清华大学科技成果——社会网络大数据分析系统
社会网络分析工具Ucinet和Gephi的比较研究_邓君
1 基本信息比较
Ucinet 最初由加州大学尔湾分校 （ University of California at Irvine） 的 L. Freeman 编写，后来主要由美国波士顿 大学的 S. Borgatti 和英国威斯敏斯特大学 （ Westminister University） 的 M. Everett 维护更新［8］。Gephi 由来自各国的 工程师和科学家联合研发，2008 年于法国开始使用，并 成立非盈利机构 Gephi 联盟以支持、保护和促进 Gephi 项 目，开发者对它寄予的希望是成为 “数据可视化领域的 Photoshop”。两种社会网络分析工具的基本信息比较如表 1 所示［9-12］。
． gml． graphml． net． tlp．
． dl． prn． txt． xls． kp． vna． zip． gz． bz2． gephi．
dat． nam． xlw
csv． dl． edges． dot． gv．
gdf． gexf． gml
． pdf． png． svg． gephi． ． ##h． xls． dl． vec． clu．
通过 Excel 软件对所选取的 98 篇文献进行统计，将所 选的 69 个高频关键词形成图 1 所示的共现关键词矩阵， 并将此作为可视化分析的数据基础。
将图 1 数据表通过 “Import text data from spreadsheet”
书馆学报》 合著网络的特点［4］，黄宇在 《基于隐性语义 挖掘 的 社 区 划 分 方 法》 中 运 用 Gephi 绘 制 社 区 划 分 网 络［5］，邱晨子在 《微博网络舆情热点生长分析模型研究》 中利用 Gephi 构建出微博舆情网络图谱［6］，王佳秋在 《基 于用户行为及关系的微博电商企业影响力度量》 中利用 Gephi 做用户影响力计算及数据可视化［7］，等等。
社会网络系统的演化与变革
社会网络系统的演化与变革社会网络系统是人们生活中不可或缺的一部分，它们通过连接人与人之间的关系，形成了一个庞大的信息交流和知识传播的网络。
这个网络系统随着科技的进步和社会的发展，经历了演化和变革，不断地塑造着我们的生活和社会结构。
一、从传统到网络社交在过去，人们的社交活动主要依靠面对面的交流和社群的形成。
人们通过家族、朋友、邻居等传统的社交圈子来获取信息、建立关系和寻找支持。
然而，随着互联网的普及和社交媒体的兴起，社交活动逐渐从线下转移到了线上。
社交媒体平台如Facebook、Instagram和微信等，为人们提供了方便快捷的社交方式，加快了信息传播的速度和规模。
二、社交网络的扩展和重构随着社交媒体的普及，社交网络开始扩展到了更大范围。
传统的社交圈子被打破，人们可以轻松地与世界各地的陌生人进行交流和分享。
这种扩展和重构的社交网络给人们带来了更多的联系和机会，同时也带来了一些挑战。
比如，隐私和安全的问题成为了社交网络的热点话题，人们需要更加谨慎地管理自己的个人信息和互动。
三、社交网络的影响力和权威性社交网络的兴起不仅改变了人们的社交方式，还对社交影响力和权威性产生了新的挑战。
在传统的社交圈子中，人们往往通过面对面的交流来建立信任和了解他人。
然而，在社交媒体上，一个人可以通过照片、文字和视频等形式来展示自己，从而影响他人的观点和行为。
这种虚拟的社交影响力给予了一些人更大的话语权，但也容易造成信息的误导和传播的不准确。
四、社交网络的商业化和市场化随着社交网络的快速发展，人们开始意识到其商业价值和市场潜力。
社交媒体平台通过广告、推广和数据分析等手段，将用户的注意力和个人信息转化为经济利益。
同时，社交网络也成为了企业和品牌推广的重要渠道。
这种商业化和市场化的趋势，加快了社交网络系统的发展，但也引发了一些道德和隐私的争议。
五、未来的社交网络发展方向对于社交网络系统的未来发展，可以预见的是它将继续融入人们的日常生活，并深度参与到社会的各个方面。
社会网络分析方法与应用
