基于社会网络分析法的组织知识网络及实例研究
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。
社会网络分析论文：社会网络分析动态性社区发现改进k-均值核心节点相似度增量分析
【关键词】社会网络分析动态性社区发现改进k-均值核心节点相似度增量分析 【英文关键词】Dynamic Social Network Analysis Dynamic Nature Community Detection ModifiedK-means Core Nodes Similarity IncrementalAnalysis 社会网络分析论文：动态社会网络社区发现算法研究 【中文摘要】现实世界中，社会网络以朋友关系网络、科研人员合著关系网络、电力网络等形式广泛存在于多个领域。目前，社会网络分析已经成为数据挖掘中的一个研究热点。作为社会网络分析中的一项重要内容，社区发现吸引了大量来自多个领域的专家学者的密切关注并且已经产生了大量的研究成果。然而，作为社会网络的一个重要属性，动态性在大多数研究中没有被提及。因而，针对动态网络中的社区发现算法研究较少。动态社会网络中的社区发现通常是建立在某种静态算法基础上的。而现有的社区发现算法通常存在着需要额外的先验知识作为输入和社区划分质量不高等问题。针对这些问题，本文提出了一种基于改进的k均值算法思想的高质量社区发现算法——MKBCD。该算法包含了一种新的初始核心节点选择方法，并给出了相关阈值的通用选择方案和一个确定非核心节点社区归属的两阶段
策略。在Zachary karate club等真实和虚拟数据集上的实验证明了新算法的效率以及在挖掘高质量社区上的优势。在此基础上还提出了一种动态网络中骨干节点挖掘算法，能够从动态变化的社会网络中挖掘每个社区的骨干节点集合。增量式算法是一种在动态变化的网络中挖掘社区结构的算法，适用于网络结构变化频繁，但是短时间内不会发生较大变异而且变化不影响整体社区结构的场合。现有增量式算法存在着运行时间较长和算法精度较低等问题，无法实现效率和精度同时达到一个较高的水平。本文在现有工作的基础之上提出了一种基于增量分析的动态社区发现算法CDBIA，分析了增量对网络中相关节点的影响及其传递过程。在动态Zachary网络和虚拟数据集上的实验结果表明，CDBIA算法在保持较低的时间复杂度的同时，在社区结构的稳定性和社区划分质量上的都能得到较好的效果。 【英文摘要】Social networks are widespread in many areas of the real world such as friendshipnetworks, scientists’co-author relationship networks, and information networks and so on.Along with the rapid development of technology, Facebook, Twitter, blog community andother new forms of social networks have appeared in recent years. Nowadays, social networkanalysis has become an important mission and hot issue in data mining.As an important property of social networks, community structure and relative researchhave attracted
基于Pajeck工具的学习分析领域的社会网络分析
2019年第6期 184研究与探讨 信息技术与信息化 基于Pajeck 工具的学习分析领域的社会网络分析 吴馨楠* WU Xin-nan 摘 要 以学习分析为核心的“大数据驱动式教学”模式已成为当下智慧教育时代的重要教学手段。本文通过对 中国知网平台数据进行检索，对所选文献进行时间限定，分析学习分析领域的研究方向和相关文献的出版年份，然后使用Pajeck 软件，对学习分析领域的研究者、中心度、关键词进行分析，通过此方式获得对学习分析研究领域快速直观的认识。 