精华内容
下载资源
问答
  • 社会网络分析案例
    千次阅读 多人点赞
    2020-04-11 17:08:37

    最近在搞有关社会网络分析的毕设,于是整理了几个常用的数据集,方便大家下载使用_(:з」∠)_~所有都是免费哦!自取。
    由于我只用了简单的几个,所以没找到自己需要的童靴可以点击这个网站——数据集网站http://networkrepository.com自行下载。

    1.空手道俱乐部数据集——Zachary karate club
    点击TXT文档下载地址
    点击GML文档下载地址
    Zachary 网络是学者通过对一个美国大学空手道俱乐部进行观测而构建出的一个真实的社会网络.网络中包含 34 个节点和 78 条边,其中个体表示俱乐部中的成员,而边表示成员之间存在的友谊关系。是社会网络分析中较为常用的数据集。

    2.足球联赛数据集——College Football
    点击TXT文档下载地址
    点击GML文档下载地址
    College Football 网络.根据美国大学生足球联赛创建的一个真实的社会网络.该网络包含 115个节点和 616 条边,其中网络中的结点代表足球队,两个结点之间的边表示两只球队之间进行过一场比赛.参赛的115支大学生代表队被分为12个联盟。联盟即可表示为该网络的真实社区结构,是社会网络分析中较为常用的数据集。

    3.海豚社会关系数据集——Dolphin
    Dolphin 数据集是 D.Lusseau 等人使用长达 7 年的时间观察新西兰 Doubtful Sound海峡 62 只海豚群体的交流情况而得到的海豚社会关系网络。这个网络具有 62 个节点,159 条边。节点表示海豚,而边表示海豚间的频繁接触,该图为无权图。
    点击TXT文档下载地址
    点击GML文档下载地址

    再说一句,TXT文档里的格式为点集—边集—权值,但因为这些数据集都是无向无权图,所以权值那一列都为1。GML文档可以用于在gephi上将数据集可视化,如下图所示,还蛮漂亮的社区划分。
    图为football网络在gephi上的展示

    还有几个数据集,等我毕设改完再更!!溜了溜了

    更多相关内容
  • 社会网络分析案例

    2013-05-04 21:12:39
    社会网络分析案例,提供样例数据格式以及基本数据,可以通过分析展示网络各种属性。
  • 社会网络分析数据.zip

    2021-05-15 20:10:04
    社会网络分析数据.zip,CNKI.xlsx,PyDm_data.xlsx
  • 文本挖掘与社会网络分析课程教材,内容包括文本处理、文本分析、信息检索系统、文本分类、文本聚类、矩阵分解与话题模型、文本情感分析、知识图谱、社会网络分析理论、Gephi可视化、社会网络分析实践与案例
  • 社会网络分析与可视化工具NetDraw的应用案例分析
  • 基于社会网络分析的协同学习群组中角色及情感实例研究,田锋,吴凡,网络技术的普及和发展为现代教育提供了广阔的平台。网络协同学习小组相对传统学习模式,更能支持开放的探究活动,有利于共同体中��
  • networkx是python中常用的社会网络分析包,里面支持各种图以及非常多指标计算函数。 官网:https://networkx.org 中文网站:https://www.osgeo.cn/networkx/index.html 案例 接下来是由合作网络中的边作为原始数据,...

    从原始数据一步步得到合作网络之后,需要计算一些网络指标才能的到一些有意义的分析结论。
    networkx是python中常用的社会网络分析包,里面支持各种图以及非常多指标计算函数。
    官网:https://networkx.org
    中文网站:https://www.osgeo.cn/networkx/index.html

    案例

    接下来是由合作网络中的边作为原始数据,计算各种网络指标的一个简单示例。
    包括:生成网络图、计算指标、提取计算结果、存储五个基本步骤。有更多、更复杂的需求也都可以在这个框架基础上进行二次开发。

    #* 随便编的原始数据
    edges = [['a','b',2],
            ['a','c',1],
            ['a','d',2],
            ['b','d',3],
            ['c','d',2]]
    
    #* 生成网络图
    G = nx.Graph()  # 创建一个图
    G.add_weighted_edges_from(edges)  # 添加合作关系
    
