英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

社交网络和信息传播分析调查

评论

摘要

近年来，随着社交网络服务（SNS）的快速发展，社交网络几乎遍布我们日常生活的各个方面。 社交网络正在影响当今的社会和文化问题，并正在改变人们看待自己的方式。 为了充分了解社交网络的运行机制，本文针对一系列网络社交网络高度关键和重要的元素。 我们主要关注3个重要而又开放的研究问题，它们是：（1）结构性和演化规律;（2）社会人群及其交互行为;（3）信息及其传播。 在本文中，我们回顾了三个问题的相关工作。 然后，我们简要介绍一些有趣的研究方向和我们在这些研究问题上的进展。

关键词 社交网络 拓扑结构 人群 信息传播

介绍

近年来，随着微博，推特，脸谱等社交网络服务的快速增长，社交网络几乎遍布我们日常生活的各个方面。 社交网络的作用正在迅速超越通信平台和联系平台。 它作为专业网络，社交推荐或广告不可或缺的工具起着重要作用。 基于互联网的社交网络是维持社交关系的最重要的虚拟社会。 同时，社会网络对国家安全和社会发展也有着深远的影响。

数十亿不同的关系，个人在社交网络上构成了“关系结构”，其中包含大量复杂的关系，如社区，社交关系或联动农场等。基于社交网络结构，相关人员会收集大量正在进行的活动。 他们通过互动影响对方。因此，这些人形成了具有共同行为特征的各种网络人群。 基于关系结构和社交网络人群，各种信息被迅速发布和传播，导致社交媒体的形成。 虚拟世界给现实社会提供反馈。 因此，虚拟与现实不断互动，互相影响。

社交网络影响当今的社会和文化问题，并改变人们看待自己的方式。 为了充分了解社交网络的运行机制，本文针对一系列网络社交网络高度关键和重要的元素。 它们是拓扑结构，人群和信息。

首先，我们研究属性，建模方法以及在线社交网络中不断演变的规律。 其次，我们着重挖掘人群的形成机制，群体行为和人群中的互动。 此外，我们将寻找各种社交网络中的信息传播模式以及与传统媒体的相互影响关系。

以上这些研究与计算机科学，社会学，管理学，心理学等学科的许多领域密切相关。 社会网络分析的研究可以揭示拓扑结构，人群和信息之间的复杂关系和相互作用规律。 此外，我们的研究还可以为社交网络和信息传播分析提供重要的理论支持。

2 社交网络分析调查

社交网络是由一组社会行为者（如个人或组织）和这些行为者之间的一系列关系组成的社会结构。 现有的社会网络研究涉及三个方面：拓扑结构及其演化; 人群的互动和相互影响; 信息及其传播。

2.1 社交网络的结构与结构演化理论

在社会网络结构及其演化方面，现有研究涉及社会网络建模，社会网络结构特征分析，社区检测和演化理论。

2.1.1 社交网络建模

图形理论在社会网络建模领域得到了广泛的应用。研究人员试图使用图论来定量分析社交网络，并取得了可喜的成果。

根据参考文献 [1]，Moreno等人在20世纪30年代首次将图论引入人类社会网络分析。 几年后，Harary et al，探索了一种有向图模型，将社会参与者之间的不对称关系描述为有向边，并在20世纪60年代首次定义了“中心性”的概念。2008年，Tong等人 [2]将属于不同类别的社会参与者之间的关系建模为二维图，并提出了衡量同一类别中两个参与者之间接近程度的方法。 紧接着，Ghoshal等人提出了三维结构的数学模型。 [3]。该模型将社交网络中的三维结构表示为随机超图。 在2012年，Kim和Leskovec [4]提出了一个复合属性图模型建立节点属性与网络结构之间的关系。实验表明，适当的MAG模型可以产生遵循幂律分布的网络。而且，在2005年，Pei等人 [5]研究了复杂社会网络建模问题。他们为几个有趣的研究开发了一个交叉图模型，例如跨市场客户分割，并研究了一种启发式算法来探讨交叉图准系列。

2.1.2 社交网络的结构特征分析

随着在线社交网络服务的发展，在大型社交网络结构特征分析领域进行了大量研究。 这些研究已经证实，社会网络在结构特征方面是一种复杂的网络，如“六度分离”，“无标度网络”，“幂律分布”等。例如，Dodds等人 [6]在2003年验证了6万个组织网络的分离度，其中有6万个节点。2005年，Liben等人 [7]研究了雅虎在线社区的路径长度。他们发现，当社区规模最大时，平均路径长度为8，有效路径长度为10，大于6。 2007年，Golder等人，[8]报道Facebook上的学位中度值为144，平均度为179.53; 在2010年，Charu 和 Wang [9]将有向图中的入度作为反映节点流行的因素，并发现流行也遵循社会网络中的幂律分布。2012年，刘等人[10]分析了基于事件的Meetup数据社交网络。结果表明，节点度随着长尾分布和社会交互呈现出强烈的局部性。

