集对社会网络分析模型及其应用
１０ ０
河北 理工大 学学报 （ 自然 科学版 ）
第３ ３卷
社会 网络可 以分 为两类 ：１ 缺省 的社会 网络 （ ｅａ ｌ ｓｃ ｌ ｅｗｏｋ ： 会 网络 中行 动者 之 间的信 息存 （） ｄ ｆｕｔ ｏｉ ｔ ｒ ） 社 ａｎ 在不 完备 的 ； 动 者与行 动 者 之 间 的关 系值 是缺 省 的 ；如 图 ｌ ） ２ 完 整 的社 会 网络 （ｏ ｌｔ ｏｉｌ ｅ— 行 （ ａ （） ｃ ｍｐｅｅｓ ｃ ｔ ａｎ ｗｏｋ ： 动 者与行 动 者 之 间 的关 系值 是完 备 的 ， 就 是任 意 的两 个 行 动 者 之 间 都 有 关 系 的存 在 。 （ 图 ｒ）行 也 如
１ １ 社 会 网络 ．
社会 网 络口 可 以表 示 为 由多个点 （ 会行 动者 ） 叩 社 和各 点 之 间 的连 线 （ｔ表 行 动者 之 间 的关 系 ） 成 的集 ４ 组
合 ， 令 Ｇ为 一个 社会 网络 ， 为边集 ， 为 点集 ， 若 Ｅ 则社 会 网络可 以表示 为 Ｇ＝ （ Ｅ ， ）。社 会 网络 体现 着一
ｌ１ Ｏ
（） ４
其 中 （）∈ Ｕ和 ｅ（）∈ Ｕ ， ￡ ￡ ａ为两 个对 象所 具有 的相 同属性 与两 个对 象所 共有 的属 性 之 比 ； 为 两个 ｂ
对象所具有的不确定属性与两个对象所共有的属性之比； 为两个对象所具有 的不相同的属性与两个对象 ｃ
所共 有 的属性 之 比 ； 为差 异标 记 ， 区间 ［ １１ 视不 同情况 取值 ， 仅起 标记作 用 ， ｉ 在 一 ，］上 取值 为 一 １。
Ｓ ．Ｆ．．Ｐ ．
一
’
’
…
十
十
ｌ
Ｃ
Ｉ
Ｄ
式 中 的 ， ， 简 记 为 口， ｃ， ｂ， 则联 系度 的式子 可 以表示 为 ：
＝ ａ＋ ｂ ＋ 且 ａ＋ ｂ＋ ｃ： １ ｉ （） ２
其 中 ， 为差 异标 记 ， 区间 ［ １１ 视不 同情 况取值 ， ［ ，］时差异 部分 趋 向同 一 ， ［ １Ｏ ｉ 在 一 ，］上 在 Ｏ１ 在 一 ，］时 差 异 部分趋 向相反 的 。 仅起 标记 作用 ， ． 『 集对所 要处 理 的是任 意两 个集 合 之 间 由于 不确 定 引起 差 异 性 ， 利用 联 系度表 示 出两个 集合 的关联 程 度 。
１
一
Ｓ ｌ ｔ ｔ ＋Ｓ ｚ
Ｓ ｔ
口 Ｍ ，１ １＝ｌ１（，Ｓ１ｃ ） ｌ Ｓ３ ｌ （ｌ（ ＝（ｌ 。 。 ∑ ｔ）∑ ， ，∑ ＋ ｔ／ｔ ， ） ＾ ｔｌ ｃ Ｉ ＋ ）ａ） ＭＭ ＋ 。 ￣ ｔ （ ｔ
ｓ ｌ
（ ７ ）
’
式中Ｍｌ １ ２ ３ ； ＝ ∑ｃ（ 。 ＋Ｍ１ ＋Ｍ１—１ （ 口） ｃｔ ，）
么其 联 系 度为 ：
Ｓ ｓ＿Ｆ 卜 Ｎ
０ ｓ ￡一口 ） （ｉ ｃ ）一∑∞＋ ∑ ｌ ∑ 叫 （ ，） ） （ ＋ｂ ）＋ （ｊ ｅｅ （ ￡ ｔ ｔ ＾ ｆ ＋ √
其 中 ｉ ［ １１ ； 一一１口 ∈ 一 ，］． 『 ； ＋ｂ ＝ １ ＋ｃ
（ ６ ）
而在社 会 网络 中 ， 网络 会随 时 间不断 的变化 ， 有 的属性值 就会 发生 变化 ， 的属性 值不 变 ， 的转化 为 原 有 有 其他 的属性 。不妨设 在 ｔ １时刻 ， 有 的 Ｓ 属性 中仍有 Ｓ ＋ 原 个 处于不 变状 态 ， 个 转化 为 不确 定 的属性 ， Ｓ Ｓ 个 转化 为 相反 的属 性 。则 ｓ 在 ［，＋ １ 的转移 向量 （ ， ￡ｔ ］内 经归 一化 处理 ） 为
