Na u al, y más conc e amen e en la combinación de di e en es algo i mos de clasi icación pa a el análi- sis de ex os. 35 Emp esa 2.0: Úl imos esul ados de I+D monog a ía monog a ía no á ica nº 225 sep iemb e-oc ub e 2013 opiniones del es o. Po o o lado, la mayo des en aja de es os sis emas es que no exis e una au o idad cen al que a bi e de e mina- dos compo amien os que pueden se consi- de ados ilíci os, como po ejemplo el hecho de que un g upo de usua ios puedan o ma una coalición pa a alo a posi i a o nega i- amen e a o o(s). En es e abajo mos amos un sis ema de ges ión de la epu ación basado en la p opa- gación de las opiniones posi i as y nega i as de los usua ios de una ed, a ando de ob ene un anking de usua ios de o ma que se p omocione a aquellos usua ios más ia- bles según la comunidad, y se penalice a aquellos usua ios con una baja conside a- ción den o del sis ema. 2. T abajos elacionados Como se esal a en [19], el uso de ecnolo- gías p o enien es de la Web 2.0 en el en o no emp esa ial puede epo a muchos bene i- cios. La adopción de pla a o mas sociales p o ee a la emp esa de nue as uen es de in o mación que pueden esul a decisi as, an o en la elación de emp esa a emp esa, como de emp esa a clien e. Y, po supues o, la in eg ación de es os sis emas den o de los p ocesos de negocio de una emp esa am- bién hace posible un mayo conocimien o del capi al humano den o de la p opia em- p esa, que puede ayuda a la ho a de busca el agen e humano más ap opiado pa a cada a ea, po ejemplo. Tan o pa a es a a ea como pa a una ade- cuada ges ión de la epu ación on-line de una emp esa, los sis emas de epu ación en edes sociales cob an una g an ele ancia en el ámbi o de la Emp esa 2.0. En es e en o no de epu ación on-line , un p ime paso po- d ía se la ges ión de la iden idad digi al, es deci , la uni icación de los dis in os pe iles u opiniones sob e una misma emp esa en di e sas pla a o mas on-line [5]. Una ez esuel o es e p ime paso, la e apa siguien e consis i ía en ene una idea de la epu ación on-line de la emp esa. Cen ándonos en el cálculo de la epu ación de en idades en edes sociales, hay un buen núme o de abajos que es udian el ema, incluyendo los mayo es desa íos que es a a ea p esen a. En es a línea, los abajos en [6][7][8][10] analizan algunas de las di i- cul ades asociadas a es a a ea, como el sesgo que suele exis i en las edes sociales hacia una mayo ía de opiniones posi i as o nega i as, según la emá ica de la misma. También esal an la ausencia en muchos casos de incen i os que animen a los usua- ios del sis ema a en iquece la in o mación con enida en el mismo median e sus alo a- ciones u opiniones. Es a ausencia de in o - mación es uno de los mayo es p oblemas de es os sis emas. O os abajos es udian la na u aleza de las elaciones en de e mina- das edes sociales, que suele in lui eno me- men e en las es a egias pa a el cálculo de la epu ación. Po ejemplo en [2] se es udia el enómeno conocido como " elaciones nepó icas", consis en e en que un usua io da una opinión posi i a a aquellos que han opinado posi i amen e sob e él. Po o o lado, exis en en la bibliog a ía ejemplos de algo i mos pensados pa a cal- cula la epu ación de los elemen os de una ed, eniendo en cuen a di e sos as- pec os del sis ema. Podemos des aca al- gunos de los más ele an es, como po ejemplo EigenT us [10], TidalT us [3] o Powe T us [19]; odos ellos a an al cál- culo de la epu ación de los usua ios e- niendo en cuen a las opiniones y elacio- nes es ablecidas en la ed social, la mayo- ía de una o ma di ec a, es deci , que la pun uación de cada usua io a ia á según las alo aciones de los usua ios con los que enga con ac o di ec o en la ed. O os abajos es án más en ocados al es u- dio de la p opagación de la in o mación a a és de una ed, analizando de qué o ma se pueden ans e i las opiniones posi i as y nega i as de unos usua ios sob e o os a a és de la