社会网络模型研究论析
图论模型在社交网络分析中的应用研究
图论模型在社交网络分析中的应用研究社交网络分析是指通过研究人际关系网络中的节点和边的连接模式，揭示社交网络结构、功能和动态变化等特征的一门学科。
图论模型作为一种数学工具，被广泛应用于社交网络分析中，以揭示社会关系、推测个体行为以及进行网络优化等任务。
本文将从图论模型在社交网络分析中的三个主要应用方向入手，进行详细介绍。
第一，社交网络结构分析。
社交网络的结构是指社交网络中个体节点之间连结的方式以及形成的整体网络结构特征。
图论模型可以被用来分析社交网络的结构特征，如网络的度分布、群聚系数、小世界现象等。
其中，度分布是指网络中节点的度数（即与其相连的边的数量）的概率分布。
通过分析社交网络的度分布，可以了解网络中节点的连接情况，例如是否存在寡头效应、是否存在社区结构等。
群聚系数是指网络中节点朋友之间也是朋友的概率。
通过分析社交网络的群聚系数，可以推测社交网络中个体之间的关系密切程度，以及网络中存在的社区结构。
小世界现象则是指社交网络中节点间距离较短，通过少数中间节点即可实现连接的现象。
对社交网络进行小世界化分析，可以了解网络中信息传播的路径以及信息扩散的速度。
第二，社交关系预测与个体行为推测。
图论模型可以运用于社交关系预测，即通过已知的社交网络结构推测出未知节点之间的关系。
例如，通过分析已知社交网络中的节点之间的连接模式，可以预测出两个节点之间是否是朋友关系。
在个体行为推测中，利用图论模型可以研究个体在社交网络中的行为传播与影响。
例如，通过分析网络中节点的中心性指标，可以了解网络中的关键人物与信息传播的核心节点。
另外，通过研究社交网络的影响传播模型，可以预测在网络中某个节点接受某种信息后，其周围节点的行为是否会受到影响。
第三，社交网络优化与挖掘。
社交网络的优化和挖掘旨在提高社交网络的效率和便利性，发现网络中隐藏的规律或者关键节点。
图论模型可以用于社交网络中节点的排序和排名，以便找出网络中的重要节点与中心节点。
社会网络舆情分析模型构建
社会网络舆情分析模型构建随着互联网的飞速发展，社交媒体已成为信息传播的重要渠道之一，同时也是社会网络舆情形成和传播的重要平台。
社会网络舆情分析是指通过对社交媒体上的网络话题、信息等内容的监测、分析和研究，来获取对特定事物或事件产生影响的人群的态度、情感、知识和行为特征等信息的过程。
在如今快速变化的社会背景下，越来越多的机构和企业希望通过社会网络舆情分析来了解市场情况、调整产品策略和改进服务质量，因此构建有效的社会网络舆情分析模型显得尤为重要。
一、社会网络舆情分析模型的基本构成社会网络舆情分析模型通常包括以下几个组成要素：1. 数据采集社会网络媒体环境非常复杂，信息产生的速度非常快。
因此，数据采集是社会网络舆情分析模型中最为关键的步骤。
数据采集包括获取需要分析的信息数据，如推特、微博、脸书等社交媒体上的文本、图片和视频等。
2. 数据预处理为了提高社会网络舆情分析的效率和精度，数据预处理在模型构建中也显得尤为重要。
数据预处理的主要任务是对采集到的原始数据进行清洗、处理和过滤，以去除一些无用信息，如垃圾邮件、广告和重复数据等，同时对数据进行简单的文本处理和特征提取。
3. 数据分析社会网络舆情分析的核心任务在于对采集到的数据进行分析。
根据数据的不同特点和使用要求，社会网络舆情分析可以采用文本分析、情感分析、关系分析、事件分析等不同的手段，来获取不同层面的信息。
通过数据分析，可以了解特定主题、事件或产品在社交媒体中的受欢迎程度、用户群体的情感态度和反应、用户行为等信息。
4. 数据挖掘数据挖掘是社会网络舆情分析中的一项关键技术。
数据挖掘技术可以发掘数据之间的相关性和隐含规律，例如，社交网络用户的口碑传播、人际关系、用户兴趣等，为用户提供更深入的信息和更多的参考。
同时，数据挖掘也可以帮助用户优化社会网络舆情分析模型，提高分析和挖掘效率。
二、社会网络舆情分析模型的分类在模型构建中，可以根据不同目的和使用方法，将社会网络舆情分析模型分为如下几类：1. 主题分析模型主题分析模型是社会网络舆情分析模型的一种，它以从社交媒体文本中提取句子或词语作为主要研究对象，并根据指定的主题，对社交媒体上的信息进行分类分析。
