1.2.1 社交网络分析研究方向

1.2.1 社交网络分析研究方向

信息传播

社交网络分析也就是SNA的研究展现出多角度、多层次的特性，1967年Stanley Milgram在他发表的The Small World Problem也就是小世界问题里提出了六度分隔理论，在这篇文章当中，他借助连锁信实验的成果，提出了声名远扬的六度分隔理论，就是说任何两个彼此不认识的美国人之间，平均仅仅需要经由六个人就能够构建起联系，这一理论揭示了人际网络里人们关系的紧密程度，并且对后续的社交网络研究产生了深刻影响。

关于对信息传播展开的研究，主要区分为流行度分析、信息传播建模、信息溯源这三个层面。专门针对流行度分析而言，由Szabo以及Huberman等人提出来了SH模型，凭借回归来进行分析借此对信息的流行度予以预测。他们给流行度分析构建理论支撑，运用数学模型以及数据分析办法爱游戏最新官网登录入口，探究信息流行度的形成和进而的演化机制。胡长军等撰写的《在线社交网络信息传播研究综述》，系统统筹归结出流行度预测以及流行度演化分析的法子，涵盖基于回归分析、用户行为以及时间序列的各类法子。

较为常用的信息传播诸多模型里，主要存在独立级联模型，也就是in - dependent cascade model，简称IC，还有线性阈值模型，即linear threshold model，简称LT，以及传染病模型当中的SI模型、SIS模型、SIR模型、SIRS模型、SEIR模型等。Myers和Leskovec针对多条信息于社交网络内的竞争与合作机制展开了研究。他们依据博弈论以及传染病模型，剖析复杂信息交互对于传播效果所产生的影响，进而构建了更为精细的传播模型。在2001年的时候，Domingos和Richardson提出了基于马尔可夫随机场（Markov random field）的社交网络影响力模型，此模型主要是用来分析社交网络里用户行为之间的相互依赖关系的，尤其是在信息传播以及影响力扩散的过程之中。在方滨兴等人所著的《在线社交网络分析》这本书里，介绍了单信息传播建模的方法，还介绍了多信息传播建模的方法，尤其是涉及基于复杂网络理论以及动态变化特性的模型，这种模型借助改进传统传播模型，着重考虑时间延迟、异步传播等诸多因素，从而能够更为准确地去描述信息传播的过程 。

信息溯源领域的研究起始时间比较早，其理论根基相对扎实些，研究运用的方法具备多样、精细的特性。不少学者不但留意溯源算法自身的准确程度以及效率怎么，而且着重看待溯源技术于公共健康、信息传播控制等范畴之内的运用情况。举例来说，Lokhov等人推出了一种借助 Dynamics Message Passing Algorithm 的溯源 pathway，依靠网络里节点之间的连系状况，以及观测得出的感染情形状况等诸般信息，反过来揣度剖析出最有可能的感染源头所在之处。此方法在复杂的网络环境条件之下展现出了比较高的准确程度以及效率表现。在他们所进行的研究当中，运用了三种算法，分别是动态信息传递算法，还有SIR模型假设法以及统计推理法。动态信息传递算法借助于在网络里迭代去传递信息，以此来更新每一个节点作为潜在源头的概率。在每一次迭代之际，每一个节点依据其邻居节点的状态以及连接关系，计算并且更新其被感染的概率，进而逐渐地向真实的感染源靠拢。SIR模型假设法的做法是，先对信息传播进行假设，使其遵循SIR这个易感者-感染者-恢复者模型，也就是处在节点的状态会是易感、感染或者恢复这三种状态当中的一种，它并且会依据一定概率在这些状态之间，进行状态转换 。之后再去结合动力学信息传递以及统计推理的方法，针对网络里每个节点作为源头具有的可能性与否，展开评估以及排序 ，直至最后明确最有可能是感染源的节点 。Prakash等人开展研究 ，其所探讨的问题是在不完全时间戳条件之下的信息溯源问题 ，并且为此提出了基于部分观测数据的溯源算法 。Zang等人针对社交网络里发现多个信息传播源节点这一问题展开了研究，进而提出一款基于反向传播与节点分区的多源溯源方法。国内的学者于信息溯源领域着重关注复杂社交网络结构情形下的高效且准确溯源方式。其究方法涵盖基于节点属性的方法、基于传播模型的推理法以及融合大数据和机器学习的创新方法。胡长军等人对信息溯源的基本方法、挑战和最新进展做了综述，还介绍了基于中心度测量、统计推理等的多种溯源技术。方滨兴等人探讨了社交网络分析里头的信息溯源问题，尤其是在并不完全观测状况下的溯源办法。

