网络舆情信息怎么分析?

单从事件的角度来看，分析网络舆情可以从事件的来源、发酵时间、传播路径、关注媒体、热点地域、传播情感、演变发展趋势等多方面进行分析。

而站在技术层面来看，分析网络舆情还可以从以下几个方面进行分析：

1周期性分析法

所谓“周期性分析法”， *** 作上非常简单，就是把一个指标的观察时间拉长，看它是否有周期变化规律。

通常舆情事件的发展周期：酝酿发展期——高涨期——衰退期——回落期，此外如果舆情在回落后出现回升便增加：反d期——沉淀（回落期）

根据舆情走势可判断舆情事件所处阶段，从而为决策提供有力依据。

2结构分析法

通过分析和确立事物(或系统)内部各组成要素之间的关系及****进而认识事物(或系统)整体特性的一种科学分析方法。

可通过询问某一要素（舆情数据异常高或低）与其他要素产生不同的原因可通过“为什么”询问法，来找出各要素之间的联系。

3分层分析法

将收集来的数据按来源、性质等加以分类，将性质相同、在同条件下的数据归在一起，从而将总体分为若干层次，分别加以研究。

我们将分层分析应用为数据搜集与存储、数据分析和决策（舆情预警）支持三个模块。

而该数据分析法运用到舆情分析上来，主要可通过对传播话题的数量依次分布，分析出网络上对某一舆情事件的重点关注以及需要重点处理应对的舆论。

4矩阵分析法

我们常见的态势分析法（SWOT分析法）就是典型的矩阵分析法。

以SWOT分析法为例：

1优势分析：舆情事件种对自身有利的积极正面的网络情感偏向苗头存在；舆情事件高发地与自身资源优势形成的有礼应对环境；技术及政策支持等。

2劣势分析：互联网冗杂的信息使得不能对舆情产生的原因和首发进行有效分析和辨识，从而导致未能对舆情进行有效疏导。

3机会分析：国民素质和知识水平的逐步提升；国家的强化引导；通过对网络舆情的发展和传播进行分类分析和归纳总结，即可得出有效的处理方法，用以指导具体的舆情应对，并提供决策依据。

4威胁分析：随着5G技术的快速发展，视频和音频平台已经成为越来越重要的互动和社交渠道，视频和音频平台发酵的舆论事件越来越多。音视频发展迅速，信息载体多样化，增加监控难度。

5标签分析法

在这一应用上，较直接地展示后台设置，针对文章类型对信息进行文章标签化从而分出不同的舆情类型。

标签分析法在舆情分析上也是对敏感舆情类型的区分，从而有助于抓住重点问题，及时应对处理，也可根据主要问题的数据分布情况，预测舆情发展趋势。

以上内容由舆情监测公司识微科技整理提供。

《社会网络分析方法与实践》（MaksimTsvetovatAlexanderKouznetsov）电子书网盘下载免费在线阅读

taji    

书名:社会网络分析方法与实践

豆瓣评分:72

作者:MaksimTsvetovatAlexanderKouznetsov

出版社: 机械工业出版社

副标题: 方法与实践

原作名: Social Network Analysis for Startups

译者: 王薇 / 王成军 / 王颖 / 刘璟

出版年: 2013-6-1

页数: 177

内容简介:

本书以基于Python的网络分析包NetworkX作为社会网络分析工具，但不是一本NetworkX使用手册。作者将重点放在如何从庞大的社会网络分析学术积累中，挑选最精要与最实用的知识点，以帮助读者形成关于社会网络分析的知识谱系图。全书可以分为四部分。第1章和第2章是基础知识，主要介绍社会网络分析的背景信息与图论基础知识。第3~5章主要介绍如何分析社会网络，分别从个体与群体两个层面，介绍社会网络的主要测量指标与分析方法。其中第3章重点介绍社会网络节点层面的四个核心指标：

程度中心性：哪些是明星人物？哪些是边缘者？程度中心性回答类似问题。这是最为人们理解的社会网络测量指标。以微博为例，程度中心性就是粉丝的数量，那些程度中心性高的人就是微博中的明星。

亲近中心性：亲近中心性通过点与其他点的距离来测量。那些在社交网络中经常与人互动、人际关系颇好的人，比如公司中的八卦传播者，往往亲近中心性得分较高。

居间中心性：节点的居间程度，表示一个网络中经过该点最短路径的数量。在网络中，节点的居间程度越大，那么它在节点相互之间的信息传播起到的作用也就越大。在两个社会网络之间的人，比如跨界者，往往拥有较高的居间中心性。

特征向量中心性：那些在社交网络中沉默却拥有极大权力的人物，如《教父》中的主人翁柯里昂。社会网络研究者将他们称为“灰衣主教”。特征向量中心性就是找出他们的办法。基本原理是，一个有着高特征向量中心性的行动者，与他建立连接的很多行动者往往也被其他很多行动者所连接。在社交网络中，有这样一种人，很多明星与其做朋友，即使他沉默不语，也可能是一位重要的人物。

