社会网络分析_SNA_研究热点与前沿的可视化分析
社会网络分析及其应用
社会网络分析及其应用社会网络分析（Social Network Analysis，简称SNA）是一种研究人际关系、组织结构和社会系统的方法。
它通过分析网络中个体之间的连接关系，揭示出社会网络中的核心人物、信息流动模式以及关键影响力节点，从而帮助我们理解社会关系的结构和功能。
社会网络分析的基本概念是“节点”（Node）和“边”（Edge）。
节点代表个体，可以是人、组织或其他社会单位。
边代表节点之间的关系，可以是亲友关系、合作关系或其他社会关联。
通过构建网络图，就可以清晰地展示和分析社会网络中各个节点之间的连接关系。
社会网络分析可以应用于许多不同领域，例如社交媒体分析、组织管理、创新研究等。
以下将从社交媒体、组织管理和创新研究三个方面介绍社会网络分析的具体应用。
在社交媒体领域，社会网络分析有助于发现和理解信息传播的模式和趋势。
通过分析社交媒体平台上用户的互动行为，我们可以识别出社交网络中的“意见领袖”和“社交中心”。
意见领袖是社交网络中具有较高影响力和广泛影响范围的个体，他们的观点和行为往往能够在整个网络中迅速传播。
而社交中心则是网络中联系其他人的纽带，他们在信息流动中起到关键的桥梁作用。
通过了解这些核心节点，我们可以制定更有针对性的营销策略，提高社交媒体平台上信息传播的效果。
在组织管理方面，社会网络分析有助于了解组织内部的沟通和合作模式。
通过构建组织内部的社会网络图，我们可以分析员工之间的联系和信息流动路径。
发现关键的信息中心、沟通障碍和合作缺失等问题，有助于改善组织的沟通效率和协作能力。
此外，社会网络分析还可以识别出组织中的“隐形高手”，即那些在组织中不被重视但又具有重要技能和资源的个体。
通过激发和利用他们的潜力，组织可以更好地发展和创新。
在创新研究方面，社会网络分析可以揭示创新活动中的合作关系和知识流动。
对于科研团队、创业公司或创新型企业而言，合作是推动创新的重要因素。
通过社会网络分析，我们可以识别出在创新过程中担当关键角色的个体和组织，有助于建立更加高效的创新网络。
社会网络分析技术的研究及其应用
社会网络分析技术的研究及其应用在当今社会，社交网络已经深入到我们的生活中，人们之间的社交关系已经不再是简单的面对面交流，而是通过网络来建立和维系着。
这也引发了人们对社会网络分析的兴趣。
社会网络分析技术可以帮助人们更好地了解社会关系网络的结构和性质，探究社会现象背后的深层次规律，提高社会问题的解决效率等等，因此，其应用也越来越广泛。
一、社会网络分析技术的定义和原理社会网络分析技术是指通过对社会关系网络结构的可视化、模型构建、节点分析等方式，来揭示社会网络中的特征和结构，以及隐含的联系和信息流动情况的分析和研究。
社会网络分析是以网络为研究对象的一种交叉学科，它主要研究社会关系网络的拓扑结构、动态演化、信息流动及社会现象演化等问题。
社会网络分析技术的核心在于对网络结构的分析，它的基本原理是以节点和边为基本单位对网络进行分析。
节点表示网络中的一个个体，边表示个体之间的联系或关系。
在社会网络中，一个节点可以是任何与社会相关的个体，如人、物、组织、话题等。
而边则可以是任意的关系或连接，如友谊、亲属关系、信任关系、邮件转发等。
通过对节点和边的量化和分析，可以揭示出网络的拓扑结构、社区结构、信息流动模式以及个体和群体之间的互动情况，达到对社会网络的分析和研究的目的。
二、社会网络分析技术在实际应用中的应用1. 社交网络分析社交网络分析是社会网络分析技术的重要应用之一，它可以通过对社交平台上的关注、点赞、评论、分享等数据的收集和分析，来了解用户的兴趣爱好、意见观点、社交关系等，以及不同用户之间的连接情况。
这有助于社交平台为用户提供更加精准的社交体验和服务，推荐更加个性化的资讯和产品，提高用户粘性和忠诚度。
同时，社交网络分析也可以应用于品牌营销和企业社交网络分析等领域。
2. 媒体传播分析媒体传播分析是社会网络分析的另一个重要应用领域，它可以通过对大规模的媒体文本数据的分析，来了解不同媒体之间、不同语言之间以及不同地区之间的信息传播和影响力。
社会网络分析的基本理论和方法
社会网络分析的基本理论和方法社会网络分析（Social Network Analysis，SNA）是研究人际关系和组织关系的一种方法，通过描述和分析网络中的关系结构，揭示其中的规律和特点，为社会科学研究提供了新的视角和方法。
本文将从定义、历史、基本概念、方法等方面阐述社会网络分析的基本理论和方法。
一、定义和历史社会网络分析是一种研究人际关系和组织关系的方法，它以网络节点（Node）、网络边（Edge）为基本单位，分析网络中的连接、关系和结构等方面的特征，揭示其中的规律和意义。
社会网络分析是从数学、物理学、社会学和计算机科学等多个领域交叉发展而来的，被广泛应用于社会科学、组织管理、信息科学等领域。
社会网络分析的历史可以追溯到20世纪30年代的心理学和社会学中，当时主要研究人际互动和社会结构等问题。
随着计算机和统计学的发展，社会网络分析的方法越来越受到重视。
1990年代初，社会网络分析进入了一个快速发展的时期，研究涉及面也越来越广泛，从社会财富分配、企业家网络、组织结构到科技创新和地理信息系统等。
目前，社会网络分析已经成为社会科学研究中的一个重要方法和工具。
二、基本概念和术语（一）节点（Node）网络中的节点是指网络中的个体、机构、组织、事件等的抽象表示，代表网络中的元素。
节点的性质和特征不同，可以对网络的结构和特征产生重要影响。
（二）边（Edge）网络中的边是连接节点的连接线，反映着节点之间的相互关系和联系。
边的类型和强度不同，可以揭示不同方面的网络特征，如网络密度、中心性和耐性等。
（三）度数（Degree）节点的度数是指与该节点相连的边的数量，反映节点的重要程度和在网络中的位置。
节点的度数越高，就越容易在网络中传播和被影响。
（四）连接（Link）连接是节点之间的联系，即相互关系和相互作用。
连接的类型和方向不同，影响着网络的结构和性质。
（五）中心度（Centrality）中心度是描述节点在网络中相对重要程度的指标，反映节点在网络中的位置和影响力。
社区工作中的社会网络分析方法
社区工作中的社会网络分析方法社会网络分析（Social Network Analysis，简称SNA）作为一种研究社会关系的方法，可以在社区工作中帮助我们更好地了解社区成员之间的相互联系和信息传播。
本文将介绍社区工作中常用的几种社会网络分析方法，并探讨其在实践中的应用。
一、社会网络分析的概念与原理社会网络分析是研究社会实体以及实体之间的关系的一种方法。
