引用本文
吴江, 张劲帆. 社会网络三元结构中关注影响力研究——以学生关系网络为例[J]. 现代图书情报技术, 2015,31(10): 72-80
Wu Jiang, Zhang Jinfan. Research on Follow Influence of Triadic Structure in Social Network——Take Student Relation Network as an Example. New Technology of Library and Information Service,2015,31(10): 72-80  
Permissions
Copyright©2015, 《现代图书情报技术》编辑部
《现代图书情报技术》编辑部
社会网络三元结构中关注影响力研究——以学生关系网络为例
吴江, 张劲帆
武汉大学信息管理学院 武汉 430072
通讯作者:吴江, ORCID: 0000-0002-3342-9757, E-mail:jiangw@whu.edu.cn。

作者贡献声明：

吴江: 提出研究思路, 设计研究方案, 论文修订;

张劲帆: 进行实验, 撰写论文。

基金:*本文系国家自然科学基金面上项目“创新2.0超网络中知识流动和群集交互的协同研究”(项目编号: 71373194)的研究成果之一
摘要

【目的】研究线下关系网络中不同三元结构对关系形成中关注影响力的作用。【方法】通过对221名学生在不同时间的问卷调查, 得到一个学生关系网络的动态演化过程, 进而统计分析不同三元结构对关系形成的关注影响力的作用程度。【结果】使用线下数据得到的分析结果与之前线上数据研究结果一致, 即三元结构中存在互惠性、传递性以及反关系, 更容易形成新的关系, 即关注影响力越大。【局限】不能完全对关系网络之外产生的影响进行控制。【结论】线上线下关系形成规律一致, 本文研究成果具有一定的商业价值。

关键词: 社会网络; 三元结构; 互惠关系; 传递关系; 反转关系
中图分类号:TP393
Research on Follow Influence of Triadic Structure in Social Network——Take Student Relation Network as an Example
Wu Jiang, Zhang Jinfan
School of Information Management, Wuhan University, Wuhan 430072, China
Abstract

[Objective] Study on the effects of different triadic structures on follow influence in relation formation.[Methods] This paper uses questionnaires on 221 students at different time to get the dynamic evolution process of this network, and then analyzes the effects of different triadic structures on relation formation.[Results] The results show that triadic structures with reciprocity, transitivity and revesed relationship are more likely to form a new relation.[Limitations] This paper is unable to completely control the influences besides relation network.[Conclusions] The pattern of online and offline relation formation is the same, which is valuable for bussiness.

Keyword: Social network; Triadic structure; Reciprocity; Transitivity; Revesed relationship
1 引 言

社会网络研究和在线社交网络的快速发展极大地丰富了社会关系的研究[1]。而网络的结构也决定着信息传播、用户行为等网络特性的变化[2]。在社会科学中, 二元关系包括单向关系和双向关系两种[3]。用户之间的联系可以是关注、被关注、相互关注三种关系。如果现在存在第三个个体与已有二元关系中的个体都存在联系, 那么由这三个个体形成的结构被称作三元闭包, 社会网络中存在着大量三元闭包[4], 不同形式的三元闭包对三元结构中关系的形成起着至关重要的作用。了解三元结构中闭包关系的形成能够更好地对社会网络进行思考, 可以进一步了解用户是如何通过不同类型的社会关系影响到他/她身边的朋友[5], 朋友关系是如何通过不同的网络形成的[6], 以及用户的意见是如何通过社会网络传播的[7]。

本文通过收集线下学生关系数据, 研究关系网络三元关系中的学生交互行为, 探讨不同三元结构对关系生成的影响, 定量计算关系生成的关注影响力。本文通过对比分析不同类型三元关系在三个时间段的演化过程, 从互惠性、传递性和反转关系, 探讨这些因素对三元结构中关系生成中关注影响力的作用。Sun等[8]曾用Twitter数据研究互惠性、传递性和反转关系对于三元结构中关系形成的影响, 但是分析结果缺乏线下社交网络数据的验证。线下社交网络数据的获取难度相对线上来说更大, 本文使用线下社交网络数据进行关注影响力的研究, 所提出的分析流程和算法也可以扩展应用到在线社交网络中的关系形成分析中。