第３ ３卷
第 ３期
河北 理工 大学 学报 （ 自然科 学版 ）
Ｊ ｕｎ ｌ ｆ ｂ ｉ ｏｙｅｈ ｉ Ｕ ｉｅｓ ｙ（ ｔ ｒｌ ｃ ｎ ｅＥ ｉ ｏ ） ｏ ｒ ａ ｏ ｅ Ｐ ｌｔ ｎｃ ｎｖｒｉ Ｎａｕ ａ Ｓ ｉ ｃ ｄｔ ｎ Ｈｅ ｃ ｔ ｅ ｉ
Ｖｏ． ３ Ｎｏ ３ １３ ．
及 动 态 问题 ， 出了集对社会 网络分析 模 型 以及 集对社会 网络 分析模 型 的相 关性质 ， 提 并且给 出
了 相 应 的 应 用 实例 。
中图分 类 号 ： ４ 文献标 志码 ： Ｏ１ ４ Ａ
０ 引 言
社会网络又称人际网络， 由某些特定群体 （ 企业、 是 人、 组织） 相互的关系组成 的相对稳定 的关 系网［ 。 １ ］ 社会 网络 作为 一 种较新 的数据 挖掘 技术 ， 在管 理 、 罪 组 织 、 联 网 等领域 都 得 到 了广 泛 的应用 ［ ］ 犯 互 ２ 。文 献
Ａｕ ． ０ ｇ ２ １ １
２１ ０ １年 ８月
文 章 编 号 ：６ ４Ｏ ６ （Ｏ １０ —０ ９０ １ ７一２ ２ ２ ｌ） ３０ ９—５
集对 社 会 网络分 析 模 型 及 其应 用
张 春 英 ， 瑞 涛 ， 璐 梁 刘
（ 北 联合 大 学 理 学 院 ， 北 唐 山 ０ ３ ０ ） 河 河 ６ ０ ９
同理 ， 可得 到转 移 向量 ｂ Ｃ； 有假 设 同上 。 ， 所
因此 ， ［，＋ １ 间 内的转移 矩 阵为 Ｍ ， ｔ １ 在 ￡ｔ ］时 在 ＋ 时刻 ， 两个 研究 对象 的联 系度 为 ｐｅ，ｓ（＋ １ （ ｅ）￡ ）为
ｌ ） ｂ 。 ．
图 ｌ 缺 省 的社 会 网络 ａ
图 １ 完 整 的社 会 网络 ｂ
１ ２ 集对 分 析理论 ．
定义 １ １集对 （ｅ ｐ ｉ 就是 由一定 联 系 的两 个集 合 构成 对 子 ， 协 同的不 确 定 系统 背景 下 ， 于 两 ．模 型
在社会 网络关 系 中 ， 于两个 研究对 象 的属 性集 合 ｅ ｅ 共 有 Ｎ 个 属性 （ 对 和 ， 即两 个 对象 的属性 之 和） ， 其 中有 Ｓ为两个 对象 属性 集合 中属性 中相 同的属性 ， Ｐ 为两个 对 象属 性集 合 中不 相 同 的属性 ， Ｆ 为两 有 有 个对 象属 性集 合 中不确 定 的属性 。则令
［ ，，］ ２ ３ ４ 以社会 网络为 视角 进行 研究 ， 出 网络 中个 体 存在 的各 种 社会 关 系 ， 找 针对 社会 关 系 进行 网 络 的信 息 挖掘 。我 国学者 周卫 国Ｌ 等 利用社 会 网络 找 出网站 中用 户之 间 的朋 友关 系 ， 过 开发 社 会 网络可 视 化 平 台 ５ 通 挖掘 用 户 之间 的关 联关 系并 找 出用 户之 间的最 短路 径 。学者 高鹏［ 通 过 分析聊 天数 据 的时序关 系推 断 出用 ６ ］
种结 构关 系 ， 反映行 动者 之 间 的社会关 系 。不 同类 型的关 系形成 了不 同的社会 网络 。如 社会 交 际 网、 可 社会
支持 网 、 论 网 、 利 网等 。 讨 权
收 稿 日期 ：０ ０１—９ ２ １—２２
基金项 目： 河北省教育厅 资助项 目（２ ０ １ ０ ； ｚ０ ９ ２ ）河北理工大学 自然科学基金项 目（０ １ ） ２ ８０
