陈晓威, 史昱天
南京大学信息管理学院 南京 210023
Chen Xiaowei, Shi Yutian
中图分类号: TP301.6
通讯作者:
收稿日期: 2017-06-12
修回日期: 2017-07-26
网络出版日期: 2017-08-25
版权声明: 2017 《数据分析与知识发现》编辑部 《数据分析与知识发现》编辑部
展开
摘要
【目的】针对PageRank算法在符号网络中的局限性, 提出其改进算法, 以识别社会网络中的关键节点。【方法】基于符号网络的相关理论, 将PageRank算法与点度中心性相结合, 提出KeyRank算法, 并对Slashdot网站的用户数据进行分析, 以获取用户的KeyRank算法排名。【结果】PageRank算法排名、入度排名、M-PR算法排名与KeyRank算法排名在统计学意义上呈中度正相关。【局限】KeyRank算法忽略了每次迭代时正、负链接的相互作用。【结论】传统算法与KeyRank算法在节点排序上存在差异, 说明链接的符号属性对排序结果产生了重要影响, 改进算法具有一定的理论和实践意义。
关键词：
Abstract
[Objective] This paper modifies the PageRank algorithm for signed network, aiming to identify the key nodes in social network. [Methods] Based on the theory of signed network, we proposed the KeyRank algorithm, which combined the PageRank algorithm with node centrality. We examined the new algorithm with user data from the Slashdot website to obtain every user’s ranking. [Results] The rankings of PageRank algorithm, in-degree and M-PR algorithm had significant medium level positive correlation with the rankings obtained with the KeyRank algorithm. [Limitations] The KeyRank algorithm ignored the interactions between the positive and negative links in each iteration. [Conclusions] There is difference between the rankings of nodes by traditional and KeyRank algorithms. The signed links poses important impacts on the rankings, which shows the improved algorithm’s theoretical and practical significance.
Keywords：
随着互联网技术的迅速发展和社会化媒体的大规模普及, 在线社交媒体的用户数量、整体规模得到显著提升, 对社会化媒体的研究也从用户个体向用户之间相互关联所形成的网络拓扑结构延伸。
在众多有关社会网络的研究中, 如何准确计算网络中节点的影响力一直是学者关注的重点, 而在获取影响力的基础上, 挖掘和识别其中的关键节点则是对社会网络更深层次的探索。然而在传统的社会网络分析中, 研究者大多默认网络节点之间若存在关系, 则均为正向关系, 即支持、关注、合作等“示好”关系[1-3], 因此, 相关研究也普遍基于这种仅存在正向关系的网络结构识别关键节点, 并未充分考虑边值的正负属性对研究结果的影响。随着社会网络研究层次的逐渐深入, 一些研究者在对真实社会关系网络进行分析的过程中发现, 节点之间除了存在正向、积极的友好关系外, 还可能包含负向、消极的对立关系, 其表达了一方对另一方的厌恶、反对等负面态度[4], 这类同时包含“正向关系”(如顶、支持、肯定、点赞等)和“负向关系”(如踩、反对、否认、拉黑等)的社会网络结构, 被统称为“符号网络”(Signed Network)[5]。符号网络提出至今, 在人际关系、国际政治、信号传输等领域均有广泛应用, 其节点间关系的正负属性能够更为客观地反映现实情况中的社会网络结构。在对节点影响力测算的过程中, 将负向链接所传递的消极倾向纳入考虑范畴, 分析节点负影响力产生的影响, 更有利于掌握社会网络整体结构的动态演化, 并提高识别关键节点的准确性与合理性。
因此, 本文基于社会网络的链接特征, 在综合考虑节点间正负向关联的基础上, 提出一种改进的PageRank算法来识别网络中的关键节点。较之传统的识别算法, 本文提出的KeyRank算法全面考察了网络链接的正负属性, 并综合考虑节点的全局拓扑特性和局部特征, 从而能够更为准确地识别出其中的关键节点, 为基于符号网络的关键节点识别提供思路和帮助。
关键节点识别作为社会网络分析的关键问题之一, 自20世纪初期以来便被研究者所关注[6]。在信息科学领域, 随着对社会化媒体中信息传播和舆论扩散问题研究的深入, 关于网络中关键节点的识别和挖掘也逐渐成为研究的热点。关键节点的位置及特征对社会网络中信息的传递路径、传播速度、覆盖范围等有着重要影响[7], 这些节点在网络结构动态演化、舆情传播控制等研究中都发挥着重要作用[8]。因此, 如何快速准确地查找到网络中的关键节点, 是研究社会网络拓扑结构和信息传播规律的必要环节。
社会网络中关键节点的识别方法可以分为两类: 主观估测和客观度量。
(1) 主观估测是传统环境下关键节点识别的常用手段, 主要包括自我报告法、知情人测量法和观察法[9]。在社会学和传播学领域, 自我报告法是一种用于测度意见领袖影响力的有效方法, 该方法基于设计的调查量表, 让受访者根据实际情况作答, 最后通过计算回答分值识别社会网络中的关键人物[10-11]; 与自我报告法相对应的是知情人测量法, 该方法通过询问他人而非自我识别网络中具有影响力的关键节点[12]; 而观察法则通过观察研究对象在网络中的行为特征判定其重要性。经过Rogers、King、Childers及Flynn等学者的发展和完善, 这些方法在社会科学各领域的研究中已被广泛接受和应用[13]。主观估测作为一种识别和评估关键节点的经典手段, 却存在不适用于大规模网络和主观性较强等缺陷, 因此, 近年来涌现出大量以客观数据为基础的研究成果, 以作为对关键节点识别方法的重要补充。