ed, de o ma que es as opiniones si an pa a ob ene alo aciones globales de los usua ios del sis ema. En conc e o, en [4] p esen an el concep o de ansi i idad de la descon ianza, que ep e- sen a las di e en es o mas en las que las opiniones nega i as se p opagan a a és de una ed. En el abajo mencionado las esu- men en es: ansi i idad mul iplica i a, que se pod ía enuncia como " El enemigo de mi enemigo es mi amigo "; luego enemos la ansi i idad adi i a, o " No con ia en al- guien en quien no con ía alguien en quien ú no con ías "; y po úl imo es a ía la ansi i idad neu al, que consis e en " No ene en cuen a de las opiniones de alguien en quien no se con ía ". Es os es modelos se pueden ep esen a g á icamen e como se mues a en la igu a 1. igu a 1. igu a 1. igu a 1. igu a 1. Figu a 1. Modelos de ansi i idad de la descon ianza: (1) Descon ianza ansi i a. (2) Des- con ianza adi i a. (3) Descon ianza neu al. Las líneas discon ínuas se co esponden con opi- niones nega i as, mien as que las líneas g uesas con opiniones posi i as y las líneas delga- das son opiniones inde inidas. En es e abajo mos amos un sis ema de ges ión de la epu ación basado en la p opagación de las opiniones posi i as y nega i as de los usua ios de una ed “” 36 no á ica nº 225 sep iemb e-oc ub e 2013 monog a ía Emp esa 2.0: Úl imos esul ados de I+D monog a ía En [13] se mues a el p ocesado de la epu- ación de los usua ios de una ed social eal ex aída de la web de no icias Slashdo .o g, llegando a la conclusión de que la ed o ma- da po los usua ios del sis ema y sus opinio- nes posi i as y nega i as ienen una es uc- u a mul iplica i a. En el ci ado abajo p e- sen an un mé odo pa a el cálculo de la epu- ación en es a ed, si bien no ienen en cuen a la ansi i idad de las opiniones nega i as en sus cálculos. Po úl imo, o os abajos es udian los p o- blemas que los sis emas de cálculo de la epu ación on-line deben esol e , dado el en o no cambian e y dinámico en el que se desen uel en. En [10] es udian lo que ellos llaman "modelos de a aques" que usua ios malin encionados pueden ejecu a con a un sis ema de epu ación on-line , a ando de ap o echa se del mecanismo pa a ob ene algún ipo de bene icio. Es os modelos clasi ican las posibles accio- nes de los usua ios malin encionados en cinco ipos: Modelo A: Modelo A: Modelo A: Modelo A: Modelo A: Exis en usua ios con una baja epu ación en el sis ema, de o ma aislada. Se ía el modelo no mal de compo amien o de usua ios en una ed social. Modelo B: Modelo B: Modelo B: Modelo B: Modelo B: Los usua ios malin encio- nados o man una coalición pa a gana una al a epu ación dando buenas opiniones so- b e los demás miemb os de la coalición. Modelo C:Modelo C: Modelo C:Modelo C: Modelo C: Los usua ios malin encio- nados pueden compo a se de mane a co- ec a espo ádicamen e an e algunos usua- ios con el obje i o de gana buena epu a- ción. Modelo D:Modelo D: Modelo D:Modelo D: Modelo D: Se in oduce un nue o ipo de usua io malin encionado, que se enca ga de gana una buena epu ación, pa a luego opina posi i amen e de o os usua ios malin encionados, de o ma que la epu a- ción de és os se ea inc emen ada. Modelo E:Modelo E: Modelo E:Modelo E: Modelo E: Los usua ios malin encio- nados no sólo a an de gana una al a epu- ación, sino que ambién in en an baja la epu ación de los demás. En nues a p opues a a a emos de e i a en la medida de lo posible los e ec os de es os compo amien os en una ed social. 