手机移动社交网络的用户研究
社交网络中的用户关系与社会网络分析
社交网络中的用户关系与社会网络分析社交网络已经成为现代社会中人们广泛使用的一种交流和连接的方式。
在这个虚拟的世界中，人们不仅可以与朋友、家人保持联系，还可以结识新的朋友和拓展自己的社交圈子。
社交网络的用户关系和社会网络分析，成为了许多研究者和学者感兴趣的领域。
本文将探讨社交网络中的用户关系以及如何进行社会网络分析。
1. 社交网络中的用户关系1.1 用户关系的类型在社交网络中，一个用户可以与其他用户建立不同类型的关系。
最常见的关系类型包括朋友关系、家人关系、同事关系等。
这些关系的建立可以通过发送好友请求、互相关注等方式进行。
1.2 用户关系的影响因素社交网络中用户关系的建立和发展受到多种因素影响。
其中包括兴趣爱好的相似性、地理位置的接近性、共同的活动或事件等。
人们更倾向于与拥有共同兴趣爱好的人建立联系，或者与生活在相同地区的人建立联系。
2. 社会网络分析2.1 社会网络分析的定义社会网络分析是一种研究社交网络中人际关系的方法。
通过构建网络图谱和分析网络结构，可以揭示用户之间的连接模式、信息传播路径等。
社会网络分析可以帮助人们更好地了解社交网络中的用户关系，并从中获取有用的信息。
2.2 社会网络分析的方法社会网络分析通常使用图论的方法来研究网络结构。
其中包括节点的度中心性、介数中心性、接近中心性等指标，用于衡量节点在网络中的重要性和连接程度。
此外，社会网络分析还可以利用社区检测算法来发现网络中的社群结构。
3. 社交网络与社会网络分析的应用3.1 个人用户对于个人用户来说，社交网络和社会网络分析可以帮助他们了解自己的社交圈子，并建立更有意义的人际关系。
通过分析自己的社交网络，个人可以了解自己与他人之间的联系强度和联系频率，从而更好地管理和维护人际关系。
3.2 商业应用社交网络和社会网络分析在商业领域有着广泛的应用价值。
通过分析社交网络中用户的关系，企业可以更好地了解用户的需求和兴趣，从而进行精准的市场定位和营销策略。
基于大数据挖掘技术的社交网络用户画像研究
基于大数据挖掘技术的社交网络用户画像研究随着社交网络在我们日常生活中越来越普及，我们不断地分享自己的信息并与别人交流。
在这个大数据时代，社交网络用户造就了一个巨大的数据平台，这些数据不仅可以反映用户的兴趣爱好和行为习惯，还可以做出更为深入和准确的预测。
本文将探讨基于大数据挖掘技术的社交网络用户画像研究。
首先，社交网络用户画像是什么？社交网络用户画像是从用户在社交网络上自愿上传的个人资料、用户行为和交互数据中，通过数据分析、挖掘和建模等技术，形成用户的个性化画像。
社交网络用户画像可以反映用户的性别、年龄、职业、学历、兴趣爱好、购买行为和消费偏好等信息。
通过社交网络用户画像的研究，可以更好地理解和掌握社交网络用户的特征，为企业和个人提供更为精准的服务。
接下来，让我们来了解一下大数据挖掘技术是如何应用到社交网络用户画像研究中的。
大数据挖掘技术在社交网络用户画像研究中的应用在大数据挖掘技术的支持下，建立社交网络用户画像的过程可以分为以下几个步骤：1. 数据采集数据采集是建立社交网络用户画像的第一步。
通过网络爬虫、API接口、用户行为记录等方式，获取大量的社交网络用户数据。
这些数据包括用户的个人资料、好友列表、微博、评论、点赞和转发等信息。
2. 数据清洗获取的大量数据中，可能存在不少干扰性信息，比如垃圾邮件、重复数据，还有一些不合理、不完整的数据。
因此，需要对采集的数据进行清洗和过滤，提取出真正有效的数据。
3. 数据预处理预处理是为了让原始数据更好地被挖掘算法理解和处理。
对于社交网络来说，预处理工作主要包括文本分词、词性标注、去停用词、去重等。
