社会网络分析之研究– 以网际网路搜寻为例

社會網絡分析之研究–以網際網路搜尋為例

王朝煌、彭議霆

中央警察大學資訊管理研究所

摘要：二十世紀以來資訊科技突飛猛進，尤其在電腦與網路結合

後，網際網路漸漸成為人類資訊活動最主要的傳輸媒體。人類行為

涉及網際網路的比例日漸增加，生活方式也隨著改變，以網路活動

為主的虛擬社會應運而生。類似於傳統的犯罪者會在犯罪現場留下

物理跡證，如指紋、血跡、毛髮等等，虛擬社會的犯罪者往往也會

在電腦和網路中留下電子跡證。如何分析電子跡證，有效掌握人類

的資訊活動，以輔助資訊時代的犯罪偵查工作，實為資訊時代極重

要的課題。本研究運用功能強大的 Google 搜尋引擎進行特定人物

相關資料的搜集，再藉由中央研究院的中文斷詞系統萃取與該特人

物相關之人物名稱，然後以社會網絡圖形介面顯示相關人物間的關

係。實驗顯示本研究之分析技術可以發現犯罪份子的關聯及其社會

網絡關係。

關鍵詞：關聯分析、社會網路分析、網際網路搜尋、斷詞技術

綱要

一、緒論

二、文獻探討

三、實驗設計

四、實驗結果與討論

五、結論

一、緒論

根據洛卡得物質交換理論(Locard’s Exchange Principle)[1]，犯罪者往往會在犯罪現場留下物理跡證，如指紋、血跡、毛髮等等，偵查人員因而可依據犯罪現場的痕跡、物證的位置和狀態的分析及物證的檢驗，從而確定或排除在犯罪現場發生的事件及行為過程，以推斷犯罪者與犯罪現場的關連[2]。資訊科技發明以前，人類無形的資訊活動只能透過面對面的言語交換，面對面的資訊交換行為雖然可能間接造成和留下物理證據狀態的改變，但資訊活動只能在當事人腦海中留下記憶或印象，因此這方面的證據只能透過詰問審訊的方式獲得，輔以物理證據的佐證與邏輯推論，證明其真實性。因此傳統的犯罪偵查工作主要以犯罪現場的物理證據作為重建犯罪事實的基礎。

在電信科技發明以後，人類可以借由通信科技進行點對點的遠距通訊，面對面的言語交換不再是(無形)資訊唯一的交換方式，通訊活動除了在當事人腦海中留下記憶外，其間接在通信設施所留下的通聯紀錄也成為犯罪偵查重要輔助證據，因此運用通聯記錄的關聯分析(link analysis)成為犯罪偵查最重要的工具之一。此外犯罪偵查單位更進一步運用電信監聽技術，直接掌握當事人的通信內容，犯罪偵查的證據蒐集從而超越了物理證據的範圍。

二十世紀以來資訊科技突飛猛進，尤其在電腦與網路結合後，網際網路漸漸成為人類資訊活動最主要的傳輸媒體。人類不但可以透過資訊高速公路，悠遊於網際網路所建構的虛擬世界，更可以互動式的電腦網路媒體作為橋樑，形成虛擬社群 1 。然而由於電腦驚人的處理效率以及網路活動具跨越時空、隱密、及匿名等特性，使得有心人或犯罪者，不但可以利用網際網路作為作案管道，並且可以利用其隱密及匿名等特性，避免執法機關的偵察與逮捕，致使網路世界逐漸淪為犯罪淵藪。近年來網路詐欺、網路援交、網路金融犯罪、以及侵犯智慧財產權等犯罪問題不斷地成長，即為明顯的實例。

類似於傳統的犯罪者會在犯罪現場留下物理跡證，如指紋、血跡、毛髮等等，電腦相關犯罪者往往也會在電腦和網路中留下電子跡證(electronic trail)。如何運用電子跡證的分析技術，有效掌握人類的資訊活動，以輔助資訊時代的犯罪偵查工作，實為資訊時代極為重要的課題。例如在傳統社會，偵查人員可經由巡邏查察及透過各種監視設施，窺知犯罪徵候，進而加以監控查察。然而傳統的巡邏查察及監視設施，在社會漸漸轉型為虛擬社群的過程中，將漸漸失去其效用，亟待研擬新的監控查察方法。雖然聊天室、電子郵件、及網路（視訊）電話等通訊乃憲法秘密通訊自由所保障的私領域行為，必須在法律的授權下，才可進行監控。但網站、論壇（部落格）、及網路遊戲等公共的空間，調查人員可視工作需要進行必要的資料蒐集與監控。

網際網路的資料雖然甚為龐雜，但其分析應用可區分為兩類:當事人主動參與的社會活動，如共同選課、同列榜單、同學錄、共同著作出版…等資料；當事人相關報導，即由第三者(如記者)對當事人的報導，如新聞報導、網路日誌、傳記、法院判決（例）書… 等資料。前項可作為社會網絡分析資料，而後者則可以關聯分析技術加以應用。本研究運用功能強大的Google 搜尋引擎，搜尋網際網路公共領域(public domain)的資料，搜集特定人物的相關資料，並藉由中央研究院之中文斷詞系統萃取與該特人物相關的人物名稱，再以圖形介面顯示相關人物間的關係，期能作為監控查察之參考。

1 根據學者Wally Bock的定義，形成社群一般具共同僻好（common interests）、互動頻繁(frequent interaction)、及互相認識(identification)等特色[3]。虛擬社群乃以網站、論壇（部落格）、聊天室、電子郵件、網路（視訊）電話、網路遊戲等電腦媒體管道，所促成的社群組織。社群成員間通常透過網站或論壇發表文章，以交換心得，討論共同主題，及尋求同儕的支持，並以別名或電子郵件作為彼此的識別，經由互動漸漸形成以電腦網路為媒體的虛擬社群。

二、文獻探討

（一）網際網路搜尋（Internet Search）

網際網路搜尋引擎一般以網路蜘蛛(web spider)，定期蒐集網際網路上的資料，建立資料庫與索引資料及提供搜尋服務。索引最基本方法有兩種，分別是以「關鍵字」及以「概念」為索引[4]。關鍵字索引是目前最常使用的方法；以概念為基礎的索引，則透過人工彙整定義概念，逐一檢查文件，以確定文件所屬的範圍做成索引。如使用者輸入：「全世界最高的山」，搜尋引擎會由資料庫定義中，找出符合該定義的山為「喜馬拉雅山」。