    #* 计算指标
    centrality = [nx.degree_centrality(G), # 这些函数的返回值是字典
                    nx.closeness_centrality(G),
                    nx.betweenness_centrality(G),
                    nx.clustering(G),
                    nx.eigenvector_centrality(G)] 
    average_shortest_path = nx.average_shortest_path_length(G, weight='weight') # 这个函数的返回值是浮点值
    
    
    #* 提取计算结果
    results = []
    nodes = G.nodes()  # 提取网络中节点列表 ['a', 'b', 'c', 'd']
    for node in nodes:  # 遍历所有节点,提取每个节点度中心性计算结果,并存储为[[节点1,结果],[节点2,结果],...]的形式
        results.append([node, 
        				centrality[0][node], 
        				centrality[1][node], 
        				centrality[2][node], 
        				centrality[3][node], 
        				centrality[4][node]])
    
    #* 存储
    with open("./test.csv","w",encoding="UTF-8",newline="") as csvfile: 		writer = csv.writer(csvfile)  	
            writer.writerow(['node','degree','closeness','betweenness','clustering','eigenvector'])
            writer.writerows(results)
            writer.writerow(['average_shortest_path={}'.format(average_shortest_path)])
    

    运行结果在这里插入图片描述

    P.S. 再记录一下数shortest_path系列的另两个函数

    shortest_path()返回最短路径
    shortest_path_length()返回最短路径长度

    # 返回值是一个字典
    shortest_path = dict(nx.shortest_path(G, weight='weight')) 
    # 返回值是一个迭代器iterator
    shortest_path_length = dict(nx.shortest_path_length(G, weight='weight')) 
    print(shortest_path,'\n',shortest_path_length)
    

    结果

    shortest_path: 
    {'a': {'a': ['a'], 'b': ['a', 'b'], 'c': ['a', 'c'], 'd': ['a', 'd']}, 'b': {'b': ['b'], 'a': ['b', 'a'], 'd': ['b', 'd'], 'c': ['b', 'a', 'c']}, 'c': {'c': ['c'], 'a': ['c', 'a'], 'd': ['c', 'd'], 'b': ['c', 'a', 'b']}, 'd': {'d': ['d'], 'a': ['d', 'a'], 'b': ['d', 'b'], 'c': ['d', 'c']}} 
    shortest_path_length: 
    {'a': {'a': 0, 'c': 1, 'b': 2, 'd': 2}, 'b': {'b': 0, 'a': 2, 'd': 3, 'c': 3}, 'c': {'c': 0, 'a': 1, 'd': 2, 'b': 3}, 'd': {'d': 0, 'a': 2, 'c': 2, 'b': 3}}
    
    展开全文
  • 社会网络分析SNA

    万次阅读 2018-12-24 12:05:49
    网络学习平台和移动学习平台协作学习效果比较研究——基于社会网络分析的视角[J]. 中国远程教育, 2016(11):43-52. 【2】常咏梅, 张雅雅, 金仙芝. 基于量化视角的STEM教育现状研究[J]. 中国电化教育, 2017(6):114-...

    一、参考文献

    【1】柳瑞雪, 石长地, 孙众. 网络学习平台和移动学习平台协作学习效果比较研究——基于社会网络分析的视角[J]. 中国远程教育, 2016(11):43-52.

    【2】常咏梅, 张雅雅, 金仙芝. 基于量化视角的STEM教育现状研究[J]. 中国电化教育, 2017(6):114-119.

    【3】刘三, 石月凤, 刘智, et al. 网络环境下群体互动学习分析的应用研究——基于社会网络分析的视角[J]. 中国电化教育, 2017(2):5-12.

    【4】梁云真, 赵呈领, 阮玉娇, et al. 网络学习空间中交互行为的实证研究*--基于社会网络分析的视角[J]. 中国电化教育, 2016(7):22-28.

    【5】https://www.cnblogs.com/linzhenjie/p/3586032.html 社会网络分析——Social Network Analysis    Linzj‘s Blog

    【6】https://wiki.mbalib.com/wiki/社会网络分析 智库百科 社会网络分析

    【7】刘军. 2004. 社会网络分析导论[M]. 北京:社会科学文献出版社

    二、社会网络分析概念

    社会网络分析是研究一组行动者的关系的研究方法。一组行动者可以是人、社区、群体、组织、国家等,他们的关系模式反映出的现象或数据是网络分析的焦点。

    社会网络分析关注的焦点是关系和关系的模式,采用的方式和方法从概念上有别于传统的统计分析和数据处理方法。

    一句话总结:

    社会网络分析(Social Network Analysis,SNA)是用于研究行动者及其之间的关系的一套规范和方法,是一种定量的群体交互行为研究方法。 

    SNA以 数据挖掘 为基础,采用可视化的图以及社会网络结构的形式表示。运用这种研究方法 可以建立社会关系模型、发现社群内部行动者之间的各种社会关系。

    现在来看,社会网络分析可以解决或可以尝试解决下列问题:

    1-人际传播问题,发现舆论领袖,创新扩散过程;

    2-Web分析,数据挖掘中的关联分析,形成交叉销售,增量销售,也就是啤酒和尿布的故事;

    3-语言的关联,符号意义;

    4-竞争情报分析;

    5-相关矩阵或差异矩阵的统计分析,类似得到因子分析和MDS分析;

    6-恐怖分子网络; 

    7-知识管理与知识的传递,弱关系的力量;

    8-引文和共引分析;

    三、教学方面的应用

    1、为什么将SNA应用于教育方面? 

    多数研究表明,社会网络是协作学习环境的一个核心要素(Harasim,1995; Haythornthwaite, 2002)。 

    从某种程度上来说,知识 并不是由个体获取的静态对象,而是通过社会网络中 多个学习者持续不断的社会交互与合作进行的积极协同建构(Cohen & Prusak, 2001,pp.66-70; Lave & Wenger, 1991; Nonaka & Konno, 1998)。

    从社会网络的视角来看,学习是通过无缝交流、共同实践和社会网络关系的连接实现社会和集体成果 (Brown & Duguid, 1991)。

    在网络学习环境中,社会网络作为资源与知识交流的主要渠道 也发挥了工具性作用 (Cho, Stefanone, & Gay, 2002)。因此,SNA较适合研究网络协作学习交互,有助于了解学习者协作交互过程。

    2、基于SNA的在线学习分析应用研究述评 

    刘三, 石月凤, 刘智, et al. 网络环境下群体互动学习分析的应用研究——基于社会网络分析的视角[J]. 中国电化教育, 2017(2):5-12.

    (1)学习状态可视化

    以学生的交互行为数据为基础;

    运用社会网络分析技术,对学习者之间的社会网络进行可视化;

    通过分析社会网络结构能够识别处于边缘的学生,即没有积极参与学习活动的学生,老师能给予实时干预,这些分析结果能够帮助教师提升教学质量,帮助学生提升学习效果。

    (2)学习成效预测及监控

    目前越来越多的学者逐渐关注把在线论坛交互作为评估学习成效的一个指标,并对学习过程进行实时监控。

    印度韦洛尔科技大学的研究学者利用社会网络分析方法发掘蕴藏在MOOC中的社会结构,识别课程论坛参与活跃者以及有潜在辍学风险的学习者,以此对处于风险的学习者进行及时干预。

    (3)协作学习评估

    通过收集在线学习者之间的交互数据,利用社会网络分析方法分析协作学习过程中学习者之间的交互模式,能有效地评估学习共同体的协作学习水平。

    捷克奥斯特拉瓦技术大学等的研究学者提出了一个评估在线协作学习交互的分层框架,其中社会网络分析作为一个核心层次通过测量网络密度、个体度中心性、网络度中心性等 评估小组交互和参与行为,这不仅能为教师提供一个更好的监控,识别协作学习群体中的活跃者或边缘者,及时给予相应的干预, 而且促使学习者对自身的学习活动做出自我调控

    (4)同伴支持推荐

    在线学习环境为学习者提供一个获得更优质教育机会的同时,它的低完成率也是一个普遍存在的问题。

    学习者放弃学习的其中一个原因是缺乏与同学交流来解决面临的问题。通过采集在线论坛区中学习者之间的交互数据,运用社会网络分析方法分析学习者之间的交互模式、关系的强弱,当学习者遇到困难时,可以为学习者推荐伙伴,以寻求同伴支持,从而解决面临的问题。

    东北大学的研究者根据学习者在论坛中的讨论内容信息和社会网络信息, 分析学习者之间关系强弱、行为特征为学习者推荐伙伴,以解决在线学习低完成率问题。结果表明相比仅依靠内容信息为学习者推荐伙伴,同时结合社会网络信息能取得更优的学习效果。

    等等。

    3、数据来源 

    学习者交互关系的数据。

    一般通过两种途径进行收集:

    (1)对于线下学习中的人际交互关系,主要通过问卷调查、访谈等学习者自报告的方式进行数据采集;

    (2)对于网络环境下的学习交互数据, 例如,Coursera、网易公开课、可汗学院以及其他各院校研发的在线学习平台等,关系数据通常按照 一定的格式存储在学习系统中。这些关系数据均可利用开发者提供的数据接口API或网页标签信息,利用相关 程序进行自动爬取。

    4、工具 

    加州大学欧文分校研发Ucinet使用最为广泛 。

    5、网络属性分析 

    使用最频繁的属性示例:

    社群图;中心性;密度;凝聚子群;“核心—边缘”;等等。

    6、案例分析

    柳瑞雪, 石长地, 孙众. 网络学习平台和移动学习平台协作学习效果比较研究——基于社会网络分析的视角[J]. 中国远程教育, 2016(11):43-52. 

    以某高校78名大学三年级学生为研究对象,采用社会网络分析法对MOODLE平台和微信平台上学生协作互评所形成的交流网络进行比较分析,采用问卷调查法了解学生协作学习情况。 

    (Moodle是一个开源课程管理系统(CMS),也被称为学习管理系统(LMS)或虚拟学习环境(VLE)。是深受世界各地教育工作者喜爱的一种为学生建立网上动态网站的工具。 )

    (1)实验数据:

    学生的交互数据;

    主要以MOODLE平台和微信平台上每个小组组内组间互评作业的网络交流数据为主,一次完整的评论交流记为一次互动。

    (2)数据处理:

    首先把每个平台小组每次任务的原始协作交流数据处理成N*N 的对称关系矩阵。矩阵中的“行”代表关系的发送者,“列”代表关系的接受者,矩阵中“0” 表示两个行动者之间没有关系,“1”表示两个行动者之间存在关系, 矩阵中的数值越大,表 两个行动者之间的关系强度越大 ( 刘 军, 2004a,pp.43-53)。行和列的每个节点都代表一个学生。

    (3)分析数据:

    将整理好的关系矩阵数据导入UCINET软件中进行数据分析。

    (4)研究结果与分析:

    1. 密度分析

    密度是衡量群体内部行动者之间紧密程度的指 标,对于固定规模的群体网络,行动者之间联系越频繁,该群体网络密度越大,群体网络对行动者的态度、行为等产生影响的可能性越大,成员之间的交互程度也越强(朱晓菊,2014)。

    2. 中心性分析

    社会网络中心性常被用来评价一个人的重要程度、衡量一个人地位的优越性或者权利以及社会声望 (刘军, 2004b,pp.54)。

    点度中心度常用来衡量一个人 在整个群体中的权威性。当一个行动者与很多行动者 有直接关联时,该行动者具有较大权力,且位于网络 社区核心位置。位于核心位置的行动者一般情况下与 其他行动者具有多种关联,处于网络社区边缘的行动 者则拥有较小权力,与其他行动者关联较少(刘军,2004c,pp.55-57)。

    通过中心性分析,可以了解整个网络的核心节点以及分布情况。

    (5)研究结果如下:

    1、不同学习平台影响着学习者交流的活跃程度。与微信平台相比,MOODLE平台能更好地促进协作交流与互动。

    2、无论是在MOODLE平台还是在微信平台,都有核心学生充当着小组协作中的关键角色,发挥着重要的组织和引导作用;(中心性分析)

    3、与微信平台相比,MOODLE平台上协作小组团结度更高,凝聚力更强;(密度分析)

    4、两种学习平台促进协作学习的效果不同, MOODLE平台在对协作学习的帮助作用、有用性和易用性方面较理想。

    四、个人小结

    SNA系统内容涵盖较大,应用方面广泛,如果想运用SNA进行分析,可能需要从具体小点着手,想从零开始进行一个系统的全盘接受需要花费时间。

    展开全文
  • 社会网络分析讲义

    2018-08-12 08:46:24
    刘军的unicet讲义,中文版,有基础知识,还有软件实例讲述,结合软件比较容易上手
  • 18 第 卷 2008 4 Modern Edu ational Te hnology No.4 2008 2008 年第 4 期 Modern Edu ational Te hnology No.4 2008 年第 期 社会网络分析与可视化工具NetDraw 的应用案例分析 社会网络分析与可视化工具NetDraw ...
  • 社会网络分析图】python实现

    万次阅读 多人点赞 2019-10-24 10:59:28
    这里写自定义目录标题社会网络分析图---Python实现社会网络分析包networkx网络图之知识图谱共现矩阵 社会网络分析图—Python实现 主要记录学习《Python数据挖掘方法及应用》(王斌会 著)第八章的内容。 社会网络...