情感分析

1924年，英国著名人类学家Radcliffe-Brown（拉德克利夫-布朗）最早提出此社交网络分析，他认为要对社会结构予以分析，还呼吁学界开展社会网络的系统研究以及分析。情感分析（sentiment analysis）是作为一种针对自然语言处理（NLP）的技术发展起来的，其目的在于对人类言论等行为所表达的情感导向加以分析。社交网络分析里的情感分析，从严格意义来讲爱游戏app官方网站登录入口，是属于观点挖掘的范畴，它依据用户于社交网络那儿的一系列譬如评论、点赞这类行为，凭借心理学、行为学等理论当作基础，运用自然语言分析处理技术等方法，去分析社交网络用户有关实体像产品、事件、观点、个人等所表达的观点以及情感倾向等 。

只因互联网技术飞速往前发展着，在线社交网络像Facebook、Twitter、微博这般快速地兴起了，变成大家平常生活里绝对不能缺少的一部分，这些平台给用户给予了用来分享生活、表述观点以及情感的空间，进而产生了数量众多的用户生成内容，也就是UGC，这里面涵盖着文本、图片再有视频等 。社交网络数据具备规模庞大的特性，具有动态性，还呈现出多样性等特点，它为情感分析提供了丰富的数据源，并且这些数据涵盖了用户的真实情感表达，对理解公众情感而言具有重要意义，对于预测社会事件等同样有着重要意义。这致使企业、政府以及学术界对理解公众情感的需求不断增长，使得情感分析成为自然语言处理，也就是NLP领域的一个研究热点。而情感分析意在从文本数据中提取情感信息，像情感倾向、情感强度等，以此来支持决策制定、市场研究以及舆情监控等应用。这些有着特殊性的情感处理需求，和情感分析的特定效果相结合，使得情感分析应用变得格外重要。

社交网络分析与情感分析相互结合，这是计算机科学、社会学以及心理学等多个学科交叉融合所产生的结果，不同领域的学者从自身学科的角度针对这一问题展开研究，进而推进了情感分析在社交网络分析方面的应用以及发展。

社区发现

社区发现（community detection），这意味着啥，是在社交网络里头做一件挺重要的事，此事是识别，并且提取出那样的节点子集，抑或是群体，什么样的节点子集或群体，是具有高度内部连接的，这整个过程就是社区发现。社区，它一般代表着社交网络里结构紧密的，还有联系密切的子群体，比如朋友群，还有兴趣小组，或者专业网络。发现这些社区，对啥有重要意义，对理解网络的结构和功能它有重要意义。在社交网络分析里头，关于社区发现这方面的研究，已经取得了丰硕的成果，而且还发表了大量相关文献 。这些研究不但给出了好些社区发现算法，还探究了社区发现在多个领域的使用，像社会网络分析领域，信息传播领域，推荐系统领域。在归于社区发现算法的些许成果当中，比较常见的有基于模块度的优化算法，谱聚类算法，标签传播算法，还有动态社区发现算法等 。

在基于模块度的优化算法里头，比较常见的存在Newman快速贪心算法，Girvan等人最先系统地探究了复杂网络里的社区结构，并且提出了这个算法。他们首先界定了网络中的社区结构（也就是网络能够被划分成若干个内部连接紧密然而外部连接稀疏的子图）以及边介数（也就是网络中所有最短路径里经过某条边的比例）。基于边介数设计了一种迭代算法用以发现网络中的社区结构。算法的基本步骤是，持续不断地移除网络里边介数最高的边，每一次移除之后，重新去计算剩余网络的边介数，一直到网络被彻底划分成孤立的节点，或者达到某个事先设定好的停止条件。经由对多个真实网络的分析，展现出了Girvan - Newman算法的有效性。

谱聚类算法，也就是 spectral clustering，是采用基于图论的方式的聚类办法，它借助数据的相似度矩阵，就是亲和度矩阵，的特征值以及特征向量来开展聚类，在社交网络分析此项研究里，经由构建社交网络中的用户关系图，这个算法能够找出社交网络里的社区结构，Luxburg 等人详细说明了谱聚类的理论基础，还有算法步骤以及其在不同场景下的应用 。从图割这个视角着手，其中他们解释了谱聚类算法的本质以及优点，还探讨了谱聚类算法的一致性问题，也就是随着样本量的增多，谱聚类算法能不能稳定地收敛到真实的聚类结构。借助理论证明，对谱聚类算法在特定条件下的一致性问题展开了分析。这些条件涵盖了数据的生成模型、相似度矩阵的选择，还有聚类数额的确立等。与此同时，探讨了谱聚类算法在不同条件下的收敛速率，以及收敛到真实聚类的充分必要条件。这些分析给谱聚类算法的应用供给了关键的理论依据，最终在理论层面证实了谱聚类算法于某些条件下的收敛性与一致性，给谱聚类算法的应用奠定了坚实的理论基础。Ng等人提出了一个特定的谱聚类算法，并且剖析了其性能。该算法借助数据的相似度矩阵的特征向量，经由K-means等简易聚类方法达成最终的聚类进程。