(2) 客观度量是基于网络节点及节点间关系等数据, 采用社会网络分析、聚类分析、HITS算法、PageRank算法、数学建模等方法来识别关键节点。如陈远等以科学网博客社区为研究对象, 运用社会网络分析法, 分别构建博主好友关系网络和引文关系网络, 分析网络的节点中心性和结构洞位置, 得出关键节点与社会网络中位置的关系[14]; 王珏等以国内某论坛为研究对象, 引入7个特征值来度量意见领袖特性, 提出基于EM算法的意见领袖识别算法, 并通过聚类结果得到满足要求的子类[15]; 熊涛等通过改进的HITS算法识别微博转发网络中的意见领袖, 并发现粉丝数量与意见领袖的中心值高度正相关[16]; 肖宇等提出基于无向、有权网络识别关键节点的PageRank算法, 并以某论坛历史数据为例, 验证其相比于其他算法具备更高的准确性[17]; Matumura等提出的影响力扩散模型(Influence Diffusion Model)是利用数学建模识别关键节点的主要代表, 其通过文本内容的相似度度量用户影响力, 认为论坛中高影响力的节点为意见领袖[18]。
然而, 上述关键节点识别的研究基础均为单一符号性质的网络环境, 未对负向链接和缺失链接进行区分, 与现实情境中节点间链接具有正负特性的情况并不相符, 不能真实、客观地反映社会关系网络。因此, 这类基于无符号网络的概念、算法及相关理论不能直接应用到同时包含正、负链接的符号网络中, 研究者需要设计更具针对性的排序算法以挖掘符号网络中的关键节点[19]。
针对上述问题, 已有学者基于符号网络环境开展了相关研究。识别符号网络中的关键节点可基于网络的链接结构, 通过考虑正向链接和负向链接对网络中的一组节点进行排序[20], 排名较优的可认为是关键节点。因此, 现有研究多从不同的角度考虑链接属性对节点的影响, 从而对无符号网络中的关键节点识别算法进行改进。Bonacich等基于社会网络分析法, 提出一种度量符号网络特征向量中心性的方法, 并以此分析修道士网络的派系结构及关键节点[21]; Li等提出一个从用户生成内容中提取情感属性的框架, 并以此构建符号网络, 同时, 通过聚类算法挖掘虚拟社区中的意见领袖[22]; Mishra等基于HITS算法, 考虑负向链接的影响, 提出一种新的算法来度量信任网络中节点的偏好性与权威性[23]; Traag等基于离散选择理论(Discrete Choice Theory), 考虑负向链接对节点排名的影响, 同时借鉴PageRank算法的思想, 提出“指数排名”算法, 进而获得节点在网络中的全局可信度[24]。与国外研究相比, 国内关于符号网络关键节点识别的研究还相对较少。顾洁等探究符号网络环境下节点影响力的测算方式, 提出一种改进的PageRank算法, 该算法将节点被正负链接指向的概率考虑在内, 分别计算其在社交网络中的正、负影响力, 以识别关键节点[25]。
综上所述, 前人研究多以无符号网络环境作为关键节点识别的研究基础, 基于符号网络环境的研究相对较少。因此, 本文将PageRank算法这一重要的关键节点识别算法引入到符号网络中, 通过将其与反映节点局部特征的点度中心性相结合, 提出KeyRank算法, 以挖掘符号网络中的关键节点。
Larry Page和Sergey Brin于1998年提出的PageRank算法是评估网站页面重要性的经典算法, 其认为网络环境下的网页链接结构和文献引文机制具有一定的相似性, 从而将网页中的链接类比于文献之间的引用关系[26]。PageRank算法的基本原理是“被越多高影响力的网页指向, 则该网页的影响力越高”。例如, 当网页A链接到网页B时就说明网页A为网页B投票, 增加了网页B的影响力, 即PageRank值, 通过对整个网络的迭代计算, 最终获得每个网页的PageRank值及相应的排名[27]。
PageRank算法也是符号网络研究中最早使用的排序方法之一, 其中, Shahriari和Jalili将符号网络划分为G +(正向链接子图)和G -(负向链接子图)两个部分, 并基于PageRank算法分别计算两个子图中各节点的PageRank值[28], 如公式(1)和公式(2)所示。
$PR_{i}^{+}(t+1)=\alpha \sum{_{j\in I{{N}_{i}}}}\frac{PR_{j}^{+}(t)}{|Out_{j}^{+}|}+\frac{1-\alpha }{N}$ (1)
$PR_{i}^{-}(t+1)=\alpha \sum{_{j\in I{{N}_{i}}}}\frac{PR_{j}^{-}(t)}{|Out_{j}^{-}|}+\frac{1-\alpha }{N}$ (2)
其中, INi表示节点i的入链数, $|Out_{j}^{+}|$和$|Out_{j}^{-}|$表示节点j的正向出链数和负向出链数, N表示节点总数, $\alpha $表示阻尼系数, 一般取值为0.85。最终排序向量PR计算方法如公式(3)所示。
$PR=P{{R}^{+}}-P{{R}^{-}}$ (3)
虽然PageRank算法考虑到网络的全局拓扑特性, 然而该算法忽略了网络中节点自身的属性[6,29]。从拓扑结构角度考虑, PageRank算法弱化了局部属性对节点的影响。点度中心度被定义为网络中该节点的邻居节点的数目, 用于反映一个节点在网络中的“权力”[1], 点度中心度越大说明节点在当前网络中的直接影响力越大, 例如, 被引次数较多的论文往往比较重要, 微博中拥有较多粉丝数的用户影响力也往往较大。然而, PageRank算法在计算节点的重要性时, 虽然同时考虑了外部链接的数量和质量, 但也在一定程度上削弱了邻居节点数量这一局部属性对节点的影响。图1提取自某社交网络, 根据PageRank算法, 若阻尼系数$\alpha =0.85$, 则$PR(1)=0.2971$, $PR(2)=0.1853$, $PR(1)>$ $PR(2)$, 说明节点1比节点2重要; 而根据节点入度的计算方法, $InDegree(1)=2$, $InDegree(2)=5$, $InDegree(1)<InDegree(2)$, 说明节点2比节点1重要。可见, 在该网络中, PageRank算法在一定程度上弱化了入链数对节点的影响。
在符号网络中, 节点的局部特性对识别该节点是否为关键节点具有重要意义。从内容特征角度考虑, 用户更喜欢与朋友的朋友而不是朋友的敌人建立正向链接; 积极的用户更容易获取社会的支持, 更可能被正向链接指向[30]; 用户更容易同与他们相似的人建立正向链接[31]; 低地位等级用户更可能与高地位等级用户建立正向链接[32]。而在社会网络情境中, 朋友和积极的、相似的、高地位的用户在网络中一般可以认为是重要的、有影响的关键节点。因此, 符号网络中节点的入链数和入链性质等局部特性同样是识别关键节点的重要因素。
地位理论认为链接的符号决定了节点地位的差异, 一条由i到j的正向链接$l_{ij}^{+}$表示i认为j具有较高的地位, 而负向链接$l_{ij}^{-}$表示i认为j具有较低的地位[33]。因此, 一般认为正向链接入度有助于提升节点的地位, 而负向链接入度则会降低节点的地位[32]。然而, 在一些情景中, 被负向链接指向的节点也可能成为关键节点, 如识别网络谣言、虚假信息时, 需要对网络节点负向影响力进行排名计算, 便于管理者快速发现虚假信息, 实现精确化辟谣[25]。