社会网络分析
社会网络分析是一种针对社会关系、组织结构和信息交流网络的研究方法，它旨在揭示人际关系网络的形成和运作规律，深入理解社会现象、组织行为和信息传播等方面的问题。
一、的概念和基本概念起源于20世纪50年代的美国社会学，在20世纪90年代开始得到广泛的应用和发展。
的主要研究对象是人际关系网络、组织结构网络和信息交流网络等。
其中，人际关系网络指的是由社会成员之间的联系、交往关系所构成的网络，它包括亲属关系、友谊关系、社交关系和工作关系等。
组织结构网络指的是由组织内部人员之间的职权、交流和合作等关系所构成的网络，它包括组织结构、岗位职责和人员分工等。
信息交流网络指的是由信息发送者和接收者之间的联系、传播路径和传播效果所构成的网络，它包括信息源、消息传递路径和接收者等。
在中，有一些基本概念是必须掌握的。
首先，网络中的节点或成员表示人或组织等实体，它们之间通过联系或关系相连。
其次，网络中的边或连边表示节点之间的联系或关系，它们可以是直接联系、间接联系或某种程度上的关联等。
此外，网络中的度度量了节点与其他节点之间的联系程度，它可以反映节点的重要性和影响力。
网络中的密度表示整个网络中节点之间的联系强度，它可以反映节点之间的互动程度和信息交流水平。
最后，网络中的社群是指具有某种特定属性或形式的节点子集，在中它可以用来刻画不同类型的社会结构和组织形态。
二、的方法和应用范围主要采用定量和定性的分析方法，它们包括统计分析、模型建立、可视化分析、网络建模和动态演化等。
其中，统计分析是最基本的方法之一，它可以用来计算网络中节点、边、度、密度和社群等基本指标，以及各种统计分布和网络结构特征。
模型建立是的核心之一，它可以用来建立各种网络结构和演化模型，以探究网络的形成和运作规律。
可视化分析则是将网络数据可视化为图形、图表和动画等形式，以方便人们理解、探索和交流。
网络建模是将网络数据转化为数学、物理和计算机模型，以便进行复杂的分析和模拟。
-社会网络分析方法
-社会网络分析方法
社会网络分析是一种研究社会关系和网络结构的方法，它可以揭示人际关系、信息传播和网络演化等社会现象。
社会网络分析的主要方法包括以下几个方面：
1. 社会网络数据的收集和整理：社会网络数据可以通过问卷调查、观察记录、社交媒体数据挖掘等方式收集。
数据整理包括数据清洗、数据转换和数据存储等过程。
2. 社会网络可视化：通过使用可视化工具和技术，将社会网络数据以图形形式呈现出来。
社会网络的节点表示个体，边表示个体之间的联系，可以直观地展示社会网络结构和特征。
3. 社会网络度量和分析：通过计算社会网络的度、中心性、密度、连通性等指标，来描述社会网络的结构和特征。
例如，度中心性可以衡量个体在网络中的重要性，而密度可以反映网络内部的联系紧密程度。
4. 社会网络模型：通过建立数学模型，来模拟和预测社会网络的发展和演化。
常用的模型包括小世界网络模型、无标度网络模型等。
5. 社会网络影响力分析：研究社会网络中信息传播的过程和机制，揭示个体对
社会网络的影响力和信息传播的路径。
常用的影响力分析方法包括信息传播模型、影响力传播模型等。
6. 社会网络社群发现：通过挖掘社会网络中的社群结构，找出具有相似特征和相互关联的个体群体。
社群发现有助于理解社会网络中的内部结构和个体间的相互作用。
社会网络分析方法可以应用于各个领域，如社会学、心理学、管理学等，用于研究个体行为、组织关系、社会动力学等问题，并帮助决策者做出更加有效的决策。
论文引用网络的社会网络分析
论文引用网络的社会网络分析引言社会网络分析是一种研究人际关系网络的理论和方法，可以帮助我们理解社会关系的形成、演化和影响。
随着互联网的普及和发展，越来越多的人开始在网络上进行交流和社交活动。
网络成为了我们生活中重要的一部分，而对于社会网络分析的研究也开始向网络引用这一领域拓展。
本文旨在探讨论文引用网络的社会网络分析。
