社会网络分析_SNA_研究热点与前沿的可视化分析.
社会网络分析与可视化技术研究
社会网络分析与可视化技术研究社交网络在当今社会中已经成为生活中不可或缺的一部分，人们在网络上进行着交流、分享和互动。
同时，这些社交网络数据也成为了研究社会现象和人际关系的重要资源。
社会网络分析和可视化技术的出现使得对这些海量数据的分析和理解变得更加简单和直观。
社会网络分析的概念社会网络分析是一种研究人际关系和社会结构的方法，可用于研究个体、团体、组织、社区和国家之间的关系。
社会网络分析的核心是网络结构、连接模式和信息流动。
社会网络分析的常用方法1.节点：通过对网络中每个个体的属性和特征进行分析，了解节点之间的关系和联系。
2.连接：通过节点之间的连接方式，了解网络中的关系和结构特点。
3.组件：通过对网络中的组件进行分析，探讨网络中的聚集、孤立现象和充斥现象。
4.子群：通过对子群的分析，了解网络中的社区结构和社会模式。
可视化技术的概念可视化技术是一种将数据转换为图形的方法，让数据更加直观和容易理解。
可视化技术广泛应用于各个领域，如科学、技术、工程和商业等。
可视化技术在社会网络分析中的应用通过可视化技术，研究人员可以将海量的社交网络数据呈现为图形化的模型，直观地展示网络结构和节点之间的关系。
这种展示方式使得研究人员更加容易理解和分析网络的结构和特征。
例如，在调查社交网络的时候，可以使用可视化技术来可视化网络连接模式以及节点之间的关系。
这使得研究人员能够更加了解网络中节点之间的相互关系。
因此，可视化技术在社会网络分析中的应用是非常广泛的。
结论社会网络分析和可视化技术的应用为研究人员提供了一种全新的方式来理解人际关系和社会结构。
利用这些技术，研究人员可以更加深入地研究社会网络现象。
因此，这些技术将在未来的社会研究中扮演越来越重要的角色。
利用SNA进行社会网络分析
利用SNA进行社会网络分析社会网络分析（Social Network Analysis，SNA）是一种研究人际关系和社会结构的方法。
它通过对个体或组织之间相互作用的图形化表示和定量分析，揭示了这些关系对于信息传播、观点形成、资源分配等社会现象的影响。
本文将介绍SNA的基本原理、应用领域以及在所涵盖领域中的研究成果。
SNA起源于社会学领域，在20世纪初期由J.L.莫尔根（J.L. Moreno）和雅科·莫尔·格拉契亚诺（Jacob Moreno）等人提出。
他们最初使用SNA来分析人际关系和人类行为。
随着计算机技术的发展，SNA得以快速发展，应用领域也逐渐扩展到组织学、信息学、管理学等多个学科领域。
SNA的基本原理是将个体或组织之间的相互作用表示为网络中的节点（Node）和连接线（Edge）。
节点代表个体或组织，连接线代表相互作用关系。
通过对这些关系进行图形化表示，可以观察和分析群体内部的结构与特征。
在社会网络分析中，有几个重要的概念需要理解。
首先是度（Degree），表示节点的连接数量。
度的大小反映了个体或组织在网络中的重要性或影响力。
其次是中心性（Centrality），包括接近中心性（Closeness Centrality）、中介中心性（Betweenness Centrality）和权重中心性（Eigenvector Centrality）等。
接近中心性衡量了一个节点与其他节点的距离，中介中心性衡量了节点在信息传播过程中的重要程度，权重中心性则结合了节点的度和相邻节点的度。
SNA的应用领域非常广泛。
在社会学中，它被用于研究社会影响力、社区发展、组织结构、领导力等问题。
在组织学中，SNA被用来分析知识流动、领导网络、职业发展等。
在信息学中，SNA可以用来研究信息传播、网络安全、数据挖掘等。
在市场营销中，SNA可以分析顾客关系、口碑传播等。
此外，SNA还在医学、教育、科学创新等领域得到了广泛应用。
社会网络分析
社会网络分析社会网络分析 (Social Network Analysis, SNA) 是一种研究社会关系与信息流动的方法。