图的半监督学习法子之一的标签传播算法，也就是LPA，它被主要运用去进行数据聚类，或完成任务分类，Zhu等人最先提出了标签传播算法，这个算法借助构建数据项间的相似度图，把已标记节点的标签信息依托图结构传递到未标记节点，算法靠着图的局部一致性假设这样的心之所由，像相邻节点趋向于有着相同的标签这般，且把它用于半监督学习问题这儿 。在2007年的时候，Wang等人提出了一种全新的标签传播策略，这种策略是通过利用节点的线性邻域关系来对标签的传播予以指导。他们引进了线性邻域的概念；也就是说，每个节点不但和其直接邻居相连接，而且还和邻居的邻居（二阶邻居）等以线性方式存在关联。这种线性邻域关系借助考虑更广泛的上下文信息来改善标签的传播。另外，为了提升算法的效率，他们又提出了一种基于稀疏矩阵的优化方法，借助稀疏矩阵运算来加快标签的更新进程。在2010年的时候，Liu等人展开了对那般在大规模图之上构建具备有效性的标签传播算法的相应方法的研究工作，借助构造稀疏图结构这种方式去降低计算复杂度，并且与此同时保持着较高的分类性能 。

于动态网络里，动态社区发现算法着重聚焦于怎样去有效地识别以及跟踪社区的发展变化，此变化处于动态网络之中。社交网络兴起，在线交互数据呈爆炸性增长态势，如此一来，动态社区发现便成为复杂网络分析里一个重要的研究范畴。Greene等人针对动态社交网络中的社区演化展开了研究，他们通过留意动态社交网络中社区随时间的变化进程，进而指出动态社交网络中的社区结构是随时间持续地发生变化的。他们介绍了好些社区发现算法，像模块度优化算法这一类，与此同时提出了一种可为动态网络所用的社区发现算法，这算法能够应对网络拓扑结构的迅速变化，还能追踪社区的演化进程。另外还界定了量化社区演化进程的指标，像社区存活时长、社区大小变化比率等，用来评估社区演化的稳定性与动态性。借着这些指标，能够对不同社区的演化模式予以比较与分析。

舆情传播

涉及公众意见、情感、态度于社交网络及媒体平台上的形成、扩散进程，被称作舆情传播。互联网与社交媒体普及之际，舆情传播的速度、影响力显著变强。这成为社会舆论、公共政策的关键构成部分，其已变为社交网络分析里热门的研究领域，引得众多学者留意。国内于社交网络分析以及它在舆情传播里的应用方面，也有显著进步。国内的学者，借助改进经典的信息传播模型，像独立级联模型、线性阈值模型这类，进而提出了多种适用于社交网络的信息传播模型，目的是能更好地去描述舆情传播的过程。在舆情监测与预警这个方面，基于社交网络大数据，展开对舆情事件的监测、预警机制的研究，以及对舆情演化趋势的预测。比如说，国内有多个研究团队开发了舆情监测系统，这个系统通过实时监测社交网络中的关键词、情感倾向等指标，从而为政府和企业提供舆情预警服务。

