在线社交网络分析
目 录
第1章 绪 论 1
1．1 社交网络及其发展 1
1．1．1 社交网络起源 1
1．1．2 从社会学角度看社交网络的发展历程 1
1．1．3 从人类学角度看社交网络的发展历程 3
1．2 在线社交网络发展 4
1．2．1 在线社交网络概念 4
1．2．2 在线社交网络的特点 5
1．2．3 在线社交网络的发展 5
1．2．4 在线社交网络对人们生活的影响 6
1．3 在线社交网络分析的背景和意义 7
1．4 在线社交网络分析的科学问题 8
1．4．1 在线社交网络分析面临的挑战 8
1．4．2 三个科学问题与相关研究内容 10
1．5 本书的组织安排 18
参考文献 20
第2章 社交网络结构特征分析及建模 22
2．1 引言 22
2．2 示例 22
2．3 社交网络的统计特性 23
2．3．1 度分布 24
2．3．2 平均路径长度 24
2．3．3 网络密度 25
2．3．4 聚集系数 26
2．3．5 介数 27
2．4 社交网络特性分析 27
2．4．1 小世界现象 28
2．4．2 标度特性 30
2．4．3 同配性 34
2．4．4 互惠性 37
2．5 社交网络结构建模与生成 37
2．5．1 WS模型 38
2．5．2 WS模型的扩展 40
2．5．3 BA模型 41
2．5．4 BA模型的扩展 44
2．5．5 其他模型 46
2．6 本章小结 48
参考文献 49
第3章 虚拟社区发现技术与方法 52
3．1 引言 52
3．2 虚拟社区发现技术理论基础 52
3．2．1 虚拟社区的定义 52
3．2．2 虚拟社区发现算法的发展进程 54
3．2．3 虚拟社区算法评价的准确度指标 55
3．2．4 虚拟社区算法计算复杂度 58
3．2．5 用于虚拟社区发现算法测试的典型数据集 59
3．3 虚拟社区静态计算发现算法 63
3．3．1 模块度最优化算法 63
3．3．2 多目标优化算法 66
3．3．3 基于概率模型的算法 69
3．3．4 信息编码算法 72
3．4 虚拟社区动态计算发现算法 75
3．4．1 派系过滤算法 75
3．4．2 基于相似度的聚合算法 78
3．4．3 标签传播算法 81
3．4．4 局部扩展优化算法 84
3．5 本章小结 87
参考文献 87
第4章 虚拟社区的演化分析 90
4．1 引言 90
4．2 虚拟社区的涌现 90
4．2．1 虚拟社区涌现的周期闭包 91
4．2．2 虚拟社区涌现的偏好连接 92
4．2．3 虚拟社区涌现的老化因素 96
4．3 虚拟社区的演化 98
4．3．1 虚拟社区演化的累积效应 98
4．3．2 虚拟社区演化的结构多样性 101
4．3．3 虚拟社区演化的结构平衡性 105
4．4 演化虚拟社区的发现 106
4．4．1 基于相邻时刻相似度直接比较的演化虚拟社区发现 106
4．4．2 基于演化聚类分析的演化虚拟社区的发现 107
4．4．3 基于拉普拉斯动力学方法的演化虚拟社区发现 108
4．4．4 基于派系过滤算法的演化虚拟社区发现 109
4．4．5 基于节点行为趋势分析的演化虚拟社区发现 110
4．5 本章小结 110
参考文献 111
第5章 用户行为分析 114
5．1 引言 114
5．2 在线社交网络用户采纳与忠诚 115
5．2．1 在线社交网络用户采纳 115
5．2．2 在线社交网络用户忠诚 122
5．3 用户个体使用行为 130
5．3．1 一般使用行为 130
5．3．2 内容创建行为 136
5．3．3 内容消费行为 144
5．4 用户群体互动行为 150
5．4．1 群体互动的关系选择 150
5．4．2 群体互动的内容选择 154
5．4．3 群体互动的时间规律 156
5．5 本章小结 159
参考文献 160
第6章 社交网络情感分析 165
6．1 引言 165
6．1．1 情感分析历史 165
6．1．2 情感定义及分类 166
6．1．3 情感分析应用 168
6．2 文本情感分析技术 169
6．2．1 基于语义规则的情感分析技术 169
6．2．2 基于监督学习的情感分析方法 172
6．2．3 基于话题模型的情感分析技术 177
6．3 社交网络情感分析技术 178