社会网络分析方法与应用社会网络分析（Social Network Analysis，简称SNA）是一种研究人际关系的方法，通过研究个体之间的联系及其特征，揭示社会结构和信息流动的规律。
随着社会网络的日益发展，SNA也逐渐成为了一种重要的学科，在社会学、心理学、计算机科学等领域得到了广泛应用。
一、社会网络分析的基本概念和方法社会网络分析的核心是个体之间的联系，这些联系可以是人际关系、组织关系、信息传播等。
研究者通过构建节点和边的网络模型，分析网络中的关键节点和关系强弱程度。
其中常用的指标包括度中心性、紧密中心性和介数中心性等。
度中心性用来衡量一个节点与其他节点之间的直接联系数量，是评估一个节点在网络中的重要性的指标。
紧密中心性则用来衡量一个节点与其他节点之间的联系紧密程度，即节点之间的平均距离。
介数中心性则用来衡量一个节点在信息传播中的重要性，衡量方法是计算该节点与其他节点之间的最短路径中，经过该节点的次数。
社会网络分析的方法包括了结构分析和动态分析。
结构分析主要研究网络的结构特征，例如网络密度、中心性指标、群体结构等。
动态分析则是研究网络的演化过程以及相关的动态机制，例如节点的演变、关系的变化等。
结构分析和动态分析相辅相成，能够更全面地理解和解释社会网络中的现象和规律。
二、社会网络分析的应用领域1. 社交媒体分析随着互联网和社交媒体的飞速发展，社会网络分析在社交媒体领域的应用越来越广泛。
通过分析用户之间的关注关系、转发关系、评论关系等，可以揭示社交媒体平台上的信息传播模式和用户行为特征。
这对于推动社交媒体广告的精准投放、改善信息传播效果具有重要意义。
2. 组织管理与决策在组织管理中，社会网络分析可以帮助揭示组织内部的权力结构、信息流动和决策过程。
通过分析员工之间的交流网络和合作关系，可以识别出组织中的关键人物和信息传播的热点。
这对于组织人才管理、项目管理和决策优化具有重要意义。
3. 社会学与心理学研究社会网络分析在社会学和心理学研究中的应用非常广泛。
利用大数据分析社会网络关系
利用大数据分析社会网络关系社会网络关系是指人们在社会活动中相互连接与交流的关系。
随着互联网的快速发展与普及，人们在社交媒体平台上的互动行为产生了海量的数据，这些数据被称为大数据。
利用大数据分析社会网络关系，可以帮助我们更好地理解社会关系的形成、演化，发现隐藏在网络中的潜在关联，并为决策提供科学依据。
一、社会网络关系的特点与重要性社会网络关系具有以下几个特点：1. 网络中的连接：社会网络关系是通过节点之间的连接表示的，每个节点代表一个个体，连接代表了个体之间的交流、合作或关系。
2. 多维度的关联：社会网络关系不仅仅包括个体之间的直接关系，还可以包括间接关系、关联关系等。
这种多维度的关联使得社会网络复杂而庞大。
3. 动态演化：社会网络关系是动态变化的，人们的关系会随着时间、空间和事件的变化而发生演化。
社会网络关系的重要性主要体现在以下几个方面：1. 影响力分析：通过分析社会网络关系，我们可以了解个体在网络中的位置和影响力，进而预测个体对其他人的影响程度，为广告投放、意见领袖选举等提供科学依据。
2. 群体行为研究：社会网络关系可以帮助我们了解人们形成群体的原因和模式，进而预测群体的行为和趋势，为社会治理和风险控制提供指导。
3. 个体特征预测：社会网络关系可通过分析个体的社交圈子、兴趣爱好等信息，预测个体的性格特征、消费倾向等，为个性化服务提供支持。
二、利用大数据分析社会网络关系的方法利用大数据分析社会网络关系的过程通常包括以下几个步骤：1. 数据采集：从社交媒体平台、在线论坛等获取用户的互动数据，包括用户的关注与粉丝关系、点赞与转发行为等。
2. 数据清洗与整理：对采集到的原始数据进行清洗与整理工作，去除重复数据、错误数据，统一格式等。
3. 关系图构建：根据数据中记录的关注与粉丝关系，构建社会网络关系图，节点代表个体，连接代表关系。
4. 社区发现：通过社区发现算法，将社会网络关系图划分为多个社区，每个社区内的节点拥有相似的关系模式。
院校大数据治理 典型案例
院校大数据治理典型案例
1. 中国人民大学大数据治理案例：中国人民大学利用大数据技术，实施了校园安全管理的大数据治理。