社会网络分析不仅仅在节点层面测量。第4章、第5章介绍如何分析群体。其中，第4章主要介绍社群划分的基础知识：如何将庞大的社会网络划分为小的组块？如何利用社会网络中的结构洞牟利？如何进行三元组普查与分析？例如，如何通过岛屿方法逐步找出推特上埃及革命的成千上万条转发的核心人物？又如，如何评估埃及革命中一个人的信息传播能力？显然，如果你的朋友们相互信任，将比那种一个明星发言，粉丝们单纯收听的星形网络传播能力更强。第5章主要介绍二模网络与多模网络的基础知识。关系还会存在于不同类型的主体之间，比如公司雇佣员工、投资者购买公司股票、人们占有信息与资源等。这些关系称为二模关系。现实生活中的关系往往是二模或多模。比如在微博上，可以通过你的兴趣、地域、使用的标签来为你推荐新的朋友，或者基于你对一些公共事件的看法，将你划分到特定政治群体中，这些都是基于二模或多模网络的分析得出的。

第6章是全书最精彩的部分，关注信息如何传播，初步展示分析动态社会网络发展的建模技巧。一条微博如何从一两个人关注突然成为流行用语？作者在实验中发现，当网络密度接近7%的时候，将从线性增长（每次增加一条连接）转化为病毒式扩散，也就是说，如果转发一条微博、加入一个网络社群等的人数比例达到7%，其他人将会在关键阶段马上跟进。这是一个推动脸谱走出哈佛大学的神奇数字。脸谱一步一步地跃迁，总是遵循一个规则——在一个社群里到达饱和点之后才移入一个更大的社群。作者通过手写Python算法，为读者打开动态社会网络与网络仿真的大门——我们如何用算法来模拟人类社会各类关系的变迁？有了自己亲手实践算法的经验，读者未来使用netlogo等网络仿真软件，将更加得心应手。

对于初学者来说，第4~6章这三章有一定难度，需要同时理解社会科学与编程技巧两方面知识。第7章则简单明了，主要介绍获取网络数据的入门知识。如果希望深入了解，可以阅读作者推荐的相关资源。附录A介绍收集社会网络分析所需数据的传统方法、伦理准则与相关API。附录B介绍如何安装本书涉及的相关软件，如NetworkX、matplotlib等。

总而言之，作为一本技术非常新颖的入门读物，本书通俗易懂，基于Python进行分析使得其灵活性变得更高。可以说，本书令学习者从一开始就具有上手实践的能力，除介绍网络数据获取技巧、网络抽样方法、网络在个体与群体两个层面的基本属性之外，还涉及目前日益热门的网络模拟方法，融合基础理论与算法于一身。简约却不简单，上升空间非常大！无论你是对社会网络感兴趣的大众读者，还是社会网络的专业研究者、开发者，相信本书都会在社会网络的理论与实践两方面给予启发！

作者简介:

maksim tsvetovat是一个跨学科的科学家、软件工程师和爵士音乐家。他从卡内基·梅隆大学获得计算、组织和社会方向的博士学位，专注于社会网络进化、信息和态度扩散、集体智能发生的计算机建模。目前，他在乔治·梅森大学教授社会网络分析。他还是deepmile networks公司的联合创始人之一，该公司聚焦于社交媒体影响的图形化。maksim还教授社会网络分析的管理人员研讨班，包括面向创业公司的“社会网络”和面向决策人员的“理解社交媒体”。

alexander kouznetsov是一名软件设计师和架构师，具有从数据仓库到信号处理的广泛技术背景。他为业界开发了大量的社会网络分析工具，从大规模数据采集到在线分析和演示工具。alex在得克萨斯大学获得数学和计算科学学士学位。

1、        点：行动者、节点（actors, nodes）

即为社会网络中的一个功能个体（包括个人、单位、团体（看成一个整体）），在虚拟网络中表现为一个注册用户，ID等。

在社会网络研究领域，任何一个社会单位、社会实体或功能个体都可以看成是“节点”，或者行动者。

一个图中： 节点集合N={n1,n2,、、、n3}

2、        线,关系（relationship）：

        用来刻画关系数据，关于接触、联络、关联、群体依附和聚会等方面的数据，这类数据把一个能动者与另外一个能动者联系在一起，因而不能还原为单个行动者本身的属性。如上图表示的线arc。

一般称由一条线连着的点是相互“邻接的（adjacent）”,邻接是对由两个点代表的两个行动者之间直接相关这个事实的图论表达。

一般有无向线、有向线、多值线、有向多值线。

由线构成的图无向图、有向图、有向多值、无向多值图。

3、        邻域（neighborhood）:

与某个特定点相邻的那些点成为该点的“邻域”。

4、        度数（degree）:

邻域中的总点数成为度数。（严格的说应该是“关联度”，（degree of connection））,一个点的度数就是对其“邻域”规模大小的一种数值侧度。

一个点（无向图）的度数，在邻接矩阵中，一个点的度数用该点所对应的行或者列的各项中的非0值总数来表示。如果是二值（有项）的，那么一个点的度数就是该点所在行和所在列的总合。