6．3．1 面向短文本的情感分析技术 178
6．3．2 基于群体智能的情感分析技术 182
6．3．3 社交网络的垃圾意见挖掘技术 183
6．4 情感分析技术的延伸与变形 184
6．4．1 情感摘要技术 185
6．4．2 基于迁移学习机制的情感分析技术 186
6．5 本章小结 187
参考文献 187
第7章 个体影响力分析及技术 191
7．1 引言 191
7．2 影响强度计算 193
7．2．1 基于网络结构的影响强度计算 193
7．2．2 基于行为的影响强度计算 194
7．2．3 基于话题的影响强度计算 196
7．3 影响力个体发现 198
7．3．1 基于网络结构的个体影响力计算 198
7．3．2 PageRank算法 201
7．3．3 基于行为的个体影响力计算 204
7．3．4 基于话题的个体影响力计算 207
7．4 本章小结 208
参考文献 208
第8章 群体聚集及影响机制 210
8．1 引言 210
8．2 群体智慧产生机理 212
8．2．1 群体智慧 212
8．2．2 自我决定论与群体智慧 213
8．2．3 群体智慧产生的条件 214
8．2．4 群体智慧产生的影响因素 215
8．2．5 群体智慧的分析模型 217
8．2．6 社交网络上的群体智慧仿真 222
8．3 群体极化产生机理 228
8．3．1 群体极化 228
8．3．2 社会比较理论与群体极化 229
8．3．3 群体极化产生的条件 231
8．3．4 群体极化产生的影响因素 232
8．3．5 群体极化分析的主要模型 233
8．3．6 社交网络结构影响的社交网络群体极化仿真 240
8．3．7 有社交网络结构影响的社交网络群体极化仿真 244
8．4 本章小结 251
参考文献 252
第9章 面向社交网络的信息检索 256
9．1 引言 256
9．2 社交网络内容搜索 259
9．2．1 经典信息检索及相关反馈模型 259
9．2．2 微博搜索中的查询表示研究 266
9．2．3 微博搜索中的文档表示研究 270
9．2．4 微博检索模型研究 273
9．3 社交网络内容分类 277
9．3．1 短文本分类中的特征处理研究 278
9．3．2 短文本分类的算法研究 280
9．4 社交网络推荐 281
9．4．1 社会化推荐简介 283
9．4．2 基于记忆的社会化推荐 284
9．4．3 基于模型的社会化推荐 288
9．5 本章小结 293
参考文献 294
第10章 社交网络信息传播规律 302
10．1 引言 302
10．2 社交网络中信息传播影响因素 303
10．2．1 社交网络结构 303
10．2．2 网络群体 304
10．2．3 信息 304
10．3 基于网络结构的传播模型 305
10．3．1 线性阈值模型 305
10．3．2 独立级联模型 306
10．3．3 相关扩展模型 307
10．4 基于群体状态的传播模型 308
10．4．1 经典传染病传播模型 308
10．4．2 社交网络中的传染病信息传播模型 310
10．4．3 基于影响力的传播模型 311
10．5 基于信息特性的传播模型 311
10．5．1 多源信息传播分析 312
10．5．2 信息竞争传播现象 312
10．6 热度预测方法 314
10．6．1 基于历史热度的预测模型 314
10．6．2 基于网络结构的预测模型 315
10．6．3 基于用户行为的预测模型 316
10．6．4 基于时间序列法的预测模型 317
10．7 信息溯源技术 324
10．7．1 信息溯源概述 324
10．7．2 基于中心度测量的溯源方法 325
10．7．3 通过统计推理框架溯源 327
10．7．4 基于反向传播与节点分区的多源信息溯源技术 330
10．8 本章小结 332
参考文献 333
第11章 话题的发现与演化 336
11．1 引言 336
11．2 话题发现的模型和算法 337
11．2．1 基于主题模型的话题发现 338
11．2．2 基于向量空间模型的话题发现 348
11．2．3 基于词项关系图的话题发现 351
11．3 话题演化的模型和算法 354
