社交網絡分析初步學習1

理論（用戶分類）和應用兩個方向

【關鍵詞】社交網絡，拓撲結構，網絡群體，信息傳播

1 什么是社交網絡(在線)

1.1 定義

社交網絡在維基百科的定義是：”由許多節點構成的一種社會結構"，節點通常是指個人或組織，而社交網絡代表著各種社會關系。

1.2 分類

即時消息類應用，即一種提供在線實時通信的平臺，如MSN、QQ、飛信、微信等；

在線社交類應用，即一種提供在線社交關系的平臺，如Facebook、Google、人人網等；

微博類應用，即一種提供雙向發布短信息的平臺，如Twitter、新浪微博、騰訊微博等；

共享空間等其他類應用，即其他可以相互溝通但結合不緊密的Web2.0 應用，如論壇、博客、視頻分享、社會書簽、在線購物等。

1.3 影響

基于互聯網的社交網絡已經成為了人類社會中社會關系維系和信息傳播的重要渠道和載體，對國家安全和社會發展產生著深遠的影響.虛擬的社交網絡和真實社會的交融互動對社會的直接影響巨大，所形成的謠言、暴力、欺詐、色情等不良輿論會直接影響國家安全與社會發展。

2 社交網絡分析研究的核心問題

2.1 三個組成要素

在線社交網絡是一種在信息網絡上由社會個體集合及個體（也稱為^節點）之間的連接關系構成的社會性結構，包含關系結構（載體）、**網絡群體（主體）與網絡信息及其傳播（客體）**3 個要素。

社交網絡中的“關系結構”為網絡群體互動行為提供了底層平臺，是社交網絡的載體。社交網絡的關系結構是社會個體成員之間通過社會關系結成的網絡系統；

“網絡群體”直接推動網絡信息傳播，并反過來影響關系結構，是社交網絡的主體。網絡社會群體行為是指網絡個體就某個事件在某個虛擬空間聚合或集中，相互影響、作用、依賴，有目的性地以類似方式進行的行為；

“網絡信息及其傳播“是社交網絡的出發點和歸宿，也是群體行為的誘因和效果，同樣影響關系結構的變化，是社交網絡的客體。基于社交網絡的信息傳播是指社交網絡中的個體與個體之間、個體與群體之間、群體與群體之間的信息傳遞。

2.2 三個研究對象

社交網絡本身的結構特性；

社交網絡中的群體及其行為；

社交網絡中的信息及其傳播。

2.3 三類研究問題(結構、群體、信息)

（1）在線社交網絡的結構特性與演化機理。

社交網絡的表達方式？

什么樣的表示方法既能反映社交網絡的本質，又能支持計算和分析？

什么樣的計算方法能夠準確刻畫社交網絡結構的演化？

（2）在線社交網絡群體行為形成與互動規律。

在社交網絡中如何刻畫群體的存在及其形成方式？

群體間的交互影響如何進行表示與度量？

群體間的交互過程對群體的演變所產生的影響應該如何計算？

（3）在線社交網絡信息傳播規律與演化機理。

信息的內涵如何以可計算的形式來表達？

信息在社交網絡上的傳播過程與態勢的計算方法是什么？

如何用計算的方法來刻畫信息內涵與信息傳播之間的相互影響？

3 國際學術界高度關注社交網絡研究(已有)

在線社交網絡分析涉及計算機科學、社會學、管理學、心理學等多個學科領域。

3.1 社交網絡的結構特性研究

（1）社交網絡的結構分析與建模（基礎）

社交網絡結構分析是通過統計方法來分析網絡中節點^度的分布規律、關系緊密程度、相識關系的緊密程度，某一個用戶對于網絡中所有其他用戶對之間傳遞消息的重要程度等諸多統計特性。

社交網絡建模是針對社交網絡的特性，采用結構建模的方法來研究產生這些特性的機制，以此來深刻認識社交網絡的內在規律和本質特征。(圖論方法)

（2）虛擬社區發現(必備功能)

在社會學領域，社區是一群人在網絡上從事公眾討論，經過一段時間，彼此擁有足夠的情感之后，所形成的人際關系的網絡。社交網絡中存在關系不均勻的現象，有些個體之間關系密切，有些關系生疏，從而在常規的社區之上圍繞某一個焦點又形成了聯系更為密切的社區形式，這可以看作社交網絡中的虛擬社區結構。