通过对社会网络中的节点和关系进行系统性的分析，可以揭示出群体中个体之间的相互影响、信息传播路径以及组织结构等特征。
本文将介绍社会网络分析的概念、应用领域以及分析方法。
一、概念社会网络分析的核心概念包括节点、边和关系。
节点代表社会实体，可以是人、组织或其他单位。
边则表示节点之间的关系，可以是互动、合作、交流等。
关系的强度和方向也是网络分析的重要考量因素。
通过对节点和边的分析，可以揭示出网络结构、影响力、信息传播路径等重要信息。
二、应用领域社会网络分析在多个领域都有广泛的应用。
以下是几个典型的应用领域：1. 社交媒体分析：社交媒体平台如Facebook、Twitter等成为了人们交流和信息获取的主要渠道。
社会网络分析可以帮助企业分析用户之间的关系，挖掘潜在的目标用户，优化信息传播效果。
2. 组织管理：在组织中，社会网络分析可以帮助揭示出隐性的权力结构和信息流动路径，优化组织结构并提高工作效率。
3. 创新与知识管理：社会网络分析可以帮助发现知识的源头，找到专家和关键创新节点，从而提高知识管理和创新效率。
4. 犯罪与恐怖主义研究：社会网络分析在犯罪与恐怖主义研究中被广泛应用，可以揭示出犯罪网络的结构、头目与手下之间的关系，为打击犯罪提供决策支持。
三、分析方法社会网络分析主要包括描述统计、中心性分析和社团检测等方法。
以下是几个常用的分析方法：1. 描述统计：描述统计是对社会网络的基本特征进行统计分析的方法。
通过计算网络的规模、密度、连通性等指标，可以对网络的整体结构有一个初步的认识。
2. 中心性分析：中心性分析是衡量节点在网络中重要性的方法。
常用的中心性指标包括度中心性、接近度中心性和介数中心性。
通过中心性分析，可以找到网络中的关键节点和重要影响者。
3. 社团检测：社团检测是找到网络中紧密连接的节点子集的方法。
社会网络分析在创新研究中的应用分析
社会网络分析在创新研究中的应用分析导言社会网络分析（Social Network Analysis，简称SNA）是一种研究人际关系和信息传播的工具，近年来在创新研究领域中得到广泛应用。
本文将探讨社会网络分析在创新研究中的应用，并就其应用的优势和不足进行分析。
1. 社会网络分析的基本概念社会网络分析是指通过研究个体之间的联系与交流，揭示出相互之间的关系，进而分析影响力、信息传递和决策过程等。
在创新研究中，社会网络分析可以帮助我们发现创新者之间的合作关系、信息传播路径以及创新团队的结构等。
2. 社会网络分析在创新研究中的应用2.1 发现创新者之间的合作关系社会网络分析可以帮助我们识别创新者之间的合作关系，以及他们在创新过程中的互动模式。
通过分析合作关系的密度和强度，我们可以了解创新者之间的相互依赖程度，从而优化创新团队的构成和管理。
2.2 发现信息传播路径创新研究中，信息传播是至关重要的一个环节。
社会网络分析可以帮助我们追踪信息在创新团队和组织内的传播路径，发现信息传播的瓶颈和关键节点，进而优化创新传播策略。
2.3 评估创新团队的结构创新团队的结构对于创新效果有着重要的影响。
社会网络分析可以帮助我们评估创新团队的结构，了解团队内部成员之间的联系密度、层级结构以及信息流通情况，进而优化团队的组织形式和沟通渠道。
3. 社会网络分析在创新研究中的优势3.1 发现隐藏的创新者在创新研究中，有些创新者并不被外界所熟知，但他们在某些领域有着独特的专业知识和资源。
社会网络分析可以帮助我们发现这些隐藏的创新者，并借助他们的能力和资源推动创新发展。
3.2 预测创新成功率通过对社会网络拓扑结构的分析，可以预测创新项目的成功率。
当一个创新项目能够在社会网络中获得广泛的支持和认可时，其成功率将大大提高。
4. 社会网络分析在创新研究中的不足4.1 数据收集与隐私保护社会网络分析需要大量的数据收集，这可能涉及到用户的隐私问题。
社会网络分析(SNA)的简要文献综述