4. 数据建模建模是社交网络用户画像研究中的核心环节。
通过数据建模，可以建立用户画像的模型，并以此为基础进行用户特征分析和预测。
数据建模可以采用机器学习算法、分类方法、聚类方法等，以实现对用户特征的准确识别和分析。
5. 数据分析和应用在建立好用户画像模型后，可以进行数据的分析和应用。
基于SNS社交网络的用户行为分析与预测研究
基于SNS社交网络的用户行为分析与预测研究社交网络（Social Networking Services，SNS）已成为人们日常生活的重要组成部分。
随着社交网络的普及和发展，人们在社交网络上进行各种行为，产生了大量的数据。
这些数据给我们提供了研究用户行为的宝贵资源。
本文将对基于SNS社交网络的用户行为分析与预测进行研究，从数据采集、用户行为分析和预测三个方面展开讨论。
在进行用户行为分析和预测之前，首先需要进行数据采集。
数据采集是研究的基础，通过收集社交网络平台上的用户账号、好友关系、主题标签、发帖内容等信息，可以获得大量的用户行为数据。
常用的数据采集方法包括爬虫技术、API接口调用、数据挖掘等。
在进行数据采集之前，需要了解数据采集的合法性和隐私保护的问题，确保数据采集过程的合规性和安全性。
在获得了用户行为数据之后，就可以进行用户行为分析。
用户行为分析通过对用户行为数据的统计、分析和挖掘，揭示出用户在社交网络中的行为特征和规律。
常用的用户行为分析方法包括描述性统计分析、关联规则挖掘、聚类分析、社交网络分析等。
通过这些方法，可以对用户的关注点、兴趣爱好、社交圈子等方面进行深入研究，并构建用户画像，为后续的用户行为预测提供有力支撑。
用户行为预测是基于用户历史行为数据，利用机器学习、数据挖掘等方法，对用户未来的行为进行预测和判断。
通过分析用户的观看记录、购买记录、浏览记录等行为数据，可以将用户划分为不同的群体，进而预测用户未来的行为趋势。
常用的用户行为预测方法包括协同过滤、推荐系统、时间序列分析等。
通过精准的用户行为预测，可以为企业的广告投放、产品推荐、营销策略等方面提供参考意见，提高用户的满意度和粘性。
基于SNS社交网络的用户行为分析与预测研究具有重要的实际意义。
首先，通过分析用户行为，可以了解用户的需求和喜好，为企业提供决策支持。
其次，通过预测用户的行为，可以提升用户体验和满意度，增强用户对社交网络平台的黏性。
大学生毕业论文范文基于大数据分析的社交网络用户影响力研究
大学生毕业论文范文基于大数据分析的社交网络用户影响力研究社交网络用户影响力是一个备受关注的话题，在互联网时代背景下，通过大数据分析社交网络用户的影响力可以帮助我们更好地了解用户的行为和社会影响力。
本文将以大数据分析为基础，探讨大学生毕业论文范文——基于大数据分析的社交网络用户影响力研究。
一、引言社交网络已经成为人们日常生活不可或缺的一部分，而社交网络用户的影响力也逐渐成为研究的焦点。
通过大数据分析，我们可以全面系统地研究用户在社交网络中的行为和影响力。
二、大数据分析的重要性大数据分析使我们能够获取和处理来自社交网络的庞大数据量。
通过有效的数据分析工具和算法，我们可以发现和解读数据背后的规律和趋势，进而深入了解用户的影响力。
三、社交网络用户行为分析通过大数据分析，我们可以了解社交网络用户的行为。
例如，用户在社交网络上的活跃程度、发布的内容以及与其他用户的互动情况等。
这些数据可以帮助我们更好地理解用户的行为特征，从而评估用户的影响力。
四、社交网络用户影响力度量为了准确衡量用户的影响力，我们需要选择合适的指标和方法。
例如，可以采用用户的粉丝数、转发和评论数、与其他用户的关联程度等作为衡量用户影响力的指标。