2.1.3 社交网络上的团体检测

根据团体结构的定义，团体检测可以分为非重叠团体检测和重叠团体检测。就重非叠团体检测而言，Clauset等人研究了一种广泛关注的算法。[11] 2004年，试图通过搜索具有最大模块性 的网络部门在社交网络中找到社会网络中的团体。然而，2007年Fortunato 和 Barthelemy [12]发现优化算法会遇到分辨率限制问题。这意味着模块性优化可能无法识别比依赖于网络链路总数L的规模小的模块以及模块互连的程度，即使在明确定义模块的情况下也是如此。

在重叠社区检测方面，2005年，Palla等人 [13]提出揭露重叠基于K群方法的复杂网络的群落结构并实验证明群落结构具有非平凡的相关性和特定的缩放属性。 2009年，Lancichinetti等人[14]指出，网络通常表现为一个等级组织结构，社区内嵌有社区。此外，他们提出了第一种基于适应度函数的局部优化找到重叠社区和层次结构的算法。在同一年，Shen 等人[15]试图通过算法（EAGLE）来处理这个问题，该算法处理了一组最大派系并采用了一个凝聚式框架。

然而，所有上述算法都是在网络完整的假设下进行探索的，而在现实世界的应用中并不总是这样。最近，研究人员在一些典型的网络中更加关注团体检测。 例如，2012年，Chen等人 [16]研究了稀疏无向非加权网络上的群体检测问题，其中群集内和群集边缘密度非常小。并且，他们提出了一个凸面优化公式，本质上是加权版本的低秩矩阵分解，以解决这个问题。Lin等人 [17]研究了在边缘缺失的不完全信息网络中检测团体的问题。 探索了一种层次聚类方法，该方法通过从本地信息区域中观察边来推测估计节点之间的距离。

2.1.4 社会网络结构演化分析

在社会网络结构演化分析领域，研究人员研究了社会网络演化的统计规律，提出了宏观，中观和微观层面的演化模型。

在宏观层面，Leskovec 等[18]在2005年开发了一种基于图形的方法来表征节点数量和网络直径之间的动态关联及其时间演变。2006年，Chakrabarti等人 [19]提出使用数据挖掘技术来模拟社交网络上的时间和结构演变。2007年，Chi等人[20]通过扩展相似性测量，首先提出了进化谱聚类，它利用图形分割来测量群落结构和进化。 2012年，Allamanis等人[21]分析了位置对社会关系形成的影响。他们发现，考虑节点度和距离的引力附着过程都可以模拟基于位置的社交网络演化。

在中等水平，2007年，Tantipathananandh等人 [22]根据人类经验列出了社会网络中观层面的各种结构变化。然后，他们建立了一个将成本优化模型应用于社会网络模拟结构演化，将个体成本，组成成本和变化成本等因素综合在相应的结构变化上。Brodka等人 [23]于2013年开发了一个基于事件的方法，用于群体进化发现，该方法分析了群体持续性，收缩性，成长性，分裂性，合并性，发现性和形成性，并提出了群体变化的测量方法。 同年，Chen等人[24]提出了一个原则性的方法来检测时间演进网络中的重叠时间共同体结构，发现重叠的时间共同体结构最大化与网络的每个时间点相关联的质量函数受到时间平滑约束。

在微观层面，Leskovec 等人[25]研究了2008年社交网络的微观演化，并指出边的生成与节点之间的距离成反比。

• 1. 社交网络上的群体互动和相互影响

目前对社交网络中群体互动和互动影响的研究主要涉及两个方面，一个是群体行为建模和行为特征分析，另一个是群体情绪建模和交互。

• • 1. 组行为建模和行为特征分析

大多数关于群体行为建模的研究都集中在用户社交网络选择和迁移的分析模型上。例如，Ellison等人 [26]研究了2007年用户社交网络选择的影响因素。他们将从各种群体行为关系积累起来的资源分为连接，绑定和维护社会资本，并发现连接社会资本对个人选择在线社交最重要。虽然，斯坦菲尔德等人在2008年的研究 [27]表明，除了社会资本结果之外，用户的自尊和用户对现实生活的满意度也是影响用户社交网络选择的心理变量。2009年，Kang等人 [28]研究了自我形象的一致性和遗憾在社交网络选择中的作用。 Chen等人[29]认为，用户迁移的主要原因包括对当前社交网络的满意度，对其他网络的吸引力以及迁移成本等。2012年，Abbasi等人 [30]研究了7个流行的在线社交网络（包括Facebook，Twitter，YouTube等）之间的异质性和迁移。他们模拟了个人/群体的迁移，以展示用户如何从一个在线社交网络迁移到另一个社交网络。