2 研究背景

三元闭包(Triadic Closure)理论起源于现实生活中一个经验性的判断: 朋友的朋友倾向于成为朋友[4]。该理论在社会网络领域已被大量研究证明, 其原因可以归纳为机会、信任和动机三个方面[9]。实际上, 在这个看似简单的常识背后隐藏着社会网络演化的重要机制, 三元闭包效应影响着网络微观结构的形成, 进而影响到网络的整体属性。建立在三元闭包基础上, 特别是结合三元闭包和随机因素的网络演化模型, 在解释现实网络微观形态和整体属性[10]、生成更符合现实的网络结构[11]、预测网络状态变化[12]等方面取得了更好的效果。

参考社会网络领域的研究模式[1], 可将网络结构的研究划分为5个层次: 整体网络层次, 主要研究网络的全量状态和统计规律; 子图层次, 主要研究节点归属的类和类间关系; 三元关系层次, 主要研究关系的共享性和传递性; 二元关系层次, 主要研究关系的内容和互惠性; 个体层次, 主要研究节点的属性, 如点的出入度等。已有较多研究发现, 三元关系中的三元闭包理论可以从微观组成和动态演化两个方面更好地解释网络的整体属性。

在单模无向网络中, 三元闭包等同于关系传递, 可用于研究网络演化的倾向性[13](通常以聚类系数和传递性参数为指标)。当前网络结构的研究已从单一类型节点、单一类型关联的简单网络扩展到具有多类节点、多种关系的网络上。在这些更复杂的网络中, 三元关系有更丰富的基本形态, 可描述现实网络中的多种现象, 因而存在广阔的研究空间。例如, 在包含成员、活动两种节点的二模归属网络中, 三元闭包可分为个体闭包、社团闭包和会员闭包, 分别表示个体间关系传递、个体通过活动建立关系、个体受好友影响加入活动三种现实场景[14]。在单模有向网络中, 个体性质被用于划分节点类型, 通过区分多种三元闭包类型以更细致地分析网络的微观形态。Lou等[12]以Twitter为例, 将用户区分为精英和普通用户, 通过统计不同类型三元闭包的分布差异研究用户类型对关系生成的影响。

本文研究问题为互惠性、传递性和反转关系对于三元结构中关系形成的影响。互惠性、传递性作为研究三元闭包的常用维度[12, 15, 16, 17, 18], 原因之一是它们能直观地从网络拓扑结构展现出来; 其次, 研究互惠性、传递性能更好地解释网络演化规律并做出相关预测。而随着社会化网络的发展, 反转关系也越来越多地成为学者们研究的对象, 如Kwak等[19]提出使用转发数对Twitter用户分类的方法, 而反转关系可以看做是一个单向关系(One-Way Relationship)[12]; Sun等[8]使用线上Twitter数据研究互惠性、传递性和反转关系对于三元结构中关系形成的影响。之前也有学者研究过互惠性、传递性以及反转关系对于三元闭包形成的影响。如Seshadhri等[16]以WikiTalk、Soc-LiveJournal等11个在线社区为样本分析三元结构中互惠性对三元闭包形成的影响, 其结果表明, 含有互惠边的三元结构比不含互惠边的三元结构更容易形成三元闭包; “ 我的朋友的朋友也是我的朋友” 这是对三元结构传递性的通俗解释, Snijders等[17]在其研究中也验证了三元结构中的传递性; 而Hopcroft等[15]以Twitter为例, 对反转关系进行研究, 其研究结果表明, 两个用户之间, 存在回复或者转发行为的用户比不存在这些行为的用户, 可能成为朋友的概率高三倍。然而, 之前这些研究所用数据均来自线上网络社区, 鲜有研究使用线下数据验证互惠性、传递性以及反转关系对于三元结构中关系形成的影响。本文借鉴Lou等[12]对三元结构的分类, 创新地通过线下数据对三元闭包的形成以及其中的关注影响力进行研究, 分析这三个因素对于三元结构中关系生成的影响, 并设计相关的三元结构搜索和分类算法, 定量计算关注影响力的作用程度, 这与以往研究有较大不同, 将线上关系研究拓展到线下。