虛擬社區結構是在線社交網絡的一種典型的拓撲結構特征。

（3）社交網絡演化分析

動態演化性

3.2 社交網絡中群體互動研究

（1）社交網絡上的用戶行為分析

社交網絡上群體行為分析的已有研究主要集中在群體社交網絡選擇模型研究，以及個體行為特征分析等2 個方面。在群體社交網絡選擇模型研究方面，2007 年，美國密歇根大學的埃里森（Ellison）等人將社交網絡的群體行為關系分為橋接型、黏接型和維持型三種類型，并基于^回歸分析發現^{**橋接型**}關系對個體選擇社交網絡有著更重要
的影響。

（2）群體情感建模與行為互動

情感分析是針對主觀性信息（“支持”、“反對”、“中立”）進行分析、處理和歸納的過程，主觀性信息表達了人們的各種情感色彩和情感傾向。社交網絡中每個人情感狀態不同，影響力也會不同。

3.3 社交網絡中的信息傳播研究

特指：以社交網絡為媒介進行的信息傳播過程。

信息傳播是人們通過符號、信號來進行信息的傳遞、接收與反饋的活動，是人們彼此交換意見、思想、情感，以達
到相互了解和影響的過程。

（1）社交網絡的信息及其能量

已有研究主要集中在信息的符號表示與意義，以及信息傳播能量及演化方面。

（2）社交網絡信息傳播模型

已有研究主要集中在傳染病模型、網絡拓撲圖模型以及基于統計推理的信息傳播模型等。

（3）社交網絡信息傳播影響(熱點)

其目的是發現社交網絡中最有信息傳播影響力的節點集合，從而經過信息在社會網絡中的傳播，最終能夠最大化信息的傳播范圍。在實際生活的許多重要場景中，社交網絡信息傳播影響分析均有著廣泛的應用，例如，市場營銷、廣告發布、輿情預警、水質監測、疫情監控、網絡競選、突發事件通知等。

研究方法：有概率論方法、經濟學方法和傳播學方法。

概率論方法：基于概率圖模型對研究信息傳播的敏感度和影響力的方法，可以對概率圖參數、結構的重要性進行量化分析。

4 我國在社交網絡分析方面的研究進展

4.1 主要研究單位

國防科技大學、上海交通大學、合肥工業大學、北京郵電大學、中科院計算所、北京大學、清華大學、北京科技大學、浙江大學、哈爾濱工業大學、中科院信工所等單位都開展了系統性的研究。

4.2 主要成果

在結構分析方面，2009 年，中科院計算所的程學旗等人分析了社區結構的特性，改進了網絡層次化重疊社區的發現方法，能夠同時揭示網絡的層次化和重疊社區結構。

群體特性方面，2009 年，合肥工業大學楊善林等人利用元胞自動機仿真從眾行為，發現當群體出現完全從眾行為時，從眾行為的結果對初始狀態相當敏感，不同的初始狀態就可能有不同的演化結果。

信息傳播方面，2004 年，北京理工大學邢修三提出了以表述信息演化規律的信息熵演化方程為核心的非平衡統計信息理論，從定量的角度對信息演化機理進行了有益的探索。

方濱興等人也在系統梳理國內外相關理論和技術的基礎上，編著了**《在線社交網絡分析》**一書，從上述3 個角度入手為相關研究者提供理論性、系統性、工具性的研究指導。

5 社交網絡研究尚有諸多問題亟待突破

國際上人們對于大型社交網絡的本質特征和網絡信息傳播的基本規律的研究仍處在相對初級的階段，尚未提出完整的社交網絡分析的基礎理論和方法，仍然值得我們進一步進行研究和突破。