在社区工作中，我们可以将社区的成员看作是社会网络中的节点，他们之间的相互关系则形成了网络中的边。
通过分析这些节点和边的关系，我们可以揭示社区成员之间的影响力、信息传播路径以及组织结构等重要信息。
二、社会网络分析的基本指标1. 中心度（Centrality）：用于衡量一个节点在网络中的重要性。
常见的中心度指标包括度中心度（Degree Centrality）、接近度中心度（Closeness Centrality）和介数中心度（Betweenness Centrality）等。
2. 群聚系数（Clustering Coefficient）：用于衡量一个节点的邻居节点之间的连接密度。
群聚系数可以帮助我们评估社区成员之间的紧密程度。
3. 强连接组件（Strongly Connected Component）：由相互之间存在双向连接的节点组成的子图。
强连接组件可以揭示社区中的子群体以及它们之间的关联。
三、社会网络分析方法的应用案例1. 影响力分析：通过计算节点的中心度指标，可以识别出在社区中具有较高影响力的人物。
社区工作者可以与这些人物建立合作关系，以扩大信息传播的范围。
2. 群体行为研究：通过分析社区中的强连接组件，可以揭示出共同兴趣、相似特征的子群体。
社区工作者可以利用这些信息，组织相关的活动，促进社区成员之间的互动合作。
3. 网络介入策略：社区工作者可以根据社会网络分析的结果，制定有针对性的干预策略。
例如，针对网络中的“桥节点”，可以通过对其提供支持和资源，来改善社区成员之间的联系。
社会网络分析方法
社会网络分析方法引言社会网络分析方法是一种从全局角度探究社会关系和组织结构的分析方法，适用于多种领域，如社会学、管理学、信息学等。
本文将介绍社会网络分析的概念、应用和方法。
一、社会网络分析的概念社会网络分析（SNA）是社会学家在20世纪50年代提出的一种分析方法，其可以通过对人际关系进行分析，来揭示全局社会结构和个体间的互动情况。
社会网络分析认为，社会中的人际关系是一个网络系统，每个人都是网络中的一个节点，人与人之间的关系则构成网络的边。
通过对这些网络节点和边的分析，可以了解社会结构和组织关系。
二、社会网络分析的应用社会网络分析可以应用于多种领域，如组织管理、社会学、市场调研等。
1. 组织管理在组织管理中，社会网络分析可以用于领导力评估、人才管理以及组织设计等方面。
通过对员工间的人际关系、交流情况进行分析，可以了解组织内部的流动情况和信息传递情况，帮助领导者更好地管理组织。
2. 社会学在社会学中，社会网络分析可以用于理解社会结构、社会动态以及社会现象的形成机制。
通过对个体之间的关系进行分析，可以揭示出社会中的强关系和弱关系、孤立节点和核心节点等，从而了解社会群体的组织关系以及群体间的竞争合作关系。
3. 市场调研在市场调研中，社会网络分析可以用于了解市场中客户的关系、购买决策过程以及产品传播效应。
通过对客户之间的交流情况、信息共享情况进行分析，可以了解客户的真实需求以及产品在市场中的影响力。
三、社会网络分析的方法1. 数据收集社会网络分析需要收集相关影响社会结构和人际关系的数据。
数据可以通过问卷调查、数据挖掘等方式收集，收集的数据可以包括个体之间的关系、交流频率以及其他相关信息。
2. 网络构建通过数据收集，可以将原始数据转化为网络数据。
在网络构建的过程中，需要对数据进行预处理、加权和过滤等操作，以获得精确的网络数据。
网络构建完成后，就可以通过图论分析工具来分析网络的结构和组织。
3. 网络分析网络分析是社会网络分析的核心环节，它可以通过拓扑分析、中心性分析、社群发现等方法来分析网络的结构和特征。
社会网络分析
社会网络分析社会网络分析 (Social Network Analysis, SNA) 是一种研究社会关系与信息流动的方法。
通过对社会网络中的节点和关系进行系统性的分析，可以揭示出群体中个体之间的相互影响、信息传播路径以及组织结构等特征。
本文将介绍社会网络分析的概念、应用领域以及分析方法。
一、概念社会网络分析的核心概念包括节点、边和关系。
节点代表社会实体，可以是人、组织或其他单位。
边则表示节点之间的关系，可以是互动、合作、交流等。
关系的强度和方向也是网络分析的重要考量因素。
通过对节点和边的分析，可以揭示出网络结构、影响力、信息传播路径等重要信息。
二、应用领域社会网络分析在多个领域都有广泛的应用。
以下是几个典型的应用领域：1. 社交媒体分析：社交媒体平台如Facebook、Twitter等成为了人们交流和信息获取的主要渠道。
社会网络分析可以帮助企业分析用户之间的关系，挖掘潜在的目标用户，优化信息传播效果。
2. 组织管理：在组织中，社会网络分析可以帮助揭示出隐性的权力结构和信息流动路径，优化组织结构并提高工作效率。
3. 创新与知识管理：社会网络分析可以帮助发现知识的源头，找到专家和关键创新节点，从而提高知识管理和创新效率。
4. 犯罪与恐怖主义研究：社会网络分析在犯罪与恐怖主义研究中被广泛应用，可以揭示出犯罪网络的结构、头目与手下之间的关系，为打击犯罪提供决策支持。
三、分析方法社会网络分析主要包括描述统计、中心性分析和社团检测等方法。
以下是几个常用的分析方法：1. 描述统计：描述统计是对社会网络的基本特征进行统计分析的方法。
通过计算网络的规模、密度、连通性等指标，可以对网络的整体结构有一个初步的认识。
2. 中心性分析：中心性分析是衡量节点在网络中重要性的方法。
常用的中心性指标包括度中心性、接近度中心性和介数中心性。
通过中心性分析，可以找到网络中的关键节点和重要影响者。
3. 社团检测：社团检测是找到网络中紧密连接的节点子集的方法。
社会网络分析中的复杂网络结构研究
社会网络分析中的复杂网络结构研究随着互联网的普及和发展，社交媒体等网络应用已经成为人们日常生活的重要组成部分。
这些网络应用提供了便捷的媒体交流平台，使得人与人之间的联系变得更加紧密。
而这些联系也因此形成了一种复杂的网络结构，人们通过研究这种复杂的网络结构，进一步揭示网络中蕴含的规律和模式，帮助我们更好地理解网络生态系统的本质。
社会网络分析(Social Network Analysis, SNA)是一种基于计算机科学和社会学的交叉学科研究领域，它通过收集、处理、分析和可视化社会网络数据，来了解社会网络的结构和演化。
其中，复杂网络结构便是SNA研究的重点之一。
复杂网络是指由大量的节点和连接构成的网络，其中节点之间的关系十分复杂，涉及到不同的学科领域，例如生物学、化学、物理学、社会学等。
这些节点和连接共同构成了复杂网络的结构，我们通常将这些结构称为网络拓扑结构。