3 问题定义

随着学生相互认识, 线下学生网络中节点与节点的联系也呈现动态变化。随着时间的推移, 总会有新的连接建立和消除。本文认为消除的原因是由于问卷的模糊性使得被访问者在一段时间间隔回答同一个问题时的答案不一致。但是这并不影响实验的结果, 因为通过数据分析, 笔者发现只有很少一部分边在这段时间内消失, 97%是新增加的连接。因此, 新增加的连接比消失的连接更重要。

本文是以三元闭包为基本单元, 研究学生网络中不同类型三元关系在不同时间段的演化过程, 如图1所示:

图1 网络中三元结构的演化过程

其中圆圈代表学生(V), 箭头代表存在的关系。图1(a)为t时刻学生之间存在的关系; 图1(b)中粗箭头代表在t+1时刻新增加的关系; 图1(c)中虚线箭头代表在t+2时刻新增的联系, 灰色部分即VC, VD, VF形成的三元结构就是一个三元闭包。因此, 本文从网络中的三元结构出发, 探讨互惠性、传递性和反转关系对关注影响力的作用。本文定义互惠性、传递性、反转关系、关注影响力, 用以解释如何测量关注影响力。

定义1 关注影响力[15]。如图2所示, 在由VA、VB、VC三个节点组成的三元结构在t时刻产生了结构变化, 如增加了从VA到VC的连接, 那么从VB、VC的角度出发, 在t+1时刻产生从VB到VC的可能性大小可以理解为关注影响力大小, 也可以理解为VC被VA关注后对VA的影响传播到VB, 从而造成VC又被VB所关注的概率。VB到VC形成连边, 从而完成三元结构的闭合, 形成三元闭包结构, 所以关注影响力也可理解为最后形成三元闭包的概率。

图2 关注影响力示例

定义2 互惠性[20]。互惠性一直是社会网络分析中热门研究之一。如图3所示, 在社会网络中, 有两个用户VA、VB, 如果存在从VA到VB的联系并且存在从VB到VA的联系, 那么则说用户VA、VB是互惠关系, VA、VB之间存在互惠性, 而VA、VC之间以及VB、VC之间是不存在互惠性的。

图3 三元结构中互惠性示例

定义3 传递性[21]。如图4所示, 在社会网络中, 三个节点VA、VB、VC, VA已经关注了VC, 如果在t时刻VB关注了VA, 而在t+1时刻VB关注了VC, 那么就称这一现象为“ 关系复制” , 并且说VA、VB、VC具有传递性。

图4 三元结构中传递性示例

定义4 反转关系[19]。如图5所示, 反转关系是指在网络中两个节点VB、VC, 如果在t-1时刻已存在从VC到VB的联系, 并且在t+1时刻形成了从VB到VC联系, 那么就称VB、VC之间存在反转关系。

图5 三元结构中反转关系示例

以< 0, · · · , t> 为时间戳, 本研究中的公选课学生人际网络一共有三个阶段, 即t=0, 1, 2, 其中t=0表示课程开始之前, t=1表示开课后第18天, t=2表示开课后第36天。那么时间从0到t的学生网络表示为 , 那么本文的关注影响力测量函数可以描述为:

其中, PΔ 表示在t时刻产生从VB到VC的概率, 表示关注影响力的程度。

4 数据收集和结果分析
4.1 数据收集

为了测量网络演化过程中三元结构的互惠性、传递性、反转关系对于关注影响力的影响程度, 笔者分别在2014年9月22日和2014年10月9日收集229个社会网络分析公选课学生的数据, 并把数据按时间划分成三个学生网络。在研究分析中使用221个有效的学生数据, 其中男生118人占比53.4%, 女生103人占比46.6%; 2011级学生5人, 2012级85人, 2013级131人。上课后18天, 笔者进行了第一次问卷调查, 共设置两个问题: “ 在上这门课之前你认识哪些同学?” 和“ 上了这门课后你新认识了哪些同学?” , 根据问卷得到Gt=0和Gt=1; 而在上课后36天, 笔者进行了第二次问卷调查, 仅设置一个问题: “ 现在你认识的人有哪些?” , 根据回答情况继而得到Gt=2。通过整理, 得到t=0时刻的网络, 该网络由717条边构成; t=1时刻的网络由1 011条边构成; t=2时刻的网络由1 719条边构成。详细描述统计数据如表1所示:

表1 学生详细统计数据

本文关系网络通过课上学生问卷数据获得, 由于难于测量课外事件, 例如样本学生可能通过社团活动或者因为同是学生会成员而认识对方等产生的影响, 在分析数据时并没有考虑这类因素。这类因素可视作同质性影响, 社会网络中同质性是指每个人所具有相似的特性, 如具有相同性别、种族、母语、爱好等的人容易成为朋友[22], 如两个学生因为相同兴趣加入同一个社团而结识对方。图6为一个简单网络中的同质性, 该网络中有3个灰色节点, 6个白色节点, 那么一条随机边两端异色的概率为2× (3/9)× (6/9)=4/9。现在网络中的总边数为18, 其中两端异色的边有5条, 5/18< 8/18=4/9说明该网络存在一定的同质性。

图6 网络中的同质性

在研究中, 发现性别在这三个时刻的网络中也具有同质性。221名学生中有118名男生, 103名女生, 那么男女之间产生一条随机边的概率P=2× (118/221)× (103/221)=49.77%, 但是在t=0, 1, 2时刻存在两端性别不同的边的比率分别为34.03%, 39.27%, 43.34%, 都小于49.77%, 说明学生网络在三个时刻均有性别同质性。图7为性别同质性在网络中三个时刻的可视化界面, 其中灰色代表女生, 黑色代表男生。可见黑灰两色各有很明显的抱团现象。同时, 说明同性别的学生之间更有可能成为朋友。

图7 性别同质性在网络中三个时刻的可视化界面

本文在讨论互惠性、传递性以及反转关系对于三元结构中关系生成的影响时, 并没有测量性别同质性对于分析结果的影响。同质性对与网络影响是普遍存在的, 在不考虑同质性, 而仅从拓扑结构出发进行的数据分析结果与Sun等[8]使用Twitter数据分析的结果一致, 说明即便同质性影响着网络演化过程, 但在拓扑结构上不会影响一个三元结构的演变过程。

4.2 数据分析方法

Lou等[12]以Twitter为例, 将用户区分为精英和普通用户, 通过统计24种类型三元闭包的分布差异研究用户类型对关系生成的影响。本文借鉴这24种分类, 将每种结构进行唯一编码。

将问卷数据进行处理, 得到学生关系网络G=(V, E), 其中G代表网络, V代表该网络中的节点, E代表该网络中的边。由于两个人之间的关系可以由有向边 的关系表示, 比如同学A认识同学B, 则A→ B这条边可以表示为EAB。将所有的边Eij按照(Source, Target)这种格式存入数据库。每两个节点之间可有4种状态, 如A, B两个节点, 可以有A→ B, A← B, A↔ B和AB互不认识4种状态, 存在A→ B则用yAB=1表示, 不存在A→ B则用yAB=0表示。那么A→ B可由(1, 0)表示, A← B可由(0, 1)表示, A↔ B可由(1, 1)表示, AB互不认识可由(0, 0)表示, 即(yAB, yBA)。而一个三元结构由三个节点组成, 两两节点之间关系的不同也决定着三元结构。如图8所示, 一个由三个节点VA, VB, VC组成的三元结构Triad, 那么Triad可以表示为(1, 1, 0, 1, 1, 0)。