关键词 学习分析；社会网络分析；Pajeck Abstract Nowadays, the ‘big data-driven teaching’ model with learning analysis as the core has become an important teaching method in the current era of wisdom education. This paper retrieves the data of CNKI platform, then use the Pajeck software to analyze the researchers, centers, and keywords in the field of learning analysis, In this way, we get a quick and intuitive understanding of the study field of learning analysis. Key words study analysis;social network analysis;Pajeck doi：10.3969/j.issn.1672-9528.2019.06.060 * 宁夏大学教育学院 宁夏银川 750000 1 引言 在2011年举办的首届“学习分析和知识”国际会议上，与会代表一致认为：学习分析技术是通过收集和分析学习者在学习环境中的相关数据，并可以被用来理解和优化学习及其环境的一种技术。学习分析是指教育工作者利用学习分析技术，对学习者的学习活动所产生的相关数据收集后进行分析，以评估学习结果，识别潜在的问题, 预测未来的表现。本文以Pajeck 软件为工具，基于中国知网数据库所收录的文献数据，筛选出学习分析领域的文献，形成社会网络关系图, 通过分析这些关系图我们可以看出与学习分析领域相关的研究热点及未来的研究趋势。 2 数据来源与研究方法 2.1数据来源 基于Pajeck 工具所使用的数据全部来源于中国知网，检索策略为“TI=“学习分析”，时间跨度选择“所有年份”进行检索，这些文献的出版时间为2014—2019（搜索时间为2019-5-11），在分类里面选择SCI 来源、CSSCI 来源、核心期刊进行搜索，共搜到461篇，选择文献，然后输出为Endnotes 格式。将文件导入SATI 生成矩阵，并用Ucinet 转 换格式，最后导入Pajeck 绘制可视化图谱。2.2研究方法 本文所采用的分析方法有研究者分析法、核心度分析法和关键词分析法这三种方法。通过对文献的作者、文献主题进行分析，可以找到学习分析领域的热门研究方向。2.3研究工具 Pajek 是运行在Windows 环境下的大型复杂的网络分析工具，是用于研究某一领域中目前所存在的各种复杂非线性网络的工具。Pajek 的主要优点是能对具有上千乃至数百万个结点大型网络进行分析并提供可视化的操作。3 数据分析 3.1作者分析 对作者进行共现知识图谱，可以了解作者之间的合作关系，如果图谱中有两位作者节点被连接起来，则代表他们之间有过合作。学者之间紧密的合作与交流，营造了一种良好的学术氛围，这种联通的网络结构较对学科间的交流和研究有很大的益处，对学习分析领域有着积极的推进作用。图1 为本文所绘作者合作这张网络图。 从图1可以看出，蓝色方块面积越大，说明该作者中心度越高，箭头越多，说明学者之间的联系越精密。例如，学
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
社交网络基础与数据分析
东南大学 seminar课程简介 课程名称社交网络基础与数据分析 任课教师汪鹏工作单位计算机学院职称副教授 联系电话Email 任课教师教学科研简介： 汪鹏，计算机科学与工程学院/软件学院教师，副教授，微软学者奖获得者，长期从事语义Web、信息检索、数据集成和社交网络等方面的工作。 目前主持国家自然科学基金项目1项，并曾参与多项国家自然科学基金项目和国家杰出青年科学基金项目。近年来担任多个重要国际会议的程序委员和审稿人。已在国内外重要学术期刊和会议上发表学术论文80多篇，被SCI收录10次、EI收录60余次、ISTP收录40余次，研究工作已被国外学者引用400余次。 课程简介（含对学生基础的要求等,特别注明拟上课所在校区）： 社交网络研究是专注于人类社交关系和行为的科学问题，其成果广泛应用于万维网、社会学、复杂网络、市场经济、生物信息学等众多领域。社交网络研究是一个典型的跨学科研究领域，吸引着大量来自计算机科学、社会科学、经济学、物理学等不同学科背景研究者。过去十余年以来，随着Facebook、Twitter、新浪微博等社交网站的兴起，产生了海量的社交网络数据，其中蕴含着当今人类社会组成结构、社区形成、社会演化、经济和政治活动等方面的丰富信息，因此社交网络数据具有重要的实用价值，发现和揭示海量社交网络数据中所蕴含深层规律是近年来学术界的一个研究热点。 《社交网络基础与数据分析》课程旨在引导学生学习和探讨社交网络的基础理论、网络结构、社区形成、信息传播、社交数据爬取、社交数据分析和挖掘方法等相关问题，全面剖析社交网络研究热点，培养学生前沿文献阅读、研究问题剖析、学术报告和研讨等基础科研能力，并引导有志于研究的学生解决具体科研问题。 本课程面向全校学生，特别欢迎计算机/软件学院、吴健雄学院、信息学院等对社交网络感兴趣学生，特别适合有未来科研深造计划的学生。学生最好有扎实的英文文献阅读、PPT组织和写作、数学、程序设计和算法基础。预计学生人数为10-16人为宜，拟在九龙湖校区上课。