5.1 社交網絡的一些挑戰

在線社交網絡的結構具有節點海量性、結構復雜性和多維演化性等特點，拓撲結構隨著時間不斷演變，對社交網絡結構演化規律還需要進一步有效的表達和計算加以解決。

在線社交網絡的信息傳播具有信息的多源并發性，其相互影響形成了路徑多變和內容演化的特點。網絡群體方面，已有研究對其產生、發展、消亡規律的內部交互作用機理知之不深；傳統的群體建模及其互動方法無法準確刻畫大規模在線社交網絡中的強互動演變、公眾情緒漂移等特征，不能真實分析出輿情的傾向性。在個體行為特征分析方面，傳統的研究主要局限于用戶個性化模型及其對社交網絡的選擇分析上，未涉及個體向群體演化過程中的個體行為表征等問題。

在線社交網絡的群體互動具有強互動演變、公眾情緒漂移等特征點，公眾立場不斷變化，興趣點不斷演化。已有的信息傳播模型多基于傳染病模型、網絡拓撲圖以及統計推理等方法，在描述社交網絡傳播模式以及計算效率和精度方面仍存在不足。研究視角上，尚缺乏從信息傳播的時間、空間特征以及信息傳播的雙向性3 個維度，對信息傳播的內在機制進行深度分析。傳統理論和方法局限在“還原論”的角度解決問題，不能準確描述在線社交網絡中信息的多源并發性所帶來的相互影響等特性，因此需要研究新理論與新方法，以便在信息傳播的相互作用中形成對輿情的駕馭能力。

5.2 社區發現面臨的一些挑戰

**社區的重疊性。**傳統的社區發現研究一般基于“每一個節點都唯一歸屬于某個社區”的假設,而在現實社會網絡中,**人們往往同時屬于不同的社區,**而這種同時屬于多個社區的人又是信息傳遞、社會交往中的關鍵。因此,針對重疊社區發現的研宄應得到研宄者的重視和關注。

社區的局部性。傳統的社區發現算法很多都基于全局的信息,例如GN算法中的"邊介數”、基于隨機游走的算法中任意兩點間的相似度、基于模塊度的算法中的模塊度等,都必須在考慮整個網絡結構的前提下才能得出。隨著信息化程度的不斷提高,社會網絡規模越來越龐大,獲得網絡的全局信息變得十分困難,而且這些社區發現算法在海量社會網絡數據下顯得非常低效。另一方面,社會網絡通常是稀疏的,絕大多數個體與外界的直接聯系都是有限的,而很多研究和應用都只關心某些節點所在的局部結構。甚于這些考慮,局部社區的概念被提出,相關問題需要進一步深入研究。

網絡的多模式性與多維性。傳統的網絡分析中的節點對象通常是單一類型的,如:節點只代表了人、用戶或者網頁其中的一種,而多模式網絡中的節點類型則是多樣化的。比如社交網絡中的某個用戶分享的項目種類是多樣化的,包括圖片、視頻、日志等,與其將這些交互的不同類型實體建模為節點的不同屬性,不如建模為多模式網絡更為方便。網絡的多維性是指網絡中的節點(用戶)之間的邊(連接)具有多種類型,而由這些節點及不同類型的邊所組成的不同“維度”的網絡(圖)就稱之為多維度網絡。其中,每一個維度的網絡表示了節點間不同類型的聯系(互動),而邊上往往又附帶有權值信息,其代表了節點間互動的程度與連接的強度。因此,傳統的對于單一模式、單個維度網絡的單一分析在這里己經不再適用,如何在多模式、多維度網絡當中解決不同模式及維度下的信息融合、共享以及進行社區發現等相關問題也亟待解決。

網絡節點角色的差異性。傳統的圖挖掘、網絡分析方法,并沒有將網絡中每個節點角色進行過多的區分,認為節點的地位是等同的。實際上,在各種復雜網絡中尤其是社會網絡中,都存在著帕累托效應(二八規則),即節點的角色存在著差異。只有大約百分之二十甚至更低比例的節點,在網絡中發揮了領袖節點的作用,它們更具有權威性、中樞性、核心型等特征。同時也具有更多的經驗和影響力,對社區的形成起著決定性的作用,對網絡拓撲結構的演化、網絡中的信息流通和傳播有重大影響。在應用和分析中,首先應確定此類關鍵節點的存在性。而社會網絡往往具有更為龐大的規模,如何快速有效地挖掘此類成員成為一個挑戰性的問題。