网络拓扑结构包含很多方面，例如网络的度分布、聚类系数、介数中心性、小世界现象和离散同步等。
这些结构特征的研究是我们了解复杂网络而非简单随机网络的重要途径，也可以为我们探究网络结构的演化模式以及形成机制提供帮助。
度分布是网络拓扑结构中最基本的特征之一。
所有节点的度数的概率分布统称为网络的度分布，即网络中节点有多少度的分布情况。
在一般的随机网络中，节点的度数分布呈现出高斯分布，而在社交网络中其实现有所不同。
在社交网络中，节点的度数分布受到“富者愈富”和“弱者愈弱”的影响，即我们通常所说的“马太效应”，而呈现出非高斯分布特征。
这种特殊的度分布特征被称为幂律分布。
除了度分布特征外，聚类系数也是社交网络中常见的网络拓扑结构之一。
聚类系数描述的是节点之间能够相互联系的程度。
在一个高密度的社交网络中，聚类系数通常较高。
这是由于人们更倾向于形成密切联系的社交群体，而聚类系数可以度量社交群体的紧密程度。
介数中心性是SNA领域中另一个非常重要的概念。
介数中心性可以用来衡量网络节点的重要性，被定义为网络中某个节点与其他节点之间最短路径经过它的次数。
社交网络分析方法
社交网络分析方法社交网络分析（Social Network Analysis，SNA）是一种研究人际关系和社会结构的方法，通过分析个体之间的联系，揭示社会系统中的关键节点和信息流动方式。
本文将介绍社交网络分析的基本概念和常用方法。
一、社交网络分析的基本概念社交网络是由一组个体（如个人、组织或国家）及其相互之间的联系构成的。
在社交网络中，个体可以是节点，联系可以是边。
社交网络分析侧重于研究节点之间的关系，通过量化关系数据，揭示网络的整体结构和局部特征。
二、社交网络数据的获取获取社交网络数据是进行分析的前提。
常用的数据来源包括在线社交媒体平台、调查问卷和档案资料等。
在获取数据时，需要注意保护隐私和遵守伦理原则。
三、社交网络的可视化社交网络的可视化是理解和解读网络结构的重要工具。
通过将网络数据转化为图形化形式，可以展示节点和边之间的关系。
常用的可视化软件有Gephi、Cytoscape等。
四、社交网络的常用分析方法1. 中心性分析：通过计算节点在网络中的中心性指标，如度中心性、接近中心性和媒介中心性等，揭示节点的重要性和影响力。
2. 子群发现：通过划分网络中的子群体，发现在特定领域或关系密切的人群。
常用的方法有基于模块性的社区检测算法。
3. 社交影响力分析：通过观察信息传播，研究网络中的信息流动和传播过程，揭示关键节点和信息传播路径。
4. 社交关系预测：通过分析已知的社交网络数据，预测未来节点之间的社交关系。
常用的方法有基于机器学习的社交关系预测算法。
5. 聚类分析：通过测量节点之间的相似性，将节点聚合成具有相似特征的群体。
聚类分析可以帮助研究者发现隐藏在社交网络中的普遍规律和模式。
五、社交网络分析的应用领域社交网络分析已被广泛应用于社会学、心理学、市场营销等领域。
具体应用包括研究组织内部合作关系、分析政治选举中的选民行为、预测疾病传播等。
总结：社交网络分析是一种研究社会结构和人际关系的重要方法。
通过应用各种分析方法和工具，可以揭示社交网络中的关键节点和信息传播方式。
一文读懂社会网络分析(SNA)理论、指标与应用
一文读懂社会网络分析(SNA)理论、指标与应用开新坑！社交网络分析（又称复杂网络、社会网络，Social Network Analysis）是诞生于数学图论、计算机科学、物理学的交叉碰撞中的一门有趣的学科。
缘起：我研究SNA已经有近2年的时光，一路坎坷走来有很多收获、踩过一些坑，也在线上给很多学生讲过SNA的入门知识，最近感觉有必要将心得和基础框架分享出来，抛砖引玉，让各位对SNA感兴趣的同学们一起学习进步。
我的能力有限，如果有不足之处大家一起交流，由于我的专业的影响，本文的SNA知识可能会带有情报学色彩。
面向人群：优先人文社科类的无代码学习，Python、R的SNA 包好用是好用，但是对我们这这些社科的同学来说门槛太高，枯燥的代码首先就会让我们丧失学习兴趣。
特征：类综述文章，主要目的是以通俗的语言和精炼的框架带领各位快速对SNA领域建立起一个全面的认知，每个个关键概念会附上链接供感兴趣的同学深入学习。
开胃菜：SNA经典著作分享《网络科学引论》纽曼 (访问密码 : v9d9g3)2 概述篇：什么是网络？我们从哪些角度研究它？1) 认识网络SNA中所说的网络是由节点（node，图论中称顶点vertex）和边（edge）构成，如下图。
每个节点代表一个实体，可以是人、动物、关键词、神经元；连接各节点的边代表一个关系，如朋友关系、敌对关系、合作关系、互斥关系等。
最小的网络是由两个节点与一条边构成的二元组。
Les Miserables人际关系网络2) 构建网络就是建模马克思说过，“人的本质在其现实性上，它是一切社会关系的总和。
” 事实上，当我们想快速了解一个领域，无论该领域是由人、知识、神经元乃至其他实体集合构成，利用SNA的方法将实体及其相互关系进行抽象和网络构建，我们就完成了对某一领域的“建模”，这个模型就是网络图，拿科学网络计量学家陈超美的观点来说，借助网络图，“一图胜千言，一览无余”。
3) 社会网络类型此处展示常见且常用的网络类型名词，想要具体了解可以点击链接仔细查看！•网络中节点的来源集合异同o一模网络 one-modeo二模网络 two-mode•视角：•边权重o加权网络 weight networko无权网络 unweight networko符号网络 Signed network•关系是否有方向o有向网络 Directed networko无向网络 Undirected network4) 网络分析的5大中心问题SNA可以帮助我们快速了解该网络中的分布格局和竞争态势，“孰强孰弱，孰亲孰远，孰新孰老，孰胜孰衰”，这16字箴言是我学习SNA总结的精华所在，初中级甚至高级的社会网络分析学习几乎完全就是围绕着这四个方面开展，后面将要讲到的理论与方法皆为此服务，希望同学们可以重点关注。
社会网络分析的理论基础及方法应用
社会网络分析的理论基础及方法应用社会网络分析（Social Network Analysis, SNA）是一个应用广泛的领域，因为它不仅涉及到社交媒体，还有商业和科学等众多领域。
然而，为了真正理解社会网络分析的基础和方法应用，有必要通过一个完整的过程来描述其结果以及如何分析和解读数据。
在本文中，我们将讨论社会网络分析的理论基础和方法应用。
理论基础社会网络分析理论基础基于生成网络和性质的概念。
网络生成是指如何通过不同对象之间的联系来建立网络。