3. Nues a p opues a En es a sección p esen a emos nues a p o- pues a de un sis ema de cálculo de la epu- ación de usua ios en edes sociales: Pola i yT us [14][15]. Básicamen e se a- a de un sis ema basado en la p opagación de in o mación a a és de la ed o mada po los usua ios de un sis ema y las ela- ciones en e ellos, que pueden se posi i as o nega i as dependiendo de la semán ica de la ed. U ilizando la opología de la ed es posible calcula la con iabilidad de un usua io den- o del sis ema. En nues o caso u ilizamos dos alo es pa a ello, PT+ y PT-: el p ime alo ep esen a á la buena epu ación de ese usua io en la ed, y análogamen e, el o o alo ep esen a la mala epu ación del usua- io en la ed. La combinación de ambas pun uaciones si e pa a calcula la epu ación global del usua io. El obje i o de nues o sis ema de cálculo de la epu ación on-line es e i a que usua ios malin encionados se ap o echen del sis ema pa a gana de o ma ilíci a una muy buena epu ación, o que p o oquen un aumen o de la mala epu ación a o os usua ios. 3.1. Modelo p incipal Pola i yT us es á basado en ideas simila es a las de PageRank [16], el conocido algo i - mo u ilizado en un p incipio pa a o dena las páginas web en los esul ados de búsque- das de Google. En nues a p opues a hemos ex endido sus capacidades de o ma que podamos p oce- sa g a os con a is as posi i as y nega i as, además de posibili a la inclusión de di e en- es esquemas de p opagación, como los is- os en la sección 2sección 2 sección 2sección 2 sección 2, a la ho a de ejecu a el algo i mo de paso alea o io, de al o ma que podemos de e mina de qué mane a las opi- niones (posi i as o nega i as) de los usua- ios an a in luencia las pun uaciones de o os usua ios. Así pues, la ó mula que ca ac e iza la epu- ación de un usua io i de una ed social, según nues a p opues a es la que se mues a en la igu a 2 igu a 2 igu a 2 igu a 2 igu a 2. Donde pij es el alo de la opinión del usua io i sob e el usua io j. In+( i) y In-( i) ep e- sen an el conjun o de usua ios con opinio- nes posi i as y nega i as sob e i, espec i a- men e. Ou ( j) es el conjun o de usua ios sob e los que opina j. Po úl imo, d es el ac o alea o io del algo i mo de PageRank, que de e mina la p obabilidad de sal a a un nodo de la ed que no es é di ec amen e elacionado con el ac ual; y los alo es e+i y e-i pueden en ende se en es e caso como la p obabilidad, a p io i, de que el nodo i enga una buena o mala epu ación, espec i a- men e. En nues a p opues a, e+i = 1 sólo si el usua io i es comple amen e iable. Po lo an o, un eque imien o de Pola i yT us es la exis encia de un conjun o inicial de usua- ios iables. En el en o no de las edes on-line , es a es una suposición ac ible, ya que pode- mos oma como o almen e iables al conjun- o de usua ios mode ado es, o a los adminis- ado es del sis ema on-line , de o ma que median e es e algo i mo sus opiniones se p o- pagan con una mayo ue za a lo la go de la ed. Como e emos en la sección de e alua- ción, es e conjun o puede se bas an e pe- queño en elación al amaño o al de la ed. Pola i yT us es á basado en ideas simila es a las de PageRank, el conocido algo i mo u ilizado en un p incipio pa a o dena las páginas web en los esul ados de búsquedas de Google “” Figu a 2. Fó mula p opues a pa a ca ac e iza la epu ación de un usua io en una ed social. 37 Emp esa 2.0: Úl imos esul ados de I+D monog a ía monog a ía no á ica nº 225 sep iemb e-oc ub e 2013 Como puede comp oba se, Pola i yT us adop a po de ec o un esquema mul iplica i o de ansi i idad a la ho a de p opaga las opiniones nega i as. Además, y a di e encia de o as p opues as, puede e se en la ó - mula que en nues o sis ema las opiniones posi i as y las nega i as a ec an an o a la pun uación posi i a como a la nega i a de un usua io. De es a o ma a amos de mini- miza algunos de los e ec os nega i os que los a aques is os an e io men e pueden p o oca en la epu ación de los usua ios de una ed social. 