Google搜尋引擎是由二名史丹福大學博士生，拉里?佩奇和謝爾蓋?布林在1996年所創立，除資料的索引分析外，網站間關係的分析與運用，也是 Google 搜尋引擎的重要特色。Google 搜尋引擎是目前網際網路上最大、影響最廣泛的搜索引擎。Google 搜尋引擎每日處理超過2億次查詢。除了網頁外，Google搜索引擎也提供搜尋圖像、新聞網頁、影片、地圖、部落格等服務，Google搜索引擎其他服務有：Google網上論壇和Google 圖片搜索服務、Google新聞、Google網頁目錄、Google Answers、Froogle、Google Web API、Google Book Search、Picasa、Google、Notebook、Google Maps、Google Earth、 Google SketchUp、Google Moon、Google Local、Google Mars等等[5]。

（二）斷詞系統

字是最基本的語義單位，字與字的組合及構成詞，可以延伸字的表達範圍。例如「蜻」與「蜓」雖各具基本語意，組合成「蜻蜓」一詞，便可以描述另一新的動物。人類善於組合既有的概念，以描述新的現象或事物。詞與詞或詞與字又可加以組合，例如「竹」與「蜻蜓」組合成「竹蜻蜓」，及「電子」與「計算機」組合成「電子計算機」等等，可以描述嶄新的事物。詞可分為單字詞、多字詞，如「紙」、「小說」[6]。文件資料的自動化處理非常複雜，為簡化處理程序，通常先將文件資料進行斷詞，再接續語言分析、資訊抽取、資訊檢索等工作。因此中文自動分詞的工作成了語言處理不可或缺的技術。當處理不同領域的文件時，領域相關的特殊詞彙或專有名詞，常常造成分詞系統因為參考詞彙的不足而產生錯誤的切分。為了解決這個問題，最有效的方法是補充領域詞典加強詞彙的搜集[7]。斷詞系統可分為五大單元，分別為前置處理單元、構詞單元、斷詞單元、後置構詞單元及詞類標記產生單元。前置處理單元將輸入的字串做處理，如字串中有英文、標點符號或其他符號時，將字元轉換為全形，再輸入構詞單元。斷詞單元利用斷詞規則，經詞庫比對原字串後而結合的詞，再交由後置構詞單元檢查詞句中是否可以互相結合，最後將斷詞結果產生所要的詞與詞類標記[8]。目前中文斷詞，主要有詞庫斷詞法、統計斷詞法及混合式斷詞法[9,10]，彙整如表2.1。

表 2.1中文斷詞法方法說明

詞庫斷詞法利用詞庫和文件中的句子做字詞比，以找出文件內字詞。為保持詞庫斷詞正確性，詞庫內容須時常維護與更新。

統計斷詞法從大量領域的文件資料庫中分析統計，以找出鄰近字元共同出現的頻率及前後字之分佈情形作為斷詞依據。例如某一系列的字 ABCD 共同出現的頻率頗高，且 A 之前及 D 之後出現的字則較為多樣化，則 ABCD為一詞的可能性較高。

混合式斷詞法利用詞庫斷出不同的組合字詞，再利用字詞的統計資訊，找出最佳的斷詞組合。

本研究運用中央研究院中文斷詞系統部份功能，該系統包含約拾萬詞的詞彙庫及附加詞類、詞頻、詞類頻率、雙連詞類頻率等資料。根據中研院斷詞系統說明指出，每篇文章中約有 3%~5%的詞彙是未知詞，文章經過斷詞後，所取出的詞性有數十種，部份詞性說明如表2.2所示，例如專有名稱（Nb），「巨蛋棒球場」、「貓空纜車」皆屬之[7]。

表2.2 中央研究院中文斷詞系統部份詞性列表

標記對應詞類

Na Naa, Nab, Nac, Nad, Naea, Naeb 普通名詞

Nb Nba, Nbc 專有名詞

Nc Nca, Ncb, Ncc, Nce 地方詞

Ncd Ncda, Ncdb 位置詞

Nd Ndaa, Ndab, Ndc, Ndd 時間詞

（三）社會網路分析（Social Network Analysis）

社會網路指將人們連結在一起的社會關係網路，並利用社會圖（sociogram），以點表示成員，以線表示成員間的關係，呈現這些社會組態的屬性，衡量社會凝聚力和社會壓力[11]。社會網絡分析方法包括核心措施、鑑定小組、分析角色、圖論基礎、排列型

統計分析等等。傳統社會網路分析法通常透過蒐集問卷、訪談、觀察蒐集社會網路資料，並運用圖論（graph theory）作進一步分析與解釋。社會網路分析是一種強而有力的分析方法，依節點、單雙向關係，以及關係的強度(如共同出現次數)等，可分析在特殊領域成員間彼此的關係。

1.節點「V ertex」，以V表示，圖形為「●」，本文中以一個節點代表某一特定人物名稱，各節點間可能存在直接或間接關係，也可能不存在任何關係。

2.社會網路分析通常以矩陣 A來表示，以 A ij 表示點 i 和點 j 間的關係，A ij 值為0 表示點 i 和點 j 間沒有關係，否則表示點 i 和點 j 間有關聯。若以圖形顯示，點(人物) 與點間的關係「Edge」，以E表示：A→ B 代表 A與B為單向關係，A? B代表 A與 B為雙向關係。

本研究社會網路分析使用軟體為UCINET。UCINET可讀寫各種不同的檔案格式，主要用來分析所搜集的數據，及以一維和二維的方式分析資料。UCINET包括NetDraw、 Spreadsheet、Mage、Pajek等四大項功能，本研究分別運用其Spreadsheet 及NetDraw兩功能以建立關係矩陣及繪製社會網路分析圖形。

三、實驗設計

本研究以 Google 搜尋引擎進行特定人物(或稱關鍵人)相關資料，並藉由中央研究院的中文斷詞系統萃取與該特人物相關之人物名稱，所蒐集的相關之人物名稱再運用 Google 搜尋引擎進行作第二層的搜集，之後彙整關係矩陣資料，最後以圖形介面顯示相關人物間的關係，本研究的實驗設計與流程如圖3.1所示：

以關鍵字做Google 搜尋從資料庫中取出網頁本

文，再送至中研院斷詞系

統取出專有名詞(Nb)

否進行第二層關

鍵字人名搜尋

將取出之專有名詞(Nb)做分

類並存入Database 計算關鍵字人名與其對映

人名出現次數關係性儲存

送至使用者輸入關鍵字(人名)