    社会网络分析图—Python实现

    主要记录学习《Python数据挖掘方法及应用》(王斌会 著)第八章的内容。

    社会网络分析主要有两大要素:
    ①行动者,在社会网络中用节点(node)表示;②关系,在社会网络中用连线(edge)表示,关系的内容可以是友谊、借贷或沟通,其关系可以是单向或双方的,切关系强度存在强度的差异。

    社会网络分析包networkx

    networkx是python语言开发的图论与复杂网络建模工具,内置了常用的图与复杂网络分析算法,可以方便进行复杂网络数据分析和仿真建模等工作。

    网络图之知识图谱

    知识图谱,又称为科学知识图谱,在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。

    共现矩阵

    图谱共现矩阵是把数据进行整合筛选等操作后,将所要的某一列数据进行处理。这一列中出现的数据,通过矩阵的方式表示它们之间的联系。矩阵中的数字代表相关联的次数。
    程序中出现的数据都是本书所给实例。
    下载数据的网站[\《Python数据分析》暨南大学 王斌会](http://blog.leanote.com/DaPy)

    附上程序
    
    #!/usr/bin/env python
    #   -*-   coding:   cp936   -*-  使用中文
    import networkx as nx
    import matplotlib.pyplot as plt
    nG=nx.Graph();#创建一个空的图
    nG
    

    一定要加前两行,要不然后面画图会显示不了中文

    
    import pandas as pd   
    #分解信息
    def list_split(content,separator): 
        new_list=[]
        for i in range(len(content)):
            new_list.append(list(filter(None,content[i].split(separator))))#以separator为分隔符
        return new_list
    #清除信息中的空格
    def list_replace(content,old,new):            
        return[content[i].replace(old,new) for i in range(len(content))]
    
    WXdata=pd.read_excel('PyDm_data.xlsx','WXdata');
    

    设置一个分解信息函数list_split(content,separator)和清除空格的函数list_replace(content,old,new),由于原始文本数据中含标点符号,对数据进行预处理,去掉这些干扰的东西。

    def find_words(content,pattern): #寻找关键词
        return[content[i] for i in range(len(content)) if (pattern in content[i])==True]
        
    def search_university(content,pattern):#寻找大学
        return len([find_words(content[i],pattern) for i in range(len(content))
                   if find_words(content[i],pattern)!=[]])
    university=pd.read_excel('PyDm_data.xlsx','university');
    #university1=sum(university,[])
    
    organ=list_split(WXdata['Organ'],';')
    
    data1=pd.DataFrame([[i,search_university(organ,i)] for i in university['学校名称']])
    
    keyword=list_split(WXdata['Keyword'].dropna(axis=0,how='all').tolist(),';;')
    keyword1=sum(keyword,[])
    author=list_replace(WXdata['Author'].dropna(axis=0,how='all').tolist(),',',';')
    author1=list_split(author,';')
    author2=sum(author1,[])
    data1;
    

    查找函数find_words(content,pattern)用于查找每一列中所要元素
    由于后面要画三个图,分别是作者,大学和关键词,这里先提取出数据

    #获取前30名的高频数据
    data_author=pd.DataFrame(author2)[0].value_counts()[:30].index.tolist()
    
    data_keyword=pd.DataFrame(keyword1)[0].value_counts()[:30].index.tolist()
    
    data_university=data1.sort_values(by = 1,ascending=False,axis=0)[0:30][0].tolist()
    #data_university=data1.sort_values(by=1,ascending=False,axis=0)[0:30]['学校名称'].tolist()
    data_university;
    

    由于数据较多,这里设置一个提取高频数据的函数,只选取每一列中出现次数最多的三十个来进行研究。

    
    ```python
    def occurence(data,document): #定义共现矩阵
        empty1=[];empty2=[];empty3=[]
        for a in data:
            for b in data:
                count = 0
                for x in document:
                    if [a in i for i in x].count(True)>0 and [b in i for i in x].count(True)>0:
                        count=count+1
                empty1.append(a);empty2.append(b);empty3.append(count)#append() 方法向列表的尾部添加一个新的元素。只接受一个参数
        df=pd.DataFrame({'from':empty1,'to':empty2,'weight':empty3})
        #具有标注轴(行和列)的二维大小可变的表格数据结构
        G=nx.from_pandas_edgelist(df,'from','to','weight')
        #返回包含边列表的图形
        return (nx.to_pandas_adjacency(G,dtype=int))#注意对齐
    