一、概述论文引用网络论文引用网络是指通过分析论文之间的引用关系来建立的网络。
在学术界，一个经典的论文往往会被其他学者引用，形成一个引用网络。
这个网络可以被用来揭示学术界中的知识流动、合作关系等。
二、论文引用网络的社会网络分析方法1. 网络图分析通过绘制论文引用网络的网络图，可以清晰地展示论文之间的引用关系。
节点表示论文，边表示引用关系。
通过对网络图的扩展和收缩，可以揭示论文之间的相似性、研究热点、学科间的联系等。
2. 社区发现社区是网络中密切相连的节点组成的子图。
在论文引用网络中，社区发现可以帮助我们找到具有共同研究兴趣或合作关系的学者群体。
这些学者群体往往构成了一个研究领域的核心力量，并且在该领域内产生了较大的影响。
3. 中心性分析中心性是衡量网络节点重要性的指标。
在论文引用网络中，可以利用中心性分析方法来度量论文的影响力和重要性。
常用的中心性指标包括度中心性（节点的度数）、接近中心性（节点与其他节点之间的距离）、介数中心性（节点在最短路径中的数量）等。
三、论文引用网络的应用领域1. 学术评价论文引用网络可以用于学术评价，评估论文的质量和影响力。
通过分析论文引用网络的拓扑结构和节点属性，可以帮助科研机构、学术期刊等进行科研成果的评价和选拔。
2. 学科演化论文引用网络可以反映不同学科领域的演化路径和趋势。
通过分析网络中的节点和边的属性，可以探索学科的发展历程，揭示不同学科之间的联系和转变。
3. 科研合作论文引用网络可以帮助研究者找到合作伙伴，寻找具有相似研究兴趣的学者。
通过分析网络中的社区结构和节点属性，可以发现有潜力的合作关系，并促进学术交流和科研合作的产生。
社会网络分析和挖掘方法研究
社会网络分析和挖掘方法研究一、前言社会网络分析和挖掘方法是当今社会研究的热点之一。
社会网络已成为人类交流、信息共享和协作的重要平台，这种模式的出现也改变了人类社会的面貌。
本文旨在介绍社会网络分析和挖掘方法的研究。
二、社会网络分析方法社会网络分析是一种结构化方法，它研究连接不同个体之间的关系，例如朋友、家庭成员和组织成员等。
社会网络分析主要通过构建网络模型和分析模型的特征来研究网络结构、网络性质和网络演变等问题。
社会网络分析的主要方法包括以下几种：1.社会网络测量方法社会网络测量的目的是定量地研究网络结构和关系。
这种测量方法重点研究网络的度数、紧密度、中心性和群体特征等。
例如，测量度数可以得出每个节点的连通数量，用于研究网络结构；测量紧密度可以得出网络中不同节点的联系紧密度，用于研究社会网络的实际效果。
2.社会网络模型方法社会网络模型是通过建立节点和边之间的关系模型来描述网络结构的数学模型，这种方法可以有效地模拟真实网络的特征，并且能够用于解决一些重要的网络问题。
这种方法包括小世界模型、无标度网络模型和随机网络模型等。
3.社会网络数据挖掘方法社会网络数据挖掘是一种利用各种算法从数据中发掘知识的方法，它可以用于改进网络的设计和运行。
这种挖掘方法包括聚类分析、决策树和关联规则挖掘等，可以在网络中寻找规律和模式，进而拓展网络的使用场景与价值。
三、社会网络挖掘方法社会网络挖掘是对社会网络进行聚类、分类、关联规则、连通集和演化分析等操作的方法。
社会网络挖掘分析可以为社会科学、市场营销和企业管理等领域提供重要的支持。
社会网络挖掘方法包括以下几种：1.社会网络关系挖掘社会网络关系挖掘方法能够有效地识别和分析网络中的模式，例如“朋友的朋友是我的朋友”这种传递性关系。
社会网络关系挖掘不仅能够帮助用户发现新的朋友，还可以通过这种方式识别潜在的商业机会。
2.社会网络路径挖掘社会网络路径挖掘是一种基于关系连边建立网络路径的算法，它可以发掘社会网络中各种联系的路径，例如找到A到B之间的最短路径。
社会心理网络分析研究
社会心理网络分析研究一、研究背景和意义社会心理网络分析研究起源于社会网络分析和心理学领域的交叉，主要关注人际关系和心理状态的相互作用。
近年来，随着社交媒体的兴起，社会心理网络分析研究受到越来越多的关注。
社会心理网络分析研究能够探究社会网络中的心理过程和心理过程中的社会网络结构。