社会网络分析（Social Network Analysis）的简要文献综述概述社会网络分析，通常称为SNA，是使用网络理论和图表方法来探索人际关系、组织和社会系统的一种方法。
SNA是一种能够在分析人际关系时获得洞察力的有效方法，而且越来越受到学术界和商业界的关注。
这篇文献综述将介绍SNA的重要性、其理论背景和应用领域，并说明SNA在不同领域中的使用情况。
SNA的重要性SNA方法研究社会群体时很有用，因为它能够提供关于个人、小组、组织和社会网的信息。
根据一项研究，SNA方法是社会学领域中最常用的分析方法之一。
另一个研究表明，SNA方法已经被广泛应用在不同学科领域，包括社会科学、传播学、信息科学、医学和工程等领域。
研究表明，SNA能够揭示人们在社会网中的位置和角色，以及人们之间的相互依存关系。
这样一来，就可以更直观地观察和理解社会群体中的人际互动和组织结构。
SNA的理论背景SNA方法是一种从结构主义理论发展而来的的方法。
该理论认为，和一个人相关联的其他人对于个体的社会行为来说是至关重要的。
此外，该理论认为，在社会群体之间形成的连接和关系是实现特定目标所必须的。
SNA深入研究这些方面，揭示出不同社会群体之间的联系。
SNA的应用领域SNA的应用领域和方法多种多样，包括了社会学、网络科学、组织与管理、信息科学、医学和流行病学等。
下面将简要介绍SNA在不同领域中的应用情况。
社会学SNA的一个常见应用领域是社会学，特别是关于人与人之间关系的研究。
SNA的本质是将各种社会行为都看作是有联系的关系，因此它适用于社会网络的研究和理解。
例如，SNA在社会认同、人际间信任、社交网络和合作领域不断深入应用。
组织与管理在组织学和管理学领域中，SNA已经成为一种常见的研究工具。
对于组织来说，SNA提供了一种了解组织内部和外部关系的方式。
这种方法可以揭示出组织中的权力结构、信息流通以及组织之间的关系等问题。
信息科学在信息科学领域中，SNA可用于网络和系统分析。
大数据时代下的社会网络分析与研究
大数据时代下的社会网络分析与研究社会网络分析（Social Network Analysis，SNA）是指利用图论和网络分析方法研究社会关系和结构的一种社会科学研究方法。
SNA最初是应用在社会学、人类学等领域，但随着大量的社交媒体数据的涌现，SNA被广泛应用在了计算机科学、信息科学和数据科学等领域。
在大数据时代下，社会网络分析成为了一种重要的研究方法。
本文将从以下几个方面来介绍大数据时代下的社会网络分析与研究。
一、社会网络分析的理论基础社会网络分析是基于图论和网络分析的一种研究方法，因此，对于社会网络分析的理论基础，我们需要先了解一些图论和网络分析的基本概念。
图论是研究图（Graph）和网络（Network）的一门学科。
图是由一些点和连接这些点的线所组成的一个集合，点称为顶点，线称为边。
在社会网络分析中，顶点表示社会网络中的个体或组织，边表示它们之间的关系。
网络分析是对网络结构和功能的研究方法。
社会网络分析的网络主要是指社会实体及其关系所构成的网络。
在社会网络分析中，我们通常会使用网络的度、紧密度、中心度等指标来描述网络结构和功能。
二、大数据时代下的社会网络分析数据来源在大数据时代下，社会网络分析的数据来源主要包括以下几个方面：1. 社交媒体数据：社交媒体平台如Facebook、Twitter、Instagram等等，积累了大量用户生成的数据，这些数据包括用户的个人信息、社交行为、社交关系等，是进行社会网络分析的重要数据来源。
2. 传统调查数据：传统的调查方法如问卷调查、面访等，也是进行社会网络分析的重要数据来源，这些数据包括人口统计学信息、社会关系信息等。
3. 其他数据来源：除了上述两种数据来源，社会网络分析还可以利用一些其他的数据来源进行研究，比如电子邮件、网页链接、支付宝转账记录等。
三、大数据时代下的社会网络分析技术手段在大数据时代下，社会网络分析使用的技术手段也不断发展和更新。
1. 网络可视化技术：网络可视化技术是将复杂的网络数据以直观、易理解的方式呈现出来的技术。