为了生成网络，我们需要考虑不同对象之间的联系，这些联系可以是权力关系、信息传播、意见交换或其他关系。
我们可以通过收集数据来建立对象之间的联系。
例如，如果需要分析公司内部的社交网络，我们可以记录员工之间的关系，例如通讯录、社交媒体账号等。
同时，社会网络分析的性质是一个理论框架，用于描述网络中对象之间关系的性质。
具体来说，社会网络分析的性质包括：节点、边缘、度数、中心性、聚集性、连通性等。
这些属性可用于描述网络中的对象和他们之间的连接，并提供了洞察网络关系的有力工具。
例如，度中心性可用于评估每个节点与网络中其他节点的联系性，而连通性可用于描述网络中对象群体之间的联系。
方法应用社交媒体网站、商业网络和科学实验是社会网络分析的最常用应用领域之一。
其中，社交媒体是最常见的应用领域。
例如，社交媒体平台（网络）可以通过社交网络分析的方法研究个人之间的联系、品牌之间的交流以及意见领袖的影响力等。
另一个常见的应用领域是商业网络。
商业网络分析不仅可以用于评估组织的组织结构，还可以用于识别具有影响力和领导力的雇员。
这样做可以帮助企业更好地绩效和发展。
通过分析网络的聚合和分离，商业网络分析不仅可以评估雇员之间的联系，还可以评估企业之间的联系。
最后，社会网络分析在科学实验中的应用也非常普遍。
例如，社会网络分析已经成为解决生态系统管理的工具之一。
例如，受到环境不良影响的物种数量可以通过分析物种之间的联系来提高生态系统的健康。
典型的社会网络分析软件工具及分析方法
典型的社会网络分析软件工具及分析方法典型的社会网络分析软件工具及分析方法社会网络分析（Social Network Analysis，SNA）是一种通过研究和分析个体之间的关系，揭示社会结构和模式的方法。
随着社会网络的迅速发展，社会网络分析在社会学、管理学、计算机科学等领域得到了广泛应用。
为了更好地进行社会网络分析，学者和研究者们设计并开发了许多社会网络分析软件工具，以支持分析方法的实施。
本文将介绍几种典型的社会网络分析软件工具以及常用的分析方法，包括UCINet、Gephi、Pajek和NodeXL。
第一个软件工具是UCINet，它是一种强大的社会网络分析软件，被广泛用于研究社交网络。
UCINet提供了多种分析方法，如社会网络中心性的测量、关键成员的识别、协同过滤算法等。
UCINet还提供了网络图可视化功能，可以清晰地展示网络的拓扑结构和关系。
第二个软件工具是Gephi，它是一种基于图表的开源软件，用于进行网络分析和可视化。
Gephi拥有用户友好的界面和强大的分析功能，可以帮助用户以图形方式探索和理解网络数据。
该软件提供了多种社会网络分析算法，包括节点度中心性、介数中心性和特征向量中心性等。
用户可以利用这些算法来量化和比较不同节点之间的重要性。
第三个软件工具是Pajek，它是一款广泛用于社会网络分析的软件，适用于处理大规模和复杂的网络数据。
Pajek的核心功能是对网络进行可视化和分析。
它提供了许多经典的社会网络分析方法，如集群系数、路径长度、社群检测算法等。
Pajek还支持用户自定义的扩展功能，使其可以适应不同的研究需要。
第四个软件工具是NodeXL，它是一种基于微软Excel的社会网络分析工具。
NodeXL提供了方便易用的界面和强大的分析功能，适用于学术研究和商业数据分析。
用户可以轻松地导入和处理网络数据，并使用内置的分析算法对网络进行可视化和分析。
NodeXL还支持导出结果到多种格式，方便用户进一步的数据处理和展示。
使用Python进行社交网络分析的实用方法
使用Python进行社交网络分析的实用方法社交网络分析（Social Network Analysis, 简称SNA）是一种研究人们之间关系和互动的方法。
借助SNA，我们可以更好地理解和分析社交网络中的信息流动、影响传播以及社交群体的结构和演化。
在本文中，我将介绍使用Python进行社交网络分析的一些实用方法。
首先，我们需要安装和导入一些Python库，以便于进行社交网络分析。
其中最常用的库包括networkx、matplotlib和numpy。
可以通过以下命令进行安装：```pythonpip install networkx matplotlib numpy```导入这些库后，我们可以开始构建和分析社交网络。
首先，我们需要创建一个空的图形对象，可以使用networkx库的Graph类来实现：```pythonimport networkx as nxG = nx.Graph()```接下来，我们可以添加节点和边到图中。
节点代表社交网络中的个体（如个人、组织或网页），而边则表示个体之间的关系。
例如，我们可以使用add_node()方法添加节点，使用add_edge()方法添加边：```pythonG.add_node('Alice')G.add_node('Bob')G.add_edge('Alice', 'Bob')```此外，我们还可以通过读取数据文件或通过API提取数据的方式构建社交网络。
在使用这些方法时，请确保你的数据格式符合networkx库的要求。
一旦我们构建好了社交网络，我们就可以进行各种分析。
以下是一些常用的社交网络分析方法：1. 节点度分析（Node Degree Analysis）：度是节点的连接数，表示节点在社交网络中的重要性。
可以使用degree()方法计算节点的度。
```pythondegree = G.degree('Alice')print(degree)```2. 中心性分析（Centrality Analysis）：中心节点在社交网络中具有较高的影响力和重要性。
社交网络分析
社交网络分析社交网络分析（Social Network Analysis，SNA）是一种关注社会关系、组织结构和信息传播的研究方法。
通过分析个体之间的关系，了解网络中的节点和连接模式，揭示社会系统的结构和动态特征。
本文将介绍社交网络分析的概念、应用领域以及分析方法，并探讨其在实际中的意义和局限性。
一、社交网络分析的概念社交网络分析是一种定量研究方法，用来描述和解释社会系统中个体之间的关系。
在社交网络中，个体可以是人、组织、国家等。
节点代表个体，边表示个体之间的关系，例如友谊、合作、信息流动等。
社交网络分析注重研究整个网络的结构和模式，以及节点在网络中的位置和角色。
二、社交网络分析的应用领域1. 社会关系研究：社交网络分析可用于研究人际关系，揭示个体在社会中的位置、社会资本的积累以及关系网络的形成和演变。
2. 组织研究：社交网络分析可以帮助企业了解组织内部的关系网络，优化人际协作和信息流动，提高组织绩效。
