MULTIDIMENSIONAL ANALYSIS OF PEOPLE'S BEHAVIOR IN ONLINE SOCIAL NETWORKS

The unprecedented and quickly increasing popularity of Online Social Networks (OSNs) is evidenced by the huge number of users who are turning to Facebook, Twitter and other social networks. The rapid growth of these online social networks provides a unique chance to study and understand the online behavior of the people. In this thesis, we analyze people's behavior in online social network considering the fact that online behavior of people is influenced by different factors which derive from the combination of their offline and online life. First, we perform a multidimensional analysis of users across multiple social media sites to give an all-around picture of people’s online behavior. While people in their online life have access to a wide portfolio of social platforms, little is known about users’ behavior when they have different online communication media available. Our findings represent some novel insights about people’s behavior across social media. Having at our disposal users’ degree in five different social networks, we find that the individuals’ importance changes from medium to medium. The longitudinal nature of our dataset has been exploited to investigate the posting activity. We find a slightly positive correlation on how often users publish on different social media and we confirm the burstiness of the posting activities extending it to multidimensional time-series. Second, we develop an innovative identification methodology for connecting people across multiple social platforms. Relying on common public attributes available through the official application programming interface (API) of social networks, we construct negative instances in three different ways, going beyond the commonly adopted random selection to evaluate the robustness of our identification algorithm on different datasets. Results show that the approach can lead to a very effective identification method and methodology for building reliable datasets. Moreover, we analyzed the success of our method in a real scenario built on Google+/Facebook neighborhoods. Experiments reveal the advantages of the proposed method in comparison to previous methods in the literature. Finally, we take the first step towards understanding the effect of offline events on the graph structure of the social network where they are advertised. More precisely, we perform a temporal analysis of the event social network, constituted by people declaring to attend the event on Facebook and the links between them, and evaluated how it evolves during the event time period. The results show that new friendships are created during events and that this new friendships creation is one of the main reasons of triangle closure and the higher degrees observed in the last day of the events period.

L’impressionante crescita in popolarità delle Online Social Networks (OSNs), evidenziata dall’enorme numero di utenti oggi legati ai social network più popolari, offre un’opportunità unica per comprendere i comportamenti online degli individui. In questa tesi, analizziamo i comportamenti delle persone sulle OSNs considerando che tali comportamenti sono il risultato della combinazione di esperienze ed attitudini sia online che offline. Dapprima, eseguiamo una analisi multidimensionale degli utenti attraverso diversi social media per fornire una descrizione complessiva dei comportamenti online e comprendere come questi cambino quando più media sono disponibili contemporaneamente. I risultati che presentiamo rappresentano uno dei primi esempi di esplorazione dei comportamenti umani su diversi social media. Ad esempio, utilizzando lo user degree su 5 diversi social network, evidenziamo che l’importanza di ogni individuo cambia da piattaforma a piattaforma. La natura longitudinale del nostro dataset è anche stata sfruttata per studiare l’attività di posting degli utenti, evidenziando una leggera correlazione positiva sulla frequenza con cui gli utenti pubblicano su social media differenti e confermando la natura bursty delle attività di posting mediante l’uso di serie temporali multidimensionali. Inoltre, durante la tesi abbiamo sviluppato un metodo di identificazione innovativo per collegare le persone attraverso le diverse piattaforme social. Facendo riferimento agli attributi pubblici comuni, attraverso l’uso di application programming interface (API) dei diversi social network, costruiamo le istanze negative in tre modi diversi, superando la selezione randomica abitualmente adottata, allo scopo di valutare la robustezza del nostro algoritmo di identificazione su diversi dataset. I risultati mostrano che l’approccio porta ad un metodo di identificazione molto efficace per costruire dataset affidabili. Uno scenario reale costruito su Google+ e Facebook è stato utilizzato come testbed per la validazione del metodo. I risultati che riportiamo dimostrano i vantaggi ottenibili con il nuovo metodo rispetto ad altri metodi da letteratura. Infine, la tesi compie un primo passo verso una miglior comprensione degli effetti degli eventi offline sulla struttura del grafo delle social network in cui sono pubblicizzati. Più precisamente, svolgiamo una analisi temporale della social network legata all’evento, comprendendo le persone che dichiarano di partecipare all’evento tramite facebook, e valutiamo come questa evolva durante l’intervallo temporale dell’eventi stesso. I risultati mostrano che nuove amicizie nascono durante l’evento e che la creazione di questi nuovi legami sociali è una delle cause principali di chiusura triangolare e che il grado maggiore si osserva durante l’ultimo giorno dell’evento stesso.