通过社会心理网络分析，可以发现网络中的群体结构、信息传播路径、社交媒体使用习惯等，这对于社交媒体的开发和管理具有重要意义。
二、社会心理网络分析的研究方法社会心理网络分析研究的数据来源主要包括实验数据、问卷调查数据和社交媒体数据。
其中，社交媒体数据是近年来最为常用的数据源。
社会心理网络分析研究采用的主要研究方法包括社会网络分析方法、心理学调查方法、数学模型和计算机模拟等。
具体来说，社会网络分析方法可以描述网络中的结构和关系，心理学调查方法可以获取用户的心理特征，数学模型可以揭示网络中的规律性，计算机模拟可以进行仿真实验。
三、社会心理网络分析的应用领域1.社交媒体管理社会心理网络分析研究能够发现社交网络中的重要节点、信息传播路径和用户的使用习惯等，这为社交媒体的推广和管理提供了有益的信息。
例如，通过分析用户的行为数据，社交媒体公司可以发现用户的需求和使用瓶颈，进而进行相应的优化和改进。
2.在线广告营销社交媒体是在线广告营销的重要渠道。
社会心理网络分析研究能够揭示社交媒体用户的心理特征和消费偏好，为广告营销者提供有益的信息。
例如，在社交媒体上投放广告时，可以根据用户的心理特征和使用习惯进行精准定位，提高广告效果和转化率。
3.社交媒体情绪分析社交媒体用户的情绪变化对社交媒体的氛围和用户体验有着重要影响。
社会心理网络分析研究能够分析用户在社交媒体平台上的情绪表达，从而了解社交媒体用户的心理状态。
这对于社交媒体平台的情感识别和情境感知具有重要意义。
4.社交媒体舆情分析社交媒体中的舆论信息对于社会公众和政府部门具有重要影响力。
社会心理网络分析研究能够揭示社交媒体中的舆情信息和舆论传播路径，从而了解社会群体的认知和态度。
社会网络分析中的影响力传播模型比较
社会网络分析中的影响力传播模型比较社会网络分析是一种研究社会关系网络中信息传播、影响力传播等现象的方法。
而影响力传播模型是用来描述和预测一个人、组织或者观点在社交网络中传播、扩散的过程和效果的模型。
在社交网络的分析中，选择适合的影响力传播模型对于理解和预测信息传播的效果具有重要意义。
本文将比较和探讨几种常见的影响力传播模型，并分析它们的优劣之处。
1. 独立级联模型（Independent Cascade Model，IC Model）独立级联模型是影响力传播模型中应用最广泛的一种模型。
它基于独立级联假设，认为每个节点在决定是否转发信息时是独立进行决策的。
也就是说，每个节点有一定的转发概率，如果接收到信息后，根据这一概率决定是否转发给自己的邻居节点。
优点：- 模型简单明了，易于理解和应用。
- 能够较好地模拟信息在社交网络中的传播过程。
- 可以通过模拟和实验计算的方式来推导影响力的扩散规律。
缺点：- 忽略了节点之间的互动和协作，缺乏现实性。
- 不考虑节点内部的属性和特征，无法充分描述个体对信息传播的影响力。
2. 线性阈值模型（Linear Threshold Model，LT Model）线性阈值模型是另一种常用的影响力传播模型。
它基于节点的阈值设定，认为每个节点对信息的传播有一个阈值，只有当其邻居节点中转发该信息的节点数量超过阈值时，该节点才会转发信息。
优点：- 考虑了节点之间的互动和协作。
- 能够更好地模拟个体对信息传播的影响力。
缺点：- 阈值设定较为复杂，需要精确的参数估计，实际应用中难以获得。
- 忽略了节点内部的属性和特征，无法充分描述个体对信息传播的影响力。
3. 双阈值模型（Threshold Model with Multiple Thresholds）双阈值模型是对线性阈值模型的扩展和改进。
它认为每个节点对信息传播有两个阈值，一个表示接受和传播信息的阈值，一个表示拒绝和忽略信息的阈值。
- 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)。
社会网络模型研究论析刘 军
Abstract:Socialnetworkanalysisisexplicitlyinterestedintherelationshipsamongsocialactors.