3. 网络营销：社交网络分析可以用于揭示消费者之间的联系，发现关键节点和意见领袖，为营销策略的制定提供参考。
4. 社会传播：社交网络分析可揭示信息在社交网络中的传播路径和影响力，帮助理解信息扩散的规律。
三、社交网络分析的方法1. 社交网络的数据收集：数据收集是社交网络分析的基础。
可以通过调查问卷、观察、互动实验等途径收集社交网络数据。
2. 社交网络的可视化：利用图形工具，将收集到的社交网络数据进行可视化呈现，直观显示网络的结构和节点之间的联系。
3. 社交网络的度量指标：通过计算度量指标，如中心度、介数中心度、聚集系数等来揭示节点的重要性和网络的整体性质。
4. 社交网络模型建立：通过建立模型，分析网络的结构和特征，探寻网络中的核心节点、小团体和信息传播路径。
四、社交网络分析的意义和局限性社交网络分析可以帮助研究者深入了解个体和群体之间的关系及其变化规律，揭示社会系统的运作机制。
它为管理决策、社会干预和网络安全等提供了理论支持。
社会网络分析方法
社会网络分析方法
社会网络分析是一种研究人际关系和社会交往的方法，通过分析人们在社交媒体平台上的互动、信息传播和关系网络等行为，来揭示社会结构和个体之间的互动模式。
下面介绍几种常见的社会网络分析方法。
1. 社交网络分析（Social Network Analysis，SNA）：通过构建和分析社会网络图，研究人际关系、信息传播的路径和网络中的重要节点。
常用的指标包括度中心性、接近中心性、介数中心性等。
2. 社交网络挖掘（Social Network Mining）：利用数据挖掘和
机器学习技术，从社交网络数据中提取有价值的信息，如社区发现、用户属性分析、用户行为预测等。
3. 社会网络演化分析（Social Network Evolution Analysis）：
研究社交网络的变化规律和演化趋势，探索网络结构的生命周期、新节点加入和旧节点退出的影响等。
4. 影响力分析（Influence Analysis）：通过分析社交网络中的
关系和信息传播路径，衡量和评估个体或节点对整个网络的影响力和传播效应。
5. 社交网络可视化（Social Network Visualization）：利用可视
化技术将社交网络图形化展示，帮助人们更直观地理解和分析社会网络的结构和关系。
6. 社交媒体分析（Social Media Analysis）：研究社交媒体上
用户的行为、观点和关系，揭示社交媒体对社会活动和舆论的影响。
常见的分析方法包括情感分析、话题检测和用户分类等。
以上是几种常见的社会网络分析方法，它们为深入理解和解读人际关系和社会交往提供了有力工具。
社会研究中的社会网络分析方法
社会研究中的社会网络分析方法社会网络分析（Social Network Analysis，简称SNA）是一种研究人际关系与社会结构的方法。
通过对个体之间的联系和相互作用进行分析，揭示出社会关系的本质和模式，从而洞察社会系统的结构和演化规律。
本文将介绍社会网络分析的基本概念、研究方法以及在社会科学研究中的应用。
一、社会网络分析的基本概念社会网络是由个体（或组织、国家等）之间的关系构成的连接系统，关系可以是各种联系方式的集合，例如亲属、友谊、合作等。
社会网络分析通过收集这些联系的数据，并将其转化为图形模型，以揭示个体之间相互依存的关系。
在社会网络分析中，有三个核心概念需要了解：1. 节点（Node）：指个体或组织，在社会网络中代表一个实体。
节点可以是人、团体、组织、国家等各种实体。
2. 边（Edge）：指连接节点之间的联系或关系。
边可以表示亲属关系、友谊关系、工作关系等，用于描述节点之间的连接。
3. 度（Degree）：指节点的度量，表示一个节点与其他节点之间存在的联系数量。
度可以分为入度和出度，即节点接收或发起联系的数量。
二、社会网络分析的研究方法社会网络分析主要以定量分析为主，借助数学模型和统计方法来揭示社会关系的特征和规律。
下面介绍几种常见的研究方法：1. 中心性分析：通过计算节点的中心性指标，评估节点在网络中的重要程度。
中心性可以有多种度量方法，如度中心性、介数中心性和接近中心性等。
2. 子群分析：将网络中的节点划分为不同的子群或社区，研究各子群内的关系紧密程度和相互作用模式。
常用的子群划分方法包括Modularity、Louvain算法等。
3. 结构洞分析：研究网络中的结构洞，即存在于网络中的连接缺口。
结构洞研究关注信息传播、资源流动以及创新等方面的影响。
4. 社会资本分析：关注社会网络对于个体资源获取和利用的影响。
社会资本可以分为结构性资本、关系性资本和认知性资本等，研究其对个体行为和社会机制的作用。
社交网络数据分析与可视化研究
社交网络数据分析与可视化研究随着社交网络的普及和流行，人们在日常生活中越来越多地使用社交媒体平台来进行交流、分享和获取信息。
这些社交网络平台积累了大量的用户数据，包括个人资料、社交关系、发帖内容等。
这些数据对于理解人们的行为、观点和关系网络非常重要。
因此，社交网络数据分析与可视化研究变得越来越重要。
首先，社交网络数据分析可以帮助我们了解人们的行为和偏好。
通过分析用户的发帖、评论和点赞等行为，我们可以了解用户的兴趣爱好、观点倾向和行为模式。
这对于广告商和市场营销人员来说非常有价值，他们可以根据分析结果制定精准的广告策略和推广计划。
同时，对于社交平台本身来说，了解用户行为可以帮助平台优化用户体验、改进产品和服务。
其次，社交网络数据分析可以揭示人们之间的社交关系网络。
社交网络平台允许用户建立朋友关系、关注其他用户，并与他们进行交流和互动。
通过分析用户之间的关注关系、消息互动和社交群体的形成，我们可以了解人们的社交圈子、民意倾向和社交网络的结构。
这对于政府、学术研究机构和企业来说都具有重要意义。
政府可以通过社交网络数据分析了解民意动向、政策影响和社区状况，以便更好地制定决策和政策。
学术研究机构可以利用社交网络数据分析来研究社交网络的特性和影响因素，以推动学术研究的发展。
企业可以利用社交网络数据分析了解消费者的喜好和口碑，以提升产品和服务质量。
另外，社交网络数据分析还可以用于舆情监测和社会事件研究。
社交网络平台是人们表达观点、分享新闻和讨论热点话题的重要渠道。
通过对用户发帖内容和评论的分析，可以了解人们对不同话题的态度、关注度和情感倾向。
这对于舆情监测机构、新闻媒体和社会科学研究者来说非常有价值。
舆情监测机构可以利用社交网络数据分析及时了解公众对某个事件或话题的反应，以便及时回应和处理。
新闻媒体可以通过社交网络数据分析了解公众关注度高的新闻事件和热点话题，以便优化新闻报道和编辑选题。