此外，还可以基于图论和网络分析等方法，研究用户在社交网络中的中心性和影响力传播路径。
五、大数据分析应用案例大数据分析在社交网络用户影响力研究中的应用可以帮助我们发现一些有趣的现象和规律。
例如，我们可以通过分析用户的社交网络关系，发现一些潜在的领袖用户，通过他们影响所在社交圈内的其他用户。
此外，大数据分析还可以帮助我们预测用户的行为和趋势，为企业和政府提供决策参考。
六、挑战与未来发展虽然大数据分析在社交网络用户影响力研究中起到了重要作用，但仍面临一些挑战。
例如，数据的隐私问题、数据采集和处理的成本、数据可信度等。
未来，我们可以通过改进算法和模型，提高数据分析的效果和准确性。
同时，也需要加强数据隐私保护和合规性，确保数据的安全使用。
社交媒体市场调查中国人的社交媒体使用习惯和平台偏好
社交媒体市场调查中国人的社交媒体使用习惯和平台偏好社交媒体市场调查：中国人的社交媒体使用习惯和平台偏好社交媒体在当今数字时代扮演着至关重要的角色，为人们提供了沟通、娱乐和信息获取的渠道。
中国对社交媒体的广泛使用以及对不同平台的偏好，成为了全球市场调查的重要研究对象。
本文将针对中国人的社交媒体使用习惯和平台偏好进行深入探讨。
一、社交媒体使用习惯社交媒体平台在中国的普及度逐年上升，已成为人们日常生活中不可或缺的一部分。
根据最新的调查数据显示，超过90%的中国网民使用社交媒体。
而且随着智能手机的普及，移动社交媒体的使用率也在迅速增长。
1.1 时段分布中国人的社交媒体使用习惯在不同时间段间存在明显差异。
在白天，人们更多地使用社交媒体来获取新闻、阅读文章、观看短视频等，以弥补快节奏的工作生活；而晚上则成为交流和分享的高峰时段。
1.2 使用场景中国人的社交媒体使用场景主要分为家庭、学校、工作场所和公共场所等。
不仅在个人休闲时间中使用，社交媒体也为企业和品牌提供了重要的推广渠道。
二、社交媒体平台偏好中国的社交媒体市场竞争激烈，有许多不同类型和功能的平台供人们选择。
根据研究数据，以下是中国人常用的几大社交媒体平台及其特点：2.1 微信微信是中国最受欢迎的社交媒体平台之一。
作为一个多功能应用，微信提供了文字、语音、视频聊天和朋友圈动态分享等功能。
除了个人使用，许多企业和品牌也利用微信平台进行宣传和销售。
2.2 微博微博是中国最大的公共微博平台，用户可以发表短文、图片和视频等内容，并与其他用户互动。
微博更多地用于获取和分享新闻、观点和热门话题，很多名人和网红也在微博上积极发声。
2.3 知乎知乎是一个知识问答社区，用户可以提问、回答和分享见解。
知乎平台以知识分享和专业讨论为主，用户更多地通过知乎获取专业性建议和解答。
2.4 抖音抖音是一个短视频分享平台，以其创新的内容和用户友好的界面而受到年轻一代的青睐。
用户可以录制、编辑和分享15秒至60秒的短视频，展示自己的才艺和生活点滴。
社交网络中用户兴趣挖掘技术研究
社交网络中用户兴趣挖掘技术研究随着互联网技术的发展，社交网络在我们日常生活中扮演着越来越重要的角色。
从微博到微信，从Facebook到Instagram，社交网络以其强大的影响力吸引了全球数以亿计的用户。
但是，仅仅拥有庞大的用户数量并不足以让社交网络变得有价值。
如何利用用户的兴趣和行为挖掘宝贵的信息资源，成为了当前社交网络领域的研究热点之一。
一、用户兴趣的定义与挖掘方法社交网络中的用户兴趣是指用户对某个特定话题、领域或事件的关注和参与程度。
传统的兴趣挖掘方法主要包括基于标签和基于内容的方法。
基于标签的方法通过分析用户在社交网络中的标签使用情况，推断出用户的兴趣爱好。
例如，在微博中，用户可以自己添加标签来描述自己发布的内容，系统可以通过统计标签的使用频率和关联性，推测出用户的兴趣关注点。