问题 上 有很 大 的进展 。因此 ， 本文 基 于集对 分析 理论 ， 图将集 对分 析 的思想融 人 到社会 网络 中提 出了集对 试
社 会 网 络分 析模 型 、 对 社会 网络 动态 变化 以及 相关性 质 ， 集 通过 简单例 子 的实现 了集 对社 会 网络 的应用 。
１ 基 本 概 念
户 间 的社会 网络关 系 ， 然后 根据 社会 网络 中反 映 出的用 户交 流关 系判 断并 过 滤 了聊 天 数据 中 的噪 声 。文 献
［ ，］ ５ ６ 通过 个体 之 间 的引用 、 流等 一些个 体相 同的信 息来 发现 网络 中个 体 之 间的关 联 关 系 ， 利 用 社 会 网 交 且 络从 大 量信 息 当 中挖掘 出有 效信 息 。然而 ， 在利 用社 会 网络对 网络 中个 体问 的社会 关 系进 行 评估 的过 程 中 ，
由定义 ３ １我 们知 道在 ｔ ． 时刻 的两个 研究 对象 的联 系度 为 ：
ｌ ， ） ｔ Ｄ （）一 日 ＋ ｂ ｔｉ ｃ ｔｊ （ （） （） ＋ （）
Ｎ
（） ５
若给定属性一定的权重∞（ 一１２…， ： ） 假设属性按ｓＦ Ｐ的顺序排列并连续编号， 志 ，， Ｎ， Ｃ 一１ ， Ｏ ，， 那
关 键 词 ： 会 网络 ； 对分析 ； 社 集 集对社会 网络 ；
摘 要： 通过 社会 网络 信 息发掘 的研 究 ， 现在 利 用社会 网络 寻找 个体之 间的关联 关 系的过程 发
中信 息存 在 不确 定现 象 ， 并且社会 网络 是在 不 断动 态 变化 着 的。针 对 网络 中存在 的 不确 定 以
掘 的 。集 对 分析 是 由我 国学 者赵 克 勤［ 在 １ ８ ８ ］ ９ ９年提 出 的一种 处 理不 确 定 问题 的系 统分 析 方 法 。 随后 由我
国学 者孙 晋众 等建立 了一种基 于 马尔科 夫链 的集 对 分析 的 动态 模 型 ， 而 使集 对 分 析 在 处理 动 态 不 确定 从
１ ３ 联 系度 ｉ ． 的确 定
在集 对 分析理 论 发展 的今 天 ， 后继 者都在 不 断完善 集对 分 析理 论 ， 尤其 在 对 ｉ 取值 上 ， 克 勤采 用 顺 的 赵 势 取值法 、 势取 值法 、 逆 计算 取值 法和 随机取 值法 等多种 方法对 ｉ 进行 求解 ， 出应该 在具体 问题 中找 到 ｉ 提 变
为： （ｊ ｚ ，。 Ｘ ） （） ｚ …， ）则 研 对象ｅ 络中 Ａ ｅ ＝｛ ｔ…， 和Ａｅ 一｛ ｋ ｔ ， ｋ Ｘ ， ， 究 ｋ 在网 基一时 联系 和Ｐ 刻的
度为：
第 ３期
张 春英 ， ： 对社 会 网络分 析模 型及 其应用 等 集
ｐ ｅ ，ｓ （）一 ａ（）＋ ６ ｉ ｃ ｔｊ （ ｋ ｅ） ￡ （） ＋ （）
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-环境系统远程耦合的研究方法及应用
社会-环境系统远程耦合是指社会系统和环境系统之间存在着长距离的相互作用和相互影响。
研究社会-环境系统远程耦合可以帮助我们更好地理解人类活动对环境的影响以及环境变化对社会的反馈作用。
下面是一些常用的研究方法及应用：1. 系统动力学模型：系统动力学模型是一种用于描述和模拟复杂系统行为的数学工具。
通过构建社会和环境的数学模型，可以研究它们之间的相互作用和演化过程。
这种方法可以用于预测和评估社会活动对环境的远程影响，以及环境变化对社会的反馈效应。