图8 三元结构分类标签示例

图9为24种结构和其编码后的标签, 细线代表在原始t时刻已经存在的边, 粗线代表在t+1时刻产生的边, 虚线代表在t+2时刻产生的边。Triad1到Triad12称为跟随者结构, 该结构指t时刻不存在A→ C和B→ C的边而在t+1时刻产生了A→ C并且在t+2时刻产生了B→ C的三元结构; Triad13到Triad24称作被跟随者结构, 该结构指的是t时刻不存在B→ A和B→ C的边而在t+1时刻产生了B→ A并且在t+2时刻产生了B→ C的三元结构[23]。

图9 24种三元结构分类标签[12]

为了研究互惠性、传递性以及反转关系在三元结构中对于关注影响力的作用, 根据三元结构中互惠性、传递性以及反转关系的定义, 将这24种结构划分成三组, 分别为互惠关系组、传递关系组、反转关系组。其中互惠关系组由Triad1到Triad12构成, 为了方便对比, 将同类结构划分在一起, 即Triad1, 2, 3、Triad4, 5, 6、Triad7, 8, 9、Triad10, 11, 12为互惠关系组中的4个小组; 同理, 对于传递关系组, 将Triad13, 14, 15、Triad16, 17, 18、Triad19, 20, 21、Triad22, 23, 24划分为传递关系组中的4个小组; 那么对于反转关系组, 则将所有结构按照同类结构分成12个小组, 分别由Triad1, 7、Triad2, 8、Triad3, 9、Triad4, 10、Triad5, 11、Triad6, 12、Triad13, 19、Triad14, 20、Triad15, 21、Triad16, 22、Triad17, 23、Triad18, 24共12个小组构成。具体分组情况如表2所示:

表2 三元结构标准化分组

为了实现关注影响力的测量, 将每个时刻t=0, 1, 2产生的边分别存入三个表, 每个表(edges_t0, edges_t1, edges_t2)结构一致, 都为(Source, Target)。通过遍历edges_t0中每条边是否存在, 将t=0(课前)时刻的边进行遍历并分类。再遍历edges_t1确认Triad1-12中A→ C和Triad13-24中B→ A是否存在, 从而得到Triad1-12在t=1时刻增加了A→ C和Triad13-24在t=1时刻新增了B→ A的数量。遍历edges_t2确认Triad1-24中B→ C是否存在, 从而得到Triad1-24在t=2时刻新增B→ C的数量。通过计算可以得到每种结构在t=2时刻产生EBC的比率。

Eq (a)表示结构1到12的三元结构生成EBC的比率, Eq (b)表示结构13到24的三元结构生成EBC的比率。其中, Δ j表示结构为j的三元结构类型。PΔ 表示三元结构在t=2时刻产生EBC的比率。 表示t=0时刻结构为j的三元结构个数, 表示在t=1时刻结构为i的三元结构不存在A→ C这条边的三元结构个数。 表示结构为j的三元结构在t=2时刻新增了B→ C这条边的三元结构个数。θ 为所有PΔ 的集合。VA, VB, VC为三元结构中三个节点, n为网络总节点数, 算法如下:

算法: 计算最后形成B→ C的概率

输入: Gt

输出: θ ={PΔ }

初始化 VA, VB, VC, n← 221

for VA=1 to n, VB=1 to n, VC=1 to n do

根据每种结构的特征标签(yBA, yAB, yAC, yCA, yCB, yBC)将Gt=0中的三元结构分类

计算Gt=中所有结构的

end

for triad1 to triad24 do

计算Gt=1中triad1...12 的 以及triad12...24的

计算Gt=2中所有结构的

end

根据Eq(a) 和Eq(b)计算PΔ

5 结果分析

为了得到三元结构中互惠性、传递性、反转关系对关注影响力的作用程度, 通过上述算法得到所有结构的关注影响力, 并通过表2的分组进行对比, 结果如表3所示, 其中的数字显示是产生B→ C边从而形成闭合三元闭包的概率, 即关注影响力的程度。