在有向图中，“度数”包括两个不同方面，表达社会关系的线的方向。分别称为“点入度（in-degree）”：直接指向该点的点数总合；和“点出度（out-degree）”：该点所直接指向的其它点的总数。因此，对应在有向图的矩阵上，点的入度：对应该点所在列的地总和上。出度：该点所在行的总和上。

所有点的度数总合：无向图的总度数查线（关系）即可，有项图的总度数查线的2倍。

5、        线路（walk）：

各个点可以通过一条线直接相连，也可以通过一系列线间接相连，在一个图中的这一系列线叫做一条“线路”。

6、        途经(path)：

线路中每个点和每条线都各不相同，则称该线路为“途经”，“途经”的“长度”，用构成该途经的线的条数来测量。

7、        距离(distance):

一个重要的概念，指连接两个点的最短路径（即捷径，geodesic）的长度。在图论中一般称作最短路经。要与“途经”的概念相区分。

8、        方向

主要是看有向图的方向问题。

9、        密度（density）

描述了一个图中各个点之间关联的紧密程度。一个“完备(complete)图”（在图论中称完全图）指的是一个所有点之间都相互邻接的图。这种完备性即使在小网络中也积极少见。密度这个概念试图对线的总分布进行汇总，以便测量图在多大程度上具有这种完备性。密度依赖于另外两个网络结构参数：图的内含度和图中各点的度数总和。密度指的是一个图的凝聚力的总体水平。

“密度”和“中心势”这两个概念代表的是一个图的总体“紧凑性（compactness）”的不同方面。

图的内含度（inclusiveness）：图中各类关联部分包含的总点数，也可表述为图的总点数减去孤立点的数。不同的图进行比较常用的侧度为： 关联点数/总点数 15/20=75%

各点度数总和：

密度计算公式： 图中实际拥有的连线数与最多可能拥有的线数之比，其表达式为2l/n(n-1)。  有向图的表达式为：l/n(n-1)

多值图的密度：需要估值多重度问题，显然多重度高的线对于网络密度的贡献要比多重度低的线的贡献大。比较有争议的一种测度。

巴恩斯（Barnes,1974）比较了两类社会网络分析：

10、        个体中心（ego-centric） 网研究

围绕特定的参考点而展开的社会网，密度分析关注的是围绕着某些特定行动者的关系的密度。计算个体中心网密度的时候，通常不考虑核心成员及与该成员有直接关系的接触者，而是只关注在这些接触者之间存在的各种联系（links）。

11、        社会中心（socio-centric）网研究

关注的是作为一个整体的网络关联模式，这是对社会网络分析的另外一类贡献，从这一角度出发，密度则不再是局部行动者的“个体网”密度，而是整个网络的密度。密度计算上文已经提到。

12、        点度中心度（point centrality）

一个图中各个点的相对中心度

13、        图的中心度（graph centrality） 即为中心势的概念

14、        整体中心度（global centrality）   （弗里曼Freeman 1979,1980）

整体中心度指的是该点在总体网络中的战略重要性。根据各个点之间的接近性（closeness）,根据不同点之间的距离。可以计算出图中某点与其他各个点之间的最短距离之和。

无向图：可以通过软件计算出来一个无向图中各个点之间的距离矩阵，那么一个点的“距离和”比较低的点与其他很多点都“接近”。接近性和距离和呈反向关系。

有向图：“内接近性（in-closeness）”和“外接近性(out-closeness)”来计算

15、        局部中心点

一个点在七紧邻的环境中与很多点有关联，如果一个点有许多直接相关的“邻点”，我们便说该点是局部中心点。

16、        整体中心点

如果一个点在网络的总体结构上占据战略上的重要地位，我们就说该点是整体中心点。

17、        局部中心度（local centrality）

局部某点对其邻点而言的相对重要性。测量仅仅根据与该点直接相连的点数，忽略间接相连的点数。在有向图中有内中心度（in-centrality）和外中心度（out-centrality）。也可以自定义距离为1或2进行测度，如果定义为4（大多数点的距离为4），就毫无意义，也没有信息。

18、        局部中心度的相对测度

点的实际度数与可能联络得最多度数之，注意要去掉该点本身。

19、        中心势（centralization） 弗里曼(freeman，1979)

指的不是点的相对重要性，而是整个图的总体凝聚力或整合度。很少有人试图界定一个图的结构中心思想。中心势描述的则是这种内聚性能够在多大程度上围绕某些特定点组织起来。因此，中心势和密度是两个重要的、彼此相互补充的量度。

核心点的中心度和其它点的中心度之差。因此得出概念：实际的差值总和和与最大可能的差值总和相比。

社会网络的研究一般被认为产生与英国人类学，英国人类学家拉德克利夫—布朗首次使用了“社会网”概念，（但英国的结构功能主义以网络描述社会结构，网络在这里只是一个隐喻（metaphor）。本世纪50年代，一些人类学家如SFNadel,JABarnes开始系统地发展网络概念。1954年，JABarnes用“社会网络”（social network）去分析挪威一个渔村的跨亲缘和阶级的关系。不久后，Elizabeth Bott第一次发展出了网络结构的明确测量工具——结（knit）。这一系列成就的取得，使得网络分析受到许多社会学家的注意。而深受齐美尔（Georgy Simmel）影响的美国社会学家，在英国人类学家著作的传播下，也兴起了网络分析的热潮。到70年代中期，“网络分析的国际网络”得以形成，“社会网络”杂志成立，网络分析成为社会学中有影响力的领域。