通过收集学生的通行数据、监控视频等信息，进行分析和挖掘，构建了校园安全风险预警模型，可以实时监控校园内的安全情况并及时发出警报，有效提升了校园安全管理的能力。
2. 北京大学大数据治理案例：北京大学利用大数据技术，实施了学生学业管理的大数据治理。
通过收集学生的学习数据、课程成绩等信息，运用数据分析模型，可以分析学生的学业情况，对于学业进展缓慢的学生发出预警并提供针对性的帮助，提升了学生的学业成绩和学习效果。
3. 清华大学大数据治理案例：清华大学利用大数据技术，实施了校园能源管理的大数据治理。
通过收集校园内各个建筑的能源消耗数据，利用数据挖掘和分析技术，可以分析出能源的使用趋势和高耗能的区域，从而制定出相应的节能措施，提升了清华大学的能源利用效率。
4. 上海交通大学大数据治理案例：上海交通大学利用大数据技术，实施了校园人员管理的大数据治理。
通过收集校园内学生和教职工的通行记录、消费记录等信息，通过建立人员行为模型，可以分析出异常行为和人员活动规律，从而提升校园安全防控和学生管理水平。
这些大数据治理案例展示了高校在利用大数据技术进行校园管
理和优化的实践经验，通过大数据的收集、分析和挖掘，可以更加科学地进行决策，提升管理效率和服务质量。
共情、赋权与互动：Vlog的传播特征与优化策略
New Media 新兴传媒52 传媒∷MEDIA 2021.11（上） 共情、赋权与互动：Vlog的传播特征与优化策略文/师晓晖 张文东随着互联网技术的飞速发展和移动终端设备的不断更新，用户对内容的消费习惯逐渐发生着变化。
自2016年以来短视频市场在国内经历持续三年的爆发式增长后，群体模仿行为开始出现，视频内容开始被量产，行业内部恶性竞争以及视频内容同质化、低俗化等现象随之出现。
2018年，Vlog作为一种新兴的媒介形态开始在国内受到广泛关注，从时长、形式、内容、技术等方面大大扩展了短视频的内涵与外延。
而艾媒数据中心发布的《2018—2021年中国Vlog用户规模及预测》报告数据显示，2018年至2020年间，Vlog用户规模已从1.26亿人上升至3.68亿人，而这一规模预测至2021年底可达4.88亿人。
Vlog（Video blog/Video log）是来自于Blog的变体，即以拍摄视频的形式，记录生活、分享生活。
相对于短视频而言，Vlog的时长更长，对创作者的拍摄、剪辑、包装的要求更高，更吸引年轻受众。
2012年，YouTube平台上出现了最早的一批Vlog视频，其中以Casey Neistat连续发布600多天的Vlog为代表，许多中国的海外留学生用Vlog 记录留学日常生活，成为中国最早一批Vlogger（Vlog视频创作者）。
2018年起Vlog全力发势，各大平台开始向Vlog领域进军：新浪微博推出Vlog扶持计划，“头条系”制作Vlog《娜就是这样》，B站发起“30天Vlog挑战”计划，yoo视频推出“Vlog+Vstory”，近两年部分主流媒体也推出“Vlog新闻”等Vlog产品。
Vlog在传播的过程中给用户提供了社交陪伴，同时实现传者与受者的内容共创与意义共建，呈现出共情、赋权与互动等特征，为互联网视频的发展注入了新的元素。
一、共情：社交陪伴与情绪放松在当下快节奏的生活高压下，受众通常本着一种想要寻求精神愉悦的动机去接触和使用媒介，而观看Vlog本身就是一个注意力转移的过程，在这个过程中受众可以在与Vlogger的“对话”中获得短暂的“陪伴式社交”和情绪上的放松与愉悦，从而稀释那些在高压生活中的焦虑情绪。
社会网络大数据分析框架及其关键技术
社会网络大数据分析框架及其关键技术作者：易成岐鲍媛媛薛一波来源：《中兴通讯技术》2014年第01期Social Networks Based on Big Data： Analytical Framework and Key Techniques中图分类号：TP391 文献标志码：A 文章编号：1009-6868 （2014） 01-0005-006摘要提出了一套社会网络大数据的分析框架，并分析了其关键和核心技术。
介绍了基于该框架的清华社会网络大数据分析系统（THSNAS），从个体、群体、事件和整体四个方面给出了系统分析结果。