在个体行为特征分析领域，早期的研究如Schramm [31]从个体从传播学角度出发，提出了抽象构建个体行为特征模式的方法。最近，随着互联网的发展和网络的大量集合，对网络个体行为进行定量分析和建模的研究越来越多。 例如，在2003年，Eirinaki和 Vazirgiannis [32]比较了各种Web服务中的个体行为特征探索功能。2008年，Jiang等人 [33]提出了一种实用的方法，从用户提供的一些优劣示例中，在用户对某些分类属性的偏好未知的多维空间中探索个体偏好和他们的行为规则模式。Wong等人 [34] 2009年提出了一种基于在线天际线分析的方法来衡量属性的独特性，以探索组中的个体行为特征。

2.2.2 群体情感建模和互动分析

现有的群体情绪建模与交互研究涉及个体互动与群体情绪形成，情绪建模与群体行为分析之间的关系分析。

早在1960年，Schramm [31]从传播学的角度出发，就群体和互动构建了比较完整的理论体系。 随着在线社交网络的兴起，这个问题再次引起了研究者的关注。 网络社交网络的研究大量涌现。例如，在2007年，埃里森等人 [26]认为，在线互动可以统计支持用户之间的关联，促进团体情感的形成，而不是孤立离线用户。在2009年，Camerer [35]研究了一种基于博弈论的方法来模拟和分析级联行为，个人效应和群体效应在社交网络中的影响。2011年，博伦等人 [36]在Twitter上进行了分析，并指出用户可以向连接的用户发出他们的情感极性，以便他们逐渐拥有相同或相似的主观感受。而Xu等人 [37]通过将用户持有的情感极性作为特征来检测情感社区。

在情感建模领域，格里克和莫里纳恩[38]在2010年开发了一种文本极性挖掘算法，它将博客空间上的社区划分用作分类特征。这项实验通过16741位博主和2,800,000个博客组成的数据集分析了奥巴马的极端情况。在2011年，Aoki和Uchida [39]用情绪向量来模拟不同的情绪，但他们只利用表情符号来构建没有文本内容信息的向量。2012年，Nguyen等人 [40]提出了从社交媒体动态建立统计模型来预测集体情绪动态的策略。他们模仿集体情绪变化，而没有深入研究个人推文或用户及其个人的微观分析

相应的低层网络结构。 对大规模推特数据的实验表明，该模型在方向情感预测上可以达到85％以上的准确率。

羊群行为描述了一个群体中的个人如何一起行动而没有​​一起计划。 群体情绪和互动在群体行为中起着重要作用。 近期关于社会网络中羊群行为的研究主要集中在其生成环境，影响因素和机制上。2008年，陈Chen[41]从网上评级，销量和推荐来源的三种不同观点研究网上购物的羊群行为。 结果表明，在线评级，销量和其他用户的决策可能会影响消费者的决策。 此外，消费者更喜欢其他用户和网站之外的建议，而不是专家和网站。2009年，杨等人[42]用细胞自动机来模拟羊群行为，实验表明羊群行为的结果对原始状态敏感。 在2010年，Sharawneh 和 Williams [43]提出了一种协同过滤算法来模拟网络购物中的群体行为，该方法将意见领袖和社交网络信息相结合。 研究表明，基于意见领袖的推荐可以更准确地预测用户的选择行为。 2012年，裴和吴[44]提出了一个动态模型来反映紧急人群行为的平均状态和人群行为的特征。 结果表明，感染能力决定了个体之间的感染，而感染率和治愈率是紧急人群的关键。 在同一年，刘易斯等人 [45]使用随机的基于演员的模型分析了在线社交网络上的社交选择和同伴影响。通过使用4年以上大学生群体的Facebook活动数据，他们发现，在音乐和电影中享受某种口味除了不在书本上的学生很可能会彼此交朋友。与此同时，他们发现，除了古典音乐和爵士音乐的口味之外，Facebook的朋友之间的口味传播很少。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[24654]，资料为PDF文档或Word文档，PDF文档可免费转换为Word