社会科学研究者可以利用社交网络数据分析研究公众舆论形成的过程和影响因素，以推动社会科学研究的进展。
关于大数据研究热点及发展趋势的具体分析
关于大数据研究热点及发展趋势的具体分析随着和因素技术的发展，大数据研究正处于一个昌盛的时期。
本文从宏观角度解析了当前大数据研究的发展热点，在介绍大数据研究的基本概念和应用之前，深入探讨了大数据研究的发展趋势主要包括社会网络分析（SNA）、机器学习（ML）、数据可视化（DV）、虚拟现实（VR）等热点领域。
研究表明，SNA可以帮助分析社会网络产生的分析，ML可帮助分析海量数据，DV则是一种新兴的技术，可以使用户快速掌握大量的复杂数据模型，并使其具有可视化的思维，而VR则为用户带来了更多可能性，可以全息看到大数据模型。
此外，还介绍了大数据研究的发展前景，主要集中在数据安全、云计算、人工智能和自动化领域。
【绪论】随着社会和经济的发展，科学技术和信息技术也在不断发展，一种叫做“大数据”的技术也正在蓬勃发展。
大数据是由大量多源数据组成的数据集，这些数据具有大量的量级，采集和处理的数据的类型也很多，包括结构化数据、半结构化数据和非结构化数据等。
从本质上讲，大数据是有关处理海量数据的计算机科学技术。
它将数据从多个源收集，然后使用特定的算法进行模型建模分析，以发现解决问题的潜在规律，从而让业务决策更加快捷精准。
大数据研究已成为当今各行各业的重要内容，也受到各社会领域的重视。
大数据可以应用于商业、社会科学和工程等学科，它的实践应用也用于查找普通消费者的行为特征，解决企业市场定位、推出产品和营销活动等问题，有助于商业分析、金融投资、智能建筑研究等多领域。
本文从宏观角度解析当前大数据研究的发展热点，旨在揭示技术的发展趋势，为研究者提供关于大数据的有用信息。
【大数据研究热点】大数据研究是一种重要的技术，在分析大量数据、模型建模，还有可视化技术等多领域都在不断发展。
根据研究表明，以下是当前大数据研究的几大热点：（1）社会网络分析（Social Network Analysis，SNA）：是指从社会网络中提取信息，进行分析，找出社会网络中的规律，从而推断出人际关系网络的趋势。
社会网络分析的发展现状与未来趋势分析
社会网络分析的发展现状与未来趋势分析社会网络分析（Social Network Analysis，简称SNA）是一种研究人际关系、信息传播和组织结构等问题的工具和方法。
随着互联网的普及和社交媒体的兴起，社会网络分析在学术界和实践中得到了广泛的应用。
本文将探讨社会网络分析的发展现状和未来趋势，希望能为该领域的研究者和从业者提供一些参考。
社会网络分析的发展现状可以从如下几个方面来考察：应用领域、方法手段和技术支持。
首先，社会网络分析的应用领域越来越广泛。
在学术界，社会网络分析不仅仅是社会学领域的研究方法，还渗透到了管理学、心理学、传播学等多个学科领域。
研究者们运用社会网络分析的方法，揭示出了组织结构、信息传播、合作关系等方面的规律和机制。
在实践中，社会网络分析广泛应用于企业的组织架构优化、团队合作效能提升、市场营销推广等方面。
此外，社会网络分析也被应用于社会问题的解决，如疾病传播的控制、恐怖组织的网络分布分析等。
其次，社会网络分析的方法手段不断创新。
传统的社会网络分析主要依赖于问卷调查和人工分析，但这种方式需要大量的人力物力，并且容易受到主观因素的影响。
随着互联网的普及，更多的数据变得可以被获取和分析。
基于大数据和计算机技术的社会网络分析方法，不仅可以更全面地捕捉到人际关系和信息传播的特征，还可以实现更高效的分析和可视化。
例如，通过挖掘社交媒体上的用户行为数据，可以对用户的兴趣爱好、社交圈子等进行精准分析，为企业和决策者提供决策支持。
最后，技术支持也是社会网络分析发展的重要推动力。
随着计算机和信息技术的快速发展，社会网络分析的研究者和从业者可以利用各种软件和工具来辅助他们的工作。
例如，Gephi、UCINet、Pajek等软件可以帮助研究者进行网络数据的整理和分析，通过可视化的方式展现网络结构和关系；Python和R等编程语言也被广泛运用于社会网络分析中。
同时，人工智能和机器学习的技术进步，也为社会网络分析提供了更多的可能性。
互联网下的社会网络分析及应用
互联网下的社会网络分析及应用互联网的普及和社交媒体的兴起，使得社交网络在我们的日常生活中变得越来越重要，社交媒体平台如Facebook、Twitter、LinkedIn等已经成为人们进行社交和交流的主要途径。
然而，社会网络的复杂性以及海量的数据却给我们的分析和应用带来了巨大的挑战。
本文将介绍社会网络分析的基础知识和最新应用，并讨论社会网络数据的隐私和安全问题。
一、社会网络分析简介社会网络分析(Social Network Analysis, SNA)是一种研究人际关系、社会组织、信息传播和影响力等社会现象的研究方法。
它主要关注人与人之间的关系，并将这些关系表示为节点和边。
节点代表一个人、组织或概念，而边则表示这些节点之间的关系。
通过社会网络的拓扑结构，可以分析节点之间的关系、群体内部的互动和信息传播等社会行为。
社会网络分析的基础理论是图论和网络科学。
图论是一种研究图形和图形之间关系的数学分支。
网络科学则是一种跨学科研究领域，它将图论、计算机科学、统计学、物理学和社会学等不同学科的理论和方法应用于网络的研究。
社会网络分析的应用非常广泛，包括社交媒体分析、市场营销、组织管理、社会心理学等领域。
在社交媒体分析中，社会网络分析被用来分析用户之间的关系和影响力，帮助企业和组织了解用户偏好和需求。
在市场营销中，社会网络分析被用来发现潜在的消费者群体和推行口碑营销策略。
在组织管理中，社会网络分析被用来优化组织架构和沟通网络，提高团队合作和知识分享。
在社会心理学中，社会网络分析被用来研究人际关系和社会网络的演化过程。
二、社会网络分析的方法和工具社会网络分析的方法主要包括网络度量、社区分析、中心性分析和节点分类。
网络度量用来描述网络拓扑结构的基本特征，如节点数、边数、网络密度、平均路径长度和聚集系数等。
社区分析则用来识别网络中的社区和群体，揭示其内部的互动和规律。
中心性分析则用来评估节点在网络中的重要性，包括度中心性、介数中心性和接近中心性等指标。
社交网络分析与应用研究
社交网络分析与应用研究随着互联网的普及和社交媒体平台的兴起，人们逐渐将日常生活的一部分转移到了虚拟社交网络的平台上。
通过社交网络，我们可以随时随地与朋友、家人和同事保持联系，分享生活中的点点滴滴。
但是，社交网络并不仅仅是一个信息传播的工具，它还蕴含着庞大的信息资源和潜在的应用价值。
社交网络分析与应用研究便是对这个庞杂但又充满挖掘空间的领域进行深入探讨和研究。
