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.