3.2. Modelos adicionales Una ez expues o el modelo básico de Pola i yT us , pasa emos a explica b e e- men e las ca ac e ís icas de los modelos adi- cionales [15] desa ollados pa a e i a en la medida de lo posible los e ec os pe niciosos de las acciones lle adas a cabo po usua ios malin encionados en el sis ema. En p ime luga , hemos do ado al modelo básico de una o ma de e i a la p opagación al es o de nodos de la ed de las opiniones nega i as de los usua ios malin encionados. De es a o ma se in en an a aja los a aques del ipo E ( e sección 2sección 2 sección 2sección 2 sección 2), median e los cuales los usua ios malin encionados a an de daña la epu ación de o os usua ios. Es e modelo lo llamamos "modelo de p opa- gación no-nega i a". El o o g an p oblema con el que enemos que lidia en es os sis emas es el llamado "opiniones deshones as", que consis e en que algunos usua ios pueden da de o ma in- encionada opiniones nega i as sob e usua- ios buenos, o ice e sa. Pa a e i a es e p oblema hemos añadido el modelo de "ac- ción- eacción" de Pola i yT us , que se basa en penaliza a aquellos usua ios que ealizan es e ipo de acciones. Asumiendo que el o o ga una opinión posi i a a usua ios malin encionados (o ice e sa) ambién pue- de debe se a un e o o incluso a se obje o de un a aque de ipo C, nues o modelo se á lexible a la ho a de aplica dichas penaliza- ciones. De es a o ma, los usua ios se án penalizados de o ma p opo cional al nú- me o de eces que han come ido es e ipo de acciones. 4. E aluación En es a sección de alla emos los expe imen- os lle ados a cabo pa a alida nues a p opues a, comenzando con la p esen ación de los conjun os de da os u ilizados pa a ello, los sis emas con los que hemos compa- ado Pola i yT us , las mé icas u ilizadas en la e aluación y po úl imo mos ando los esul ados ob enidos. 4.1. Da os de e aluación Pa a es ea el compo amien o de Pola i yT us y de o os sis emas pa a el cálculo de la epu ación de usua ios en una ed social, hemos u ilizado un conjun o de da os que han sido usados en o os abajos [13], ex aído de una ed social eal, Slashdo .o g, consis en e en los usua ios de esa ed social y las elaciones (posi i as o nega i as) exis en es en e ellos. En cuan o a las dimensiones del conjun o de da os pa a la e aluación, en o al cuen a con unos 71.500 usua ios, con más de 510.000 elaciones en e ellos, de las cuales al ededo de un 24% son nega i as. Una de las en ajas de u iliza es os da os es la exis encia en la ed social Slashdo de una lis a de usua ios malin encionados, man e- nida po los mode ado es, con lo que acili a la e aluación de es os sis emas. En o al, la mues a ob enida cuen a con 96 olls cono- cidos. Po lo an o, pa e de la e aluación consis i á en iden i ica co ec amen e a es- os usua ios, haciendo que apa ezcan en las úl imas posiciones del anking de epu ación de usua ios. Adicionalmen e a es e conjun o de da os, le hemos añadido una se ie de usua ios malin encionados, modelando los a aques is os en la sección 2sección 2 sección 2sección 2 sección 2, de o ma que podamos e alua la obus ez de odos los sis emas analizados. 4.2. O os sis emas Pa a ealiza una compa a i a con nues o sis ema, hemos elegido es sis emas de cál- culo de la epu ación on-line de dis in as ca ac e ís icas. En p ime luga , hemos implemen ado un modelo básico basado en la expe iencia di- ec a de los usua ios. Se a a de una mé ica a la que hemos llamado " Fans minus Foes " (amigos menos enemigos), consis en e sim- plemen e en es a el núme o de opiniones posi i as y nega i as sob e un usua io. Po o o lado, hemos ealizado una implemen ación del algo i mo de EigenT us [10], que iene en cuen a la es uc u a de la ed ejecu ando un algo i mo de paso alea o- io simpli icado, pe o basa su cálculo en una mé ica pa ecida a la an e io . Po úl imo, compa a emos nues a p opues a con Nega i eRanking [13], un algo i mo de paso alea o io que iene en cuen a en su ejecución las opiniones posi i as y nega i as de la ed de o ma sepa ada, pa a luego calcula una pun uación de epu ación pa a cada nodo. 4.3. Mé ica La o ma de e alua los esul ados ob eni- dos po cada écnica consis e en cons ui un anking de usua ios, según las pun ua- ciones calculadas con cada algo i mo, y compa a es os ankings con el anking ideal (aquel cuyas úl imas posiciones es- án ocupadas po los usua ios conside a- dos malin encio-nados, o olls ). Es a mé ica se denomina No malized Discoun ed Cumula i e Gain (nDCG), y sigue la siguien e ó mula: donde p es una posición dada del anking. El alo de ele ance se á 1 si el usua io que ocupa esa posición es bueno, y 0 en caso de se un usua io malin encionado. Finalmen- e, IDCG es el alo del nDCG ideal, es deci , el alo del anking pe ec o. Cuan o mayo sea el alo de nDCG, mejo se á el esul ado ob enido po la écnica analizada. 