而基于内容的兴趣挖掘方法则是通过对用户发布的内容进行文本分析和主题建模，以识别用户的兴趣爱好。
例如，通过对用户在微博中发布的文字、图片和视频等内容进行文本挖掘和图像处理，可以分析出用户的语义兴趣，以及对某些事件的态度和看法。
二、用户兴趣挖掘的应用场景用户兴趣挖掘技术在社交网络中有着广泛的应用场景。
首先，基于用户兴趣的个性化推荐是社交网络中最为常见的应用之一。
社交网络平台可以根据用户的兴趣爱好，推荐给他们相关的内容、好友或社群，从而提升用户体验和参与度。
其次，用户兴趣挖掘可以用于社交广告投放。
通过分析用户的兴趣爱好，广告主可以将广告投放给那些最有可能对其产品感兴趣的用户，从而提高广告的投放效果和转化率。
此外，用户兴趣挖掘技术还可以用于社交网络的舆情监测和事件追踪。
社交网络中的用户行为和言论往往能够反映出社会的热点事件和民意变化。
通过对用户发布内容的实时分析和挖掘，可以对社会热点进行实时监测和预测，为政府和企业决策提供有价值的参考。
三、用户兴趣挖掘面临的挑战和解决方法用户兴趣挖掘技术虽然具有广阔的应用前景，但也面临着一些挑战。
手机APP的使用习惯与用户行为研究
手机APP的使用习惯与用户行为研究随着智能手机的普及，手机APP已经成为人们日常生活中不可或缺的一部分。
据统计，全球手机APP用户数量已经超过数十亿，而这个数字还在不断增长。
这种趋势不仅体现在社交网络、游戏等娱乐类APP上，也包括商业、金融、教育等方面。
手机APP已经渗透到人们的生活方方面面，如何用好手机APP成为一个十分重要的议题。
一、用户使用APP的习惯（一）频率与持续时间用户使用APP的习惯通常是每天使用，并且持续时间相对较短。
据研究，用户在一天内使用APP的次数达到平均30次左右，其中单次使用的时间平均为5分钟左右。
用户对APP的忠诚程度相对较低，容易被其他APP替代，因此APP开发商需要注意提高用户黏性和忠诚度。
（二）使用场景用户使用APP的场景较多，主要包括日常娱乐、工作学习、社交聊天等。
根据不同的场景，用户使用APP的目的也会有所不同。
例如，工作学习场景下用户更看重APP的效率和实用性，社交聊天场景下用户更注重APP的互联性和社交性，日常娱乐场景下用户则更加关注APP的趣味性和娱乐性。
（三）使用设备用户使用APP的设备主要是智能手机和平板电脑。
根据研究，智能手机是用户使用APP最为频繁的设备，约占70%以上。
另外，不同的设备对APP的设计和界面要求也不尽相同，因此开发者需要针对不同设备做出相应的优化。
二、用户使用APP的行为（一）安装与卸载用户安装APP的渠道不仅包括应用商店，还包括各种推广渠道和社交分享。
同时，用户对APP的评价和反馈也会影响其他用户的安装决策。
另外，用户对APP的卸载也是一个重要的行为，卸载率较高的APP往往是因为体验不佳或功能冗余。
（二）购买与付费购买与付费是商业化APP的关键行为，影响APP的盈利能力和用户体验。
根据研究，用户对APP的支付习惯以虚拟货币和第三方支付为主，而直接支付银行卡账户的方式不受欢迎。
同时，一些虚拟货币奖励和优惠券等促销活动也可以促进用户的购买和支付行为。
基于大数据的社交网络分析与用户行为挖掘研究
基于大数据的社交网络分析与用户行为挖掘研究第一章：引言社交网络的兴起和快速发展为人们之间的交流和信息分享提供了全新的平台和方式。
同时，随着互联网和移动互联网技术的高速发展，大数据分析成为了社交网络研究的热点之一。
本文将探讨基于大数据的社交网络分析与用户行为挖掘的研究进展和应用。
第二章：社交网络分析概述社交网络是由个体之间的关系和互动构成的网络，它可以是实际的人际关系网络，也可以是虚拟的网络平台上的用户之间的联系。