为识别社会网络环境中的关键节点, 针对PageRank算法在符号网络中弱化了局部属性对节点的影响这一局限, 笔者提出KeyRank算法。
(1) 基于PageRank算法思想, 分别定义节点i在正向链接网络和负向链接网络中的PageRank值$PR_{i}^{+}$和$PR_{i}^{-}$, 计算方法如公式(4)和公式(5)所示。
$\mathop{PR}_{i}^{\text{+}}=\alpha \sum{_{j\in \mathop{IN}_{i}^{+}}}\frac{\mathop{PR}_{j}^{\text{+}}}{|\mathop{Out}_{j}^{\text{+}}|}+\frac{1-\alpha }{N}$ (4)
$\mathop{PR}_{i}^{-}=\alpha \sum{_{j\in \mathop{IN}_{i}^{-}}}\frac{\mathop{PR}_{j}^{-}}{|\mathop{Out}_{j}^{-}|}+\frac{1-\alpha }{N}$ (5)
其中, $IN_{i}^{+}$和$IN_{i}^{-}$表示节点i的正向入链数和负向入链数。
(2) 在$PR_{i}^{+}$和$PR_{i}^{-}$基础上, 将其与反映网络局部特征的点度中心度结合, 考虑入度对节点的影响, 从而定义节点i在正向链接网络和负向链接网络中的影响力值PPi和 NPi, 计算方法如公式(6)和公式(7)所示。
$P{{P}_{i}}={{(PR_{i}^{+})}^{\beta }}\cdot |In_{i}^{+}{{|}^{1-\beta }}$ (6)
$N{{P}_{i}}={{(PR_{i}^{-})}^{\beta }}\cdot |In_{i}^{-}{{|}^{1-\beta }}$ (7)
其中, $|In_{i}^{+}|$和$|In_{i}^{-}|$表示节点i的正向链接入度和负向链接入度, 参数$\beta \in [0,1]$, 用于调节不同情境下PageRank值与入度对关键节点识别影响的比例。当$\beta =1$时, PPi和NPi退化为PageRank值; 当$\beta =0$时, PPi和NPi退化为节点的入度。
(3) 一般地, 定义节点i的重要度$KeyRan{{k}_{i}}$, 用于识别关键节点, 计算方法如公式(8)所示。
$KeyRan{{k}_{i}}=P{{P}_{i}}-N{{P}_{i}}$ (8)
$KeyRan{{k}_{i}}$越大, 表示节点越重要、影响力越大、地位越高。
但不是所有的情景都认为负向链接不重要, 如识别争议人物、负面信息时, 负向链接同正向链接一样重要, 此时, 需重新定义$KeyRan{{k}_{i}}$, 同时定义节点i的情感倾向$EmotionRan{{k}_{i}}$, 计算方法如公式(9)和公式(10)所示。
$KeyRan{{k}_{i}}=P{{P}_{i}}+N{{P}_{i}}$ (9)
$EmotionRan{{k}_{i}}=P{{P}_{i}}-N{{P}_{i}}$ (10)
$KeyRan{{k}_{i}}$越大, 表示节点越重要、影响力越大、地位越高; $EmotionRan{{k}_{i}}>0$, 表示节点i的情感为正, 该值越大说明节点i的正向情感越强烈; $EmotionRan{{k}_{i}}<0$, 表示节点i的情感为负, 该值越小说明节点i的负向情感越强烈。
国外学者针对符号网络的研究数据主要来自于商品评论网站Epinions、科技资讯评论网站Slashdot以及协同编辑在线百科全书Wikipedia等[5, 28]。本文选取Slashdot网站的社交数据, 该网站提供的Slashdot Zoo功能可以让用户将他人标记为“朋友”或者“敌人”, 从而构建了同时包含正向链接与负向链接的符号网络结构。实验数据来自斯坦福网络数据库(SNAP), 所选取的数据集包含了Slashdot网站截至2009年2月21日的社交网络数据, 共有82 144个节点和549 202组关联信息[5]。
基于KeyRank算法, 根据公式(4)-公式(8), 令$\alpha =0.85$, 分别计算$\beta $在不同取值时各节点的KeyRank值, 并进行排名。表1列出了在$\beta =0$、$\beta =0.25$、$\beta =0.5$、$\beta =0.75$和$\beta =1$时, Slashdot数据集中排在前20位的节点。其中, 当$\beta =0$时, 结果即为基于符号网络的节点入度排名; 当$\beta =1$时, 结果即为基于符号网络的PageRank值排名。
表1 各节点的KeyRank排名结果(前20名)
| Rank | $\beta =0$ | $\beta =0.25$ | $\beta =0.5$ | $\beta =0.75$ | $\beta =1$ |
|---|---|---|---|---|---|
| 1 | 937 | 937 | 937 | 90 | 90 |
| 2 | 1 935 | 1 935 | 90 | 937 | 937 |
| 3 | 90 | 90 | 1 935 | 1 935 | 1 935 |
| 4 | 531 | 531 | 1 485 | 1 485 | 1 485 |
| 5 | 1 485 | 1 485 | 531 | 1 930 | 1 930 |
| 6 | 1 930 433 | 1 930 | 1 930 | 531 | 1 635 |
| 7 | — | 2 208 | 2 208 | 1 635 | 198 |
| 8 | 2 208 | 1 635 | 1 635 | 2 208 | 2 208 |
| 9 | 179 | 179 | 179 | 59 | 531 |
| 10 | 5 128 | 59 | 59 | 179 | 59 |
| 11 | 928 | 7 821 | 7 821 | 198 | 179 |
| 12 | 1 802 | 1 802 | 1 802 | 7 821 | 7 821 |
| 13 | 7 821 | 433 | 928 | 1 802 | 1 050 |
| 14 | 1 635 | 928 | 686 | 1 050 | 1 802 |
| 15 | 686 | 686 | 2 023 | 176 | 176 |
| 16 | 534 | 5 363 | 678 | 686 | 686 |
| 17 | 5 363 | 2 023 | 433 | 928 | 2 023 |
| 18 | 59 | 678 | 5 363 | 2 023 | 928 |
| 19 | 9 835 | 5 128 | 176 | 678 | 678 |
| 20 | 10 762 | 534 | 198 | 5 363 | 1 953 |