这几天我一直在读的书是《传播学概论》是由威尔伯施拉姆与威廉波特合著的一本书，何道宽翻译。

传播一般说来有三种社会功能：守望环境、协调社会以适应环境以及使社会遗产代代相传。

增加的功能：娱乐功能

守望环境则是对于环境的监测以防威胁的发生。现今的外交官，使馆随员以及驻外记者，他们发挥的作用则也是守望环境。

协调社会：则是面对信息如何做出决策从而能够适应社会。编辑、记者、演说家也在扮演协调社会的功能，而如今扮演协调社会的功能则是政府、政界领袖以及政治记者和分析家以及权势集团。

社会遗产：在我的观念众中认为，所谓的社会遗产，则是我们学习到的所有知识，诸如关于历史的知识，老师的教学，书籍的学习以及任何珍贵的历史史料中学习的则都是对于知识宜昌的获得。

娱乐功能：查尔斯赖特认为在以上三种功能之外，大众传播还有娱乐的功能。

传播应用于个人时的社会功能：

利用传播构建我们的社会网络，明确自己的位置，作为雷达，能够让我们参与社会关系。

纵观一生我们离不开传播。我们利用它作为个人雷达，既寻找新鲜事物，也寻求保证和指引，借以了解我们与社会的关系；凭借传播，我们向他人确认自己的身份，确定我们对自己社会关系的了解，我们将传播当做管理自己的工具，用传播作决定，用传播来说服与 *** 控他人的思想和行为。

两个人（或者两个以上的人）由于一些共同感兴趣的符号聚集在一起。人类传播因为各自的生活范围以及生活方式的不一样，则对于信息的解读则不一样，所以并不是所有的信息都是真实的。

社会网络分析理论：

在社会网络[63]由人类学家Barnes最早提出的概念，他在社会网络的分析基础上统地研究挪威一个小渔村的跨亲缘与阶级的关系。在社会网络分析中，存在一些经典的理论。这些理论主要包括:六度分割理论、弱关系理论、150法则、小世界网络理论、马太效应等。基于社会网络有关的研究方向和内容，在不同的领域着发挥着各自的作用，例如，社会影响力分析，社区发现，信息传播模型，链接预测，基于社会网络的推荐。

150法则是指一个人能保持稳定社交关系的人数上限通常为150人。1929年由英国罗宾•邓巴教授(Robin Dunbar)提出了经典的”150定律”理论，该定律同时也被称为“邓巴数字”[64]。这个定律在我们的实际日常生活中的应用是相当普遍的，SIM卡中只能存储150个联系人的电话，微软的MSN中也只可以最多把150位联系人的信息添加到自己的名单中[64]等等。

小世界网络是一种具有特殊结构的复杂网络，在这种网络中大部份的节点是不相邻的，但绝大部份节点之间是连通的且距离很短。六度分割理论也是小世界网络理论的一种体现。在多数现实世界的社会网络中，尽管网络中的节点数量巨大，网络中相邻的节点相对较少，但每两个节点间往往只需要很短的距离便能连通。

六度分割就是指一个人与其他任何一个人之间建立起联系，最多都只需要经过六个人。所以，即便邓巴数字告诉我们，我们是能力上维持一个特别大的社交圈的，但是六度分割理论却可以告诉我们，通过我们现有的社交人脉圈以及网络可以无限扩张我们的人脉圈，在需要的时候都能够和地球中想要联系的任何人取得联系。

弱关系理论弱关系(Weak Tie)是指需要较少或不需要情感联系的人们之间的社会联系，这种联系几乎不需要耗费个人的时间或精力来维系，但这种联系却很有作用。美国社会学家Mark Granovetter在研宄人们在求职过程中如何获取工作信息时发现[65]，由家人、好友等构成的强关系在获取工作信息过程中起到的作用很有限，而那些关系较疏远的同学、前同事等反而能够提供更加有用的求职信息。

马太效应可以理解为达尔文进化论中适者生存的理念。在社交网络的发展过程如同生物进化的过程，存在强者越强、弱者越弱的现象。也就是说，在社交网络中越是处于网络核心的节点很大可能会变来越核心，而那些处于社交网络中边缘地带的节点或许会越来越不重要甚至直至消失。那些在社交网络中相比其他节点拥有更大影响力的节点，其带给该网络的影响也要比那些拥有弱影响力的节点所带来的影响要强。

从不同角度探索节点影响力挖掘算法：

1基于邻节点中心性的方法。这类方法最简单最直观，它根据节点在网络中的位置来评估节点的影响力。度中心性[13]考察网络中节点的直接邻居数目，半局部中心性[14]考察网络中节点四层邻居的信息，ClusterRank[15]同时考虑了网络中节点的度和聚类系数。