社交网络分析是通过构建社交网络图，研究和分析网络中的关系、结构、演化等特征来理解社交网络的行为和性质。
第三章：基于大数据的社交网络分析方法在大数据时代，传统的社交网络分析方法已经无法适应处理大规模数据的需求。
因此，基于大数据的社交网络分析方法应运而生。
这些方法包括数据采集、数据预处理、网络图构建和分析等步骤，以及使用机器学习和数据挖掘技术来挖掘网络中隐藏的模式和规律。
第四章：用户行为挖掘概述用户行为挖掘是指通过分析用户在社交网络上的行为，从中挖掘用户的兴趣、偏好、关系等信息。
这些用户行为包括在社交网络上的发帖、评论、点赞、关注等行为。
通过对用户行为的挖掘，可以深入了解用户的需求和行为特征，为个性化推荐、精准营销等提供支持。
第五章：基于大数据的用户行为挖掘方法在大数据时代，用户行为数据规模巨大且复杂，传统的用户行为挖掘方法已经不再适用。
基于大数据的用户行为挖掘方法包括数据采集、数据预处理、特征提取和模型建立等步骤，以及使用机器学习、深度学习等技术来识别和预测用户的行为和兴趣。
第六章：社交网络分析与用户行为挖掘的应用基于大数据的社交网络分析和用户行为挖掘已经在多个领域得到广泛应用。
例如，在社交媒体上进行情感分析和舆情监测，可以帮助企业了解用户对产品和服务的态度和想法；在电商平台上进行个性化推荐，可以提升用户购物体验和销售额；在社交网络上进行社区发现和用户影响力分析，可以帮助企业识别潜在的影响力用户和建立有效的营销策略。
- 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)。
电信科学2010年第10期以大学生用户为被试，基于强—弱力量关系理论，采用自我中心网络的提名法探讨了手机用户的移动社交网络特性。结果发现：手机用户社交网络的网络规模平均为9.7，其中个人关系网络为6～7人，群体关系网络为3～4个，关系类型数量为3～4种。最常见的5种社交网络类型依次为：恋人或好友、父母、室友或邻居、同学以及亲戚。关键词社交网络；强—弱力量关系；提名法
摘要
手机移动社交网络的用户研究*
乔歆新1，朱吉虹2，沈勇3
（1.浙江工业大学工业设计系杭州310023；2.浙江工业大学视觉传达与多媒体系杭州310023；3.深圳腾讯科技有限公司深圳518057）
1引言
手机移动社交网络是指通过手机载体形成的社交网络，同互联网的虚拟空间有很多相似之处。如果说相对于现实世界的人际交往，互联网空间的特点是交往性、超越时空限制和匿名性，那么手机移动社交网络空间的特点是交往性、超越时空限制和实名制。在大多数情况下，一个手机号码往往是对应一个固定的个体。因此，手机移动社交网络、互联网虚拟空间和现实世界的社会结构一起构成了人们的社交网络空间。最新关于社交网络的实证研究指出，利用手机通信技术获取大型的社交网络数据是一种经济、可行和有效手段。社交网络分析在于揭示人际互动的模式，通过描述和测量行动者之间的关系以及通过这些关系流动的各种有形或无形的东西，如信息、资源等，来分析个人生活的重要特征。研究者认为个人生活在很大程度上
依赖于自我是如何与广泛的社会关系网络相联系的，而个人、群体或组织的特性在很大程度上取决于其内部或外部网络结构的模式。以往大多数研究普遍利用社会影响（socialinfluence）或主观规范（subjectnorm）来探讨群体或社会关系对手机用户的影响作用。随着社交网络相关研究的开展，仅仅使用社会影响、社会压力或者主观规范来研究群体水平对个体行为的作用将不再是充分和合理的。比如研究者普遍发现，青少年更多地使用手机，而青少年的社交网络易变化性（即频繁地建立和中断社会关系）被认为是青少年频繁使用手机的一个重要原因。研究者更发现，青少年大量使用手机邮件来建立和维持他们的社会关系。弱关系假设的提出对社交网络分析产生了巨大影响。Granovrtter认为，社会关系是指人与人、组织与组织之间