    自定义用于画图的共现矩阵的函数 occurence(data,document)

    Matrix1=occurence(data_author,author1)
    Matrix1;
    Matrix2=occurence(data_university,organ)
    Matrix2;
    Matrix3=occurence(data_keyword,keyword)
    Matrix3;
    

    作者矩阵Matrix1
    作者矩阵Matrix1的结果
    大学矩阵 Matrix2
    大学矩阵 Matrix2的结果
    关键词矩阵 Matrix3
    关键词矩阵 Matrix3的结果

    import networkx as nx
    import matplotlib.pyplot as plt              #加入中文汉字
    plt.rcParams['font.sans-serif']=['SimHei']   #设置字体为SimHei显示中文
    plt.rcParams['axes.unicode_minus']=False     #设置正常显示字符
    #设置线条样式  plt.rcParams['lines.linestyle'] = '-.'
    #设置线条宽度 plt.rcParams['lines.linewidth'] = 3
    
    nf1=nx.from_pandas_adjacency(Matrix1)
    #建立布局,对图进行布局美化,networkx 提供的布局方式有:
    #- circular_layout:节点在一个圆环上均匀分布;   - random_layout:节点随机分布
    #- shell_layout:节点在同心圆上分布;     - spring_layout: 用Fruchterman-Reingold算法排列节点(类似多中心放射状)
    #- spectral_layout:根据图的拉普拉斯特征向量排列节
    
    #以下语句绘制以带宽为线的宽度的图
    
    nx.draw(nf1,with_labels=True,node_color='yellow')
    

    作者列的网络图高频作者之间合作情况
    高频作者之间合作情况

    nf2=nx.from_pandas_adjacency(Matrix2)
    nx.draw(nf2,with_labels=True,node_color='yellow')
    

    高校之间合作图谱
    高校之间合作图谱

    graph3=nx.from_pandas_adjacency(Matrix3)
    nx.draw(graph3,with_labels=True,node_color='yellow')
    

    关键词知识图谱
    关键词知识图谱

    最后,附上一些程序实现过程中参考的网站
    1.入门|始于Jupyter Notebooks:一份全面的初学者实用指南http://baijiahao.baidu.com/s?id=1601883438842526311&wfr=spider&for=pc
    2.Networkx参考手册 - qingqingpiaoguo的专栏 - CSDN博客
    https://blog.csdn.net/qingqingpiaoguo/article/details/60570894
    3.python复杂网络库networkx:绘图draw - 皮皮blog - CSDN博客
    https://blog.csdn.net/pipisorry/article/details/54291831
    4.Drawing — NetworkX 1.10 documentation
    https://networkx.github.io/documentation/networkx-1.10/reference/drawing.html
    5.《数据挖掘方法》
    http://blog.leanote.com/cate/dapy/%E7%9B%AE%E5%BD%95

    展开全文
  • 1 复杂网络分析(二)—社会网络(1)1.1 从社会网络开始 1.2 社会网络的表示 1.3 网络分析的步骤 1.4 复杂系统和网络 1.5 复杂网络的结构 1.6 复杂网络的测量 1.7 网络分化和演化 1.1 从社会网络开始 1.1.1 从你、...
  • 社会网络是一个关系与关系之间的网络,进行社会网络分析,我们要弄清楚的是网络中包含哪些具有相互联系的节点,这些节点之间又具有怎样的关系,以及每个节点在整个网络中占有何种地位。而有关这方面节点的数据都是在...
  • 社会网络分析课件;学习内容;1. 什么是社会网络分析;社会网络的形式化表达;2 社会网络分析相关的概念及应用;2.1 与关联性有关的概念;2.2 与距离有关的概念;2.3 与中心性有关的概念;2.3 与中心性有关的概念;中心性总结...
  • 社会网络分析

