MINING AND LEARNING WEB3 PLATFORMS: A TEMPORAL NETWORK PERSPECTIVE

In the past decade, there has been a notable shift in Internet services, challenging the traditional structure of Web 2.0 dominated by a few centralized platforms. This transformation has given rise to the concept of Web3, i.e. the design of platforms and software systems built on blockchain technologies to promote a decentralized Web. Indeed, blockchain technology offers many design options for decentralized systems, such as decentralized storage, consensus-based validation of stored data, and the vital option to implement economic systems. Various sectors have witnessed the application of Web3 principles, leading to Decentralized online social media and Decentralized Finance (DeFi), to cite a few well-known examples. Despite the growing influence of Web3, comprehensive studies on its applications, especially beyond decentralized finance, are limited. The vast and timestamped data stored on Web3 platforms offers a unique opportunity for researchers to perform detailed and in-depth analysis of users' traits, potential for the extraction of detailed insights into innovative techno-social systems, characterized by multi-faceted interactions - social, economic, and financial - among people and between people and platform. However, blockchain-based systems are often highly interconnected and exhibit intricate interdependencies that span different interaction layers within the same blockchain and multiple blockchain networks simultaneously. This interconnected yet intricate nature of blockchain-based systems presents substantial challenges, necessitating novel solutions in data collection, modeling, analysis, and prediction tasks. There are many open questions where the key points are the interplay between the temporal and the heterogeneous dimensions characterizing blockchain-based systems. These aspects, still marginal in the current literature, are the main subject of this thesis. This thesis explores the interconnected nature of the Web3 paradigm, utilizing models, algorithms and methods from the field of network science. Network science is a multidisciplinary field, that examines dynamic interactions and complex structures within various system through networks ( also called graphs). In a network, we represent the entities involved as nodes, connected by links (or edges) that represent interactions or dependencies. Modeling through networks has yielded significant insights across domains such as communication networks, urban mobility, scientific collaborations, brain networks, genomics, financial transactions, and social media. Throughout this work, we showcase how network science is a suitable analytics framework to model the complexity of Web3 by tackling different aspects and open questions on Web3 through a network science approach. The thesis is structured as follows: the introduction provides a comprehensive overview of the main research questions, emphasizing the novelty and key contributions. In Part I, "Modeling Web3 as a network", the focus is on introducing essential concepts for employing network-based methodologies to model Web3 data, including a background of Web3 platforms and detailing the datasets used. Then, Part II, "Network evolution dynamics", delves into the temporal patterns of users' activity and link formation within Web3 systems. After that, Part III, "The interplay of currency and user behavior", explores the relationship between user activity and economic dimensions, particularly cryptocurrency and reward systems unique to Web3. And then, Part IV, "Modeling and prediction of user migration", investigates cross-chain behaviors like user migration, leveraging heterogeneous temporal data and dynamic socio-economic environments. In addition, Part V, "Machine learning on multilayer graphs", introduces a framework enhancing graph neural network performance on the multilayered structure of Web3 platforms. Finally, the Conclusions summarize the key findings, highlighting open problems and suggesting future research directions.

Nel corso dell'ultima decade, si è verificato un notevole cambiamento nei servizi Internet, mettendo in discussione la tradizionale struttura del Web 2.0 dominato da poche piattaforme centralizzate. Questa trasformazione ha dato vita al paradigma Web3, ossia la progettazione di piattaforme e sistemi software basati su tecnologie blockchain per promuovere un Web decentralizzato. Infatti, la tecnologia blockchain offre molte opzioni di progettazione per sistemi decentralizzati, come archiviazione di dati in maniera decentralizzata, convalida di dati archiviati basata su algoritmi di consenso distribuito, ma soprattutto l'opzione cruciale di implementare sistemi economici. Diversi settori hanno visto l'applicazione dei principi Web3, portando a social media online decentralizzati, Finanza Decentralizzata (DeFi); per citare alcuni esempi ben noti. Nonostante l'influenza crescente del Web3, gli studi approfonditi sulle sue applicazioni, specialmente al di là della finanza decentralizzata, sono limitati. I dati memorizzati sulle piattaforme Web3 sono vasti e corredati di informazione temporale (timestamp) ed offrono quindi un'opportunità unica per i ricercatori di condurre analisi dettagliate e approfondite sulle caratteristiche degli utenti, con il potenziale per estrarre approfondite intuizioni nei sistemi tecno-sociali innovativi, caratterizzati da diversi tipi di interazioni - sociali, economiche e finanziarie - che avvengono non solo tra utenti, ma anche tra utenti e la piattaforma. Tuttavia, i sistemi basati su blockchain sono spesso altamente interconnessi ed esibiscono intricate interdipendenze che si estendono a diversi tipi di interazione all'interno della stessa blockchain e tra molteplici reti blockchain contemporaneamente. Questa natura interconnessa ma intricata dei sistemi basati su blockchain presenta sfide sostanziali, che richiedono soluzioni innovative nei compiti di raccolta, modellazione, analisi e previsione dei dati. Ci sono molti problemi aperti in cui i punti chiave sono il rapporto tra le dimensioni temporali e l'eterogeneità dei dati che caratterizzano i sistemi basati su blockchain. Questi aspetti, ancora marginali nella letteratura attuale, sono il tema principale di questa tesi. Questa tesi esplora la natura interconnessa del paradigma Web3, utilizzando modelli, algoritmi e metodi nel campo della network science, la scienza delle reti. La scienza delle reti esamina interazioni dinamiche e strutture complesse all'interno di vari sistemi, rappresentando tramite reti (o grafi) le entità coinvolte come nodi, connessi da link (o archi) che rappresentano interazioni o dipendenze. La modellazione attraverso reti ha fornito significative intuizioni in settori come reti di comunicazione, mobilità urbana, collaborazioni scientifiche, reti cerebrali, genomica, transazioni finanziarie e reti sociali. In questo lavoro, mostriamo come la scienza delle reti sia un idoneo quadro analitico per modellare la complessità del Web3 affrontando diverse questioni aperte su Web3 attraverso un approccio basato sulla scienza delle reti. La tesi è strutturata come segue: l'introduzione fornisce una panoramica completa delle principali domande di ricerca, enfatizzando la novità e le principali contribuzioni dell' elaborato. Nella Parte I, "Modellare il Web3 come una rete", l'attenzione è incentrata sulla presentazione di un contesto delle piattaforme Web3, introducendo concetti essenziali per l'impiego di metodologie basate su reti per modellare i dati Web3 e dettagliando i dataset utilizzati. Nella Parte II, "Dinamiche evolutive della rete", ci si addentra nei modelli temporali che descrivono la formazione di legami da parte di singoli utenti e che descrivono la formazione di triadi all'interno dei sistemi Web3. Nella Parte III, "L'interazione tra valuta e comportamento dell'utente", si esplora la relazione tra l'attività dell'utente e le dimensioni economiche, in particolare la criptovaluta e i sistemi di ricompensa, due aspetti unici del Web3. Nella Parte IV, "Modellazione e previsione della migrazione dell'utente", si indaga sui comportamenti cross-chain come la migrazione dell'utente, sfruttando dati temporali eterogenei. Nella Parte V, "Apprendimento automatico su grafi multilayer", si introduce un framework che potenzia le prestazioni delle reti neurali grafiche sulla struttura multilayer delle piattaforme Web3. Il capitolo Conclusioni riassume brevemente le principali scoperte, evidenziando problemi rimasti aperti e suggerendo future direzioni di ricerca.