2基于路径中心性的方法。这类方法考察了节点在控制信息流方面的能力，并刻画节点的重要性。这类方法包括子图中心性[16]、数中心性[17]（一些演化算法包括：路由介数中心性[18]，流介数中心性[19]，连通介数中心性[20]，随机游走介数中心性[21]等）及其他基于路径的挖掘方法。

3迭代寻优排序方法。这类方法不仅考虑了网络中节点邻居的数量，并且考虑邻居质量对节点重要性的影响，包括了特征向量中心性[13]，累积提名[22]，PageRank算法[23]及其变种[24-32]。

4基于节点位置的排序算法。这类方法最显著的特点是，算法并没有给出一个计算节点重要性的定义，而是通过确定节点在网络中的位置，以此来确定节点的重要程度。在网络核心位置的节点，其重要性就相对较高，相反的，若节点处于网络边缘，那么它的重要性就会比较低。基于节点位置的以及不同应用场景的推荐算法具有重要的研究意义[34-37]。

节点影响力评估方法：

在社交网络节点影响力的评估方法主要可以分为三类，基于静态统计量的评估方法、基于链接分析算法的评估方法，基于概率模型的评估方法。

众学者在静态统计量的方法上，结合不同社交网络中相关信息，借鉴链接分析法以及建立概率模型来评估节点影响力，对社交网络节点影响力可以做到更有效的评估[66]。

1)基于静态统计量度量方法

主要是通过网络中节点的一些静态属性特征来简单直接地体现节点的影响力，但面对社交网络中复杂信息以及不同平台，并不能有效地度量不同社交网络中节点影响力。如度中心性，主观认为节点的重要性取决于与其他节点连接数决定，即认为一个节点的邻居节点越多，影响力越大。在有向网络中，根据边的方向，分为入度和出度，在有权网络中，节点的度可以看作强度，即边的权重之和。度中心性刻画了节点的直接影响力，度中心性指标的特点是简单、直观、计算复杂度低，也具有一定合理性。

但针对不同平台的网络结构中，度中心性的影响力效果未必能达到目标效果，而且社交网络中用户间关系的建立具有一定的偶然性，而且不同的用户间的关系强度也不同。度中心性没有考虑了节点的最局部信息，虽然对影响力进行了直接描述，但是没有考虑周围节点处所位置以及更高阶邻居。众学者在静态统计量的方法上，结合不同社交网络中相关信息，借鉴链接分析法以及建立概率模型来评估节点影响力，对社交网络节点影响力可以做到更有效的评估[66-67]。

2)基于链接分析算法的方法

链接分析算法(Link Analysis)主要应用在万维网中用来评估网页的流行性。通过超链接，万维网中的网页连接成一个网络，同时这个网络也具备了小世界网络的特征，且微博平台中的关注和粉丝关系与网页的链入与链出十分相似，因此链接分析法的思想也被应用在了微博社交网络中节点影响力的评估中。经典的算法是PageRank[68]和HITS算法[69](Hyperlink-Induced Topic Search)。

PageRank算法模型，是Google在搜索引擎结果中对网站排名的核心算法，核心思想通过计算页面链接的数量和质量，来确定网站的重要性的粗略估计，即节点的得分取决于指向它的节点的数量和这些节点的本身得分。即有越多的优质节点指向某节点时它的得分越高。

HITS算法是由Jon Kleinberg于1997年提出的。HITS算法模型中，有两类节点，权威(Authority)节点，和枢纽(Hub)节点。权威节点在网络中具有高权威性，枢纽节点具有很个指向边的节点。通过计算网络中每个节点的Authority权威值和Hub枢纽值来寻找高权威性的节点。即求值过程是在迭代中计算Authority和Hub值，直到收敛状态。Hub值和Authority值计算公式。

通过多数研究者发现，将链接分析法结合社交网络特性可以更好的对用户影响力进行评估，由于技术的快速发展，社交网络的多变性，因此如何将社交网络中的复杂数据和用户行为与相关算法进行结合，仍是需要我们继续研究的方向。

3)基于概率模型的方法

主要是建立概率模型对节点影响力进行预测。这么多学者将用户影响力作为参数对社交网络中的节点用户行为建立概率模型，并根据社交网络中已有的用户数据求解概率模型，得出用户影响力。

文献[70]认为用户间影响力越大、被影响用户的活跃度和转发意愿越高，则其转发另一个用户的信息的概率越大，所以利用用户影响力、转发意愿和活跃度等构建转发概率模型。通过用户发布的tweet数量、转发的tweet数和用户的历史转发行为数据，计算出用户活跃度、转发意愿和转发概率，进而社交网络中用户影响力。

文献[71]在度量影响力时融合了用户发布信息的主题生成过程，认为兴趣相似或经常联系的用户间影响力较强，用户的行为受其朋友的影响也受其个人兴趣的影响。基于这些假设，结合文本信息和网络结构对LDA模型进行扩展，在用户发布信息的基础上建立模型，通过解模型计算得出用户间基于主题的影响力。