Focusingonstructuralvariables,itopensupafieldofdataanalysisandmodelbuildingwhichiscompletelydifferentfromconventionalsocialstatisticalmethods.Spanningnearlyseventyyearsofresearch,statisticalnetworkanalysishaswitnessedthreestagesofmodels.Beginningfromthelate1930s,thefirstgenerationofscholars(Moreno,Katz,Heider,etc.)studiedthedistributionofvariousnetworkstatistics.Thesecondstagebeganfromthe1970sandcontinuedtothemid1980s.Itdealtprimarilywithexponentialfamilyofprobabilitydistributionsfordirectedgraphs(p1model)underthevitalassumptionof“dyadindependence”.Relaxingthisassumption,FrankandStrauss(1986),StraussandIkeda(1990),WassermanandPattison(1996)publishedtheirpathbreakingpapersbasedonMarkov’srandomgraphsmodels(p3modelanditsgeneralization:logitp3),whichbroughtsocialnetworkmodels
toanewstage.Itisanextremelyflexibleandcompletemodeldealingwithallsortsofstructuralaspectsofsocialnetworks.Thissubstantial“real”structuralresearchshouldbeemployedtoexaminetherelationalessenceofChinesesociety.
“社会网络分析”(socialnetworkanalysis)是西方社会学的一个重要分支,是国外从30年代末出现并在最近20多年得到重要发展的研究社会结构的最新方法和技术,也是一种全新的社会科学研究范式。它是在英国著名人类学家R.布朗对结构的关注中提出来的。但是,布朗所探讨的网络概念焦点在于文化是如何规定了有界群体(如部落、乡村等)内部成员的行为,而实际的人际交往行为要复杂得多(Wellmanetal.,1988:21)。因此,为了深入理解布朗提出的“社会结构”概念,从30年代到60年代,在心
理学(主要是移居美国的具有格式塔研究传统的德国社会科学家如K.勒温(Lewin)对群体结构的研究、J.莫雷诺(Moreno)开创的社会计量学研究以及F.海德(Heider)对社会态度、社会均衡的研究等)、社会学
(莫雷诺等)、人类学(布朗、纳德尔等对社会结构的研究、梅奥等人对霍桑工厂的研究、英国曼彻斯特大
学的巴恩斯、米歇尔等人的研究)以及数学(特别是欧拉开创的图论、代数模型研究)、统计学、概率论研究领域,越来越多的学者开始构建“社会结构”概念,认真思考社会生活的“网络结构”,各种网络概念(如中心性、密度、结构平衡性、结构均衡性、区块等)纷至沓来,“社会网络”一词渐渐步入学术殿堂。随后,
社会网络分析的理论、方法和技术日益深入(参见Wasserman&Faust,1994;Scott,1991;Everett,2002),成为一种重要的社会结构研究范式。1978年,国际网络分析网(INSNA:http:ΠΠwww.sfu.eduΠprojectΠINSNA)组织宣告成立,这标志着网络分析范式的正式诞生。此后,在网络分析的一些重要概念得到深化的同时,一些网络分析软件应运而生。社会网络研究基本上坚持如下重要观点:(1)世界是由网络而不是由群体或个体组成的;(2)网络结构环境影响或制约个体行动,社会结构决定二元关系(dyads)的运作;(3)行动者及其行动是互依的单位,而不是独立自主的实体;(4)行动者之间的关系是资源流动的渠道;(5)用网络模型把各种(社会的、经济的、政治的)结构进行操作化,以便研究行动者之间的持续性的关系模式;(6)规范产生于社会关系系统之中的各个位置(positions);(7)从社会关系角度入手进行的社会学解释要比单纯从个体(或者群体)属性角度给出的解释更有说服力;(8)结构方法将补充并超越个体主义方法;(9)社会网络分析最终将超越1