为探究$\beta $在不同取值时各排名之间的关系, 对排名结果进行Kendall’s tau-b相关系数检验。由于网络中存在大量入度为0的节点, 为避免其对分析结果造成干扰, 故先将这些数据剔除后再进行分析, 结果如表2所示。根据各排名结果的相关系数矩阵可知, 当$\beta $取值越相近时, 其排名结果越一致; 当$\beta =0$与$\beta =1$时, 其排名结果的相关系数最低, $\tau =0.5857$, 说明基于符号网络的节点入度排名和PageRank值排名在统计学意义上呈中度正相关, 两种算法存在一定差异。
表2 各排名结果的相关系数矩阵
| $\beta $值 | 0 | 0.25 | 0.5 | 0.75 | 1 |
|---|---|---|---|---|---|
| 0 | 1 | 0.8763 | 0.7746 | 0.6486 | 0.5857 |
| 0.25 | 0.8763 | 1 | 0.9070 | 0.7918 | 0.7050 |
| 0.5 | 0.7746 | 0.9070 | 1 | 0.8847 | 0.7459 |
| 0.75 | 0.6486 | 0.7918 | 0.8847 | 1 | 0.7640 |
| 1 | 0.5857 | 0.7050 | 0.7459 | 0.7640 | 1 |
为比较传统算法与KeyRank算法在排名结果上的差异, 本文对无符号网络中各节点的PageRank值和入度进行分析, 同时, 将Shahriari和Jalili所提出的改进算法(Modified PageRank, M-PR)作为比较对象。
在传统研究中, 研究者更加关注网络中那些正向、积极的链接, 因此, 在计算节点影响力时仅考虑了符号网络中正向链接子图G+的影响, 不对负向链接和缺失链接进行区分[31]。以信息科学领域为例, 引文网络中的合作关系、引用关系, 社交网络中的朋友关系、支持关系, 均为正向链接, 因此, 可提取网络中的正向链接子图, 以实现符号网络的无符号化。此外, 为实现符号网络的无符号化, 也有学者将符号网络中的正向链接和负向链接视为同质的链接[34]。以信息科学领域为例, 在线投票网站的投票者之间意见无论相同或相左, 电商网站中用户对商品的评论无论好评或差评, 都视作存在关系。综上所述, 本文分别采用以上两种方式对Slashdot网络中的链接进行无符号化处理。
将剔除了负向链接的Slashdot网络记为Network A, 将正向链接和负向链接同质化的Slashdot网络记为Network B; 同样地, 剔除Network A和Network B中入度为0的节点; 最后对PageRank算法、入度、M-PR算法和KeyRank算法($\beta =0.5$)的排名结果进行Kendall’s tau-b相关系数检验, 结果如表3和表4所示。可知, PageRank算法排名、入度排名、M-PR算法排名与KeyRank算法排名在统计学意义上呈中度正相关, 说明传统算法与KeyRank算法在节点排序上存在差异; 此外, M-PR算法与KeyRank算法在排序结果上的相关系数较高, 说明考虑了网络正、负链接影响的算法在排序结果上具有一致性。
表3 基于Network A的相关系数矩阵
| PageRank | Indegree | M-PR | KeyRank | |
|---|---|---|---|---|
| PageRank | 1 | 0.5545 | 0.7607 | 0.5417 |
| Indegree | 0.5545 | 1 | 0.3562 | 0.4547 |
| M-PR | 0.7607 | 0.3562 | 1 | 0.7022 |
| KeyRank | 0.5417 | 0.4547 | 0.7022 | 1 |
表4 基于Network B的相关系数矩阵
| PageRank | Indegree | M-PR | KeyRank | |
|---|---|---|---|---|
| PageRank | 1 | 0.5709 | 0.5659 | 0.4401 |
| Indegree | 0.5709 | 1 | 0.2706 | 0.3234 |
| M-PR | 0.5659 | 0.2706 | 1 | 0.7459 |
| KeyRank | 0.4401 | 0.3234 | 0.7459 | 1 |
社会网络中关键节点的识别一直是信息科学领域研究的重要议题, 然而, 学者多基于无符号网络进行研究, 忽略了网络中链接的正负属性。传统基于无符号网络设计的算法在符号网络中已不再适用, 因此, 本文基于符号网络的相关理论, 从网络拓扑特征出发, 提出一种改进的PageRank算法——KeyRank算法, 用于识别符号网络中的关键节点。
改进算法在PageRank算法的基础上, 结合基于中心性的统计方法, 综合考虑节点的全局拓扑特性和局部特征, 并设置参数$\beta $来调节不同情境下“全局”与“局部”对关键节点识别影响的比重。在实证研究中发现, 传统算法与KeyRank算法在节点排序上存在差异, 说明链接的符号属性对排序结果产生了重要影响。基于符号网络设计的KeyRank算法与传统算法的区别主要体现在两方面: 一是更加关注节点自身的属性特征, 通过考虑入链数和入链性质识别关键节点; 二是对不同情境下节点的重要程度进行区分, 一般地, 负向链接对识别关键节点只产生负面影响, 但有时负向链接却对关键节点的识别具有重要意义。
在本研究的基础上, 未来可以重点考虑如下工作:
(1) 改进KeyRank算法, 该算法仅在计算节点重要度时考虑了正负链接对节点的影响, 忽略了每次迭代时正负链接的相互作用。
(2) 通过实证研究, 给定不同情境下参数$\beta $的经验取值。$\beta $的取值视不同的网络结构和背景信息而定, 但相关情景和应用场合的$\beta $值相近。
(3) 在拓扑结构特征的基础上, 加入对符号网络中内容特征和行为特征的考量, 识别关键节点。拥有背景信息的符号网络数据还较难获取, 相关研究在一定程度上受到限制。
(4) 符号网络作为近年来新兴的研究热点, 理论基础、研究方法和实证环境尚不成熟。因此, 基于符号网络的排序、分类、聚类、预测、信息传播和推荐等问题还有较大的研究和发展空间。
陈晓威: 提出研究思路, 设计研究方案, 算法设计, 进行实验, 论文撰写;
史昱天: 采集、清洗和分析数据, 论文修改及最终版本修订。
所有作者声明不存在利益冲突关系。
支撑数据由作者自存储, E-mail: njusyt@qq.com。
[1] 史昱天. Slashdot.csv. Slashdot网站用户关系数据集.
| [1] |
社会网络分析法及其在情报学中的应用 [J].
本文介绍了社会网络分析法的基本概念，阐述了该方法的3个主要分析角度，包括中心性分析、凝聚子群分析以及核心-边缘结构分析，并总结了国内外社会网络分析法在情报学领域的应用成果。
Social Network Analysis Method & Its Application in Information Science [J].