中央研究院中文斷詞系統

將搜尋結果網頁之前25%

頁面儲存至Database

儲存送至 Google Search https://www.360docs.net/doc/ef13141285.html, 將結果產出送至

NetDraw 軟體繪出

網路關係圖

是否已搜尋兩層

是

Database 讀取

讀取/

儲存圖3.1實驗設計與流程

本研究使用自行開發之代理人程式，使用者輸入欲分析特定人物之名稱後，將其送

至Google 搜尋相關的網頁，取出前25% 2 熱門網頁之html 、htm 、txt 檔，並將內文儲存

至資料庫，同時將資料送到中央研究院中文斷詞系統進行斷詞，萃取專有名詞（Nb ）部份，再將它回存至資料庫中。第一層的搜尋與分析，找出與欲分析特定人物有關之人物名稱。接著進行第二層之搜尋，即將第一層搜尋所得之相關人物名稱，一一送至Google 搜尋相關的網頁，並進行相關人物名稱的萃取與統計共同出現的次數。第二層的搜尋與分析可進一步找出特定人物與相關之人物相互間共同出現的關係。以張錫銘為欲分析特定人物為例進行第一層搜尋，所得資料經萃取人物名稱之後，與「張錫銘」重要相關（排名前25%）的人物名稱有「段樹文」、「林慶益」、「洪俊彥」、「鄭進富」等五人。此五人物名稱再一一送至 Google 搜尋引擎，作第二層搜尋及萃取資料人物名稱，例如 2 依資料內提及欲分析特定人物之名稱的次數多寡排序。

與「林慶益」重要相關的人物名稱為「張錫銘」、「鄭進富」、「林泰亨」等三人，如表3.1所示。

表3.1資料庫部份內容

資料編號來源欲分析特定人物名稱相關人物名稱詞性

1 自由電子報-社會新聞張錫銘段樹文 (Nb)

2 自由電子報-社會新聞張錫銘林慶益 (Nb)

3 自由電子報-社會新聞張錫銘林慶益 (Nb)

4 自由電子報-社會新聞張錫銘洪俊彥 (Nb)

5 自由電子報-社會新聞張錫銘鄭進富 (Nb)

6 自由電子報-社會新聞張錫銘王靖壹 (Nb)

7 自由電子報-社會新聞張錫銘林慶益 (Nb)

8 自由電子報-社會新聞張錫銘林慶益 (Nb)

9 臺頭號悍匪張錫銘被判三

個無期及55年徒刑

林慶益張錫銘 (Nb)

10 臺頭號悍匪張錫銘被判三

個無期及55年徒刑

林慶益張錫銘 (Nb)

11 臺頭號悍匪張錫銘被判三

個無期及55年徒刑

林慶益鄭進富 (Nb)

12 臺頭號悍匪張錫銘被判三

個無期及55年徒刑

林慶益林泰亨 (Nb)

臺頭號悍匪張錫銘被判三

個無期及55年徒刑

林慶益鄭進富 (Nb)

接著將表3.1及統計資料轉換成共同出現矩陣，如表3.2所示，例如當以「張錫銘」

為特定人物名稱進行搜尋時時，「林慶益」共同出現在與「張錫銘」相關資料前25%中的次數為 4，「段樹文」為 1，餘依此類推。而當以「林慶益」為特定人物名稱進行搜尋時時，「張錫銘」共同出現在與「林慶益」相關資料前25%中的次數為2，「鄭進富」亦為 2，餘依此類推。

表3-2 轉換後部份關係矩陣

張錫銘林慶益段樹文洪俊彥鄭進富王靖壹林泰亨

張錫銘 0 4 1 1 1 1 0

林慶益 2 0 0 0 2 0 1

最後，將轉換完之關係矩陣資料表匯入UCINET軟體加以描繪，並利用該軟體功能分析出各種可能存在的社會網路關係。

四、實驗結果與討論

將資料以UCINET軟體之NetDraw繪製社會網路關係圖如圖4.1所示。節點代表各個關係人物名稱，圖4.1中節點總數為131個。點與點間的線段代表關係的存在，關係又可分為「單向關係」與「雙向關係」，舉例來說：若搜尋人物 A的相關資料前25%包含人物B，但搜尋人物 B的相關資料前25%未包含人物 A，則人物 A與人物 B之關係為單向關係，反之亦同。但若搜尋人物 A的相關資料前25%包含人物B，搜尋人物 B

的相關資料前25%也包含人物 A，則人物 A與人物B為雙向關係。此外連接兩節點的線段，兩邊皆會有彼此共同出現次數，以表示相對的關係強度。

圖4.1張錫銘人際網絡關係分析圖

圖4.1中，「西門子」、「索羅門」、「到粵東」雖不是人物名稱，但屬於專有名詞，斷詞系統在斷詞過程中將該詞列為專有名詞（Nb）中。這些較無相關的名稱可以調整顯示的關係強度門檻值篩去，例如將圖 4.1 關係圖中關係強度小於 5(約等於平均關係強度 4.84)的線段略去，可將關係圖簡化為圖 4.2。此外圖 4.2 中線段以紅色表示雙向關係，黑色表示單向關係。另外，也以節點大小表示人物名稱出現次數之多寡。由圖 4.2 可明顯看出張錫銘與林國忠、段樹文、林泰亨有直接關聯，與侯友宜、楊尚書、蔡英俊則有間接關係。分析出現雙向關係原因如下：

1、林國忠：為張錫銘綁架集團黨羽。

2、林泰亨：為張錫銘綁架集團黨羽。

3、段樹文：在2004年底要張錫銘向媒體投書放話。

出現與張錫銘有間接關係之姓名分析如下：

1、侯友宜：案發當時擔任刑事局長，負責指揮專案小組成員偵辦。

2、楊尚書：和欣客運小開，被張錫銘綁架。

3、蔡英俊：承辦張錫銘案件檢察官。

圖4.2 簡化之張錫銘人際網絡關係圖

如將顯示關係強度門檻值調高為 10，進一步簡化張錫銘之人際網絡關係，可得圖 4.3。節點明顯減少，可發現張錫銘犯罪集團黨羽、與較重要的受害者與偵辦人員間的關係。

圖4.3關係強度大於10的張錫銘人際網絡關係圖

最後，具雙向關係且關係強度大於 5 的張錫銘人際網絡關係，如圖 4.4 所示。與張

錫銘具雙向關係且關係強度大於5的關係人有「洪俊彥」、「張宏吉」、「段樹文」、「林慶益」、「吳朝銘」、「段樹文」、「林國忠」等七名，由表 4.1 可知這七名人物與張錫銘間的特殊關係。彼等在資料庫中出現的次數都超過100次以上，關聯性相當高，此七名成員分別為黨羽、受者者及主要的偵查人員。