文献[72]认为转发概率同样可以体现用户间的影响力，根据用户间的关注关系。历史转发记录，利用贝叶斯模型预测用户间的转发概率。

文献[73]考虑了用户建立关注关系的原因，用户被关注可能是与关注者兴趣投，也可能受用户的影响力影响。将基于用户的主题建模和基于主题的影响力评估相结合，并在同一个生成模型中进行计算，提出基于LDA算法模型的扩展算法模型FLDA模型(Followship-LDA)。

[13] P Bonacich Factoring and weighting approaches to status scores and clique identification[J] Journal of Mathematical Sociology, 1972, 2(1): 113-120

[14]DChen,LLü,MSShang,etalIdentifyinginfluentialnodesincomplexnetworks[J] Physica A, 2012, 391(4): 1777-1787

[15] D B Chen, H Gao, L Lü, et al Identifying influential nodes in large-scale directed networks: The role of clustering[J] PLoS One, 2013, 8(10): e77455

[16]EEstrada, JA Rodriguez-VelazquezSubgraphcentralityincomplexnetworks[J]Physical Review E, 2005, 71(5): 122-133

[17]LCFreemanAsetofmeasuresofcentralitybasedonbetweenness[J]Sociometry,1977, 40(1): 35-41

[18] S Dolev, Y Elovici, R Puzis Routing betweenness centrality[J]Journal of the ACM, 2010, 57(4): 710-710

[19] Y Gang,ZTao, H Bo,etal Efficientroutingoncomplexnetworks[J]PhysicalReviewE, 2005, 73(4): 46108

[20] E Estrada, D J Higham, N Hatano Communicability betweenness in complex networks[J] Physica A, 2009, 388(5): 764-774

[21]MEJNewmanAmeasureofbetweennesscentralitybasedonrandomwalks[J]Social networks, 2005, 27(1): 39-54

[22]RPoulin,MCBoily,BRMasseDynamicalsystemstodefinecentralityinsocial networks[J] Social networks, 2000, 22(3): 187-200

[23] B S Brin, L Page The anatomy of a large scale hypertextual Web search engine[J] Computer Networks & ISDN Systems, 1998, 30: 107-117

[24] P Jomsri, S Sanguansintukul, W Choochaiwattana CiteRank: combination similarity and static ranking with research paper searching[J] International Journal of Internet Technology & Secured Transactions, 2011, 3(2): 161-177

[13][25]HSBhat,BSimsInvestorRankandanInverseProblemforPageRank[D]California: University of California 2012

[26] J Weng, E P Lim, J Jiang, et al Twitterrank: finding topic-sensitive influential twitterers[C] Third International Conference on Web Search & Web Data Mining, ACM, 2010, 261-270

[27]YBZhou,LLu,MLiQuantifyingtheinfluenceofscientistsandtheirpublications: distinguishingbetweenprestigeandpopularity[J]NewJournalofPhysics,2012,14(14): 33033-33049

[28] J Xuan, H Jiang, ZRen, et al Developer prioritization in bug repositories[C] International Conference on Software Engineering, 2012, 25-35

[29]QLi,TZhou,LLü,etalIdentifyingInfluentialSpreadersbyWeightedLeaderRank[J] Physica A, 2013, 404(24)47-55

[30] L Lü, Y C Zhang, C H Yeung, et alLeaders in social networks, the delicious case[J] PLoS One, 2011, 6(6): e21202

[31]JMKleinbergAuthoritativesourcesinahyperlinkedenvironment[J]Authoritative sources in a hyperlinked environmen, 1999, 46(5): 604-632

[32]RLempel,SMoranThestochasticapproachforlink-structureanalysis(SALSA)andthe TKC effect[J] Computer Networks, 2000, 33(2): 387-401

[33]TMartin,XZhang,MEJNewmanLocalizationandcentralityinnetworks[J]Physical Review E, 2014, 90(5): 052808

[34] A Banerjee, A G Chandrasekhar, E Duflo, et al Gossip: Identifying central individuals in a social network[R] National Bureau of Economic Research, 2014

[35]SJi,LLu,CHYeung,etalEffectivespreadingfrommultipleleadersidentifiedby percolation in social networks[J] arXiv preprint arXiv:150804294, 2015

[36] S Y Tan, J Wu, L Lü, et al Efficient network disintegration under incomplete information: the comic effect of link prediction[J] Scientific Reports, 2016, 6

[37]任晓龙,吕琳媛网络重要节点排序方法综述[J]科学通报, 2014,59(13): 1175-1197

[63]贝克,晓冬社会资本制胜:如何挖掘个人与企业网络中的隐性资源[M]上海交通大学出版社,2002

[64]天涯六度分隔理论和150法则[EB/OL]http://blogsinacomcn/s/blog_62bae1640100|5f3html[2010-07-14]

[65]Granovetter M SThe Strength of Weak Ties[J] American journal of sociology, 1973: 1360-1380

[66]王梓社交网络中节点影响力评估算法研究[D]北京邮电大学, 2014

[67] Meeyoung Cha, Hamed Haddadi,Fabricio Benevenutoets Measuring User Influence in Twitter: The Million Follower Fallacy[C] Proceedings of the 4th International AAAI Conference on Weblogs and Social Media (ICWSM),2010:10-17