社会学研究2004年第1期传统社会学中的二元对立(Wellmanetal.,1988;Scott,1991;Burt,1982)。简单地说,社会网络分析可以分为概念、模型建构和实证应用两部分。如果没有对网络概念和模型的研究,社会网络的实证分析就不会有坚实的基础,网络模型研究的重要性即在于此。社会网络数据与通常的社会学数据不同。传统统计方法针对的变量要满足“相互独立性”。但是,社会网络分析恰恰研究的是“相互关系”数据,其中使用的是结构变量,正是这一点开创了数据分析和模型建构的新领域(Wasserman&Faust,1994:16)。本文对网络模型近70年的发展,尤其是最近的重要发展进行述评。需
要说明的是,网络模型研究内容广泛,涉及到很多人物和模型,本文的分析重点是从图论、统计概率论以及代数理论角度上建构的模型(参见Wasserman&Faust,1994:15;522-555)。社会网络统计模型的发展分为三个时期(Wasserman&Pattison,1996:401):20世纪30到70年代,学者们关注的是各种网络统计量的分布。早期的社会计量学家(1930-1940)发明了社群图,发展了图论(1940-1950),研究了随机图的分布。图论研究不但提供了对社会网络的恰当表述,也提供了一系列用
来研究社会网络的形式特点的概念。随后的数学家在关注图论和图分布的同时,也利用统计概率论和代数模型研究网络关系的分布(1960年以来)。20世纪70年代到80年代,人们广泛应用统计概率理论研究关系的互惠性、均衡性以及传递性。对互惠性以及均衡性的关注激励了许多数学家和统计学家建构三人组(triad)的数学模型,其代表人物是戴维斯(Davis),霍兰(Holland)和林哈特(Leinhardt)。他们于70年代发表了一系列论文,在社会网络领域引入了一系列随机有向图分布,p1模型(1981年)应运而生,
该模型利用对数线性模型对数据进行拟合,这是第二个阶段。从1986年开始社会网络分析进入第三个时期,其标志是弗兰克和施特劳斯(Frank&Strauss,1986)、施特劳斯和伊可达(Strauss&Ikeda,1990)、瓦瑟曼和派提森(Wasserman&Pattison,1996)、福斯特和斯科弗雷兹(Faust&Skvoretz,1999)等发表的论文。他们推广了p1模型,给出了p3模型及其各种推广形式。这些成果大大推进了社会网络模型研究。因为,(1)p3模型利用逻辑斯蒂回归技术,因而便于应用;(2)在p3模型及其推广形式中包含了对随机区块模型的发展,既可以包含网络的整体趋势变量(如总体密度、中心性等),区块(block)层次变量(如在各个“块”之间的“选择性”等),也包含三人组(triadic)变量(传递性、循环性、入-2-星、出-2-星等)、二人组(dyadic)变量(如互惠性、选择性等)、个体层次变量(聚敛性、扩张性等)以及个体属性变量(如性别、年龄);(3)利用p3模型还可以研究赋值网络(Robin,etal.,1999)以及多元关系网络(Pattison&Wasserman
1999)。可以认为,社会网络统计模型已经成长为具有高度分析弹性的比较全面的模型,因而可以分析各种类型的关系数据。下面按照历史进程进行简述。
第一个时期:20世纪30年代到70年代 司各特(Scott,1991)认为,有三种因素导致了社会网络分析的出现和发展。(1)、社群图分析,20世纪30年代,在美国,对认知心理学和社会心理学的研究促进了社群图和群体动力学的发展;(2)、20世纪30年代,哈佛大学的学者强调非正式人际关系的重要性,他们通过研究人际关系的模式发展出“派系”概念;(3)、在50-60年代的英国,也是在布朗的影响下,曼彻斯特大学的人类学家考察了部落和乡村的“社区”关系结构(参见Scott,1991,第一章)。他们的最大贡献是把数学和社会理论结合起来。如果从社会网络统计模型的发展角度来看,除了上述因素之外,针对关系数据的“矩阵分析”、“代数模型分析”和“统计概率分析”对网络统计模型的发展影响更不可忽视(参见Wasserman&Faust,1994:10-17)。我们可以用图1总结社会网络统计模型的发展(见图1)。 然而,直到60年代才出现社会网络分析在方法论上的重大突破,这又要归功于哈佛大学的学者对社会结构的数学模型研究。他们一起推进了社会网络分析的形式化。(一)社群图模型———社会计量学30年代初期,许多重要的格式塔心理学家从德国逃亡到美国,J.莫雷诺和F.海德名列其中。海德(Heider)研究人与人之间的态度如何达到“平衡”态。心理平衡要依赖于个体所拥有的各种观点不互相
2