圖4.4雙向且關係強度大於5的張錫銘人際網絡關係圖

表4.1 張錫銘綁架集團相關關係人說明主要關係人

關係人背景說明

資料庫關鍵詞出現次數林國忠

張錫銘綁架集團黨羽 227次陳進雄

張錫銘綁架集團黨羽 101次唐榮宏

張錫銘綁架集團黨羽 124次張宏吉

張錫銘綁架集團黨羽 140次吳朝銘

張錫銘綁架集團黨羽 123次曾瑞彬張錫銘綁架集團黨羽 132次

詹龍欄詹龍欄綽號穿山甲，張錫銘為其小弟 104次

洪俊彥南投電台主持人洪俊彥，張錫銘犯下之綁架案件 216次

418次林振興為薛球及張錫銘等擄人勒贖犯罪集團幕後藏鏡人

首腦的台中角頭

鄭進富台南市當舖老闆鄭進富，張錫銘犯下之綁架案件 318次

368次洪鋒文張錫銘懷疑被高雄角頭洪鋒文出賣，投書媒體對其

發出狙殺信

436次赫育龍電玩老板于國柱遭張錫銘綁架，被認為是幕後人物

之一

蔡英俊蔡英俊，承辦張錫銘綁架案件台南地檢署檢察官 242次

楊尚書和欣客運小開楊尚書，張錫銘犯下之綁架案件 236次

243次林慶益新營市東方酒店股東，被張錫銘於 84 年 2 月 20

日凌晨，在新營市東方酒店停車場，開槍殺害

五、結論

本研究運用功能強大的搜尋引擎，分層搜尋特定人物之網際網路資料，再藉由中央研究院中文斷詞系統萃取出網路資料中的人物名稱，統計分析特定人物與相關人物間的關係與強度，並運用社會網路分析軟體，繪製其社會網路關係圖。並以「張錫銘」綁架集團為例，說明本研究的實驗結果。由張錫銘人際網絡關係圖發現與張錫銘有關的人物，包括黨羽、受害者及偵辦人員，都可從網際網路搜尋的資料分析獲得。可見經由網際網路搜尋與本研究所研擬的分析方法，可以發現犯罪份子間的關聯與其社會網絡關係。由於許多犯罪者為累犯，警察機關可整合內部之資訊系統，如：犯罪資料庫、筆錄資料庫，再輔以本研究所提出之社會網路分析方法，以掌握更詳盡的相關資訊，以提高打擊不法犯罪份子之效能。

謝誌

本文感謝中央研究院詞庫小組、Google搜尋引擎及UCINET軟體等提供的協助，使本研究實驗得以順利進行，特此致謝。

參考文獻

[1] Richard Saferstein, Criminalistics—An introduction to Forensic Science, 6 th edition,

Prentice Hall, 1998.

[2] H. C. Lee, Crime Scene Investigation,Central Police University Press, Taoyuan,

Taiwan, ROC.

[3] Bock, W., 2001, “Christmas, Communities, and Cyberspace”,

https://www.360docs.net/doc/ef13141285.html,/docs/community.htm.

[4] 搜尋引擎的原理是什麼，

https://www.360docs.net/doc/ef13141285.html,/googleadsense/article.php?pbgid=22525&entryid=26，2006。

[5] https://www.360docs.net/doc/ef13141285.html,.

[6] 黃居仁、陳克健，”中央研究院漢語料庫的內容與說明”，

https://www.360docs.net/doc/ef13141285.html,.tw/SinicaCorpus/98-04.pdf，1998。

[7] https://www.360docs.net/doc/ef13141285.html,.tw.

[8] 唐大任，中文斷詞器之研究，國立交通大學電信工程學系碩士論文，1999。

[9] 賴錦慧，新聞事件之變化探勘以支援決策制定，國立交通大學資訊管理研究所

碩士論文，2004。

[10] 王朝煌，2004，”資料分析技術與情報運用之探討”，通識教育教學及研究方

法學術研討會論文集。

[11] 邱議德，以社會網路分析法評估工作團隊知識創造與分享，國立中正大學資

訊管理所碩士論文，2003。

六个主要的社会网络分析软件的比较UCINET简介

六个主要的社会网络分析软件的比较UCINET简介 UCINET为菜单驱动的Windows程序，可能是最知名和最经常被使用的处理社会网络数据和其他相似性数据的综合性分析程序。与UCINET捆绑在一起的还有Pajek、Mage和NetDraw 等三个软件。UCINET能够处理的原始数据为矩阵格式，提供了大量数据管理和转化工具。该程序本身不包含网络可视化的图形程序，但可将数据和处理结果输出至NetDraw、Pajek、Mage 和KrackPlot等软件作图。UCINET包含大量包括探测凝聚子群（cliques, clans, plexes）和区域（components, cores）、中心性分析（centrality）、个人网络分析和结构洞分析在内的网络分析程序。UCINET还包含为数众多的基于过程的分析程序，如聚类分析、多维标度、二模标度（奇异值分解、因子分析和对应分析）、角色和地位分析（结构、角色和正则对等性）和拟合中心-边缘模型。此外，UCINET 提供了从简单统计到拟合p1模型在内的多种统计程序。 Pajek简介 Pajek 是一个特别为处理大数据集而设计的网络分析和可视化程序。Pajek可以同时处理多个网络，也可以处理二模网络和时间事件网络（时间事件网络包括了某一网络随时间的流逝而发生的网络的发展或进化）。Pajek提供了纵向网络分析的工具。数据文件中可以包含指示行动者在某一观察时刻的网络位置的时间标志，因而可以生成一系列交叉网络，可以对这些网络进行分析并考察网络的演化。不过这些分析是非统计性的；如果要对网络演化进行统计分析，需要使用StOCNET 软件的SIENA模块。Pajek可以分析多于一百万个节点的超大型网络。Pajek提供了多种数据输入方式，例如，可以从网络文件（扩展名NET）中引入ASCII格式的网络数据。网络文件中包含节点列表和弧/边（arcs/edges）列表，只需指定存在的联系即可，从而高效率地输入大型网络数据。图形功能是Pajek的强项，可以方便地调整图形以及指定图形所代表的含义。由于大型网络难于在一个视图中显示，因此Pajek会区分不同的网络亚结构分别予以可视化。每种数据类型在Pajek中都有自己的描述方法。Pajek提供的基于过程的分析方法包括探测结构平衡和聚集性（clusterability），分层分解和团块模型（结构、正则对等性）等。Pajek只包含少数基本的统计程序。 NetMiner 简介 NetMiner 是一个把社会网络分析和可视化探索技术结合在一起的软件工具。它允许使用者以可视化和交互的方式探查网络数据，以找出网络潜在的模式和结构。NetMiner采用了一种为把分析和可视化结合在一起而优化了的网络数据类型，包括三种类型的变量：邻接矩阵（称作层）、联系变量和行动者属性数据。与Pajek和NetDraw相似，NetMiner也具有高级的图形特性，尤其是几乎所有的结果都是以文本和图形两种方式呈递的。NetMiner提供的网络描述方法和基于过程的分析方法也较为丰富，统计方面则支持一些标准的统计过程：描述性统计、ANOVA、相关和回归。 STRUCTURE 简介 STRUCTURE 是一个命令驱动的DOS程序，需要在输入文件中包含数据管理和网络分析的命令。STRUCTURE支持五种网络分析类型中的网络模型：自主性（结构洞分析）、凝聚性（识别派系）、扩散性、对等性（结构或角色对等性分析和团块模型分析）和权力（网络中心与均质分析）。STRUCTURE提供的大多数分析功能是独具的，在其他分析软件中找不到。MultiNet简介 MultiNet 是一个适于分析大型和稀疏网络数据的程序。由于MultiNet是为大型网络的分析而专门设计的，因而像Pajek那样，数据输入也使用节点和联系列表，而非邻接矩阵。对于分析程序产生的几乎所有输出结果都可以以图形化方式展现。MultiNet可以计算degree, betweenness, closeness and components statistic，以及这些统计量的频数分布。通过MultiNet，可以使用几种本征空间（eigenspace）的方法来分析网络的结构。MultiNet包含四种统计技术：交叉表和卡方检验，ANOVA，相关和p*指数随机图模型。