表3 三元结构分析结果
5.1 互惠性

为了探讨关注影响力在存在互惠关系三元结构中产生的影响, t=0时刻, 在结构中其他边相同的情况下, 分别将存在B→ A, A→ B, A↔ B的三种结构分为一组。那么从Triad1到Triad12的12种结构可以分为4组, 详细分组情况见表2。通过观察对比t=2时刻B→ C边产生的概率如图10所示, 可以看出对于存在A→ B的结构产生B→ C边的概率(P2, 5, 8, 11= {2.48%, 6.45%, 29.41%, 40.00%})比存在B→ A的结构产生B→ C边的概率更大(P1, 4, 7, 10={2.34%, 5.38%, 22.78%, 29.79%}), 而当存在B↔ A时, 关注影响力最为明显(P3, 6, 9, 12={2.54%, 9.42%, 30.40%, 41.30%}), 也即产生B→ C边的概率最大。说明互惠性对于B→ C的形成有显著的影响。

图10 互惠关系组中关注影响力对比结果

5.2 传递性

传递性在社会网络分析中是一个很重要的概念, 有很多社会理论也对三元结构进行了描述[23]。在一个三元关系结构中, 三个节点用户由A、B、C表示, 如果存在A→ B, B→ C和A→ C的关系, 那么就说这个三元结构是可传递的[2]。比如, A朋友的朋友也是A的朋友。从拓扑结构出发, 将Triad12到Triad24的12种三元结构分为4组, t=0时刻, 在结构中其他边相同的情况下, 分别将存在A→ C, C→ A, A↔ C的三种结构分为一组, 详细分组情况见表2。通过观察对比t=2时刻B→ C边产生的概率如图11所示, 可以发现关注影响力在存在A→ C(P13, 16, 19, 22={2.61%, 7.62%, 25.56%, 68.00%})的结构中比存在A↔ C(P15, 18, 21, 24={2.42%, 13.17%, 33.56%, 60.78%})的结构中更显著, 这说明一个学生更容易和他/她朋友的朋友成为朋友。而关注影响力在存在C→ A(P14, 17, 20, 23={2.24%, 7.84%, 24.71%, 48.15%})的三元结构中表现较弱, 如在新浪微博中, 两个人都是一个明星的粉丝, 但是这两个人却相互不认识, 即关注影响力表现很弱。

图11 传递关系组中关注影响力对比结果

5.3 反转关系

反转关系是指两个用户之间, 只有一个用户关注了另一个用户, 也就是说, 在这24种三元结构中存在C← B的结构, 都可以称为反转结构, 即Triad1, 7、Triad2, 8、Triad3, 9、Triad4, 10、Triad5, 11、Triad6, 12、Triad13, 19、Triad14, 20、Triad15, 21、Triad16, 22、Triad17, 23、Triad18, 24这12组结构。那么, 从拓扑结构入手, 将24种三元结构分成两组, t=0时刻, 在结构中其他边相同的情况下, 分别将存在C→ B和不存在C→ B的两种结构分为一组。详细分组情况见表2。通过观察对比t=2时刻B→ C边产生的概率如图12所示, 可以发现在所有的组别中存在C→ B边的结构产生B→ C边的概率为P7, 8, 9, 10, 11, 12, 19, 20, 21, 22, 23, 24={22.78%, 29.41%, 30.40%, 29.79%, 40.00%, 41.30%, 25.56%, 24.71%, 33.56%, 68.00%, 48.15%, 60.78%}, 而不存在C→ B的结构产生B→ C的概率P1, 2, 3, 4, 5, 6, 13, 14, 15, 16, 17, 18={2.34%, 2.48%, 2.54%, 5.38%, 6.45%, 9.42%, 2.61%, 2.24%, 2.42%, 7.62%, 7.84%, 13.17%}。由此可见, 存在C→ B的结构比不存在C→ B的结构产生B→ C边的概率要高得多。这说明人们往往倾向于关注那些关注了自己的人, 同时, 也说明关注影响力在存在反转关系的三元结构中表现更加显著。