网络安全管理中的数据分析和可视化技术趋势与前沿研究方向
网络安全管理中的数据分析和可视化技术趋势与前沿研究方向网络安全是当今信息社会中不可忽视的一个重要领域。
随着互联网的迅猛发展，各种网络攻击和威胁也日益猖獗。
在这样的背景下，如何进行网络安全管理，保护用户的个人隐私和敏感数据成为了一个急需解决的问题。
数据分析和可视化技术在网络安全管理中发挥着重要的作用，它们不仅可以帮助企业发现和预防网络攻击，还可以提供全面的安全分析和监测，以及对应对策略的制定和执行。
本文将探讨网络安全管理中的数据分析和可视化技术的趋势和前沿研究方向。
一、数据分析技术在网络安全管理中的应用随着大数据时代的到来，网络安全管理也面临着海量数据的挑战。
如何从这些数据中发现潜在的网络攻击和威胁，以及对应的异常行为和模式成为了一项关键任务。
数据分析技术通过对网络数据进行收集、存储、处理和分析，可以帮助企业实时监测网络安全状态，及时发现和应对各种安全威胁。
1. 实时监测和预警系统基于数据分析技术的实时监测和预警系统能够对网络数据进行实时监控，并通过建立安全预警模型，及时发现潜在的网络攻击和威胁。
这种系统通常采用大规模数据收集和分析技术，结合机器学习和深度学习等算法，可以对网络流量、用户行为和设备状态等进行全面的分析和监测。
2. 异常检测和入侵检测在网络安全管理中，异常检测和入侵检测是两个重要的任务。
基于数据分析技术的异常检测和入侵检测系统可以根据正常的网络行为和模式，检测和识别异常的网络流量和行为，及时发现网络攻击和威胁。
这种系统通常使用统计分析、机器学习和数据挖掘等方法，对网络数据进行建模和分析，以提高检测和识别的准确性和效率。
二、可视化技术在网络安全管理中的应用数据可视化技术是将大量的抽象和复杂的数据转化为直观可见的图形形式，帮助用户更好地理解和分析数据。
在网络安全管理中，可视化技术可以将网络数据的分析结果以图形化的形式展示，以便用户可以更直观地了解网络安全状况和趋势。
1. 风险评估和安全决策支持基于数据可视化技术的风险评估和安全决策支持系统可以将复杂的网络安全数据和分析结果以可视化的方式呈现，帮助用户更好地评估网络风险和制定相应的安全决策。
社会研究中的社会网络分析
社会研究中的社会网络分析社会网络分析（Social Network Analysis，简称SNA）是一种研究社会关系的方法，它使用图论和统计学的技术来分析社会实体（如个人、组织、国家等）之间的关系。
通过揭示社会网络的结构和特征，SNA为我们提供了一种深入理解社会系统运作的视角。
本文将介绍社会网络分析的基本概念、方法和应用，并探讨其在社会科学领域的重要性。
一、社会网络分析的基本概念1.1 社会网络的定义社会网络是由一组实体以及它们之间的关系所构成的复杂系统。
这些实体可以是个人、组织、国家等，它们之间的关系可以是友谊、合作、信息传递等。
社会网络研究的重点是关系的结构和动态变化。
1.2 社会网络的特征社会网络具有以下几个基本特征：（1）稀疏性：社会网络中的连接关系通常是有限的，每个实体只和一小部分其他实体直接相连。
（2）短路径：社会网络中的实体之间往往可以通过有限的路径达到彼此，这体现了“六度分隔理论”。
（3）聚集性：社会网络中，实体之间存在着聚集在一起的趋势，形成了社会圈子和群体。
（4）影响力：社会网络中的某些实体具有较大的影响力，它们的行为和决策能够影响整个社会系统。
二、社会网络分析的方法2.1 社会网络的数据收集社会网络的数据可以通过不同的方式收集，包括调查问卷、观察记录、在线社交平台数据等。
在数据收集过程中，需要注意保护被研究对象的隐私和信息安全。
2.2 社会网络的图论表示在社会网络分析中，研究者通常使用图论来表示和分析社会网络。
图是由节点和边组成的数据结构，节点表示实体，边表示实体之间的关系。
通过图的可视化和分析，可以揭示社会网络的结构和关系密切程度。
2.3 社会网络的中心性指标中心性指标是衡量节点在社会网络中重要性的指标，常用的有度中心性、接近中心性和介数中心性等。