国外于社交网络分析跟舆情传播方面的研究，起步是比较早的，研究成果是丰富且多样的。国外的研究者，不但关注舆情传播的基本机制，还深入去探讨了舆情传播和社会现象、公众情绪、政治态度等相互之间的关系。与此同时，过我的研究还注重跨学科合作，把计算机科学、社会学、心理学等多个领域的知识以及方法结合起来，从而形成了一套较为完善的研究体系。国外学者所提出的信息传播理论，是从复杂网络、传染病模型、博弈论等各个不同角度提出来的，它为解释舆情于社交网络里的传播机制给予了重要的理论框架。其中，有一个竞争传播模型，是Myers和Leskovec提出来的，这个模型考虑到了信息之间的竞争与合作关系，它能够对多种信息在社交网络中一起传播的情形作出预测。他们依据进化博弈论的思想构建了一个信息传播模型，此模型用来模拟多种信息在社交网络中的传播进程。此模型将信息间的竞争与合作机制纳入考量范围，借由对信息之间相互作用予以量化，进而对有别的信息传播情形展开预测。于试验之后得出发现，这般依托进化博弈论的信息传播模型，能够较为出色地对社交网络里多种信息的共同传播状况进行预测。此外，相较传统的独立级联模型而言，该模型于预测精确度方面具备显著提升，能够更为有效地捕捉信息间的相互作用。这种模型为舆情传播研究供给了一种全新的视角以及方法，有助于更为深入细致地洞悉舆情于社交网络中的传播规律以及运营机制。同时，这种理论框架为舆情监测提供了有效的工具和方法，为舆情预警提供了有效的工具和方法，为舆情管理提供了有效的工具和方法，对于监测舆情传播效果具有重要意义，对于维护社会稳定具有重要意义。Vosoughi等收集了大量来自不同在线社交网络的真实新闻传播数据，Vosoughi等收集了大量来自不同在线社交网络的虚假新闻传播数据爱游戏ayx官网登录入口，这些在线社交网络如Facebook、Twitter等，通过分析这些数据，通过对比这些数据，发现虚假新闻在某些情况下传播得更快，发现虚假新闻在某些情况下传播得更广。他们探讨了真实新闻在社交网络中的传播差异，他们探讨了虚假新闻在社交网络中的传播差异，对理解舆情传播中的信息真实性问题具有重要意义。

在国内进行的研究，不光是留意着舆情传播的宏观进程，而且还深入到了微观的层面，去剖析个体行为、社交关系以及信息传播路径这类因素对于舆情传播所产生的影响。此种研究的成果在政府决策、企业公关以及社会舆论监控等诸多领域都得到了广泛的运用，从而给相关的部门提供了十分重要的参考依据。

推荐系统

可以这样改写：一种借助剖析用户行为以及偏好，进而给用户送上个性化产品、服务或者信息建议的技术，叫做推荐系统也就是 recommend system ，推荐系统在电商平台、社交媒体、流媒体服务、新闻网站等方面被广泛运用，其目的乃是提升用户体验以及满意度，与此同时提高平台的用户黏性还有商业收益，社交网络分析在系统推荐的领域也存在诸多的研究，当中有数个研究是较为深入的，在此处我们会于三个研究方向针对这些研究展开探究。

第一个方向是基于图结构的推荐算法，这种算法把社交网络视作图结构，借助图算法挖掘用户间潜在联系，以此改进推荐效果，比如Baltrunas强调在实际应用里，用户兴趣和偏好会随时间变化，所以靠传统静态推荐方法常常难以准确捕捉用户动态需求，他提出构建考虑时间随时间变化的必要性，目的是通过考虑时间因素提升推荐准确性和个性化程度。他探讨了利用隐式反馈数据构建推荐模型的事宜，指的是从非直接反映用户喜好的行为里提取有用信息，隐式反馈比如浏览历史、点击行为等，相较于显式反馈像用户评分，更为丰富且易于获取。他介绍了一种基于时间感知的协同过滤推荐算法，该算法在建模时考虑了时间因素对用户兴趣和偏好变化的影响，利用时间戳给用户的隐式反馈数据排序和分组，通过分析不同时间段用户行为的差异来捕捉用户的动态兴趣变化。最终，借由实验证实，此算法于准确性层面，以及个性化程度方面，均呈现出显著的提升态势。

第二个研究方向为社交影响跟推荐，经由研究用户于社交网络里的彼此影响行为，去探究怎样利用这种影响以强化推荐的可信度与接受度，比如Ozsoy等人探讨了基于信任的推荐系统，着重指出在社会化网络中，用户间的信任关系对推荐效果有着明显影响，用户的信任网络给出了有关用户偏好以及可靠信息源的重要线索。他们对传统推荐系统，像基于内容的推荐、协同过滤等的局限性做了分析，尤其是在处理稀疏性和冷启动问题方面存在不足，以及有着忽视用户间信任关系的缺点。介绍了不同类型的信任度量方法，包含显式信任和隐式信任后，讨论了怎样构建信任网络，还基于这些信任网络去改进推荐算法。比如，通过整合信任网络信息以及用户评分数据来生成更准确的推荐。最终借助实验和案例分析证实了考虑用户间信任关系对提高推荐系统性能具有重要性。建立于信任之上的推荐系统，会生成更契合用户实际需求的，以及更符合用户偏好的推荐结果，进而提升用户对于该系统的满意度，并且也会提高用户在该系统中的忠诚度。

最末尾的那个研究方向是深度学习在社交网络推荐里的应用，它借助深度学习模型，像卷积神经网络、循环神经网络、图神经网络这类，去处理社交网络当中的复杂数据，达成更为精准的推荐。