基于R语言的社会网络分析

基于R语言的社交网络分析胡志健 ( 东华大学信息科学与技术学院, 上海201620）摘要：随着互联网技术的快速发展，以及智能移动设备的普及，我们生活在了一个数据快速增长的年代。每天都有来自商业、科学、社交、工业生产等各个不同领域数据存储于计算机网络中。存储技术的不断改进，加上批量化设备生产，使得数据的存储成本大大降低，海量数据的挖掘与应用的大数据时代正逐步向我们走来。在互联网上，用户量最大的无疑是社交网络。网民可以在如新浪、腾讯、人人网等国内社交网络上快速发布、分享、评论信息。海量的信息存在于网络中，为数据挖掘提供了前提条件。本文借助R语言与Python脚本从人人网获取好友列表，借助igraph工具包对作者的好友分布做可视化分析，绘制了好友关系拓扑图，找到了中介度最高人。关键字：数据挖掘，社交网络，R，Python，可视化分析 A social network’s analysis based on R language Abstract：With the rapid development of Internet technology, and the wide spread of smart mobile devices, we are living in an era of large amounts of data increases rapidly. Every day, from business, science, social, industrial production and other data of various fields stored in computer network. With the continuous improvement of storage technology, and the production of batch equipment, the storage cost of data is greatly reduced, and the data mining and application of large data era is gradually coming to us.On the Internet, the biggest user is undoubtedly social networks. Internet users can quickly publish, share and comment on social networks such as Sina, Tencent, and Renren. The vast amount of information exists in the network, which provides the premise for data mining. With the help of R language and python scripts, I get buddy list from Renren. Using igraph kit to do the visual analysis of author's friends distribution, render the friend relationship with topological graph, and find the intermediary of the supreme. Keywords: data mining，social network，R，Python，visual analysis 近年来，随着网络的普及，我国互联网行业有了很大的发展，尤其是移动互联网，出现了爆发式的发展。网络世界里发生着巨大的变化，不管是网民的规模、上网的方式，还是上网目的等方面。尤其是最近四五年，互联网行业似乎总是绕不开社交网络这个概念。无论是国外或是国内，Facebook、Twitter、微博、QQ、人人网等，还是如雨后春笋般冒出来的各大在线购物网站，或多或少地体现着SNS（社交网络服务）的特色。在丰富人们日常生活的同时，也为广大的科研人员提供了海量的数据。以往只能通过有限的调研如问卷或模拟才能进行的社会网络分析（SNA）,现在却具备了大规模开展和实施的条件。本文基于国内典型SNS网站“人人网”的好友数据，借助统计分析语言R语言做了社交网络分析的一些尝试。一、获取数据 1.Python脚本数据分析与挖掘的第一步，便是获取数据。得益于人人网的开放平台，借助Python脚本实现自动读取人人网好友信息（ID、姓名）并保存。人人开放平台使用OAuth 2.0作为验证与授权协议。OAuth是一个开放标准，允许第三方应用在用户授权的情况下访问其在网站上存储的信息资源（如照片、视频、好友列表），而这一过程中网站无需将用户的账号密码告诉给第三方应用。为了获取人人好友列表，需要借助脚本模拟登陆读取网页数据。# Python 读取好友列表代码： def get_list(uid): pagenum = 0 print u"开始解析好友列表" os.remove(str(uid)+".txt") ffi = open(str(uid)+".txt",'a') s = str("id"+""+"name"+'\n')

社会网络分析法

第十三章社会网络分析法近几十年来社会网络分析法有了迅速的发展，它已被“泛应用到了社会学、政治学、人类学和社会政策研究等多个领域。本章我们将侧重介绍社会网络分析法的基本概念、历史、主要分析技术及其应用。第一节社会网络分析的概念一、什么是社会网络分析网络指的是各种关联，而社会网络(social network)即可简单地称为社会关系所构成的结构。故从这一方面来说，社会网络代表着一种结构关系，它可反映行动者之间的社会关系。构成社会网络的主要要素有：行动者(actor)：这里的行动者不但指具体的个人，还可指一个群体、公司或其他集体性的社会单位。每个行动者在网络中的位置被称为“结点(node)”。关系纽带(relational tie)：行动者之间相互的关联即称关系纽带。人们之间的关系形式是多种多样的，如亲属关系、合作关系、交换关系、对抗关系等，这些都构成了不同的关系纽带。二人组(dyad)：由两个行动者所构成的关系。这是社会网络的最简单或最基本的形式，是我们分析各种关系纽带的基础。二人组(triad)：由三个行动者所构成的关系。子群(subgroup)：指行动者之间的任何形式关系的子集。群体(group)：其关系得到测量的所有行动者的集合。社会网络分析是对社会网络的关系结构及其属性加以分析的一套规范和方法。它又被称结构分析(structural analysis)，因为它主要分析的是不同社会单位(个体、群体或社会)所构成的社会关系的结构及其属性。从这个意义上说，社会网络分析不仅是对关系或结构加以分析的一套技术，还是一种理论方法——结构分析思想。因为在社会网络分析学者看来，社会学所研究的对象就是社会结构，而这种结构即表现为行动者之间的关系模式。社会网络分析家B·韦尔曼(Barry Wellman)指出：“网络分析探究的是深层结构——隐藏在复杂的社会系统表面之下的一定的网络模式。”例如，网络分析者特别关注特定网络中的关联模式如何通过提供不同的机会或限制，从而影响到人们的行动。韦尔曼指出，作为一种研究社会结构的基本方法，社会网络分析具有如下基本原理： 1．关系纽带经常是不对称地相互作用着的，在内容和强度上都有所不同。 2．关系纽带间接或直接地把网络成员连接在一起；故必须在更大的网络结构背景中对其加以分析。 3．社会纽带结构产生了非随机的网络，因而形成了网络群(network clusters)、网络界限和交叉关联。