度中心性表示一个节点与其他节点之间直接连接的数量；接近中心性表示一个节点与其他节点之间的路径长度；介数中心性表示一个节点在社会网络中作为桥梁的作用。
社会网络分析方法 ucinet的应用
社会网络分析方法 ucinet 的应用简介社会网络分析（Social Network Analysis，简称SNA）是一种研究人与人之间关系的方法，它通过分析网络中的节点和连接来探索社会结构和信息传播。
UCINet是一种常用的社会网络分析工具，具有强大的功能和易用性，被广泛应用于社会科学、管理学、信息科学等领域。
本文将介绍UCINet的应用场景、主要功能和使用方法，帮助读者快速上手使用这一工具进行社会网络分析。
应用场景UCINet可以应用于多个领域的社会网络分析研究，例如：1.社交网络分析：研究人际关系网络、组织内部网络、虚拟社群网络等，分析社会网络结构、中心性指标、团队合作等。
2.信息传播研究：研究信息在网络中的传播路径、传播速度、影响力等，分析关键节点、群体影响力等。
3.知识管理研究：研究知识传播、知识产出与利用、知识创新等，分析知识传递路径、知识转化效率等。
4.组织管理研究：研究组织内部结构、组织变革、决策流程等，分析关键角色、信息流动等。
主要功能UCINet具有丰富的功能，可以帮助用户进行社会网络分析，主要功能包括：1.数据导入：UCINet支持导入多种数据格式，如Excel、CSV、Pajek格式等，使用户可以将已有的数据导入到工具中进行分析。
2.数据可视化：UCINet提供多种可视化方法，如节点图、连线图、矩阵图等，帮助用户直观地展示和理解网络结构和关系。
3.网络度量：UCINet提供多种网络度量方法，如中心性指标、群体聚类、连通性分析等，帮助用户分析网络中的节点和连接的特性。
4.社区检测：UCINet支持社区检测算法，帮助用户发现网络中的子群体和社区结构，进一步了解网络的组织和功能。
5.数据分析：UCINet提供统计分析、图论分析等功能，帮助用户对网络数据进行深入挖掘和分析。
使用方法以下是使用UCINet进行社会网络分析的基本步骤：1.准备数据：将需要分析的数据整理成UCINet支持的格式，如Excel表格或CSV文件。
社会网络数据挖掘方法
社会网络数据挖掘方法社会网络数据挖掘是指利用数据挖掘技术挖掘社会网络中的关系、模式和趋势。
随着社交媒体的兴起和互联网的普及，社会网络数据挖掘变得越来越重要。
本文将介绍一些常用的社会网络数据挖掘方法。
1. 社会网络分析(Social Network Analysis, SNA)社会网络分析是一种基于图论和统计学的方法，用于分析和可视化社会网络中的关系。
在社交网络中，每个节点代表一个个体，而边代表个体之间的关系。
通过社会网络分析，可以发现社会网络中的关联关系、群组结构以及个体的中心性。
常用的社会网络分析指标包括度中心性、接近中心性和中介中心性。
2. 社会影响力分析(Social Influence Analysis)社会影响力分析是指通过数据挖掘方法来分析社交网络中个体之间的相互作用和影响。
社交网络中的个体之间存在着信息传播和行为传染的过程，社会影响力分析试图识别和量化这种影响过程。
通过分析社交网络中的节点属性和关系强度，可以预测信息传播的路径和影响范围。
3. 社团检测(Community Detection)社团检测是指寻找社交网络中具有高度内聚性和低度耦合性的群组结构。
社交网络通常包含许多社团，社团内的节点存在着密切的关联关系。
通过社团检测方法，可以将社交网络划分为不同的社团，从而更好地理解社交网络的结构和功能。
常用的社团检测算法有基于模块性优化的Louvain算法和基于谱聚类的方法。
4. 兴趣挖掘(Interest Mining)兴趣挖掘是指从社交网络数据中提取用户的兴趣和喜好。
社交网络中的用户通过发布内容和互动行为来表达自己的兴趣，分析这些行为可以帮助推荐相关的内容和产品。