**網絡的動態性。傳統的社區研宄一般是針對靜態的網絡展 研宄的,這種研究視角不能很好地反映諸如信息擴散、同步等動態過程。研究網絡的動態性的目的在于揭示網絡拓撲結構對發生在其上的動態過程的影響,以及這些動態過程是否能夠反映其“承載網絡”的拓撲結構特征。研究社區結構和網絡動態性的關鍵在于社區演化問題,**其主要關注網絡自身結構和在其上頻繁發生的交互過程相互作用的結果,如社區形成、社區生長、社區縮減、社區合并、社區分裂、社區消亡等。

6 對社交網絡研究問題的思考

結構、群體是為傳播研究而服務的。

社交網絡分析的3 個要素“結構”、“群體”和“傳播”是相互作用的關系。社交網絡結構建模和群體互動規律分析的目標都是支持信息傳播形態研究，因此是否能夠將結構建模與群體互動者兩個獨立的要素結合起來，研究結構與互動相結合的動態建模方式？已有的信息傳播過程分析中，核爆炸式、煙花式、星球式、水母式等信息爆發式傳播形態都能客觀表示，如何能夠讓拓撲結構建模對這些信息傳播的模型有所貢獻？如何從結構建模的角度支持這些外顯形態的存在？群體事件、群體極化、群體演化等社交網絡中的群體形態是否也能被模型化？信息傳播的影響力是否能夠形成一個可計算的量綱？如何將碎片化、時變的、演化的話題分析技術和信息傳播、溯源技術結合起來，形成信息傳播的可計算模型。

作為一種新型媒介，在線社交網絡的根本在于信息流動和傳播，而信息的傳播根植于社會群體的互動，但又受限于社交結構與社區的規模。

信息傳播過程可以被視作社交網絡中一個時間函數的求解變量，其中的群體正是函數因子，而社交網絡的拓撲結構是控制其發展的邊界條件。21 世紀，是人類高度依賴數據、深度融入信息社會的世紀。在信息社會中，在線社交網絡構建了龐大的功能平臺。人們在社交網絡上表達觀點、交友互動，每天都產生數億計的信息。

在線社交正在改變著人們的行為模式和社會形態，而在線社交網絡數據也正在成為最成熟的大數據，通過研究和分析這一技術，人們有望對在線社交網絡大數據背后的用戶行為、社會現象的理解達到空前的深度。

7 社交網絡分析的應用

7.1 社交推薦

社交推薦顧名思義是利用社交網絡或者結合社交行為的推薦，具體表現為推薦 QQ 好友，微博根據好友關系推薦內容等。在線推薦系統最早被亞馬遜用來推薦商品，如今，推薦系統在互聯網已無處不在，目前大熱的概念“流量分發是互聯網第一入口”，支撐這個概念有兩點核心，其一是內容，另外就是推薦，今日頭條在短短幾年間的迅速崛起便是最好的證明。

根據推薦系統推薦原理，社交推薦可定義為一種“協同過濾”推薦，即**不依賴于用戶的個人行為，而是結合用戶的好友關系進行推薦。**對于互聯網上的每一個用戶，通過其社交賬戶能很快定義這個用戶眾多特點，再加之社交網絡用戶數之多，使得利用社交關系的推薦近些年備受關注。

7.2 輿情分析

輿情分析在互聯網出現之前就被廣泛應用在政府公共管理，商業競爭情報搜集等領域。在社交媒體出現之前，輿情分析主要是線下的報紙，還有線上門戶網站的新聞稿件，這些信息的特點是相對專業準確，而且易于分析和管理；但隨著社交媒體出現，輿情事件第一策源地已經不是人民日報新華社這樣的大媒體，而是某一個名不見經傳的微博用戶，一個個人微信公眾號。他們的特點是信息非常新鮮，缺點是真實度較低且傳播十分迅速，難以控制。所以在社交網絡下的輿情分析是一門新的學問。

“刺死辱母者”微博轉發趨勢

舉幾個例子，去年的和頤酒店，今年的北京地鐵罵人事件這類急性輿情事件最早就是在微博上爆出，而且在短時間內迅速傳播。還有去年的關于快手的“中國農村殘酷底層物語”，今年的“北京房價”等這類民生話題，也是在微信公眾號逐漸發酵。