社会网络大数据的分析框架既能为社会网络大数据的深入分析提供理论依据和指导方法，又能为广告精准投放、个性化信息推荐、社会管理等方面带来重要价值。
关键词：社会网络；大数据；分析框架Abstract： This paper proposes an analytical framework for social networking based on big data， and it elaborates on key techniques. In addition， this paper introduces Tsinghua Social Network Analysis System （THSNAS） based on the above framework and shows results in terms of individual， group， event and holistic analysis. The analytical framework can provide theoretical and practical guidance for social network analysis， and has great value in terms of precision advertising， personalized information recommendation， and social management.Key words： social network； big data； analytical framework随着Web2.0技术的不断发展，社会网络[1]发展势头强劲，已经成为用户数最多、传播影响最大的新媒体平台。
社会网络结构及演化分析研究
社会网络结构及演化分析研究社会网络是由个体与个体之间的相互关系构成的复杂网络结构，通过研究社会网络的结构和演化规律，可以揭示社会系统的运行机理、预测社会动态变化，并为社会政策的制定提供依据。
本文将重点讨论社会网络结构及演化的分析研究。
社会网络结构的分析涉及到网络中节点的连接方式、网络呈现的模式以及关系的强度等方面。
其中，节点的连接方式主要有两种：强联系与弱联系。
强联系指的是密切程度较高的关系，如家庭成员、亲密友人等；而弱联系则是指密切程度较低的关系，如同事、熟人等。
社会网络的结构往往是由密集群集（密度较高的强联系）和松散群集（密度较低的弱联系）所共同组成的。
通过对社会网络的结构进行分析可以了解节点之间的关系强度及其对整个网络系统的影响程度，进而对社会网络的演化规律进行预测。
社会网络的演化是指网络关系随时间而发生的变化。
社会网络的演化过程包括新节点的加入、节点间关系的建立与断裂以及关系强度的升降等。
社会网络演化的研究可以基于统计模型和模拟方法。
其中，统计模型可以通过分析现有社会网络的数据，构建数学模型来描述网络的演化规律。
在统计模型中，研究者常用的指标包括节点度中心性、顶点介数中心性、紧密度等，通过对这些指标的计算可以揭示社会网络结构的特征和网络关系的演化趋势。
模拟方法则是通过构建社会网络的数学模型来模拟网络演化的过程。
例如，基于小世界网络模型的研究表明，社会网络结构具有“六度分隔”的特点，即通过少数节点就可以将网络中的其他节点联系起来。
对于社会网络结构及其演化的分析研究，有助于揭示社会网络在传播信息、传播疾病、形成社区等方面的作用。
例如，在传播信息方面，研究社交网络的结构可以揭示信息在网络中的传播路径和影响力，进而优化信息传播策略，提高信息传播的效果。
在传播疾病方面，社会网络的研究可以帮助了解疾病在网络中的传播路径，预测疫情的扩散趋势，以便采取针对性的干预措施。
在形成社区方面，社交网络的研究可以了解个体之间的联系模式，帮助人们更好地理解社会关系的形成和维持机制。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
清华大学科技成果——社会网络大数据分析系统
成果简介
社会网络已经成为覆盖用户最广、传播影响最大、商业价值最高的Web2.0业务，在世界范围内，最著名的社会网络代表是Facebook、Twitter，用户量分别达到12亿、5亿；国内使用人数最多的社会网络工具是新浪微博和腾讯微博，其中新浪微博用户达到5亿，腾讯微博用户超过8亿。
