Role classification in networks via fuzzy clustering

In the study of complex networks, particularly in socio-economic and social media contexts, understanding how the roles of agents evolve over time is crucial for interpreting interaction patterns and shifts in influence. This article presents a novel framework for role-oriented network analysis, combining feature selection and fuzzy clustering to provide a flexible and comprehensive method for role classification. The model is then applied across a variety of datasets, including global trade networks, international firm data, and social media interactions, all of which exhibit distinct role dynamics. The methodology integrates key network features, such as centrality metrics, alongside customized weighting schemes for interaction types. For social networks, different weights are applied to different types of interaction, reflecting varying levels of engagement. In the case of global trade, trade values are normalized and aggregated across sectors to capture the economic influence of countries over time. Fuzzy clustering is used to assign nodes to multiple roles, reflecting the fluidity and overlap inherent in real-world networks. Feature selection, based on the Laplacian Score, ensures that only the most relevant features are retained, optimizing clustering performance. The framework is validated on multiple datasets, including the Inter-Country Input-Output (ICIO) tables for international trade and a large collection of tweets related to the 2022 Italian elections. Across all datasets, the model reveals significant insights into the hierarchical structures of roles, identifying key influencers in social media, prominent economic actors in global trade, and dynamic shifts in the roles of firms. The results demonstrate the model's versatility in capturing both static and dynamic role evolution, with applications in market analysis, policy-making, and social media strategy.

Nello studio delle reti complesse, in particolare nei contesti socio-economici e dei social media, comprendere come i ruoli degli agenti evolvano nel tempo è fondamentale per interpretare i modelli di interazione e i cambiamenti di influenza. Questo articolo presenta un nuovo framework per l'analisi delle reti orientata ai ruoli, che combina la selezione delle caratteristiche e il clustering fuzzy, offrendo un metodo flessibile e completo per la classificazione dei ruoli. Il modello è applicato a una varietà di dataset, tra cui reti commerciali globali, dati di aziende internazionali e interazioni sui social media, tutti caratterizzati da dinamiche di ruolo distinte. La metodologia integra le principali caratteristiche di rete, come le metriche di centralità, insieme a schemi di ponderazione personalizzati per i diversi tipi di interazione. Nei social network, vengono applicati pesi differenti a seconda del tipo di interazione, riflettendo vari livelli di coinvolgimento. Nel caso del commercio globale, i valori di scambio sono normalizzati e aggregati tra i settori per cogliere l'influenza economica dei paesi nel tempo. Il clustering fuzzy è utilizzato per assegnare più ruoli ai nodi, rispecchiando la fluidità e la sovrapposizione tipiche delle reti reali. La selezione delle caratteristiche, basata sul punteggio Laplaciano, garantisce che vengano mantenute solo le caratteristiche più rilevanti, ottimizzando le prestazioni del clustering. Il framework è stato validato su diversi dataset, tra cui le tabelle Inter-Country Input-Output (ICIO) per il commercio internazionale e una vasta raccolta di tweet relativi alle elezioni italiane del 2022. In tutti i dataset, il modello rivela importanti intuizioni sulle strutture gerarchiche dei ruoli, identificando principali influencer nei social media, attori economici rilevanti nel commercio globale e cambiamenti dinamici nei ruoli delle aziende. I risultati dimostrano la versatilità del modello nel catturare l’evoluzione dei ruoli sia statica che dinamica, con applicazioni nell’analisi di mercato, nella definizione delle politiche e nelle strategie per i social media.