[3][68]  Page, Lawrence, Brin, et al The PageRank citation ranking[C]// BringingOrder to the Web Stanford InfoLab 1998: 1-14

[4][69]Kleinberg J M Authoritative sources in a hyperlinked environment[J] Journal of the ACM, 1999, 46(5): 604-632

[70]Zibin Yin, Ya Zhang Measuring Pair-Wise Social Influence inMicroblog[C], 2012 ASE/IEEE International Conference on SocialComputing and 2012 ASE/IEEE International Conference on Privacy,Security, Risk and Trust, 2012: 502-507

[71]Lu Liu, Jie Tang, Jiawei Han, Meng Jiang, Shiqiang Yang Mining topic-level influence in heterogeneous networks[C] Proceedings of the 19th ACMinternational conference on information and knowledge management, 2010: 199-208

[72] Qianni Deng, Yunjing Dai How Your Friends Influence You: Quantifying Pairwise Influences on Twitter[C], International Conference on Cloud and Service Computing, 2012:185-192

[73] Bi, Bin, et al Scalable Topic-Specific Influence Analysis on Microblogs[C], Proceedings of the 7th ACM international conference on Web search and data mining,2014: 513-522

《社会网络分析》（Maksim Tsvetovat）电子书网盘下载免费在线阅读

yxwf

书名：社会网络分析

作者：Maksim Tsvetovat

译者：王薇

豆瓣评分：72

出版社：机械工业出版社

出版年份：2013-6-1

页数：177

内容简介：

本书以基于Python的网络分析包NetworkX作为社会网络分析工具，但不是一本NetworkX使用手册。作者将重点放在如何从庞大的社会网络分析学术积累中，挑选最精要与最实用的知识点，以帮助读者形成关于社会网络分析的知识谱系图。全书可以分为四部分。第1章和第2章是基础知识，主要介绍社会网络分析的背景信息与图论基础知识。第3~5章主要介绍如何分析社会网络，分别从个体与群体两个层面，介绍社会网络的主要测量指标与分析方法。其中第3章重点介绍社会网络节点层面的四个核心指标：

程度中心性：哪些是明星人物？哪些是边缘者？程度中心性回答类似问题。这是最为人们理解的社会网络测量指标。以微博为例，程度中心性就是粉丝的数量，那些程度中心性高的人就是微博中的明星。

亲近中心性：亲近中心性通过点与其他点的距离来测量。那些在社交网络中经常与人互动、人际关系颇好的人，比如公司中的八卦传播者，往往亲近中心性得分较高。

作者简介：

maksim tsvetovat是一个跨学科的科学家、软件工程师和爵士音乐家。他从卡内基·梅隆大学获得计算、组织和社会方向的博士学位，专注于社会网络进化、信息和态度扩散、集体智能发生的计算机建模。目前，他在乔治·梅森大学教授社会网络分析。他还是deepmile networks公司的联合创始人之一，该公司聚焦于社交媒体影响的图形化。maksim还教授社会网络分析的管理人员研讨班，包括面向创业公司的“社会网络”和面向决策人员的“理解社交媒体”。

alexander kouznetsov是一名软件设计师和架构师，具有从数据仓库到信号处理的广泛技术背景。他为业界开发了大量的社会网络分析工具，从大规模数据采集到在线分析和演示工具。alex在得克萨斯大学获得数学和计算科学学士学位。

　 论文摘要  ：当前，世界已经进入了一个全新的网络社会，网络舆论承载着互联网虚拟世界中无数网民的心理寄托和情绪表达。在没有互联网以前，公共舆论是西方政治学和行政学早期研究的一个传统，同时也引起了美国政治学家的高度重视;在互联网产生以后，西方学界从传播学和社会学两种角度上，分析和研究了网络舆论。本文通过网络舆论的优势以及特点，指出网络舆论对社会形成的影响。

论文关键词： 网络舆论 现阶段特点 社会影响

　一、网络舆论的优势

　1提供的意见通道要更为广阔。

　2与传统媒体交互作用，使网络舆论功能内涵得到进一步的强化。网络舆论和传统媒体开始将相互分离，互不相干的僵局打破，逐渐实现两者相互促进，相互作用，相互融合。网友在网络上频繁地发帖引起传统媒体的注意，通过传统媒体将这一事件进行深入采访和报道，从而使全社会对其引起足够的重视。

　3政治民主在网络舆论的基础上得以发展和进步。

　4文化的试验、培育基地。在当今的网络经济时代驱使下，人们的消费重点已经逐渐向精神和文化沟通进行转移，而这种诉求也通过网络舆论充分地体现出来。网络媒体划分在文化载体范畴中，在传承优秀文化，塑造良好社会风气已经网民的文化诉求中，都担负着极其重要的责任。