11．3．1 朴素话题演化 354
11．3．2 基于主题模型的话题演化 356
11．3．3 基于相邻时间片关联的话题演化 358
11．4 本章小结 359
参考文献 359
附录 362
第12章 影响力最大化计算方法 365
12．1 引言 365
12．2 基本概念与理论基础 365
12．3 影响力最大化度量标准 367
12．4 影响力最大化算法分类 368
12．5 影响力最大化贪心算法 369
12．5．1 贪心算法基础概念 369
12．5．2 BasicGreedy算法 369
12．5．3 CELF算法 370
12．5．4 MixGreedy算法 371
12．5．5 其他贪心算法 372
12．5．6 贪心算法小结 373
12．6 影响力最大化启发式算法 373
12．6．1 DegreeDiscount启发式 373
12．6．2 PMIA启发式 374
12．6．3 LDAG启发式 374
12．6．4 其他启发式 375
12．6．5 启发式算法小结 376
12．7 影响力最大化问题延伸与变形 376
12．7．1 影响力最大化问题延伸 376
12．7．2 影响力最大化问题变形 377
12．8 本章小结 378
参考文献 379
第1章 绪 论 1
1．1 社交网络及其发展 1
1．1．1 社交网络起源 1
1．1．2 从社会学角度看社交网络的发展历程 1
1．1．3 从人类学角度看社交网络的发展历程 3
1．2 在线社交网络发展 4
1．2．1 在线社交网络概念 4
1．2．2 在线社交网络的特点 5
1．2．3 在线社交网络的发展 5
1．2．4 在线社交网络对人们生活的影响 6
1．3 在线社交网络分析的背景和意义 7
1．4 在线社交网络分析的科学问题 8
1．4．1 在线社交网络分析面临的挑战 8
1．4．2 三个科学问题与相关研究内容 10
1．5 本书的组织安排 18
参考文献 20
第2章 社交网络结构特征分析及建模 22
2．1 引言 22
2．2 示例 22
2．3 社交网络的统计特性 23
2．3．1 度分布 24
2．3．2 平均路径长度 24
2．3．3 网络密度 25
2．3．4 聚集系数 26
2．3．5 介数 27
2．4 社交网络特性分析 27
2．4．1 小世界现象 28
2．4．2 标度特性 30
2．4．3 同配性 34
2．4．4 互惠性 37
2．5 社交网络结构建模与生成 37
2．5．1 WS模型 38
2．5．2 WS模型的扩展 40
2．5．3 BA模型 41
2．5．4 BA模型的扩展 44
2．5．5 其他模型 46
2．6 本章小结 48
参考文献 49
第3章 虚拟社区发现技术与方法 52
3．1 引言 52
3．2 虚拟社区发现技术理论基础 52
3．2．1 虚拟社区的定义 52
3．2．2 虚拟社区发现算法的发展进程 54
3．2．3 虚拟社区算法评价的准确度指标 55
3．2．4 虚拟社区算法计算复杂度 58
3．2．5 用于虚拟社区发现算法测试的典型数据集 59
3．3 虚拟社区静态计算发现算法 63
3．3．1 模块度最优化算法 63
3．3．2 多目标优化算法 66
3．3．3 基于概率模型的算法 69
3．3．4 信息编码算法 72
3．4 虚拟社区动态计算发现算法 75
3．4．1 派系过滤算法 75
3．4．2 基于相似度的聚合算法 78
3．4．3 标签传播算法 81
3．4．4 局部扩展优化算法 84
3．5 本章小结 87
参考文献 87
第4章 虚拟社区的演化分析 90
4．1 引言 90
4．2 虚拟社区的涌现 90
4．2．1 虚拟社区涌现的周期闭包 91
4．2．2 虚拟社区涌现的偏好连接 92
4．2．3 虚拟社区涌现的老化因素 96
4．3 虚拟社区的演化 98
4．3．1 虚拟社区演化的累积效应 98
4．3．2 虚拟社区演化的结构多样性 101
4．3．3 虚拟社区演化的结构平衡性 105
4．4 演化虚拟社区的发现 106
4．4．1 基于相邻时刻相似度直接比较的演化虚拟社区发现 106
4．4．2 基于演化聚类分析的演化虚拟社区的发现 107
4．4．3 基于拉普拉斯动力学方法的演化虚拟社区发现 108