本文介绍了社会网络分析法的基本概念，阐述了该方法的3个主要分析角度，包括中心性分析、凝聚子群分析以及核心-边缘结构分析，并总结了国内外社会网络分析法在情报学领域的应用成果。
|
| [2] |
微博舆情社会网络关键节点识别与应用研究 [J].
<p>文章在对国内外相关文献调查与梳理的基础上，从社会网络结构角度出发，设计舆情数据爬取系统，运用社会网络分析法来探索舆情网络中关键节点的识别与应用。具体应用时，以新浪微博为研究平台，通过爬虫系统抓取舆情数据并解析，构建微博舆情社会网络，运用改进PageRank 算法对舆情网络中的关键节点进行识别与评价，实验结果证明本文所用算法是有效的。</p>
Identification and Application of Microblog Public Opinion Social Network Critical Node [J].
<p>文章在对国内外相关文献调查与梳理的基础上，从社会网络结构角度出发，设计舆情数据爬取系统，运用社会网络分析法来探索舆情网络中关键节点的识别与应用。具体应用时，以新浪微博为研究平台，通过爬虫系统抓取舆情数据并解析，构建微博舆情社会网络，运用改进PageRank 算法对舆情网络中的关键节点进行识别与评价，实验结果证明本文所用算法是有效的。</p>
|
| [3] |
虚拟学习社区的社会网络分析 [J].https://doi.org/10.3969/j.issn.1006-9860.2009.02.002 URL [本文引用: 1] 摘要
关系是虚拟学习社区研究中最重要的核心研究对象之一,研究关系型数据需要使用社会网络分析方法.本文介绍了社会网络分析方法的特点、使用流程、分析单位、分析类型和部分分析工具等内容,并针对首师大虚拟学习社区网络教学支撑平台中的关系数据集合,以研究虚拟学习社区的关系模式为实例,介绍了社会网络分析方法在宏观、中观和微观三个层次上的具体运用,并给出了作者对社会网络分析方法的反思.
Social Network Analysis in Virtual Learning Community [J].https://doi.org/10.3969/j.issn.1006-9860.2009.02.002 URL [本文引用: 1] 摘要
关系是虚拟学习社区研究中最重要的核心研究对象之一,研究关系型数据需要使用社会网络分析方法.本文介绍了社会网络分析方法的特点、使用流程、分析单位、分析类型和部分分析工具等内容,并针对首师大虚拟学习社区网络教学支撑平台中的关系数据集合,以研究虚拟学习社区的关系模式为实例,介绍了社会网络分析方法在宏观、中观和微观三个层次上的具体运用,并给出了作者对社会网络分析方法的反思.
|
| [4] |
符号网络研究综述 [J].Survey of Signed Network Research [J]. |
| [5] |
Signed Networks in Social Media [C]// |
| [6] |
社会网络节点影响力分析研究 [J].https://doi.org/10.13328/j.cnki.j0s.005115 URL [本文引用: 2] 摘要
社会网络节点影响力研究是社会网络分析的关键问题之一.过去的10多年间,随着在线社会网络的快速发展,研究人员有机会在大量现实社会网络上对影响力进行分析和建模,并取得了丰硕的研究成果和广泛的应用价值.分析和总结了近年来社会网络影响力分析的主要成果.首先介绍了节点影响力的相关定义、作用范围以及表现形式;接着,重点分类介绍了节点影响力的度量方法,通过网络拓扑、用户行为和内容分析这3类方法总结了影响力的建模和度量方法;然后总结了影响力的传播和最大化模型相关成果;最后介绍了影响力的评价指标和应用.根据对现有方法的系统总结,对社会网络影响力的未来研究提出了一些值得关注的方向.
Research on Node Influence Analysis in Social Networks [J].https://doi.org/10.13328/j.cnki.j0s.005115 URL [本文引用: 2] 摘要
社会网络节点影响力研究是社会网络分析的关键问题之一.过去的10多年间,随着在线社会网络的快速发展,研究人员有机会在大量现实社会网络上对影响力进行分析和建模,并取得了丰硕的研究成果和广泛的应用价值.分析和总结了近年来社会网络影响力分析的主要成果.首先介绍了节点影响力的相关定义、作用范围以及表现形式;接着,重点分类介绍了节点影响力的度量方法,通过网络拓扑、用户行为和内容分析这3类方法总结了影响力的建模和度量方法;然后总结了影响力的传播和最大化模型相关成果;最后介绍了影响力的评价指标和应用.根据对现有方法的系统总结,对社会网络影响力的未来研究提出了一些值得关注的方向.
|
| [7] |
基于SNA的突发事件网络舆情关键节点识别——以“7·23动车事故”为例 [J].https://doi.org/10.3969/j.issn.1672-6162.2012.03.011 URL [本文引用: 1] 摘要
运用社会网络分析方法（SNA）研究突发事件舆情传播的网络结构特征及关键节点识别，探究舆情传播的网络结构、节点位置及相互关系对信息的传播路径、传播速度及传播范围的影响等问题。以2011年重大突发事件“7·23”动车事故为实证研究对象，运用Pajek软件生成了“7·23”信息传播网络拓扑图，基于邻接矩阵数据进行了网络密度、可达性、聚类系数和中心性测度，依据测度结果和位置角色分析对其进行关键节点分层与识别。研究表明，突发事件网络舆情的传播和扩散以社会网络结构为基础，具有复杂性和动态性特征；网络结构与节点位置决定着成员的“影响力”程度；中·心关键节点的资源控制能力与信息输入输出效率具有显著的正相关性。可以通过改变中心度、聚类系数等手段嵌入式引导关键节点，减少谣言和恐慌情绪的传播。本文采用详实数据对舆情传播关键节点的分层识别，拓展了社会网络方法在应急管理领域的应用，克服了以往研究中技术与管理实践相分离的弊病。
Analysis of the Key Nodes in Public Opinion Spread During Emergencies Based on Social Network Theory——A Case Study of the 7·23 Wenzhou High-speed Train Collision [J].https://doi.org/10.3969/j.issn.1672-6162.2012.03.011 URL [本文引用: 1] 摘要
运用社会网络分析方法（SNA）研究突发事件舆情传播的网络结构特征及关键节点识别，探究舆情传播的网络结构、节点位置及相互关系对信息的传播路径、传播速度及传播范围的影响等问题。以2011年重大突发事件“7·23”动车事故为实证研究对象，运用Pajek软件生成了“7·23”信息传播网络拓扑图，基于邻接矩阵数据进行了网络密度、可达性、聚类系数和中心性测度，依据测度结果和位置角色分析对其进行关键节点分层与识别。研究表明，突发事件网络舆情的传播和扩散以社会网络结构为基础，具有复杂性和动态性特征；网络结构与节点位置决定着成员的“影响力”程度；中·心关键节点的资源控制能力与信息输入输出效率具有显著的正相关性。可以通过改变中心度、聚类系数等手段嵌入式引导关键节点，减少谣言和恐慌情绪的传播。本文采用详实数据对舆情传播关键节点的分层识别，拓展了社会网络方法在应急管理领域的应用，克服了以往研究中技术与管理实践相分离的弊病。
|
| [8] |
Catastrophes in Scale-free Networks [J].https://doi.org/10.1088/0256-307X/22/5/012 URL [本文引用: 1] 摘要
An alternative model about cascading occurrences caused by perturbation is established to search the mechanism because catastrophes in networks occur. We investigate the avalanche dynamics of our model on two-dimensional Euclidean lattices and scale-free networks and find that the avalanche dynamic behaviour is sensitive to the topological structure of networks. The simulation results show that the catastrophes occur much more frequently in scale-free networks than those in Euclidean lattices, and the greatest catastrophe in scale-free networks is much more serious than that in Euclidean lattices. Furthermore, we have studied how to reduce the catastrophes'degree, and have schemed out an effective strategy, called the targeted safeguard strategy for scale-free networks.