2. 地理信息系统（GIS）分析：GIS分析结合了地理空间数据和统计分析方法，可以用于研究社会-环境系统的远程耦合。
通过收集、整理和分析社会和环境的空间数据，可以揭示它们之间的关联和相互作用。
例如，可以利用GIS分析研究城市化过程对周边生态系统的远程影响。
3. 网络分析：网络分析用于研究社会系统和环境系统之间的复杂网络结构和关系。
通过构建社会和环境系统的网络模型，可以分析节点之间的联系、信息流动和资源交换。
这种方法可以揭示社会-环境系统的远程耦合机制和演化规律。
4. 情景分析：情景分析是一种基于定量和定性数据的综合评估方法，用于研究社会-环境系统的未来发展趋势和可能的影响。
通过构建不同的情景假设，并进行模拟和评估，可以预测不同决策和干预措施对社会和环境的远程耦合效应。
5. 大数据分析：大数据分析利用大规模数据集和机器学习算法，可以挖掘社会-环境系统的隐含规律和关联。
通过分析社交媒体数据、传感器数据等，可以研究社会活动对环境的远程影响以及环境变化对社会的反馈作用。
这些研究方法在社会-环境系统远程耦合的研究中都具有重要的应用价值。
它们可以帮助我们深入理解社会和环境的相互作用，为可持续发展和有效管理提供科学依据。
社会网络分析2
社会网络分析可以解决或可以尝试解决下列问题：
1-人际传播问题，发现舆论领袖，创新扩散过程； 2-小世界理论，六度空间分割理论； 3-Web分析，数据挖掘中的关联分析，形成交叉销售，增量 销售； 4-社会资本，产业链与价值链； 5-文本的意义输出，通过追问调查研究文本的关联和意义； 6-竞争情报分析； 7-语言的关联，符号意义； 8-相关矩阵或差异矩阵的统计分析，类似得到因子分析和 MDS分析； 9-恐怖分子网络； 10-知识管理与知识的传递，弱关系的力量； 11-引文和共引分析；
主要内容
社会网络分析发展历程 社会网络分析基本原理介绍 社会网络分析常用分析指标 社会网络分析的应用
1 2 3 4
1. 社会网络分析发展历程
早期发展主要围绕三条主线： （1）社会心理学计量学学派 的图论研究； （2）哈佛学派人际模式和团 伙研究； （3）曼彻斯特人类学派部落 和 “共同”体关系结构研究；
学术界的重视：1999年《社会学研 究》杂志发表了有关社会网络分析 的专栏；陆续的其他学术刊物也发 表了一些介绍社会网络分析的文章
学者翻译介绍西方社会网络分析成果；部 分高校尝试开设关于社会网络分析课程； 出版社会网络分析的基础读物或教材，如 刘军的《社会网络分析导论》 ，罗家德著 的《社会网络分析讲义》 各领域的应用研究：刘军社会学角度的 社会支持网络研究；边燕杰的强关系研 究；罗家德非正式组织研究；丁荣贵建 设项目治理研究等
对一个规模确定的网络而言，节点之间的连线越多表明节 点之间关系越多，即密度越大。密度反映的是网络中节点 之间关系的紧密联系程度，网络密度越大，表明网络行动 者之间的关系越密切，那么该网络对其中行动者的态度、 行为等产生的影响越大。
社会网络分析 PPT
声望
结构洞
明星 联系人 桥 把关人 孤立点
建立在非对称关系基础上。有威信的行动者是关键的目标，而不是源头。类似于中心度的测 量，通过解释关系的方向来计算。 结构洞是信息流动时候的“鸿沟”，信息可以在两个连接到同一自我中心节点（ego）但是 彼此并不相连的节点间传播，那么这个自我中心节点处在跨越结构洞的位置，结构洞看起来 就是存在网络中两个没有紧密联系的节点集合之间的“空地” 处于网络中的成员 与两个或更多个彼此没有连接的群体具有连接但又不属于这个群体的行动者 同时属于两个或多个群体的成员 把网络的一部分和另一部分间作为中介或控制流（两部分间唯一的连接）的行动者 没有连接或相对来说几乎没有连接的行动者