4．4．4 基于派系过滤算法的演化虚拟社区发现 109
4．4．5 基于节点行为趋势分析的演化虚拟社区发现 110
4．5 本章小结 110
参考文献 111
第5章 用户行为分析 114
5．1 引言 114
5．2 在线社交网络用户采纳与忠诚 115
5．2．1 在线社交网络用户采纳 115
5．2．2 在线社交网络用户忠诚 122
5．3 用户个体使用行为 130
5．3．1 一般使用行为 130
5．3．2 内容创建行为 136
5．3．3 内容消费行为 144
5．4 用户群体互动行为 150
5．4．1 群体互动的关系选择 150
5．4．2 群体互动的内容选择 154
5．4．3 群体互动的时间规律 156
5．5 本章小结 159
参考文献 160
第6章 社交网络情感分析 165
6．1 引言 165
6．1．1 情感分析历史 165
6．1．2 情感定义及分类 166
6．1．3 情感分析应用 168
6．2 文本情感分析技术 169
6．2．1 基于语义规则的情感分析技术 169
6．2．2 基于监督学习的情感分析方法 172
6．2．3 基于话题模型的情感分析技术 177
6．3 社交网络情感分析技术 178
6．3．1 面向短文本的情感分析技术 178
6．3．2 基于群体智能的情感分析技术 182
6．3．3 社交网络的垃圾意见挖掘技术 183
6．4 情感分析技术的延伸与变形 184
6．4．1 情感摘要技术 185
6．4．2 基于迁移学习机制的情感分析技术 186
6．5 本章小结 187
参考文献 187
第7章 个体影响力分析及技术 191
7．1 引言 191
7．2 影响强度计算 193
7．2．1 基于网络结构的影响强度计算 193
7．2．2 基于行为的影响强度计算 194
7．2．3 基于话题的影响强度计算 196
7．3 影响力个体发现 198
7．3．1 基于网络结构的个体影响力计算 198
7．3．2 PageRank算法 201
7．3．3 基于行为的个体影响力计算 204
7．3．4 基于话题的个体影响力计算 207
7．4 本章小结 208
参考文献 208
第8章 群体聚集及影响机制 210
8．1 引言 210
8．2 群体智慧产生机理 212
8．2．1 群体智慧 212
8．2．2 自我决定论与群体智慧 213
8．2．3 群体智慧产生的条件 214
8．2．4 群体智慧产生的影响因素 215
8．2．5 群体智慧的分析模型 217
8．2．6 社交网络上的群体智慧仿真 222
8．3 群体极化产生机理 228
8．3．1 群体极化 228
8．3．2 社会比较理论与群体极化 229
8．3．3 群体极化产生的条件 231
8．3．4 群体极化产生的影响因素 232
8．3．5 群体极化分析的主要模型 233
8．3．6 社交网络结构影响的社交网络群体极化仿真 240
8．3．7 有社交网络结构影响的社交网络群体极化仿真 244
8．4 本章小结 251
参考文献 252
第9章 面向社交网络的信息检索 256
9．1 引言 256
9．2 社交网络内容搜索 259
9．2．1 经典信息检索及相关反馈模型 259
9．2．2 微博搜索中的查询表示研究 266
9．2．3 微博搜索中的文档表示研究 270
9．2．4 微博检索模型研究 273
9．3 社交网络内容分类 277
9．3．1 短文本分类中的特征处理研究 278
9．3．2 短文本分类的算法研究 280
9．4 社交网络推荐 281
9．4．1 社会化推荐简介 283
9．4．2 基于记忆的社会化推荐 284
9．4．3 基于模型的社会化推荐 288
9．5 本章小结 293
参考文献 294
第10章 社交网络信息传播规律 302
10．1 引言 302
10．2 社交网络中信息传播影响因素 303
10．2．1 社交网络结构 303
10．2．2 网络群体 304
10．2．3 信息 304
10．3 基于网络结构的传播模型 305
10．3．1 线性阈值模型 305
10．3．2 独立级联模型 306
10．3．3 相关扩展模型 307
10．4 基于群体状态的传播模型 308