|
| [9] |
业主论坛意见领袖——识别方法及其特点 [J].Measurement, Identification and Characteristics of Opinion Leaders in Real Estate Owner Online Forum [J]. |
| [10] |
Overlap of Opinion Leadership across Consumer Product Categories [J].https://doi.org/10.2307/3149505 URL [本文引用: 1] 摘要
This article analyzes the overlap of opinion leadership across six broad product categories; its data suggest substantial overlap-particularly across those product categories of similar interest.
|
| [11] |
Opinion Leaders and Opinion Seekers: Two New Measurement Scales [J].https://doi.org/10.1177/0092070396242004 URL [本文引用: 1] 摘要
The authors describe the development and validation of multiple-item self-report scales to measure opinion leadership and opinion seeking for specific product or service domains. The concepts of opinion leadership and opinion seeking are defined, previous attempts to measure them are critiqued, and the scale development process is described. Five separate studies using data from 1,128 student and adult respondents provide ample evidence for the unidimensionality, the reliability, and the construct and criterion-related validity of the resulting scales. Finally, implications for consumer theory and marketing practice are discussed.
|
| [12] |
社会化商务环境下意见领袖对购买意愿的影响研究 [D].Research of Opinion Leaders’ Impact on Purchase Intention Under Social Commerce Context [D]. |
| [13] |
Identifying Opinion Leaders for Marketing by Analyzing Online Social Networks [J].https://doi.org/10.4018/jvcsn.2011010105 URL [本文引用: 1] 摘要
Recently, the impact of social networks in customer buying decision is rapidly increasing due to effectiveness in shaping public opinion. This paper helps marketers analyze social network0964s members based on different characteristics and choose the best method for identifying influential people among them. Then, marketers can use these influential people as seeds to market products/services. Considering the importance of opinion leadership in social networks a comprehensive overview of existing literature has been done. Studies show, different titles (such as opinion leaders, influential people, market mavens and key players) are used to refer to the influential group in social networks whom we know as opinion leaders. The study shows all the properties presented for opinion leaders in the form of different titles are classified into three general categories including structural, relational and personal characteristics and based on studying opinion leader identification methods; appropriate parameters are extracted in a comprehensive chart to evaluate and compare these methods accurately.
|
| [14] |
基于社会网络分析的意见领袖识别研究 [J].
随着意见领袖在网络中作用的增大,发掘和利用潜在意见领袖具有重要意义。本文按社会网络中结构洞位置,中心度位置和边缘位置对虚拟社区,博客和qq群中的意见领袖角色进行识别,与网络中公认的意见领袖进行比较,得出网络意见领袖与社会网络中位置的关系。并选择科学网图书馆社区,运用网络分析法,引文分析法和pajek、ucinet软件,对本文的识别方法进行验证。
Research on Opinion Leaders Recognition Based on Social Network [J].
随着意见领袖在网络中作用的增大,发掘和利用潜在意见领袖具有重要意义。本文按社会网络中结构洞位置,中心度位置和边缘位置对虚拟社区,博客和qq群中的意见领袖角色进行识别,与网络中公认的意见领袖进行比较,得出网络意见领袖与社会网络中位置的关系。并选择科学网图书馆社区,运用网络分析法,引文分析法和pajek、ucinet软件,对本文的识别方法进行验证。
|
| [15] |
基于聚类分析的网络论坛意见领袖发现方法 [J].https://doi.org/10.3969/j.issn.1000-3428.2011.05.015 URL Magsci [本文引用: 1] 摘要
提出表示网络论坛用户的特征值向量，它由7个特征值组成。设计基于EM算法的用户聚类算法，从实际的贴子数据中提取向量数据集，并基于聚类结果筛选出最符合意见领袖群体的子类。以某论坛为例，分别运用该方法及现有典型方法提取出意见领袖并进行比较，验证本文算法的正确性。
Online Forum Opinion Leaders Discovering Method Based on Clustering Analysis [J].https://doi.org/10.3969/j.issn.1000-3428.2011.05.015 URL Magsci [本文引用: 1] 摘要
提出表示网络论坛用户的特征值向量，它由7个特征值组成。设计基于EM算法的用户聚类算法，从实际的贴子数据中提取向量数据集，并基于聚类结果筛选出最符合意见领袖群体的子类。以某论坛为例，分别运用该方法及现有典型方法提取出意见领袖并进行比较，验证本文算法的正确性。
|
| [16] |
微博转发网络中意见领袖的识别与分析 [J].The Identification and Analysis of Micro-blogging Opinion Leaders in the Network of Retweet Relationship [J]. |
| [17] |
网络社区中的意见领袖特征分析 [J].https://doi.org/10.3969/j.issn.1007130X.2011. URL Magsci [本文引用: 1] 摘要
<p>本文通过社会网络分析方法识别网络社区中的意见领袖。首先对意见领袖存在的人际关系网络结构特征进行分析，对比论坛、博客和问答网络之间的区别，提出基于无向、有权重网络模型更能真实准确地识别意见领袖。并基于该网络模型研究和分析了网络论坛结构特征，通过测量其小世界和无标度的复杂网络特征，定量分析意见领袖存在的社会性根源。其次提出了基于无向、有权重网络下的PageRank算法，并对比前人提出多种意见领袖识别算法，以某论坛四年历史数据实证了算法的有效性。最后对识别结果进行深入分析，并研究了意见领袖同活跃版块之间的关系，发现通过覆盖少量版块即可覆盖绝大部分意见领袖。</p>
A Feature Analysis of the Opinion Leader in On-Line Communities [J].https://doi.org/10.3969/j.issn.1007130X.2011. URL Magsci [本文引用: 1] 摘要