兴趣挖掘可以通过分析用户的社交网络关系、文本内容和行为特征来推断用户的兴趣和喜好。
5. 情感分析(Sentiment Analysis)情感分析是指分析社交网络中用户对特定主题或事件的情感倾向。
社交媒体上的用户可以通过文字、表情和评论来表达自己的情感态度。
- 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)。
情报、信息与共享Intelligence,Inform ation &Sharing[基金项目] 本文系国家社会科学基金资助项目社会网络分析在企业知识共享中的应用研究 (09B TQ 022的研究成果之一。
[作者简介] 赵蓉英,女,1966年生,教授,博士生导师,武汉大学科学评价研究中心副主任;王静,女,1986年生,硕士生。
社会网络分析(SNA研究热点与前沿的可视化分析Resea rch o f Inte rna tio nal Soc ial Net w or k Analysis in Fro nt ier Do mains in Visualize d Info rm atio n 赵蓉英王静(武汉大学信息资源研究中心,武汉大学科学评价研究中心,武汉,430072[摘要] 本文首先对IS I We b of Kno w le dg e 数据库中收录的以社会网络分析(S NA为主题的文献的时空分布进行了分析;然后利用信息可视化软件Cite Space 绘制出社会网络分析(SNA的代表人物、代表作的知识图谱,并对其进行了分析;最后通过检测词频变动趋势显著的主题词确定出国际社会网络分析(SNA研究的前沿领域和发展趋势,并绘制出国际视野下的社会网络分析(S NA研究热点与研究前沿的知识图谱。
[关键词] 社会网络分析研究热点研究前沿知识图谱 CiteSpace ![中图分类号] G 203 [文献标识码] A [文章编号] 1003 2797(201101 0088 07[Abstract] The distri bution of time,geographic regi ons for the publi shed papers regarding to Social N etwork Analysis was analyzed by maki ng use of the newly developed informati on vi s ualization m ethods,and the co-citation data records retri eved from ISI Web of Knowledge,then dr aw the knowledge map of C i ted Author ,Cited Reference on Soci al N etwork Analysis.And confirm s the research edge and trend of i nternational research on Social N etwork Analysis by detecting subject headings whos e word frequency fluctuation are s i gni ficant,and draws the knowledge map of them by us i ng Citespace.[Key words] Social N etwork Analysi s ,research edge,knowledge map,C i teSpace !最初对社会网络感兴趣的是英国著名的人类学家布朗(Ra dcliffe Brown ,他在对社会结构的关注中,以相对来说非技术的形式提出了社会网络的思想(参见布朗,1999。
从30年代到70年代,越来越多的社会人类学家和社会学家开始构建布朗的社会结构概念,认真思考社会结构和社会网络这些概念和隐喻。
这些结构化的隐喻目的在于理解相互缠绕和关联在一起的关系,而社会行动恰恰是通过这些关系组织在一起的。