社会网络中的巨大用户群每天产生海量的用户数据、关系数据和信息数据，若能够对海量数据进行准确、及时的分析，则会在精确营销、舆情探测以及网络安全等方面创造巨大价值。
然而由于社会网络的大数据特性以及分析方面要求准确、及时，目前缺乏融合多项社会网络分析技术的、成熟的社会网络大数据分析系统。
社会网络分析技术是一项关键技术，也是一项热门的研究，涵盖了社会学、人类学、社会语言学、地理、社会心理学、通信研究、资讯科学、社会网络分析与探勘、组织研究、经济学以及生物学等多个领域，是一项多学科交叉技术。
社会网络大数据分析系统要求具有坚实的数据支撑，即数据获取全面、更新及时、获取数量大，也强调多维度、多粒度的分析手段相结合，并对分析速度、可视化以及人机交互等方面都提出很高的要求。
基于上述现状和挑战，在国家科技支撑项目的资助下，实现基于新浪微博、Twitter等主要社会网络交流工具的大数据分析系统，系统完成从数据获取、数据预处理、数据存储、消息中心、数据分析、结果可视化展示的闭环处理流程，支持多种社会网络（Twitter、新浪微
博等）的数据实时、不间断获取，获取数据量在国内外同研究领域处于领先地位；实现整体、个体、群体以及事件的多层次、多粒度分析模式；同时具备良好的人机交互操作界面以及优秀的分析展示效果。
系统特点
多手段数据获取模式融合：采用网络流量分析、API/非API爬虫、元搜索以及增量式爬虫等多手段数据获取模式相结合的方式进行数据实时、不间断获取，保证数据获取全面、更新及时、获取量大；
多维度、多粒度数据分析手段结合：系统对社会网络整体、个体、群体、事件四个维度的对象进行分析，并结合基础分析、深度挖掘的多粒度分析手段共同完成社会网络的数据分析；
多种关键技术支撑：系统融合机器学习、分布式并行处理、数据挖掘、自然语言处理等多种关键技术，共同保证系统各项功能的稳定、快速实现；
优秀的分析展示效果和友好的人机交互操作：借助Gephi工具进行群体、事件等分析效果的可视化展示，可视化效果清晰；操作便捷，实现用户与系统、系统与数据库的无缝连接。
上述优点表明该系统能够实现从数据获取、数据预处理、数据存储、消息中心、数据分析、结果可视化展示的处理流程，达到完善的功能实现目标和优秀的系统运行效果。
查新表明，国内外目前尚未发现有如此功能全面与性能优越的社会网络大数据分析系统。
性能参数
能有效获取社会网络平台的用户数据、关系数据和信息数据，获
取覆盖率不低于85%；
分布式爬虫支持不少于10个节点，分布式数据库支持不少于5个节点；
数据库读/写操作不少于并发1000次，数据预处理效率不小于1000条/秒；
数据存储规模不小于7TB；
热点信息（个体、群体、事件）发现准确率不低于75%，关键路径发现准确率不低于75%；
热点话题发现准确性不低于80%，倾向性言论的发布主体发现准确率不低于75%；
信息传播寿命预测准确率不低于80%。
2013年9月，利用社会网络大数据分析系统进行数据获取以来，获取Twitter用户数据2.2亿，用户关系数据11.5亿，推文1.2亿，
目前数据量仍处于不断高速增长阶段；着重获取社会网络上中国人全集的数据，主要采用基于用户属性、用户关系、用户信息3层过滤机制，通过特定团体获取方式进行获取，中国人用户数据达到63万，用户关系数据510万，推文数据1740万，目前中国人用户数据已趋于稳定，推文数据仍处于快速增长阶段。
在获取到的数据基础上，对网络中个体、群体、事件以及整体进行基础分析以及深度挖掘，能够快速识别关键个体、关键群体、热点信息、热点话题，并实现对信息、话题的情感分析、趋势预测等功能，同时也保证分析效果优秀的可视化展示。
效益分析
由于目前国内外尚无同标准产品，而社会网络大数据分析的需求比较迫切，因此本系统具有较大的推广空间。
本系统价格每套150万元。
而本系统数据积累深厚、运行稳定、分析功能全面、处理速度快、响应时间短。
总体上，系统成本低、功能全、速度快，运行费每月在3000元左右，具有明显的经济和技术优势。
合作方式转让或者联合推广
项目所属行业领域电子信息。