<p>本文通过社会网络分析方法识别网络社区中的意见领袖。首先对意见领袖存在的人际关系网络结构特征进行分析，对比论坛、博客和问答网络之间的区别，提出基于无向、有权重网络模型更能真实准确地识别意见领袖。并基于该网络模型研究和分析了网络论坛结构特征，通过测量其小世界和无标度的复杂网络特征，定量分析意见领袖存在的社会性根源。其次提出了基于无向、有权重网络下的PageRank算法，并对比前人提出多种意见领袖识别算法，以某论坛四年历史数据实证了算法的有效性。最后对识别结果进行深入分析，并研究了意见领袖同活跃版块之间的关系，发现通过覆盖少量版块即可覆盖绝大部分意见领袖。</p>
|
| [18] |
Mining and Characterizing Opinion Leaders from Threaded Online Discussions [C]// |
| [19] |
Prediction and Clustering in Signed Networks: A Local to Global Perspective [J].https://doi.org/10.1016/j.datak.2013.07.003 URL [本文引用: 1] 摘要
Summary: The study of social networks is a burgeoning research area. However, most existing work is on networks that simply encode whether relationships exist or not. In contrast, relationships in {\it signed} networks can be positive (“like”, “trust”) or negative (“dislike”, “distrust”). The theory of social balance shows that signed networks tend to conform to some local patterns that, in turn, induce certain global characteristics. In this paper, we exploit both local as well as global aspects of social balance theory for two fundamental problems in the analysis of signed networks: sign prediction and clustering. Local patterns of social balance have been used in the past for sign prediction. We define more general measures of social imbalance (MOIs) based on $\ell$-cycles in the network and give a simple sign prediction rule. Interestingly, by examining measures of social imbalance, we show that the classic Katz measure, which is used widely in unsigned link prediction, also has a balance theoretic interpretation when applied to signed networks. Motivated by the global structure of balanced networks, we propose an effective low rank modeling approach for both sign prediction and clustering. We provide theoretical performance guarantees for our low-rank matrix completion approach via convex relaxations, scale it up to large problem sizes using a matrix factorization based algorithm, and provide extensive experimental validation including comparisons with local approaches. Our experimental results indicate that, by adopting a more global viewpoint of social balance, we get significant performance and computational gains in prediction and clustering tasks on signed networks. Our work therefore highlights the usefulness of the global aspect of balance theory for the analysis of signed networks.
|
| [20] |
Link Mining: A Survey [J]. |
| [21] |
Calculating Status with Negative Relations [J].https://doi.org/10.1016/j.socnet.2004.08.007 URL [本文引用: 1] 摘要
A new measure of status or network centrality that takes into account both positive and negative relationships is suggested. This measure is based on the eigenvector measure of centrality, a standard measure in network research. Its use is illustrated with data from Sampson's well-known study of monks in a monastery.
|
| [22] |
Exploiting Emotions in Social Interactions to Detect Online Social Communities [C]// |
| [23] |
Finding the Bias and Prestige of Nodes in Networks Based on Trust Scores [C]// |
| [24] |
Exponential Ranking: Taking into Account Negative Links [C]// |
| [25] |
社交网络正、负影响力计算——基于符号网络的PageRank算法改进 [J].https://doi.org/10.3772/j.issn.1000-0135.2015.007.007 URL [本文引用: 2] 摘要
当前社交网络中普遍存在带有正面、负面属性的链接指向，构成了具有正负向关系的符号网络。由于传统的PageRank算法无法直接应用于这种新型网络环境，本文提出了一种计算符号网络中节点正、负影响力的改进算法。该算法同时考虑链接的正面和负面指向关系，通过分析节点被正向、负向访问的概率来确定节点在社交网络中的正、负影响力。小规模网络举例说明与Slashdot网站实际数据模拟分析的结果显示，改进算法符合符号网络中同时存在正负关系的特性，与PageRank算法在正负影响力的计算结果上存在差异。较之传统算法计算节点影响力时分离正负关系的做法，改进算法具备理论和实践的创新性。
Analysis of Positive and Negative Influential Power in Social Networks——Improving PageRank in Signed Networks [J].https://doi.org/10.3772/j.issn.1000-0135.2015.007.007 URL [本文引用: 2] 摘要
当前社交网络中普遍存在带有正面、负面属性的链接指向，构成了具有正负向关系的符号网络。由于传统的PageRank算法无法直接应用于这种新型网络环境，本文提出了一种计算符号网络中节点正、负影响力的改进算法。该算法同时考虑链接的正面和负面指向关系，通过分析节点被正向、负向访问的概率来确定节点在社交网络中的正、负影响力。小规模网络举例说明与Slashdot网站实际数据模拟分析的结果显示，改进算法符合符号网络中同时存在正负关系的特性，与PageRank算法在正负影响力的计算结果上存在差异。较之传统算法计算节点影响力时分离正负关系的做法，改进算法具备理论和实践的创新性。
|
| [26] |
The PageRank Citation Ranking: Bringing Order to the Web[R]. |
| [27] |
Google的PageRank技术剖析 [J].https://doi.org/10.3969/j.issn.1002-1965.2002.10.007 URL [本文引用: 1] 摘要
检索结果排序算法一直是情报检索系统的核心技术之一,在搜索引擎中的地位则更加重要.通过对搜索引擎google的关键技术PageRank的深入剖析,分析了其在Google排序系统中的作用,并对其发展所存在的问题进行了探讨.