渐渐的, 社会网络这个隐喻步入学术殿堂。
社会网络的一些关键概念也应运而生,诸如密度 (d ensity、中心度 (cen trality、三方关系 (triad 等概念如雨后春笋,纷纷涌现[1]。
概括地讲,社会网络分析是对社会关系结构及其属性加以分析的一套规范和方法。
它主要分析的是不同社会单位(个体、群体或社会所构成的关系的结构及其属性[2]。
从20世纪70年代以来,一部分社会网络专家利用形式化方法表征各种概念,出现了许多网络分析技术,网络分析也开始得到广泛的应用。
随着互联网的兴起,社会网络分析和各类网络应用彼此也有着,或者说,潜在有着巨大的互相推动作用。
一方面,在线的人际数据非常便于获取,大量的Blog,或者新型的S NS(社交网站上能够直接展现人际的交往关系,如果今天我们需要研究B lo g 圈,只要顺着超链接往下找,很短时间内就能积累数百万的样本;另一方面,愈加廉价的计算和存储资源,更先进的算法和模型,也让SN A 有机会在更多的领域大展身手。
20世纪90年代以来,社会网络分析得到了广泛的应用,其主要应用领域扩展到了几乎所有的人类活动领域。
当今社会发展的一个基本趋势,就是从相对封闭的小群体生活走向日益开放的网络化生活。
本文旨在对社会网络分析(S NA研究领域的代表人物、代表作品、本领域研究热点和前沿进行定量考察和可视化分析,绘制出的图谱形象的展示出社会网络分析(S NA领域的代表人物、代表作品、热点领域以及研究前沿,突破了传统的分析方法,使广大学者能够更加直观的了解社会网络分析(SNA的研究内容。
1 方法和数据来源本文采用的可视化技术(CiteSpa ce 软件是美国德雷塞尔大学的陈超美博士基于JAVA 平台开发的一种以定量分析为主的知识图谱的绘制方法。
CiteSpa ce 是在科学文献中识别并显示科学发展新趋势和新动态的一种通用方法的最新研究进展,它属于多元、分时、动态的第二代信息可视化技术。
其独到之处在于,用CiteSpace ![3]绘制的一幅科学图谱上,能够显示一个学科或知识域在一定时期发展的趋势与动向,形成若干研究前沿领域的演进历程。
本文进行分析使用的数据均来自于Web of Kn owledge 数据库中的文献。
我们以 S ocial Ne twork An alysis (社会网络分析为主题词,在默认年份(1986~2010 03 20状况下进行检索,将结果按年份保存下来,每一条数据记录主要包括文献的作者(Au th ors、题目(Title、摘要(Abstract 和文献(Descriptors a nd Iden tifiers的引文。
最后获得1993~2010年间共计2403篇文献,被引频次14967次。
(数据下载日期为2010年3月20日在计量分析中,设置 Time Sca l in g 的值为l ,将1993~2010年的18年分成18个时段进行分段处理。
对数据进行时间分段处理主要考虑以下两个方面:一是CiteS pace 软件在设计和运行过程中采用了分治策略原理。
分治策略的思想就是,将一个难以直接解决的大问题,分割成一些规模较小的相同问题,以便各个击破,分而治之。
分治的基本思想是将一个规模为n 的问题分解为k 个规模较小的子问题,这些子问题互相独立且与原问题相同。
找出各部分的解,然后把各部分的解组合成整个问题的解[4],这样做有利于软件的运行速度和准确度;二是采用这种形式有利于辨识学科演进的突出拐点和学科前沿的时态模式。
2 社会网络分析(SN A文献分布情况2.1 时间分布图1所示为Web of Kn owled ge 数据库中以 So cia l N etwork A n alysis (社会网络分析为主题词,在默认年份(1986~2010 03 20状况下的检索结果按年份显示,我们可以清楚的看到,相关文献是从1993年开始出现的,开始比较少,但随着时间的变化,文献数量逐渐增多,1993~2009年间,文献发表数量呈现递增趋势。