10．4．1 经典传染病传播模型 308
10．4．2 社交网络中的传染病信息传播模型 310
10．4．3 基于影响力的传播模型 311
10．5 基于信息特性的传播模型 311
10．5．1 多源信息传播分析 312
10．5．2 信息竞争传播现象 312
10．6 热度预测方法 314
10．6．1 基于历史热度的预测模型 314
10．6．2 基于网络结构的预测模型 315
10．6．3 基于用户行为的预测模型 316
10．6．4 基于时间序列法的预测模型 317
10．7 信息溯源技术 324
10．7．1 信息溯源概述 324
10．7．2 基于中心度测量的溯源方法 325
10．7．3 通过统计推理框架溯源 327
10．7．4 基于反向传播与节点分区的多源信息溯源技术 330
10．8 本章小结 332
参考文献 333
第11章 话题的发现与演化 336
11．1 引言 336
11．2 话题发现的模型和算法 337
11．2．1 基于主题模型的话题发现 338
11．2．2 基于向量空间模型的话题发现 348
11．2．3 基于词项关系图的话题发现 351
11．3 话题演化的模型和算法 354
11．3．1 朴素话题演化 354
11．3．2 基于主题模型的话题演化 356
11．3．3 基于相邻时间片关联的话题演化 358
11．4 本章小结 359
参考文献 359
附录 362
第12章 影响力最大化计算方法 365
12．1 引言 365
12．2 基本概念与理论基础 365
12．3 影响力最大化度量标准 367
12．4 影响力最大化算法分类 368
12．5 影响力最大化贪心算法 369
12．5．1 贪心算法基础概念 369
12．5．2 BasicGreedy算法 369
12．5．3 CELF算法 370
12．5．4 MixGreedy算法 371
12．5．5 其他贪心算法 372
12．5．6 贪心算法小结 373
12．6 影响力最大化启发式算法 373
12．6．1 DegreeDiscount启发式 373
12．6．2 PMIA启发式 374
12．6．3 LDAG启发式 374
12．6．4 其他启发式 375
12．6．5 启发式算法小结 376
12．7 影响力最大化问题延伸与变形 376
12．7．1 影响力最大化问题延伸 376
12．7．2 影响力最大化问题变形 377
12．8 本章小结 378
参考文献 379
方滨兴，1984年获清华大学硕士学位，1989年获哈尔滨工业大学博士学位。1984年起工作于哈尔滨工业大学，1992年晋升为教授职称，1995年选聘为哈尔滨工业大学博士生指导教师。2003年起任中科院计算所客座研究员，博士生导师，信息安全方向首席科学家。2005年遴选为中国工程院院士，2007年至2013年任北京邮电大学校长。主要研究方向为社交网络分析、网络安全、信息内容安全、并行处理、互联网技术等。担任国家应急管理专家组成员，国家信息化专家咨询委员会委员兼网络与信息安全专业委员会副主任，国家“十二五”863计划专家委员会委员，国家自然科学基金可信软件重大专项专家组副组长，工业和信息化部网络与信息安全专家咨询组组长，中国通信学会副理事长兼通信安全技术委员会主任，中国计算机学会计算机安全专业委员会主任，中国互联网协会副理事长兼网络与信息安全工作委员会主任，中国通信标准化协会网络与信息安全技术委员会（TC8）主席，北京邮电大学可信分布式计算与服务教育部重点实验室主任。目前作为国家973计划首席科学家主持973项目“社交网络分析与网络信息传播的基础研究”。
本书从在线社交网络的“结构与演化―群体与互动―信息与传播”三个方面展开，系统、深入地阐述了在线社交网络分析中的基础理论、关键方法和技术，主要内容包括社交网络的结构特性与演化机理分析、社交网络群体行为的形成与互动规律，以及社交网络的信息传播模型及演化规律。本书第一次比较全面地揭示了社交网络的“结构、群体、信息”三个要素之间的复杂交互关系和互动规律，为开展社交网络分析与信息传播研究提供了重要的理论和技术支撑。
比价列表
1人想要
公众号、微信群
缺书网微信公众号
扫码进群实时获取购书优惠