图12 反转关系组关注影响力对比结果

5.4 总 结

由数据观察结果可知:

(1) 存在互惠结构的三元结构能使关注影响力的影响更为显著。

(2) 三元结构中的传递性使关注影响力的影响更为显著。

(3) 三元结构中的反转关系使关注影响力的影响更为显著。

与之前的研究[8, 15, 16, 17]相比, 本文的研究结果和之前的研究结果是非常一致的。一致性的具体表现为:

(1) 如图13(a), 从互惠性来讲, 在同类三元结构中, 都是存在A↔ B结构产生B→ C的概率最大。

(2) 如图13(b), 从传递性来讲, 在同类三元结构中, 不存在A↔ C结构产生B→ C的概率最小。

(3) 如图13(c), 在三元结构中, 都是存在C→ B结构产生B→ C的概率远远大于同类结构中没有C→ B结构产生B→ C的概率。可见, 不论线上线下此现象在社会网络中是普遍存在的。

图13 不同三元结构关系生成的可能性[8]

6 结 语

本文着重研究了三元结构中互惠性、传递性、反转关系对关注影响力的影响。采用动态网络分析对221名学生的交互行为进行研究, 将问题定义并进行了系统的学习。通过将不同的三元结构按照不同的标准分组得到互惠性、传递性、反转关系在三元结构中的不同表现形式, 并且对比分析这三者的数据, 发现存在互惠结构的三元结构能使关注影响力的影响更为显著; 三元结构中的传递性使关注影响力的影响更为显著; 三元结构中的反转关系使关注影响力的影响更为显著。

本文的创新之处在于使用线下的数据探讨三元结构中互惠性、传递性、反转关系对关注影响力的影响。结果发现, 在线下, 三元结构中互惠性、传递性、反转关系对关注影响力产生的影响也是相当显著的, 而之前的研究使用的数据都是来自各大网络社区, 例如Sun等[8]使用的是来自Twitter的线上数据。与之前的研究相比, 本文研究的结果和使用网络社区数据得到的结果是非常一致的。此研究结果能够帮助网络社区更好地进行消息推送和好友推荐, 以及更好地设计用户交互界面, 具有一定的商业价值。

此研究也存在局限, 在数据收集中提到, 从上课学生关系网络进行网络三元结构中关注影响力研究, 并没有考虑在课程以外的社团活动、学生会成员等因素产生的影响。本文是通过研究网络的拓扑结构得到的结论, 此外, 社会网络分析中常用的理论, 如社会平衡理论[24]、结构洞理论[25], 也需要进一步验证。