社会网络分析的应用

7、社会网络分析的应用一、国外的应用社会网络分析萌芽于20世纪30年代，形成于60年代，从1980年以后，关于社会网络分析的论文显著增长。国外的应用研究主要集中在社会科学、家庭关系、交通运输、健康和医疗以及传染病传播机制等方面。在情报学领域，国外的研究主要集中在两个方面:合著网络的研究和引文网络的研究。 (一)合著网络研究 1.Liuxiaoming，BollenJohan等人利用ACM和IEEE的数字图书馆会议文献建立了作者合著网络，利用中心性分指标析该合著网络，研究表明了PageRank和AuthorRank在合著网络研究中的重要性和优势。 2.M.E.J.Newman利用社会网络分析法对物理学、生物学和计算机科学三种学科的作者建立起了论文合著网络，分析了不同学科作者合著网络类型的区别和特点。 3.Logan和Pao则致力于研究如何使用社会网络分析法寻找出某一个领域的最核心作者。 (二)引文网络研究主要应用于信息资源研究中，对文献之间的引用、共引的研究。 1.HENRY KREUZMAN进行了哲学学科62位代表作者的引文网络研究，揭示了哲学科学和认知论之间的联系。 2.HowardD.white专门探讨了社会网络结构和引文网络之间的内在联

系。 3.学者们提出了二值矩阵和赋值矩阵，还构建同被引网络的研究方法，用来分析同被引情况。二、.国内的应用国内的社会网络分析己被运用到合著和引文网络研究、竞争情报、知识管理、网络信息资源评价以及图书馆资源配置等众多领域。（一）合著网络研究 1.李亮，朱庆华等选取《情报学报》1998一2005年之间的合著者为研究对象，对合著网络进行中心性分析、凝聚子群分析和核心--边缘分析的实证研究。 2.刘蓓，袁毅等选取中国期刊网里情报学、情报工作栏目下的所有作者为研究对象，进行社会网络分析，并做了团队合作的时序变化研究。 3.鲍杨，朱庆华等选取了CSSCI数据库里近十年以来的全部情报学领域的论文进行社会网络分析研究，在合著网络分析中，对“小团体”的形成机制进行了研究。 (二)引文网络研究社会网络引文分析方法与引文分析家所使用的方法是一致的并扩展了它的研究方法，主要分为作者引文研究和期刊引文研究。 1.徐媛媛，朱庆华以参考咨询领域内的32名高被引作者为研究对象，运用社会网络分析法从密度、中心度和凝聚子群方面进行研究。 2.邱均平教授对编辑出版类期刊进行引文网络分析，结果说明期刊同被引方法应用于确定核心期刊是有效的。他在后来对图书馆学情报学

社会网络分析方法(总结)

社会网络分析方法 SNA分析软件 ●第一类为自由可视化SNA 软件，共有Agna 等9 种软件，位于图1 的右上角，这类软件可以自由下载使用，成本低，但一般这类软件的一个共同缺点是缺乏相应的如在线帮助等技术支持； ●第二类为商业可视化SNA 软件，如InFlow 等3种，这类软件大都有良好的技术支持；（3）第三类为可视化SNA 软件，如KliqFinder 等4 种，这类软件一般都是商业软件，但他们都有可以通过下载试用版的软件，来使用其中的绝大部分功能 ●第四类为自由非可视化SNA 软件，如FATCAT 等7 种，这类软件的特点是免费使用，但对SNA 的分析结果以数据表等形式输出，不具有可视化分析结果的功能； ●第五类为商业非可视化SNA 软件，只有GRADAP 一种，该软件以图表分析为主，不具有可视化的功能。在23 种SNA 软件中，有16 种SNA 软件，即近70%的SNA 软件，具有可视化功能。 SNA分析方法使用SNA 软件进行社会网络分析时，一般需要按准备数据、数据处理和数据分析三个步骤进行。尽管因不同的SNA 软件的具体操作不同，但这三个步骤基本是一致的。 1.准备数据，建立关系矩阵准备数据是指将使用问卷或其他调查方法，或直接从网络教学支撑平台自带的后台数据库中所获得的用于研究的关系数据，经过整理后按照规定格式形成关系矩阵，以备数据处理时使用。这个步骤也是SNA 分析的重要的基础性工作。SNA 中共有三种关系矩阵：邻接矩（AdjacencyMatrix）、发生阵（Incidence Matrix）和隶属关系矩阵（Affiliation Matrix）。邻接矩阵为正方阵，其行和列都代表完全相同的行动者，如果邻接矩阵的值为二值矩阵，则其中的“0”表示两个行动者之间没有关系，而“1”则表示两个行动者之间存在关系。然而我们