区分各种关系
• 即使是同一网络也可能存在不同的关系。在这个政府间组织网络中可能存在着贸易关 系、同盟关系甚至敌对关系。哈夫纳伯顿等人重点关注这些国家在网络组织中的位置 所产生的权力关系。
收集网络关系数据
• 这些数据是多元的，既有经济的，也有政治的以及社会的。在哈夫纳伯顿的研究中， 使用了国家间军事争端数据（Militarized Interstate Disputes, MIDs）、国家组织会 员数据（State System Membership）等数据库以搜集关系数据。
− 自我中心网络是从个体的角度来界定社会网络，以特定行动者为研究中心，主要考 虑与该行动者相关的联系，以此来研究个体行为如何受到其人际网络关系的影响。
− 而整体网络关注的焦点则是网络整体中角色关系的综合结构或群体中不同角色的关 系结构。这两种类型的分析因其侧重点不同，主要使用的测量指标也不尽相同，但 并非毫无联系。
对称性 小世界性 传递性
网络中对称连接数与非对称连接数（或与总连接数）的比率 网络结构中存在一些块，并且块中行动者之间的距离很短 三个成员（A,B,C）是可传递的：如果A与B相连，并且B与C相连，那么C就与A相连。传递 性是可传递三元组的数目除以潜在的可传递三元组的数目（长度为2的路径的数目）
基于大数据的舆情分析与舆情预测模型研究
基于大数据的舆情分析与舆情预测模型研究随着互联网的普及和信息的爆炸式增长，舆情分析成为了各行各业关注的焦点。
通过对大数据的深度挖掘和分析，可以帮助政府、企业和个人了解社会热点、公众舆论和市场趋势，从而实现科学决策和战略规划。
本文将探讨基于大数据的舆情分析与舆情预测模型的研究现状与发展趋势。
一、舆情分析模型的研究现状1. 文本挖掘技术在舆情分析模型中的应用文本挖掘技术是舆情分析的基础。
通过机器学习、自然语言处理、信息检索和数据挖掘等技术手段，可以从文本数据中自动提取、转换和理解信息。
舆情分析模型可以根据文本情感分析、主题建模和事件追踪等方法来进行舆情分析。
例如，通过情感分析可以判断社会舆论的倾向性，通过主题建模可以发现舆论热点，通过事件追踪可以了解舆论发展的演变过程。
2. 社交媒体数据在舆情分析模型中的应用随着社交媒体的兴起，大量的用户生成内容被发布在社交媒体平台上，这些内容包含了公众的观点、意见和情感等信息。
舆情分析模型可以通过对社交媒体数据的分析，抓取公众的观点和态度，进而了解社会热点和舆论趋势。
如利用社交媒体数据可以预测选举结果、产品销售趋势以及公众对政策的反应等。
3. 网络爬虫技术在舆情分析模型中的应用网络爬虫技术可以自动化地获取互联网上的文本数据。
舆情分析模型可以通过网络爬虫技术实时地获取和更新数据，从而建立准确的数据集。
网络爬虫还可以获取各类媒体的评论信息，通过对这些评论信息的情感分析和主题建模，可以了解公众对特定事件和议题的态度和反应。
二、舆情预测模型的研究现状1. 时间序列分析在舆情预测模型中的应用时间序列分析是一种用来解释和预测时间序列数据的统计方法。
在舆情预测模型中，可以利用时间序列分析方法对历史舆情数据和相关的外部因素进行建模和分析，从而预测未来舆情的走势。