4.4. Resul ados En es a sección mos a emos los esul ados ob enidos po cada écnica, de o ma que podamos e alua el compo amien o de cada una de ellas en las si uaciones que nos he- mos plan eado. El p ime expe imen o, cuyos esul ados se mues an en la abla 1 abla 1 abla 1 abla 1 abla 1, aplica cada écnica al conjun o de da os de Slashdo , de o ma que se in en en iden i ica los usua ios malin- encionados que ya es án en la ed. Pa a ello omamos como usua ios o almen e iables al c eado de Slashdo .o g (su nomb e de usua io en el sis ema es Cmd Taco ) y a aquellos usua ios a los que Cmd Taco apun a en su lis a de amigos (en o al 6 usua ios iables). Adicionalmen e, hemos incluido el po cen- aje de usua ios malin encionados que han ob enido posiciones en el anking más al as A di e encia de o as p opues as, puede e se en la ó mula que en nues o sis ema las opiniones posi i as y las nega i as a ec an an o a la pun uación posi i a como a la nega i a de un usua io “” 38 no á ica nº 225 sep iemb e-oc ub e 2013 monog a ía Emp esa 2.0: Úl imos esul ados de I+D monog a ía que las que les co esponde ía en el caso ideal. Como puede e se, en es e p ime expe imen o los esul ados de Pola i yT us son p ome edo es, demos ando ya una mejo a con espec o al es o de sis emas. En segundo luga epe imos el expe imen o, es a ez añadiendo a los da os o iginales una se ie de a aques, e ec uados po los 96 olls iden i icados en la ed, de o ma que a en de gana buena epu ación ap o echándose del sis ema. Los esul ados pueden e se en la abla 2 abla 2 abla 2 abla 2 abla 2. Podemos e cómo los sis emas a p io i más simples se en bas an e a ec ados po es os a aques, mien as que Pola i yT us man ie- ne su buen endimien o. Po úl imo, en la abla 3 abla 3 abla 3 abla 3 abla 3 mos amos los esul ados ob enidos po Pola i yT us aña- diéndole in o mación sob e una se ie de usua- ios malin encionados conocidos. La in o - mación de es os usua ios se consigna en el pa áme o e- de la ó mula is a en la secciónsección secciónsección sección 33 33 3. En es os expe imen os hemos incluido en el algo i mo in o mación sob e 5 usua ios de en e los que es án ano ados como olls conocidos. Resul a e iden e y no able la mejo a al u ili- za in o mación sob e algunos usua ios malin encionados conocidos den o del al- go i mo. Es o da una idea el ma gen de mejo a que iene nues o sis ema de se u i- lizado a lo la go del iempo en una ed social. 5. Conclusiones La p incipal con ibución de es e abajo de in es igación es el desa ollo de Pola i yT us , un algo i mo de anking so- b e g a os con la capacidad de p ocesa una ed con opiniones posi i as y nega i- as en e sus usua ios, y además de pena- liza a usua ios malin encionados que a- an de ap o echa se del sis ema de epu a- ción. Es as ca ac e ís icas hacen que Pola i yT us p esen e una g an lexibilidad, siendo capaz de ejecu a dis in os ipos de p opagación de in o mación sob e una ed, dependiendo de la na u aleza de las elacio- nes en e los usua ios de la misma. Una de las en ajas de u iliza es os da os es la exis encia en la ed social Slashdo de una lis a de usua ios malin encionados, man enida po los mode ado es, con lo que acili a la e aluación de es os sis emas “ ” Tabla 1. Po cen aje de e o es y nDCG pa a cada écnica p obada. ET = EigenT us ; FmF=Fans minus Foes; NR=Nega i e Ranking; PT=Pola i yT us . Una a ea a abo da en un abajo u u o se á la búsqueda de expe os