社会网络分析方法的应用研究

社会网络分析方法：是由社会学家根据数学方法﹑图论等发展起来的定量分析方法。社会网络(social network)即可简单地称为社会关系所构成的结构。故从这一方面来说，社会网络代表着一种结构关系，它可反映行动者之间的社会关系。构成社会网络的主要要素有：行动者、结点、关系纽带、二人组、三人组、子群、群体。社会网络分析是对社会网络的关系结构及其属性加以分析的一套规范和方法。它又被称结构分析法(structural analysis)，因为它主要分析的是不同社会单位(个体、群体或社会)所构成的社会关系的结构及其属性。从这个意义上说，社会网络分析不仅是对关系或结构加以分析的一套技术，还是一种理论方法——结构分析思想。因为在社会网络分析学者看来，社会学所研究的对象就是社会结构，而这种结构即表现为行动者之间的关系模式。”这种结构分析的方法论意义是：社会科学研究的对象应是社会结构，而不是个体。通过研究网络关系，有助于把个体间关系、“微观”网络与大规模的社会系统的“宏观”结构结合起来。按照社会网络分析的思想，行动者的任何行动都不是孤立的，而是相互关联的。他们之间所形成的关系纽带是信息和资源传递的渠道，网络关系结构也决定着他们的行动机会及其结果。分析角度：包括中心性分析、凝聚子群分析、核心一边缘结构分析以及结构对等性分析等。 2．1中心性分析：中心度和中心势都可以分为3种：点度中心度／点度中心势，中间中心度／中间中心势，接近中心度／接近中心势。 2．1．1点度中心性在一个社会网络中，如果一个行动者与其他行动者之间存在直接联系，那么该行动者就居于中心地位，在该网络中拥有较大的“权力”。在这种思路的指导下，网络中一个点的点度中心度，就可以网络中与该点之间有联系的点的数目来衡量，这就是点度中心度。网络中心势指的是网络中点的集中趋势，它是根据以下思想进行计算的：首先找到图中的最大中心度数值；然后计算该值与任何其他点的中心度的差，从而得出多个“差值”；再计算这些“差值”的总和；最后用这个总和除以各个“差值”总和的最大可能值。2．1．2中间中心性在网络中，如果一个行动者处于许多其他两点之间的路径上，可以认为该行动者居于重要地位，因为他具有控制其他两个行动者之间的交往能力。根据这种思想来刻画行动者个体中心度的指标是中间中心度，它测量的是行动者对资源控制的程度。一个行动者在网络中占据这样的位置越多，就越代表它具有很高的中间中心性，就有越多的行动者需要通过它才能发生联系。中间中心势也是分析网络整体结构的一个指数，其含义是网络中中间中心性最高的节点的中间中心性与其他节点的中间中心性的差距。该节点与别的节点的差距越大，则网络的中间中心势越高，表示该网络中的节点可能分为多个小团体而且过于依赖某一个节点传递关系，该节点在网络中处于极其重要的地位。2．1．3接近中心性点度中心度刻画的是局部的中心指数，衡量的是网络中行动者与他人联系的多少，没有考虑到行动者能否控制他人。而中间中心度测量的是一个行动者“控制”他人行动的能力。有时还要研究网络中的行动者不受他人“控制”的能力，这种能力就用接近中心性来描述。在计算接近中心度的时候，我们关注的是捷径，而不是直接关系。如果一个点通过比较短的路径与许多其他点相连，我们就说该点具有较高的接近中心性。对一个社会网络来说，接近中心势越高，表明网络中节点的差异性越大，反之，则表明网络中节点间的差异越小。 2．2凝聚子群分析

基于社会网络的道路网络分析

第44卷第5期山西建筑V〇1.44N〇.5 2 0 1 8 年 2 月SHANXI ARCHITECTURE Feb.2018 ?121 ? ?道路?铁路? 文章编号：1009-6825 (2018) 05-0121 -03 基于社会网络的道路网络分析+ 陈少鹏高贺 (东北林业大学土木工程学院，黑龙江哈尔滨150040) 摘要:将道路网络抽象为无向无权网络，利用社会网络分析方法，分析了度中心性、接近中心性、中间中心性在道路网络的具体含义，同时分析了社会网络凝聚子群聚类的具体步骤。以拉萨市主干路网为例，利用社会网络分析工具UCINET对网络中心性以及节点派系进行分析。凝聚子群得到的两个重要节点派系是路网的枢纽，承担着对内对外交通功能，符合实际各区域之间的功能连接。关键词:社会网络，道路网络，中心性，凝聚子群中图分类号:U491 〇引言社会网络是指社会行动者及其间的关系的集合。也可描述为是由多个点（行动者）和各点之间的连线（行动者之间的关系）组成的集合[1]。社会网络中节点与节点之间构成的网络关系与道路网络的结构形式有共通之处，将社会网络中人与人之间的联系和影响抽象为道路网络中各节点之间的相互连接和影响，以社会网络分析方法对道路网络进行分析，识别出路网的重要节点，可为道路网现状以及服务水平评价提供依据。目前路网研究主要采用复杂网络分析方法，基于该方法可以分析网络基础参数和拓扑结构特征[2]，而社会网络方法主要分析网络中心性和网络子群。通过对中心性的分析可以了解节点在网络中起到作用，例如节点的连通性、重要性及过渡性;而子群分析可以划分若干个派系，通过派系内部及派系之间的稀疏关系了解网络的组织形式。 1道路网络构建本研究的主要目的是探索性地提出用新奇的社会网络分析方法来分析道路网络的可行性，所以将道路网络抽象为无向图C (F，E)(忽略了道路一些属性，如流量、拥挤程度、事故等），其中F 为节点的集合，E为边的集合。用4表示道路网络G的邻接矩阵： {Cb~~ Cb l]】l(1) 〇 2社会网络分析方法关系是社会网络分析理论的基础，中心性与凝聚子群是社会网络分析常用指标，利用这些指标可以剖析道路节点之间的关系特征[1]〇 2.1 中心性中心性是社会网络分析核心，其能够反映出个人或者组织(节点）在网络中的地位以及信息在整个网络中如何传播。社会网络中心性有三种分析方法： 1)度中心性。是指一个节点在网络中处于核心地位的程度，即有多少个节点与该节点直接相连。在道路网络应用中，度越大意味着更多的路径连接到交叉口，也可能意味着度高的节点要比度低的节点更拥堵[M]: CD(ni)=⑵ j=i 文献标识码:A 2)紧密中心性。在社会网络中，紧密度表示一个节点与其他节点的接近程度： C c(ni)= 7= 1 (3) 无向图标准化紧密性公式： J L n C c(ni)=j=i r,_ 1(4) 3)中间中心性。表示一个节点对其他没有直接联系节点的控制性。衡量网络中节点作为“桥梁”的能力： Csin,) = ^----------(5) Sjk 无向图标准化中间性公式： C?g“-2)⑷其中，办为节点?之间的直接路径数;取（^)为节点％到节点&的途径上有节点&的路径数。 2.2凝聚子群社会网络分析的另一项重要内容是研究网络中存在的凝聚子群，形象地说就是寻找网络中的小团体，或称之为派系。分析路网的派系可以找到相互联系紧密的节点群，为区域交通问题的改善提供依据。凝聚子群分析步骤如下：第一步:对于多值的矩阵，分析凝聚子群时要把多值转化为〇，1 二值。第二步:进行派系分析，找出所有派系，通过调整派系规模，得到理性派系结构。第三步:分析派系重叠模式，有大量派系它们之间存在重叠，此种情况下利用“共享成员”矩阵来降低派系的数量。 3实例分析 3.1 路网选择以西藏拉萨市主干路网为例进行分析。拉萨市城区主干路网有51个节点，102个路段。 3.2中心性结果分析使用UCINET软件对社会网络进行分析[5]。度中心性、接近中心性和中间中心性结果如表1所示。收稿日期=2017-12-05 ★:黑龙江省自然科学基金青年项目（QC2107039);教育部人文社会科学研究青年基金项目（17YJCZH152) 作者简介:陈少鹏（1993-)，男，在读硕士