图1 ISI W eb of Knowledge 数据库中社会网络分析(SN A文献的发表情况2.2 地域分布根据Web of Kno wledge 数据库中检索到的数据,按照国家分布分析可知,美国在社会网络分析(SN A领域中发文最多,为808篇,其次为中国大陆地区,中国台湾地区紧随其后,发文57篇,位列第三。
其中发文量排名第二的中国地区,发文量较多并处于优势地位的机构有浙江大学20篇,武汉大学17篇,中国香港大学15篇,大连理工大学,北京大学11篇,清华大学10篇等等。
3 社会网络分析(SNA研究领域核心作者及其代表作利用Cite Sp ace 信息可视化软件对前文确定的1993~2010年间共计2403篇文献数据信息进行可视化分析。
运行得到社会网络分析(SN A 文献共被引网络知识图谱社会网络分析(SNA研究热点与前沿的可视化分析R es earch of In ternational S ocial Netw ork Analys is in Frontier Domains in Visualized Inform ation赵蓉英王静(图2,其中包括节点286个,连线1013条。
3.1 社会网络分析(SN A研究领域早期研究者及其代表作品运用CiteSpace 软件进行文献共被引网络分析,能够较为直观的识别学科领域的经典基础文献[5]。
由图2可见,社会网络分析(SNA的思想最早可以追溯到1948年纽约无线电工程师学会(The Institu te ofR adio En gineers,缩写为IRE的BM Oliver,JR Pierce,和CE S han no n 三位作者共同撰写的∀脉冲编码调制原理#(Th e philosophy of PCM一文。
该文是为想要了解脉冲编码调制原理,而不是试图设计一个系统的读者而写的。
文中也介绍了脉冲编码调制原理 (PCM的一些优势以及与其他的一些宽带系统的区别[6]。
图2 社会网络分析(SN A文献共被引知识图谱3.2 社会网络分析(SN A研究领域关键节点文献在文献共被引网络中,不同聚类之间通过关键节点相连接,根据陈超美博士的定义,共被引网络图谱中的关键节点是图谱中连接两个以上不同聚类,且相对中心度和被引频次较高的节点。
这些节点可能成为网络中由一个时间段向另一个时间段过渡的关键点[7]。
所以,确定研究领域的关键节点是进行计量分析的关键环节。
假设和分别是t 时刻和t+∃t 时刻产生于! =∀( 和!=∀( 知识基础上的、以文章和文章为标识的主要研究前沿,并形成分别以文章和文章为中心的两个共被引文献聚类。
连接这两个聚类路径上的文章[p(i]描绘了从向转变的特征,我们将这样的[p (i]称作关键节点[8]。
对图2中的关键节点文献分析我们可以得出,在上述社会网络分析(SN A文献共被引知识图谱中,共包含了7个关键文献节点(见表1,具体分析如下:表1 共被引网络图谱关键节点信息节点作者发表年作品载刊半衰期被引频次中心度G R A NO V E T.M S 1973A M J S O CI O L 231030.25F RE E M AN L C 1979S O C NE TW O R KS 171550.17NE WM AN M E J 2001P HY S R E V E 22500.15W A TTS DJ 1998N A TU RE 51250.15AL BE R T R 1999N A TU RE 5340.12B AR A BA S I A L 1999S CIE N CE 41250.11B O CC AL E TTI S2006PH Y S RE P1180.1美国约翰斯霍普金斯大学著名的经济社会学家Mark S .Gran ove tter 是社会网络分析(SNA研究界一个比較重要的人物,他在1973年发表于美国社会学杂志(AJS上的文章∀弱关系的力量#(The streng th of weak ties。