den o de una co po ación. En es a a ea puede se in e e- san e aplica los esquemas de Pola i yT us is os en es e abajo pe o u ilizando esque- mas de p opagación adi i os, de o ma que las opiniones de los usua ios si an pa a e o za o debili a la imagen de un usua io como expe o en de e minado ema. Ag adecimien os Es a in es igación ha sido pa cialmen e inancia- da po los p oyec os: TIN2012-38536-C03-02 y TIN2011-14726-E. Tabla 2. nDCG ob enido po cada écnica pa a cada a aque p opues o. Tabla 3. nDCG pa a Pola i yT us , u ilizando in o mación sob e usua ios malin encio- nados conocidos. 39 Emp esa 2.0: Úl imos esul ados de I+D monog a ía monog a ía no á ica nº 225 sep iemb e-oc ub e 2013 W Re e encias [1] N. Aga wal, H. Liu, L. Tang, P. S. Yu. "Iden i ying he in luen ial blogge s in a communi y". P oc. ACM WSDM Con ., pp. 207¨C218, 2008. [2] D. Gayo-A ello. "Nepo is ic Rela ionships in Twi e and hei Impac on Rank P es ige Algo i hms". Uni e sidad de O iedo, 2010. <h p:/ /a xi .o g/ p/a xi /pape s/1004/1004.0816.pd >. [3] J. A. Golbeck. "Compu ing and applying us in web-based social ne wo ks". Uni e si y o Ma yland a College Pa k, College Pa k, MD, USA, 2005. [4] R. Guha, R. Kuma , P. Ragha an, A. Tomkins. "P opaga ion o us and dis us ". P oceedings o he 13 h in e na ional con e ence on Wo ld Wide Web, 2004, pp. 403-412. [5] B. Jennings, A. Finkels ein. "Digi al Iden i y and Repu a ion in he Con ex o a Bounded Social Ecosys em". Business P ocess Managemen Wo kshops, ol. 17, D. A dagna, M. Mecella y J. Yang, Eds. Be lin, Heidelbe g: Sp inge Be lin Heidelbe g, 2009, pp. 687-697. [6] Jo di Saba e i Mi . "T us and epu a ion o agen socie ies". Uni e si a Au ónoma de Ba ce- lona. [7] A. Jøsang. "T us Managemen in Online Communi ies". New o ms o collabo a i e p oduc ion and inno a ion on he In e ne - in e disciplina y pe spec i es, no. May, V. Wi ke and H. Hanekop, Eds. SOFI Goe ingen, Uni e si y P ess Goe ingen, 2011, pp. 5-7. [8] A. Jøsang, R. Ismail, C. Boyd. "A Su ey o T us and Repu a ion Sys ems o Online Se ice P o ision". Decis. Suppo Sys ., ol. 43, no. 2, pp. 618-644, 2007. [9] Y. Kakizawa. "In-house use o web 2.0: En e p ise 2.0". NEC Tech. J., ol. 2, no. 2, pp. 46- 49, 2007. [10] S. D. Kam a , M. T. Schlosse , H. Ga cia- Molina. "The EigenT us Algo i hm o Repu a ion Managemen in P2P Ne wo ks". P oceedings o he Twel h In e na ional Wo ld Wide Web Con e ence, 2003, pp. 640-651. [11] R. Ke , R. Cohen. "Sma Chea e s Do P ospe : De ea ing T us and Repu a ion Sys ems". P oceedings o he 8 h In e na ional Join Con e ence on Au onomous Agen s and Mul iagen Sys ems, 2009. [12] J. M. Kleinbe g. "Au ho i a i e Sou ces in a Hype linked En i onmen ". J. ACM, ol. 46, pp. 668-677, 1999. [13] J. Kunegis, A. Lomma zsch, C. Bauckhage. "The Slashdo Zoo: Mining a Social Ne wo k wi h Nega i e Edges". 18 h In e na ional Wo ld Wide Web Con e ence, 2009, p. 741. [14] F. Ja ie O ega. "De ec ion o dishones beha io s in on-line ne wo ks using g aph-based anking echniques". AI Communica ions, ol. 26, no. 3, pp. 327-329, 2013. [15] F. Ja ie O ega, J. A. T oyano, F. L. C uz, C. G. Vallejo, F. En íquez. "P opaga ion o us and dis us o he de ec ion o olls in a social ne wo k". Compu e Ne wo ks. Vol. 56, no. 12, pp. 2884- 2895, agos o 2012. [16] L. Page, S. B in, R. Mo wani, T. Winog ad. "The PageRank Ci a ion Ranking: B inging O de o he Web", 1999. [17] C. A. Yeung, M. G. Noll, N. Gibbins, C. Meinel, N. Shadbol . "SPEAR: SPamming- esis an Expe ise Analysis and Ranking in Collabo a i e Tagging Sys ems". Compu . In ell., ol. 27, no. 3, pp. 458. [18] J. Zhang, J. Tang, J. Li. "Expe Finding in a Social Ne wo k". Ad ances in Da abases Concep s, Sys ems and Applica ions, pp. 1066-1069, 2007. [19] R. Zhou, K. Hwang. "Powe T us : A Robus and Scalable Repu a ion Sys em o T us ed Pee - o-Pee Compu ing". IEEE T ans. Pa allel Dis ib. Sys ., ol. 18, no. 4, pp. 460-473, ab il 2007.