例如，对于选举结果的预测，可以通过将选举候选人的舆情数据与选举日期的时间序列数据相结合，构建相应的模型来进行预测。
2. 机器学习算法在舆情预测模型中的应用机器学习算法是一种通过从历史数据中学习和总结经验规律，从而对未来数据进行预测和分类的方法。
研究生的社会网络分析教案
研究生的社会网络分析教案一、引言社会网络分析是近年来快速发展的一门跨学科领域，主要关注社会系统中个体之间的关系及其影响力。
作为一种重要的信息分析方法，它在社会科学、计算机科学、管理学等领域都有广泛应用。
为了帮助研究生更好地掌握社会网络分析的基础理论和方法，本教案设计了研究生的社会网络分析课程，旨在帮助学生深入了解社会网络分析的概念、原理和应用。
二、教学目标1. 掌握社会网络分析的基本概念和基础理论；2. 熟悉常用的社会网络分析方法和技术；3. 能够运用社会网络分析方法解决实际问题；4. 培养学生批判思维和创新能力。
三、教学内容1. 社会网络分析概述1.1 社会网络分析的定义和发展历程1.2 社会网络分析的应用领域2. 社会网络的基本概念和测量2.1 个体、关系和社会网络的概念2.2 社会网络的测量方法和指标3. 社会网络的图论建模3.1 社会网络的图论概念和模型3.2 社会网络的图论算法与可视化4. 社会网络的社群发现4.1 社群发现的概念和方法4.2 社会网络中的社群发现算法5. 社会网络的中心性分析5.1 中心性的定义和分类5.2 基本中心性指标和度量方法6. 社会网络的传播和影响力分析6.1 信息传播和影响力的概念6.2 社会网络中的传播和影响力分析方法7. 社会网络的动态演化和模拟7.1 社会网络的动态演化过程7.2 社会网络的模拟与评估四、教学方法1. 理论讲解：以PPT和教材为主要辅助工具，对社会网络分析相关的理论知识进行讲解。
2. 实践操作：通过案例分析和实际数据集的应用，帮助学生熟悉社会网络分析的方法和工具。
3. 学术讨论：组织学术研讨会，让学生分析和评价不同领域的社会网络分析论文。
五、教学评价1. 平时成绩：包括课堂参与、作业完成情况等，占总评成绩的40%。
2. 期中考试：对学生对理论知识的掌握情况进行考核，占总评成绩的30%。
3. 期末项目：要求学生在一个自选领域运用社会网络分析方法进行研究，占总评成绩的30%。
第三章 社会群体与社会网络(一)
4、社会网与社会资本
• 社会网: 一方面是一种专门的研究方法，另一方面作为一 种理论,主要分析社会关系的形成、特征及其影响， 国内以罗家德为代表；
• 社会资本论： 把关系看作资源、资本，主要研究关系作为资本 是如何交换或运作的，在方法上多数还是用统计 分析，有时也用有社会网分析，主要代表：林南、 边燕杰；
2、[德]韦格纳的研究：1987 网络异质性：地位低者利用强关系求职， 地位高者利用弱关系求职。
3、[日]渡边深的研究：1987 日本白领利用强关系求职
4、边燕杰：1997 中国人求职更多依赖强关系：人情关系
四、社会网络与社会资源
1、林南对弱关系假设的修正：1981 工具性行为：目的明确，行动只是手段 感情性行为：行动的手段与目的合一
四、群体的类型
1、群体成员间关系的亲密程度： 初级群体：亲密、感情、认同、归属感、完整人格、多重角色 次级群体：目标、制度、正规、非感情、特定角色、单一人格 2、成员对自我与群体关系程度的自我感觉及其对不同群体的态度： 内群体（我群）：强烈认高、归属感 外群体（他群）： 内群体与外群体的界线：有形与无形；相对的 3、群体内部的组织正规化程度： 正式群体: 非正式群体:
三、同辈群体
1、概念
由年龄、地位、爱好、态度、价值观等相近的人 所组成的非正式群体
2、特征
– 较强的凝聚力 – 内部有核心人物，但成员关系基本平等 – 具有一定的封闭性 – 有着自己的亚文化
3、我国当前同伴群体的新特点
• 交往对象：基本是家庭外部成员，且交 往的情感因素弱化
• 交往时间：比以往相对减少 • 交往方式：趋于多样化
关注重点：社会支持网与健康状况的关系；
• 定义：指社会网络运用一定的物质和精神手段对 社会弱势群体进行无偿帮助的行为的总和。
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在当今信息时代，社交媒体成为了人们获取信息、交流观点和传播信息的主要渠道之一。
为了更好地理解和预测信息在社会网络中的传播和影响过程，研究者们提出了多种影响力传播模型。
本文将比较几种常见的社会网络分析中的影响力传播模型，包括线性阈值模型、非线性阈值模型和层级传播模型。
一、线性阈值模型线性阈值模型是最简单且最常见的影响力传播模型之一。
该模型基于假设：每个个体在社交网络中有一个固定的阈值，当其被影响的节点数量超过该阈值时，该个体将接受信息并传播给其邻居节点。
线性阈值模型的数学表达式如下：i(t+1) = θi * ∑(j∈N(i))x(j,t)其中，i(t+1)表示个体i在下一个时间步的状态，θi表示个体i的阈值，N(i)表示个体i的邻居节点集合，x(j,t)表示节点j在当前时间步的状态。
尽管线性阈值模型简单易懂，但其无法很好地解释现实社交网络中信息的传播过程。
因为该模型假设每个个体的阈值固定，无法考虑到个体在不同情境下的变化。
因此，研究者们提出了非线性阈值模型。
二、非线性阈值模型非线性阈值模型是对线性阈值模型的改进和扩展。
相比于线性阈值模型，非线性阈值模型考虑了个体的动态阈值，即个体在不同情境下对信息接受的敏感性。
常见的非线性阈值模型包括独立级联模型（Independent Cascade Model）和线性阻塞模型（Linear Threshold Model）。
独立级联模型假设每个节点以概率p独立地将信息传递给其邻居节点，而线性阻塞模型则通过计算节点的加权总和来确定信息的传播情况。
三、层级传播模型与线性阈值和非线性阈值模型不同，层级传播模型考虑了信息在网络中的传递路径。
该模型认为信息在网络中传播时，会依次影响不同的层级，从而产生层级传播的效应。
层级传播模型具有更高的表达能力，能够更好地模拟实际社交网络中的信息传播现象。
常见的层级传播模型包括时序模型（Temporal Model）和时空模型（Spatiotemporal Model）。
社交网络分析
社交网络分析社交网络分析是一项涉及社交网络结构、关系和行为的研究领域。
它旨在理解个体和群体之间的互动方式，以及这些互动如何影响信息传播、意见形成和决策制定等方面。
社交网络分析可以应用于各个领域，包括社会学、管理学、信息科学等，以帮助我们了解人际关系和社会交往的本质。
社交网络的定义和特征社交网络是由一组个体和它们之间的连接构成的。
个体可以是人、组织或其他实体，连接则代表着它们之间的关系，比如友谊、合作、信息传递等。
社交网络分析通常将个体表示为节点，连接表示为边。
通过对社交网络的节点和边进行分析，我们可以揭示出网络的核心成员、社群结构、信息传播路径等重要特征。