    2013-09-29 20:45:16
    社会网络分析软件使用方法和案例,期刊论文,社会网络分析与可视化工具 NetDraw 的应用案例分析,王运锋
  • 本代码用来处理大规模社会网络数据,并带有多个应用实例,包括:pagerank算法、团体挖掘、节点中心性计算等,带代码可处理亿级节点数量的网络
  • 今天的网络是我们日常生活的一... 分析这些网络并根据这些网络做出明智决策的能力是一项对任何数据分析师都很重要的技能。介绍首先让我们从社交网络的含义开始。 下面你会看到一个宝莱坞演员网络作为节点。 如果他...
  • 《社交网络分析案例详解》共分三大部分:第一部分介绍了社交网络分析的原理,社交网络分析研究立足社会学的角度,介绍了基于图论原理的社交网络理论基础,以及一些常用的计算指标和社交网络总体网络架构;...
  • 社交网络分析技术是一种通用有效的研究社会人员之间复杂关系模式的方法。以公安领域为背景,首先介绍了社交网络分析理论,然后详细阐述该技术在公安领域的3个应用案例,包括犯罪团伙挖掘、核心成员识别和串并案挖掘...
  • 通过对重庆长寿城区的电力基础设施实例研究发现,社会网络分析方法能够对设施网络拓扑结构与电网运行过程中的稳定性进行客观评价,能够找出电网过载点、对设施网络拓扑结构的紧凑程度和完整程度进行评价以及对网络...
  • QAP,社会网络分析假设检验之一

    万次阅读 多人点赞 2017-11-09 17:40:45
     参考刘军的《整体网分析讲义》和《社会网络分析导论》,对QAP进行一些总结。  在社会网络分析中,有一种方法用来研究关系之间的关系,通俗来讲,就是研究两个方阵的相关性和回归性。这种方法叫做QAP(Quadratic ...
  • 学习分技术-社交网络分析的理论与案例(学习笔记)。
  • 网络市场营销策划案例分析 社会化媒体营销案例海尔家电的新浪微博营销第一部分海尔参与新浪微博营销的现状及相关数据 . 关于现状的一些情况进入新浪微博的切入点以海尔世博全球营销计划为切入点 营销目标品牌传播 ...
  • 第一章 社会网络分析概说 社会网络分析是社会科学中的一种独特视角,之所以说其独特,是因为社会网络分析建立在如下假设基础之上:在互动的单位之间存在的关系非常重要。社会网络理论、模型及应用的基础都是关系数据...
  • 试论网络信息安全的保护 随着Internet的迅速发展,网络将越来越深刻地影响社会的政治、经济、文化、军事 和社会生活的各个方面。网络信息安全也已成为世界关注的焦点。有效地保护重要的信 息数据、提高网络系统的...
  • 【SNA】社会网络分析二 Gephi 功能详解

    万次阅读 多人点赞 2021-04-10 13:35:40
    Gephi 是一款网络分析领域的数据可视化处理软件,开发者对它寄予的希望是成为“数据可视化领域的 Photoshop”,可运行在 Windows、Linux 及 Mac OS 系统上。 二、特点 Gephi 主要有以下三大特性: 由内置的快速的 ...
  • 信息安全案例分析 网僑信息安全的保护 组员:xXXxXXXXXXxx 分工:xxx(演讲) XXX(PPT制作) XXXXX(资料的查找) 信息安全案例分析 网络信息安全及保护 概述 1网络信息安全的定义 2网络信息安全的特征 二信息安全案例 1某...
  • 数据分析学习总结笔记10:网络分析

    千次阅读 2020-04-04 15:35:11
    网络分析1 网络分析概述1.1 三大社会科学理论1.2 网络分析内容2 网络的基本概念与特征量2.1 网络的发展2.2 网络的表达形式2.3 网络基本概念与特征量2.3.1 网络整体指标2.3.2 网络节点指标3 社会网络分析3.1 社会网络...
  • 第 六 章 网络社区营销案例分析 知识目标 理解网络社区的概念和主要形式 掌握网络社区营销的特点作用和主要步骤 理解网络社区营销和传统营销的关系 技能目标 在理解网络社区营销概念和特点的基础上掌握网络社区营销...
  • 其次,提出一种分布式信任社会网络分析方法,用来分析专家间的信任关系,并计算出每位专家的信任权重;再次,基于在线评价信息,结合最大和最小平均加权距离来综合确定未知的属性权重,并利用相对贴近度对备选方案进行排序,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 42,667
精华内容 17,066
关键字:

社会网络分析案例