The Anatomy of Page Rank Technology of Google [J].https://doi.org/10.3969/j.issn.1002-1965.2002.10.007 URL [本文引用: 1] 摘要
检索结果排序算法一直是情报检索系统的核心技术之一,在搜索引擎中的地位则更加重要.通过对搜索引擎google的关键技术PageRank的深入剖析,分析了其在Google排序系统中的作用,并对其发展所存在的问题进行了探讨.
|
| [28] |
Ranking Nodes in Signed Social Networks [J].https://doi.org/10.1007/s13278-014-0172-x URL [本文引用: 2] 摘要
Social networks are inevitable part of modern life. A class of social networks is those with both positive (friendship or trust) and negative (enmity or distrust) links. Ranking nodes in signed networks remains a hot topic in computer science. In this manuscript, we review different ranking algorithms to rank the nodes in signed networks, and apply them to the sign prediction problem. Ranking scores are used to obtain reputation and optimism , which are used as features in the sign prediction problem. Reputation of a node shows patterns of voting towards the node and its optimism demonstrates how optimistic a node thinks about others. To assess the performance of different ranking algorithms, we apply them on three signed networks including Epinions, Slashdot and Wikipedia. In this paper, we introduce three novel ranking algorithms for signed networks and compare their ability in predicting signs of edges with already existing ones. We use logistic regression as the predictor and the reputation and optimism values for the trustee and trustor as features (that are obtained based on different ranking algorithms). We find that ranking algorithms resulting in correlated ranking scores, leads to almost the same prediction accuracy. Furthermore, our analysis identifies a number of ranking algorithms that result in higher prediction accuracy compared to others.
|
| [29] |
复杂网络中节点重要性排序的研究进展 [J].https://doi.org/10.7498/aps.62.178901 URL Magsci [本文引用: 1] 摘要
如何用定量分析的方法识别超大规模网络中哪些节点最重要, 或者评价某个节点相对于其他一个或多个节点的重要程度, 这是复杂网络研究中亟待解决的重要问题之一. 本文分别从网络结构和传播动力学的角度, 对现有的复杂网络中节点重要性排序方法进行了系统的回顾,总结了节点重要性排序方法的最新研究进展, 并对不同的节点重要性排序指标的优缺点以及适用环境进行了分析, 最后指出了这一领域中几个有待解决的问题及可能的发展方向.
Node Importance Ranking of Complex Networks [J].https://doi.org/10.7498/aps.62.178901 URL Magsci [本文引用: 1] 摘要
如何用定量分析的方法识别超大规模网络中哪些节点最重要, 或者评价某个节点相对于其他一个或多个节点的重要程度, 这是复杂网络研究中亟待解决的重要问题之一. 本文分别从网络结构和传播动力学的角度, 对现有的复杂网络中节点重要性排序方法进行了系统的回顾,总结了节点重要性排序方法的最新研究进展, 并对不同的节点重要性排序指标的优缺点以及适用环境进行了分析, 最后指出了这一领域中几个有待解决的问题及可能的发展方向.
|
| [30] |
Signed Link Analysis in Social Media Networks [C]// |
| [31] |
A Survey of Signed Network Mining in Social Media [J].
Many real-world relations can be represented by signed networks with positive and negative links, and signed network analysis has attracted increasing attention from multiple disciplines. With the evolution of data from offline to social media networks, signed network analysis has evolved from developing and measuring theories to mining tasks. In this article, we present a review of mining signed networks in social media and discuss some promising research directions and new frontiers. We begin by giving basic concepts and unique properties and principles of signed networks. Then we classify and review tasks of signed network mining with representative algorithms. We also delineate some tasks that have not been extensively studied with formal definitions and research directions to expand the boundaries of signed network mining.
|
| [32] |
基于交互意见和地位理论的符号网络链接预测模型 [J].https://doi.org/10.7544/issn1000-1239.2016.20151079 URL Magsci [本文引用: 2] 摘要
随着社会网络的普遍和流行，社会网络为符号网络(signed network)的深入研究提出了更多的全新问题，其中链接预测是符号网络研究的核心问题之一.交互意见和地位理论能够较好地解释符号网络中链接关系的构建和链接的符号属性，二者作为链接构建的诱因为提高链接预测的质量提供了理论基础.因此，通过研究交互意见和地位理论与链接关系的强相关性，构建符号网络链接预测模型.首先，利用交互意见增强待分解矩阵的可靠度，弥补由地位理论的对称性所带来的局限性；然后，在稀疏学习矩阵分解模型基础上，将交互意见建模为增强可靠度因子，同时将地位理论建模为稀疏学习模型的正则化项；最后，构建基于交互意见和地位理论的符号网络链接预测模型MF-SI.实验结果表明相比于其他基本方法，MF-SI模型获得了较好的预测质量，说明集成交互意见和地位理论能够较好地实现符号网络链接预测问题.
Exploring Interactional Opinions and Status Theory for Predicting Links in Signed Network [J].https://doi.org/10.7544/issn1000-1239.2016.20151079 URL Magsci [本文引用: 2] 摘要
随着社会网络的普遍和流行，社会网络为符号网络(signed network)的深入研究提出了更多的全新问题，其中链接预测是符号网络研究的核心问题之一.交互意见和地位理论能够较好地解释符号网络中链接关系的构建和链接的符号属性，二者作为链接构建的诱因为提高链接预测的质量提供了理论基础.因此，通过研究交互意见和地位理论与链接关系的强相关性，构建符号网络链接预测模型.首先，利用交互意见增强待分解矩阵的可靠度，弥补由地位理论的对称性所带来的局限性；然后，在稀疏学习矩阵分解模型基础上，将交互意见建模为增强可靠度因子，同时将地位理论建模为稀疏学习模型的正则化项；最后，构建基于交互意见和地位理论的符号网络链接预测模型MF-SI.实验结果表明相比于其他基本方法，MF-SI模型获得了较好的预测质量，说明集成交互意见和地位理论能够较好地实现符号网络链接预测问题.
|
| [33] |
Social Balance in Signed Networks [J].https://doi.org/10.1007/s10796-014-9483-8 URL [本文引用: 1] 摘要
The theory of social balance, also called structural balance, is first proposed by Heider in 1940s, which is utilized to describe the potential social dynamics process. This theory is of great importance in sociology, computer science, psychology and other disciplines where social systems can be represented as signed networks. The social balance problem is hard but very interesting. It has attracted many researchers from various fields working on it over the past few years. Many significant theories and approaches have been developed and now exhibit tremendous potential for future applications. A comprehensive review of these existing studies can provide us significant insights into understanding the dynamic patterns of social systems. Yet to our investigation, existing studies have not done this, especially from a dynamical perspective. In this paper, we make an attempt towards conducting a brief survey of these scientific activities on social balance. Our efforts aim to review what has been done so far in this evolving area. We firstly introduce the fundamental concepts and significant properties of social balance. Then we summarize the existing balance measures and present detecting/partitioning algorithms, as well as important empirical investigations in both physical world and cyberspace. We next mainly focus on describing and comparing the fundamental mechanisms of the dynamics models. Several existing problems not yet satisfactorily solved in this area are also discussed.
|
| [34] |
The Slashdot Zoo: Mining a Social Network with Negative Edges [C]// |
/
| 〈 |
|
〉 |