一、社交网络分析的概念与方法社交网络分析（Social Network Analysis，简称SNA）是一种研究社交关系的科学方法。
它通过识别和分析个体之间的相互作用、联系和关联，揭示人类社会组织形式、信息传播规律和社交影响力的研究方法。
社交网络分析主要涉及网络图论、社交网络可视化、社区发现、节点中心性等多个研究领域。
在社交网络分析中，网络图论是一个基础性的概念。
它将个体（节点）和个体之间的关系（边）以图的形式来表示和描述。
网络图论可以帮助我们认识网络的结构特征和组织形式。
此外，社交网络可视化技术也是社交网络分析的重要手段之一。
通过将社交网络以图形的方式呈现出来，人们可以更直观地了解网络中个体之间的相互作用和连接方式。
社区发现是社交网络分析中的一个研究热点。
在一个庞大而复杂的网络结构中，通过社区发现技术可以将网络划分成若干个内部紧密、外部疏离的子群体。
社区发现技术可以帮助我们深入了解人们在网络中的交流和互动方式，为社群管理和信息过滤提供依据。
二、社交网络分析在商业领域的应用社交网络分析不仅仅是一门学科，它还具有广泛的应用价值。
在商业领域，社交网络分析可以帮助企业进行市场推广、品牌建设和营销策略的制定。
首先，在市场推广方面，社交网络分析可以帮助企业发现目标消费群体，分析潜在消费者之间的联系和影响力。
通过对社交关系网络的分析，企业可以了解消费者的喜好、需求和购买行为，精准地推送个性化的产品和广告。
其次，在品牌建设方面，社交网络分析可以帮助企业识别品牌传播的关键节点和影响力人物。
- 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)。
情报、信息与共享Intellige nce ,Inf ormation &S haring[基金项目] 本文系国家社会科学基金资助项目“社会网络分析在企业知识共享中的应用研究”(09BT Q022)的研究成果之一。
[作者简介] 赵蓉英,女,1966年生,教授,博士生导师,武汉大学科学评价研究中心副主任;王静,女,1986年生,硕士生。
社会网络分析(SNA )研究热点与前沿的可视化分析Research of International Social Network Analysis in Frontier Domains in Visualized Inf ormation赵蓉英 王 静(武汉大学信息资源研究中心,武汉大学科学评价研究中心,武汉,430072)[摘要] 本文首先对ISI Web of Knowle dge 数据库中收录的以社会网络分析(SNA )为主题的文献的时空分布进行了分析;然后利用信息可视化软件CiteSpace 绘制出社会网络分析(SNA )的代表人物、代表作的知识图谱,并对其进行了分析;最后通过检测词频变动趋势显著的主题词确定出国际社会网络分析(SNA )研究的前沿领域和发展趋势,并绘制出国际视野下的社会网络分析(SNA )研究热点与研究前沿的知识图谱。
[关键词] 社会网络分析 研究热点 研究前沿 知识图谱 CiteSpace Ⅱ[中图分类号] G 203 [文献标识码] A [文章编号] 100322797(2011)0120088207[Abs t ract ] The distribution of time ,geographic regions for the published papers regarding to Social Network Analysis wasanalyzed by making use of the newly developed information visualization methods ,and the co -citation data records retrieved from ISI Web of Knowledge ,then draw the knowledge map of Cited Author ,Cited Reference on Social Network Analysis .And confirms the research edge and trend of international research on Social Network Analysis by detecting subject headings whose word frequency fluctuation are significant ,and draws the knowledge map of them by using Citespace.[Ke y w ords ] Social Network Analysis ,research edge ,knowledge map ,CiteSpace Ⅱ 最初对社会网络感兴趣的是英国著名的人类学家布朗(Radcliffe Brown ),他在对社会结构的关注中,以相对来说非技术的形式提出了“社会网络”的思想(参见布朗,1999)。
从30年代到70年代,越来越多的社会人类学家和社会学家开始构建布朗的“社会结构”概念,认真思考“社会结构”和“社会网络”这些概念和隐喻。
这些结构化的隐喻目的在于理解“相互缠绕”和“关联在一起”的关系,而社会行动恰恰是通过这些关系组织在一起的。
渐渐的,“社会网络”这个隐喻步入学术殿堂。
社会网络的一些关键概念也应运而生,诸如“密度”(density )、“中心度”(centrality )、“三方关系”(triad )等概念如雨后春笋,纷纷涌现[1]。
概括地讲,社会网络分析是对社会关系结构及其属性加以分析的一套规范和方法。
它主要分析的是不同社会单位(个体、群体或社会)所构成的关系的结构及其属性[2]。
从20世纪70年代以来,一部分社会网络专家利用形式化方法表征各种概念,出现了许多网络分析技术,网络分析也开始得到广泛的应用。
随着互联网的兴起,社会网络分析和各类网络应用彼此也有着,或者说,潜在有着巨大的互相推动作用。
一方面,在线的人际数据非常便于获取,大量的Blog ,或者新型的SNS (社交网站)上能够直接展现人际的交往关系,如果今天我们需要研究Blog 圈,只要顺着超链接往下找,很短时间内就能积累数百万的样本;另一方面,愈加廉价的计算和存储资源,更先进的算法和模型,也让SNA有机会在更多的领域大展身手。
20世纪90年代以来,社会网络分析得到了广泛的应用,其主要应用领域扩展到了几乎所有的人类活动领域。
当今社会发展的一个基本趋势,就是从相对封闭的小群体生活走向日益开放的网络化生活。