参考文献
[1] Wasserman S, Faust K. Social Network Analysis: Methods and Applications [M]. Cambridge University Press, 1994: 25. [本文引用:2]
[2] Milo R, Shen-Orr S, Itzkovitz S, et al. Network Motifs: Simple Building Blocks of Complex Networks[J]. Science, 2002, 298(5594): 824-827. [本文引用:2]
[3] Donald H, Wohl R R. Mass Communication and Parasocial Interaction[J]. Psychiatry, 1956, 19(3): 215-229. [本文引用:1]
[4] Romero D M, Kleinberg J. The Directed Closure Process in Hybrid Social-Information Networks, with an Analysis of Link Formation on Twitter [C]. In: Proceedings of the 4th International AAAI Conference on Weblogs and Social Media. 2010: 138-145. [本文引用:2]
[5] Tang J, Sun J, Wang C, et al. Social Influence Analysis in Large-scale Networks [C]. In: Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2009: 807-816. [本文引用:1]
[6] Tang J, Wu S, Sun J, et al. Cross-domain Collaboration Recommendation [C]. In: Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2012: 1285-1293. [本文引用:1]
[7] Tan C, Lee L, Tang J, et al. User-level Sentiment Analysis Incorporating Social Networks [C]. In: Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2011: 1397-1405. [本文引用:1]
[8] Sun J, Tang J. Models and Algorithms for Social Influence Analysis [C]. In: Proceedings of the 6th ACM International Conference on Web Search and Data Mining. ACM, 2013: 775-776. [本文引用:5]
[9] Heider F. The Psychology of Interpersonal Relations [M]. Psychology Press, 1982. [本文引用:1]
[10] Klimek P, Thurner S. Triadic Closure Dynamics Drives Scaling Laws in Social Multiplex Networks [J]. New Journal of Physics, 2013, 15(6): Article No. 063008. [本文引用:1]
[11] Li M, Zou H, Guan S, et al. A Coevolving Model Based on Preferential Triadic Closure for Social Media Networks [J]. Scientific Reports, 2013, 3: Article No. 2512. [本文引用:1]
[12] Lou T, Tang J, Hopcroft J, et al. Learning to Predict Reciprocity and Triadic Closure in Social Networks [J]. ACM Transactions on Knowledge Discovery from Data (TKDD), 2013, 7(2): Article No. 5. [本文引用:6]
[13] Mollenhorst G, Völker B, Flap H. Shared Contexts and Triadic Closure in Core Discussion Networks[J]. Social Networks, 2011, 33(4): 292-302. [本文引用:1]
[14] Kossinets G, Watts D J. Empirical Analysis of an Evolving Social Network[J]. Science, 2006, 311(5757): 88-90. [本文引用:1]
[15] Hopcroft J, Lou T, Tang J. Who will Follow You Back?: Reciprocal Relationship Prediction[C]. In: Proceedings of the 20th ACM International Conference on Information and Knowledge Management. ACM, 2011: 1137-1146. [本文引用:4]
[16] Seshadhri C, Pinar A, Durak N, et al. Directed Closure Measures for Networks with Reciprocity [OL]. arXiv Preprint, 2013. arXiv: 1302. 6220. [本文引用:3]
[17] Snijders T A B, Pattison P E, Robins G L, et al. New Specifications for Exponential Rand om Graph Models[J]. Sociological Methodology, 2006, 36(1): 99-153. [本文引用:3]
[18] Robins G, Snijders T, Wang P, et al. Recent Developments in Exponential Rand om Graph (p*) Models for Social Networks[J]. Social Networks, 2007, 29(2): 192-215. [本文引用:1]
[19] Kwak H, Lee C, Park H, et al. What is Twitter, a Social Network or a News Media? [C]. In: Proceedings of the 19th International Conference on World Wide Web. ACM, 2010: 591-600. [本文引用:2]
[20] Gouldner A W. The Norm of Reciprocity: A Preliminary Statement[J]. Journal of Social and Personal Relationships, 1960, 25(2): 161-178. [本文引用:1]
[21] Watts D J, Strogatz S H. Collective Dynamics of ‘Small-World’ Networks[J]. Nature, 1998, 393(6684): 440-442. [本文引用:1]
[22] McPherson M, Smith-Lovin L, Cook J M. Birds of a Feather: Homophily in Social Networks[J]. Annual Review of Sociology, 2001, 27: 415-444. [本文引用:1]
[23] Huang H, Tang J, Wu S, et al. Mining Triadic Closure Patterns in Social Networks[C]. In: Proceedings of the 23rd International Conference on World Wide. International World Wide Web Conferences Steering Committee, 2014: 499-504. [本文引用:2]
[24] Easley D, Kleinberg J. Networks, Crowds, Markets: Reasoning About a Highly Connected World [M]. Cambridge University Press, 2010. [本文引用:1]
[25] Burt R S. Structural Holes: The Social Structure of Competition [M]. Harvard University Press, 2009. [本文引用:1]