社会网络分析在组织管理中的应用研究_孟凡磊

Sweeping over the Management 管理纵横 | MODERN BUSINESS 现代商业 171 社会网络分析在组织管理中的应用研究孟凡磊北京金隅大成开发有限公司 100000 摘要:随着市场经济的发展，企业在市场中所面临的竞争压力越来越大，为了能够在激烈的竞争中实现自身的可持续发展，企业必须要开展有效的组织管理，进而有效的实现长久发展的目标。在组织管理中，社会网络分析的应用包好多个层次，包括组织内部、组织网络、组织外在交互网络、组织管理措施等，通过社会网络分析能够有效提高组织的管理效果。本文首先对社会网络分析的相关概念进行了分析，介绍了组织管理中社会网络分析应用的层次，并对应用进行了研究，在此基础上，分析了社会网络分析在组织管理中未来的应用方向。关键词:社会网络分析；组织管理；应用；层次资金资本、人力资本以及社会资本是企业在经营的过程中所必须要具备的资本，在传统的组织管理中，资金成本和人力资本更加受到企业的重视，但是经过相关的研究可知，社会资本对于企业的发展来说一样的重要，基于此，企业在进行组织管理时，加入了社会资本。在对组织管理研究的过程中，社会网络分析具有很强的适应性，逐渐的应用到组织管理中。一、社会网络分析概述 (一)概念社会网络分析是在社会学领域中发展起来的，属于网络分析工具，现在应用的比较广泛，比如心理学、政治学等，近年来，在管理学领域中逐渐的引入社会网络分析，主要用于知识管理、组织管理、战略管理等。所谓社会网络，是指多个节点和节点之间的边构成的整体，这些节点可能是个人，也可能是组织，而且节点之间的连接可能已经建立起来，也有可能是具备建立连接的条件，当两个节点之间建立起连接时，就说明节点之间形成了一定的关系，这个关系的种类比较多，既可能是行为互动关系，也有可能是权威关系、评价关系等。在社会系统中，包含多个主体，这些主体就是社会网络中的节点，而对主体特征的调查和测度就是社会网络分析的本质，同时，主体之间的相互关系的探索也包含在其本质当中，调查和测度完成之后，通过图的形式表达出结果，对结果图进行相应的分析。由此看来，社会网络分析就是一个完整的理论、方法以及工具。 (二)方法和工具社会主体与主体之间会存在一定的互动关系，这种关系会对主体的行为、绩效等产生一定的影响，而这正是社会网络分析关注的重点。对于个体的行为、关系等，社会网络分析在理解时，会从群体的角度出发，由此，社会网络分析法在进行分析时，主要从两个层面来进行，一个是整体网，一个是个体网。在整体网中，群体是关注的重点，群体中包含多个成员，这些成员之间所形成的网络就是研究的对象；在个体网中，特定主体的关注的重点，特定主体并不是独立的存在于社会中，而是会与其他主体形成一定的联系，构成网络，此网络就是研究对象。对于主体之间的信任、情感支持、人际影响等方面，社会网络分析认为社会关系、社会网结构、个人位置等会对其产生一定的影响，而且主体的经济活动也会受到影响。在进行社会网络分析时，需要借助一定的工具，因此，计算机技术以及相应的软件成为重要的辅助工具，当前，使用比较广泛，而且功能比较强大的社会网络分析软件为UCNET，通过数据的录入和导入之后，就可以完成制图和分析工作。具体说来，社会网络分析主要是进行三个方面的分析：第一，中心性分析，这是一个比较重要的分析指标，通过中心性分析，将社会网络中主体地位高低、主体权力大小、主体影响力范围反映出来；第二，凝聚性分析，社会网络中包含的主体众多，会有一部分主体通过密切的关系形成小的团体，这个小团体的凝聚性比较强，而这就是凝聚性分析的对象；第三，结构洞和中间人分析，两个小团体之间是相互分离的，而两个主体分属于两个小团体中，通过第三个主体，将两个小团体之间联系到一起，这种结构是指结构洞，而第三个主体就是中间人。二、组织管理中社会网络分析的应用层次组织管理在应用社会网络分析时，包含四个应用层次：第一，了解状况。在应用社会网络分析之前，应该对当前组织的状况进行充分的了解，并对组织成员之间的关系网络、协作网络等进行调查，判定其所具备的效率是高还是低。状况的了解可以通过问卷调查来实现，对于调查问卷中的问题要进行合理的设计，并根据调查结果将各种社会网络图绘制出来，这样一来，组织网络就具备较强的直观性，随后进行相应的计算和分析。第二，确定合理的网络拓扑。当应用情景领域属于特定时，要合理的选择网络拓扑，从而保证网络与应用之间的关系为最佳配合。当关键参数不同时，所形成的网络类型也不相同，一般来说，常见的网络类型有小直径、高稀疏的小世界网络，尺度无关网络等。对于组织管理来说，要根据管理实际的情况来选择应用的网络结构，从而有效地对组织管理中的网络进行分析[8]。第三，不同类型网络结构的形成方式。当组织管理战略目标与网络结构之间相互匹配关系确定之后，要对网络结构的形成方式进行充分的研究。从概念上来看，组织结构与组织中存在的网络结构是完全不同的，所谓组织结构，是指设计组织功能结构，在进行设计时，通常会采用自上而下的办法，将组织战略制定完成，而对于组织中存在的网络结构来说，与设计毫无关联，有关系的是组织成员以及其所形成的人际关系。在进行网络结构形成研究时，需要以第一应用层次中调查出来的社会网络关系为基础，对形成方式进行分析，分析时，还需要用到辅助手段，比如网络动力学理论、建模软件、模拟软件等，这样才能保证分析的有效性，最后将网络结构的形成机制研究出来。第四，明确形成机制对组织管理的启示。通过社会网络分析，将组织管理中的网络形成机制有效的研究出来，针对形成机制，进行组织管理的调整和改进，通过激励制度、行为规范制度的建立，有意识的引导组织中的社会网络科学的形成和发展，对于组织中原有的比较良好的网络，要引导其发展向着自觉的方向演进，同时，还需要尽量的将不好网络形成的可能性降低。对于这四个应用层次来说，前三个应用层次可以简单地概括为观察、分析以及探究，而最后一个应用层次以前三个为基础，对组织网络的结构类型、形成机制等进行研究，从而有效地引导组织网络向着期望的方向发展。 DOI:10.14097/https://www.360docs.net/doc/ef13141285.html,ki.5392/2015.23.091