本文旨在对社会网络分析(SNA)研究领域的代表人物、代表作品、本领域研究热点和前沿进行定量考察和可视化分析,绘制出的图谱形象的展示出社会网络分析(SNA)领域的代表人物、代表作品、热点领域以及研究前沿,突破了传统的分析方法,使广大学者能够更加直观的了解社会网络分析(SNA)的研究内容。
1 方法和数据来源本文采用的可视化技术(Cite Space软件)是美国德雷塞尔大学的陈超美博士基于JAVA平台开发的一种以定量分析为主的知识图谱的绘制方法。
Cite Space是在科学文献中识别并显示科学发展新趋势和新动态的一种通用方法的最新研究进展,它属于多元、分时、动态的第二代信息可视化技术。
其独到之处在于,用Cite SpaceⅡ[3]绘制的一幅科学图谱上,能够显示一个学科或知识域在一定时期发展的趋势与动向,形成若干研究前沿领域的演进历程。
本文进行分析使用的数据均来自于Web of K nowledge数据库中的文献。
我们以“Social Network Analysis”(社会网络分析)为主题词,在默认年份(1986～2010203220)状况下进行检索,将结果按年份保存下来,每一条数据记录主要包括文献的作者(Authors)、题目(T itle)、摘要(Abstract)和文献(Descriptors and Identifiers)的引文。
最后获得1993～2010年间共计2403篇文献,被引频次14967次。
(数据下载日期为2010年3月20日)在计量分析中,设置“T ime Scal2 ing”的值为l,将1993～2010年的18年分成18个时段进行分段处理。
对数据进行时间分段处理主要考虑以下两个方面:一是Cite Space软件在设计和运行过程中采用了“分治策略”原理。
分治策略的思想就是,将一个难以直接解决的大问题,分割成一些规模较小的相同问题,以便各个击破,分而治之。
分治的基本思想是将一个规模为n的问题分解为k个规模较小的子问题,这些子问题互相独立且与原问题相同。
找出各部分的解,然后把各部分的解组合成整个问题的解[4],这样做有利于软件的运行速度和准确度;二是采用这种形式有利于辨识学科演进的突出拐点和学科前沿的时态模式。
2 社会网络分析(SNA)文献分布情况2.1 时间分布图1所示为Web of K nowledge数据库中以“Social Network Analysis”(社会网络分析)为主题词,在默认年份(1986～2010203220)状况下的检索结果按年份显示,我们可以清楚的看到,相关文献是从1993年开始出现的,开始比较少,但随着时间的变化,文献数量逐渐增多,1993～2009年间,文献发表数量呈现递增趋势。
图1 ISI Web of K nowledge数据库中社会网络分析(SNA)文献的发表情况2.2 地域分布根据Web of K nowledge数据库中检索到的数据,按照国家分布分析可知,美国在社会网络分析(SNA)领域中发文最多,为808篇,其次为中国大陆地区,中国台湾地区紧随其后,发文57篇,位列第三。
其中发文量排名第二的中国地区,发文量较多并处于优势地位的机构有浙江大学20篇,武汉大学17篇,中国香港大学15篇,大连理工大学,北京大学11篇,清华大学10篇等等。
3 社会网络分析(SNA)研究领域核心作者及其代表作利用CiteSpace信息可视化软件对前文确定的1993～2010年间共计2403篇文献数据信息进行可视化分析。
运行得到社会网络分析(SN A)文献共被引网络知识图谱社会网络分析(SNA )研究热点与前沿的可视化分析Res earch of Int ernational S ocial Net w ork Analysis in Frontier Domains in Vis ualized Inf ormation赵蓉英 王 静(图2),其中包括节点286个,连线1013条。
3.1 社会网络分析(SNA )研究领域早期研究者及其代表作品运用Cite Space 软件进行文献共被引网络分析,能够较为直观的识别学科领域的经典基础文献[5]。
由图2可见,社会网络分析(SNA )的思想最早可以追溯到1948年纽约无线电工程师学会(The Institute ofRadio Engineers ,缩写为IRE )的BM Oliver ,J R Pierce ,和CE Shannon 三位作者共同撰写的《脉冲编码调制原理》(The philosophy of PCM )一文。
该文是为想要了解脉冲编码调制原理,而不是试图设计一个系统的读者而写的。
文中也介绍了“脉冲编码调制原理”(PCM )的一些优势以及与其他的一些宽带系统的区别[6]。
图2 社会网络分析(SNA )文献共被引知识图谱3.2 社会网络分析(SNA )研究领域关键节点文献在文献共被引网络中,不同聚类之间通过关键节点相连接,根据陈超美博士的定义,共被引网络图谱中的关键节点是图谱中连接两个以上不同聚类,且相对中心度和被引频次较高的节点。
这些节点可能成为网络中由一个时间段向另一个时间段过渡的关键点[7]。
所以,确定研究领域的关键节点是进行计量分析的关键环节。
假设Ψα和Ψβ分别是t 时刻和t +△t 时刻产生于Ωα=Φ(Ψα)和Ωβ=Φ(Ψβ)知识基础上的、以文章α和文章β为标识的主要研究前沿,并形成分别以文章α和文章β为中心的两个共被引文献聚类。
连接这两个聚类路径上的文章[p (i )]描绘了从Ψα向Ψβ转变的特征,我们将这样的[p (i )]称作关键节点[8]。
对图2中的关键节点文献分析我们可以得出,在上述社会网络分析(SNA )文献共被引知识图谱中,共包含了7个关键文献节点(见表1),具体分析如下:表1 共被引网络图谱关键节点信息节点作者发表年作品载刊半衰期被引频次中心度G R A NOVET.MS 1973A M J SOCI O L 231030.25FREE M A N LC 1979SOC NETW ORK S 171550.17NEW M A N ME J 2001PHY S RE V E 22500.15W A TTS D J 1998N A T URE 51250.15A LBE RT R 1999N A T URE 5340.12BAR A BASI A L 1999SCIE NCE 41250.11BOCC A LETTI S2006PHY S REP1180.1 美国约翰斯霍普金斯大学著名的经济社会学家Mark S.G ranovetter 是社会网络分析(SNA )研究界一个比較重要的人物,他在1973年发表于美国社会学杂志(AJ S )上的文章《弱关系的力量》(The strength of weak ties )。