社交网络的分析方法社交网络分析采用一系列方法来研究网络的结构与行为。
以下是常用的几种方法：1. 节点中心性分析：节点中心性是衡量节点在网络中重要程度的指标。
常用的节点中心性指标包括度中心性、接近中心性、介数中心性等。
度中心性衡量节点在网络中的连接数量，接近中心性衡量节点到其他节点的距离，介数中心性衡量节点在网络中的信息传递重要性。
2. 社群检测：社群是网络中一组高度内聚、低度连接的节点集合。
社群检测的目标是将网络划分为不同的社群，以揭示网络中的群组结构和组织。
常用的社群检测算法包括基于模块度的方法、谱聚类等。
3. 信息传播分析：信息传播是社交网络中的重要现象之一。
信息可以通过节点之间的连接进行传递和扩散。
信息传播分析关注节点在网络中的影响力和传播路径，以及网络结构对信息传播的影响。
重要的信息传播模型包括独立级联模型、线性阈值模型等。
4. 链接预测：链接预测旨在预测未来可能形成的连接。
通过分析网络中已有的连接模式和特征，我们可以预测潜在的链接关系，从而洞察网络的演化和发展趋势。
应用领域社交网络分析在多个领域具有广泛的应用价值：1. 社交媒体分析：社交网络分析可以帮助我们理解社交媒体上的用户行为、信息传播和舆论形成。
通过对社交媒体数据进行分析，我们可以挖掘用户之间的关系、话题的传播路径以及热点事件的发展过程。
网络数据建模、分析与应用研究综述
网络数据建模、分析与应用研究综述一、网络数据建模随着互联网的快速发展，网络数据已经成为了研究和应用的重要领域。
网络数据建模是指通过对网络结构和属性进行抽象描述，构建出能够反映网络特征的数据模型。
网络数据建模的目的是为了更好地理解网络的结构、功能和动态变化，为网络分析、管理和决策提供理论依据和技术支持。
图论建模：图论是研究图(Graph)结构及其性质的数学分支。
在网络数据建模中，图论建模主要关注如何用图的形式表示网络结构，以及如何利用图论方法对网络进行分析。
常用的图论建模方法有邻接矩阵法、邻接表法、边权法等。
社会网络建模：社会网络是一种特殊的网络结构，由具有关联关系的人或组织组成。
社会网络建模主要研究如何用图的形式表示社会网络结构，以及如何利用图论方法对社会网络进行分析。
常用的社会网络建模方法有无向图法、有向图法、贝叶斯网络法等。
复杂网络建模：复杂网络是由大量相互连接的节点和边组成的网络结构。
复杂网络建模主要研究如何用图的形式表示复杂网络结构，以及如何利用图论方法对复杂网络进行分析。
常用的复杂网络建模方法有随机游走模型、小世界模型、斑图模型等。
动态网络建模：动态网络是指网络结构和属性随时间发生变化的网络。
动态网络建模主要研究如何用图的形式表示动态网络结构，以及如何利用图论方法对动态网络进行分析。
常用的动态网络建模方法有马尔可夫链模型、随机过程模型等。
多模态网络建模：多模态网络是指具有多种不同类型的信息载体的网络。
多模态网络建模主要研究如何用图的形式表示多模态网络结构，以及如何利用图论方法对多模态网络进行分析。
常用的多模态网络建模方法有多模态图模型、多模态贝叶斯网络模型等。
网络数据建模是一个涉及多个领域的交叉学科，其研究内容和技术方法不断丰富和发展。
随着大数据时代的到来，网络数据建模将继续发挥重要作用，为网络分析、管理和决策提供更多有价值的理论和实践支持。
1. 网络数据的基本概念和特点随着互联网的普及和发展，网络数据已经成为了当今社会中不可或缺的一部分。