　二、现阶段网络舆论的特点

　(一)多元性

　在现实生活和工作中，每一个人都扮演着自己的角色，但是在网络这个虚拟世界中，人们所扮演的角色就不仅仅是自己，表现出更多的随意性，每个人会扮演医生、记者、导演、歌手等与生活可能毫无关系和联系的角色，他们可以通过网络，将自己的生活阅历运用各种形式公开，与网友共同分享，所体现出来的主题涉及面也较为广泛，通常话题的确定也是自发的，或者比较随意的。

　因为网民分布于社会各阶层和各个领域，他们的话题涉及到政治、经济、文化、军事、外交以及社会生活等多层面内容，网民在不受到任何干扰的情况下，将言论提前写好，想什么时候发在网上就什么时候发，发表以后，此言论可以在网上被网友任意转载和跟帖。

　(二)自由性

　网络本身草根性较为强烈，这一点对于社会舆论而言，提供了更自由的言论空间。通过网络媒体，人们发表言论自由性得到了一定的保障，而且这种自由的表现形式也十分多姿多彩，这样的话，社会舆论就与政治上的空话套话相分离，在真正意义上实现了百家争鸣的状态。当前，电脑已经逐渐普及到每一个家庭中，互联网在中国的使用人数逐年递增，中国互联网络信息中心发布的《第29次中国互联网发展状况统计报告》显示，直到2011年12月底，中国网民已经达到513亿的规模，从这个数据中可以发现，网络具备的很强的自由行，民众的参与意识也很高，也只有这种社会舆论才能够将百姓身边的事件充分直接地反映出来。因为话语权掌握在自己手中，公众的信心就十分高涨，在舆论监督的平台上也更有发言权，将自己的意愿和意见充分地表达出来。

　(三)互动性

　在互联网上，网民的参与意识显得十分踊跃。人们可以通过互联网交流信息和获取信息。针对某一问题或者事件，发表自己的看法和感想，在这个过程中，通常都会有很大一部分网民参与交流和讨论，并且网络中存在匿名性，很多网民会将自己真实的想法和观点表达出来，或者将自己的真实情绪体现出来。网民与网民之间经常会出现一个互动的场面，其中有赞同的讨论，也有反对的讨论，这两种观点会同时出现，相互探讨，相互争论，观点与观点的交集，观点与观点的分歧，更激烈的场面还会出现意见交锋。通过这样的相互交流，可以使网民自己的观点和意见及时地表达和反馈出来，讨论的内容随之延伸，涉及面也更为广泛，很多民众观点也可以实现集中体现。

　(四)突发性

　当前，互联网的发展速度越来越快，随之也得到了较为广泛地应用，在此基础上，网络媒体在人们的生活和工作中也产生了深刻的影响，同时也成为大众传媒、民意表达以及群众意见反映和反馈的平台。因为使用互联网的人数与日俱增，通常情况下，网络舆论的传播速度也相当快，只要捕捉到一个突发性事件的时候，与个人的情绪意见相结合，就可以引发一系列的舆论。网民在网络中发表的意见，可以在短时间内形成公共意见，从而使意见声势迅速扩大。

　三、网络舆论对社会的影响

　(一)网络舆论对社会的正面影响

　网络舆论作为一种兴起不久的舆论形式，所产生的影响力日益增强。传统媒体也因为网络舆论的出现而有了新的合作伙伴，从而使信息在更大范围中进行传播，使民意的反馈渠道更为广阔，这样的话，民众和政府之间的距离就会拉近很多，所产生的社会效应也更加强烈。网络舆论对社会的正面作用主要有以下两方面的体现：

　第一，公众意愿在网络舆论的基础上可以更自由地表达，使社会问题得到了及时地解决和处理。网民在社会公共事务上所发表的建议和意见是群众共同的努力和智慧的象征，在这种情况下，能够全面的了解和认识客观事物，其中也存在很多合理的成分。网民在判断社会问题的时候，虽然每一个人都有着不同的看法和观点，各执所词，但是还是会有很大一部分网民的意见可以达成统一。而这些意见中，体现了更多普通民众的心声，体现了公众的意志，政府部门也可以在互联网上，更方便地了解民情，通过这样的方式，可以使工作更为顺利进行，更为有效地进行。

　第二，政府部门通过网络舆论可以对社会情绪进行疏导，对社会矛盾进行缓解。所谓网络舆论最重要的来源就是社会各阶层，各领域人们所产生的真实情绪的表达，在这些情绪表达中，虽然也存在着某些非理性成分，但是总的来讲，我国网民已经开始逐渐成熟起来，责任感也表现得十分突出。公众可以在网络这个平台上，将自己的真实想法和观点表达出来，参政议政也在最大程度上得以实现，而政府对网络舆论进行分析和研究，掌握社会最新动态，尽最大的努力找到可以舒缓社会情绪的基本依据和条件。

　(二)网络舆论对社会的负面影响

　尽管在网络舆论中，存在很多网民真实的意见和建议，但是同时也有很多网民表达的感想也是毫无责任感可言的，或者情绪过于激动，导致言论的非理性表达，除此之外，那些敌对组织、敌对势力或者某些别有用心的人在互联网上发表的煽动性言论，使社会出现动荡，并且造成极严重的影响。