由于交流和接触而实际存在的一种纽带关系，这种关系与传统研究中的人们属性和类别特征的抽象关系（如变量关系、阶级阶层关系）不同。他首次提出了“关系力量”的概*教育部人文社科基金资助项目(No.09YJCXLX027)
研究与开发109研究与开发念，将关系分为强和弱，并认为强弱关系在人与人、组织与组织、个体和社会系统之间发挥着根本不同的作用。强关系主要用于维持群体、组织内部的关系，而弱关系则用于建立群体、组织之间的关系。他从4个维度来测量关系的强弱：一是互动的频率，互动的次数多为强关系，反之则为弱关系；二是感情力量，感情较深为强关系，反之则为弱关系；三是亲密程度，关系密切为强关系，反之则为弱关系；四是互惠交换，互惠交换多而广为强关系，反之则为弱关系。在此基础上，进一步提出了"弱关系是信息桥"的假设：强关系是在性别、年龄、教育程度、职业身份、收入水平等社会经济特征相似的个体之间发展起来的，而弱关系则是在社会经济特征不同的个体之间发展起来的。因为群体内部相似性较高的个体所了解的事物、事件经常是相同的，所以通过强关系获得的信息往往重复性很高。而弱关系是在群体之间发生的，由于弱关系的分布范围较广，它比强关系更能充当跨越其社会界限去获得信息和其他资源的桥梁，可以将其他群体的重要信息带给不属于这些群体的某个个体。亚洲研究者的研究结果不支持弱关系假设。边燕杰指出，在中国的经济体制和社会文化下，个人网络主要用于获得分配决策人的信息和影响而不是用来收集就业信息。换而言之，中国社会的个人网络，无论是强网络还是弱网络，其主要作用都是提供人情或影响力，信息只是人情的附加产品。因此求职者即使获得了信息，如果没有对关系的决策人施加影响，也有可能得不到理想的工作。在工作分配的关键环节，人情关系的强弱差异十分明显。但对于多数人来说，他们并不能和主管分配的决策人建立直接的强关系，必须通过中间人建立关系，而中间人与求职者和最终帮助者双方必须是强关系。反之，如果中间人与双方的关系弱，中间人和最终帮助者未必提供最大限度的帮助。因此，强关系可以充当没有联系的个人之间的网络桥梁。手机网络同样也是社交网络，既具有更少交往成本，更多联系次数，更便捷信息传递等特点，也具有更低建立关系成本，更多关系建立机会以及更广的社交网络规模等特性。因此,本研究基于社交网络的弱关系和强关系理论，对中国社会背景下大学生手机用户的移动社交网络进行探索，以明确其社交网络特性。2方法2.1用户本研究采用随机抽样方法，以用户实际使用手机的时间≥0.5年为标准，从北京、上海、杭州和宁波4个地区的高等院校中随机抽取获得大学生手机用户样本。对上述用户群体发放问卷1000份，回收问卷910份，有效问卷741份，进入统计分析：研究样本由男300人和女441人构成，其平均年龄为20.0岁(男19.9岁，女20.1岁)，平均使用手机时间为2.65年(男2.4年，女2.9年)。有效问卷的手机使用时间均超过0.5年符合筛选标准。2.2测量工具
本研究采用自我中心网络的提名法。这种测量技术是从自我引出一个人员名单，确认自我被提名者之间的关系，并评价双方的亲密程度，数字1～5表示不同的程度，1代表很不亲近，5代表很亲近。本研究还参考Treadwell等人编制社会网问卷（socialnetworksinventory，SNI），将社会网络提名分为个体和集体两个维度。根据上述数据,本研究将重点分析自我中心网络的三个方面：规模，指社会网络的构成数目；关系类型，指社会网络构成中的各种关系类型；亲密度，指与社会网络中有重要影响力的人或物的关系的亲密程度，是社会网络关系力量（即关系类型之间的强弱联系）的重要指标之一。2.3统计分析