當然，在新形勢下的輿情應對，也已經有新的工具，大家百度“輿情分析平臺”或者“輿情分析軟件”可以找出一大堆。比較有名的有蟻坊、紅麥、清博、知微、新榜等等。一些傳統的輿情分析機構開始轉型做“大數據”的輿情分析，也有近年來完全基于社交媒體的輿情平臺，比如基于微信的新榜和基于微博的知微 。除此之外，BAT 等大型平臺有自己輿情分析工具，可以私人訂制，也有開放的指數（百度指數、微信指數）。

7.3 隱私保護

隱私問題在互聯網時代已經是老生常談的問題了。在社交網絡中，作為用戶，我們可能會留下大量痕跡，這些痕跡有隱性的，也有顯性的，好不夸張地，社交服務提供商可以根據你的少量痕跡，挖掘到大量你的個人信息，有些信息是你不愿意別人知道的。

這其中存在一個矛盾，即社交服務提供商處于商業目的想盡可能獲取你的個人信息，但是你又擔心自己的個人信息被泄露。所以在隱私保護領域，一方面要設計足夠安全的機制，技術層面的，法律層面的，在保護個人隱私的前提下最大化商業利益和用戶的體驗。

舉一個大家比較熟悉的例子，即許多網站注冊賬戶的時候使用微信、支付寶賬戶驗證，即免去了大家填寫個人信息的煩惱，又保護了大家的隱私。同理，螞蟻金服提供的芝麻信用功能也有隱私保護的功能。

目前學界對隱私保護的研究主要還是從技術層面設計完善的隱私保護機制。

7.4 用戶畫像

用戶畫像，這是個營銷術語，即通過研究用戶的資料和行為，將其劃分為不同的類型，進而采取不同的營銷策略。傳統的用戶畫像最常用的手段就是調查問卷，訂閱過雜志和報紙的讀者都知道，會有各種各樣的有獎問卷，一方面用來獲得對于產品的反饋，另一方面就是對你進行畫像，這些畫像資料甚至廣泛在黑市流通，這就是你為什么有時候會接到莫名其妙的電話的原因（又扯到了隱私保護問題）。

在社交網絡，用戶畫像方式變得更多了，除了傳統的線下問卷變成在線問卷。我們通過用戶的行為，一方面通過統計學方法獲得一些用戶特征（經典的例子是沃爾瑪的“啤酒和尿布”，另一方面通過機器學習進行建模和驗證獲得意外的收獲（參見上面提到的騰訊社交廣告文章）。

接觸過微信公眾號后臺的讀者都知道，公眾號后臺對微信公眾號文章的讀者還有公眾號粉絲的畫像已經做得非常充足了，好像微博會員也有粉絲畫像的功能。這些便捷的功能對于媒體運營者和廣告投放者都有非常重要的作用。

7.5 謠言檢測

謠言檢測算是輿情分析的一部分，之所以單獨提出來是因為這部分非常重要，而且謠言的確定對于輿情管理非常重要。早起微博因為充斥著大量謠言，使得新浪微博不得不推出“微博辟謠”官方賬號，到如今微博以及有許多自發和官方的辟謠賬號，微信公眾號也是如此。

傳統辟謠方法無非是進行試試檢驗，用證據說話，隨著現在機器學習技術的迅速發展，我們也可以通過信息傳播的軌跡，信息內容等維度自動判斷消息是否屬于謠言，而且判斷地越迅速，對于輿情管理的意義就越大。同理，這種技術也被應用在社交網絡有害信息識別。

在國外，有關 Facebook 假新聞的新聞被炒得火熱，有興趣的讀者可以關注一下。

7.6 可視化

可視化是隨著大數據一起成為熱門話題的。因為人類對于圖像信息的理解速度要大于文字信息數百倍，所以講一些數據可視化有助于人們更生動地理解某一結論或現象。當然不是所有數據都適合可視化，在社交網絡中，我們最常見的有信息傳播軌跡還有詞云圖等。有關這方面的內容可以參考微博賬號“社交網絡與數據挖掘”。