本研究采用SPSS14.0进行描述性统计分析和t检验。
3结果
3.1手机用户移动社交网络规模
表1显示，大学生手机用户的网络关系数量平均为9.7个，其中个人类型数量平均为6.5个，即认为大学生拥有
6.5个具有重要影响力的对象或关系。表2显示，67.39%的
大学生拥有7人以内的关系；群体类型数量平均为3.3个，即认为大学生加入3.3个具有重要影响力的团体。表3显示，79.32%的大学生参加4个以内的团体。因此，可以认为大学生自我中心网络平均为6～7人，3～4个团体。3.2关系类型
与网络数量高度相关的是关系类型数量。关系类型数量与网络关系数量的角度不同，从另一个侧面反映了人们对社会资源的拥有程度。一般而言，一个人的自我中心网
表1社会网络规模最小最大平均标准均方差网络规模1.00022.0009.7214.348个人关系数量1.00012.0006.4862.958群体关系数量0.00010.0003.2652.008
110电信科学2010年第10期络中的关系类型越多，即角色关系越分散，则说明这个人的社会资本越丰富，因为不同角色的关系可以代表不同信息和功能。反之，如果他的自我中心网络的成员仅仅有单一角色构成，该单一角色可能发挥多种功能，则说明其社会资本相对贫乏。表4显示大学生手机用户的关系类型数量平均为3.7，说明大学生自我中心网络关系数量是3～4种类型，而表5显示，73.01%的大学生拥有4种以内的社会网络关系类型。图1显示最常见的5种社会网络类型依次为恋人或好友、父母、室友或邻居、同学以及亲戚。
表2个人关系数量频次分析关系数量频次百分比累积百分比1141.90%1.90%2415.57%7.47%3648.70%16.17%48311.28%27.45%510614.40%41.85%68811.96%53.80%710013.59%67.39%8699.38%76.77%9486.52%83.29%10263.53%86.82%11121.63%88.45%128511.55%100.00%Total736100.00%
表3群体关系数量频次分析关系数量频次百分比累积百分比0415.58%5.58%19613.06%18.64%212717.28%35.92%316922.99%58.91%415020.41%79.32%57610.34%89.66%6334.49%94.15%7182.45%96.60%850.68%97.28%910.14%97.41%10192.59%100.00%Total735100.00%
表4不同关系类型数量最小最大平均标准均方差类型数量0.0009.0003.7311.592父母0.0005.0001.5290.635亲戚0.0006.0000.6990.915恋人或好友0.0009.0001.7021.662室友或邻居0.0007.0000.7481.092普通朋友0.0007.0000.3700.799网友0.0003.0000.0850.307同学0.0008.0000.7461.151同事0.0004.0000.1130.397师生0.0003.0000.2560.534
表5关系类型数量频次分析关系数量频次百分比累积百分比060.81%0.81%1395.26%6.07%210814.57%20.65%320127.13%47.77%418725.24%73.01%510013.50%86.50%6618.23%94.74%7263.51%98.25%860.81%99.06%970.94%100.00%Total741100.00%
图1不同类型关系的百分比111