除了專門可視化的機構，網上也有許多開源的可視化庫，百度的 Echarts 就很有名。 對于社交網絡信息傳播以及好友關系等的可視化，使得我們能直觀看到一些事實，這對于輿情報告制作以及新聞報道都有很好的輔助作用。

8 學習資料

8.1 圖書

• 《社會計算》Lei Tang, Huan Liu

• 《社交網站的數據挖掘與分析》Matthew A. Russell

• 《在線社交網絡分析》 方濱興等

• 《社交媒體挖掘》Huan Liu等

• 《大話社交網絡》郎為民

8.2 網站

• 大數據導航（此網站包含很多資源）

http://hao.199it.com/

• 斯坦福數據集網站（Jure 男神）

http://memetracker.org/data/index.html

• 加州大學歐文分校數據集網站

http://archive.ics.uci.edu/ml/datasets.html

• 國內社交網絡數據集共享網站

http://www.socialysis.org/data/project/project

• 清華大學搭建的學術數據庫

https://cn.aminer.org/

• 亞馬遜商品流行趨勢分析平臺

http://132.239.95.211:8080/demowww/index.jsp#

• 明尼蘇達雙城分校社會計算實驗室

https://grouplens.org/

• 新華網信息傳播影響力評估

http://www.xinhuanet.com/xuanzhi/zt/xzyxl/index.html

• 新榜，微信公眾號數據檢測平臺

http://www.newrank.cn/

• 清博新媒體大數據平臺

http://www.gsdata.cn/

• 百度Echarts數據可視化庫

http://echarts.baidu.com/

• 阿里云 DataV 數據可視化庫

https://yq.aliyun.com/teams/8

8.3 工具

• Python 及其相關庫（scipy，numpy，pandas，scikit，scrapy，twitter ）更多請見 http://blog.csdn.net/hmy1106/article/details/45166261

• 圖分析分析工具 Graphchi，SNAP，Pajek，Echarts

• 可視化工具 Gephi，Graphviz

• 數據挖掘工具 WEKA，AlphaMiner

• 圖數據庫 Neo4j

8.4 會議

筆者僅列出與社交網絡相關的部分國際會議，排名不分先后，加粗的會議為專門討論社交網絡話題的會議。

KDD, WWW, ICDM, CIKM, AAAI, SDM, IEEE BigData, ASONAM, WSDM, ICWSM, ACL, IJCAI, NIPS, ICML, ECML-PKDD, VLDB, SIGIR, PAKDD, RecSys, ACM HT, SBP, ICWE, PyData

筆者在這里推薦兩個國內的社交網絡分析會議，一個是全國社會媒體處理大會（SMP），由中國中文信息學會主辦，會議論文 EI 檢索。第二個是國際網絡空間數據科學會（IEEE ICDSC），會議由中科院，北大，中國網絡空間安全協會等機構籌辦。

8.5 課程

筆者在上一部分提到的國際會議，例如 WWW、KDD 等，每年都有關于社交網絡分析方向的 tutorial，其視頻和 PTT 都是在網上可獲取的，通過 tutorial 能對相關領域有一個宏觀了解并且能了解領域前沿動態。

除此之外，在 Coursera 上面密西根大學安娜堡分校開設的一系列 Python 學習課程也值得一看。在網易公開課上面也有中文的 Python 數據挖掘課程可供學習。

萬能的淘寶也提供大量廉價的視頻和電子學習資料。

最后，利用好科學上網工具和搜索引擎（不是百度）才是王道。

8.6 參考資料

[1] 方濱興, 許進, 李建華. 在線社交網絡分析[M]. 電子工業出版社, 2014.

[2] Reza Zafarani, Mohammad Ali Abbasi, Huan Liu. 社會媒體挖掘[M]. 人民郵電出版社, 2015.

[3] Carlos Castillo, Wei Chen, Laks V.S. Lakshmanan, Information and Influence Spread in Social Networks，KDD 2012 Tutorial

[4]中國知網（中科院院刊）社交網絡分析核心科學問題、研究現狀及未來展望

基金項目：國家重點基礎研究發展計劃（“973”）項目（2013CB329601），國家自然科學基金項目（61372191）

總結

以上是生活随笔為你收集整理的社交网络分析初步学习1.md的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。