返回首页
当前位置: 主页 > 教育技术学 > 理论研究 >

社会网络分析指针及其意义研究概述

时间:2011-06-17 01:18来源:知行网www.zhixing123.cn 编辑:麦田守望者

一 .社会网络分析相关指针描述及意义。

(一)网络个体属性相关指针
1.可达性(Reachability)
指节点能够连接到每一个其他节点的难易程度,可用任意两节点之间交流所需经过的连线数来表征,以节点间的平均距(AverageDistance)表示。Watts等人发现许多大型社会网络中的任何两个节点之间的平均距离都很小,最著名的就是“六度分割理论”。这种节点间的可达性被许多研究者用来验证小世界现象。
2.中心性分析
2.1点度中心度(Centrality)
绝对点度中心度:是在一个网络图中与某一个点直接相连的其他点的个数,个数多说明与他人的联系紧密,反映这个点在该网络中处于中心地位。绝对点度中心度体现了节点在网络中的权利地位及影响分布,中心度越高的节点越处于核心地位,能够有效控制及影响网络中其他行动者之间的活动;相反,中心度越低的节点越处于边缘地位,很少参与互动交流,对其他节点的影响很小。
操作步骤:沿“Network” →“Centrality” →“Degree”路径,“Treat data as symmetric”选择是否对图形进行“对称化”处理。
相对点度中心度:对于规模不同的网络仅仅从绝对点度中心度的角度来分析时有局限的,因为规模不同所体现点的核心地位是不同的。Freeman提出了相对点度中心度的测量(绝对点度中心度与图中该点的最大可能度数之比)。例如:一个具有n个点的网络中,某一个点的绝对中心度为k,那么它的相对中心度为:k/(n-1)。对于有向网络,记点X的相对中心度为C,C=(X的点出度+X的点入度)/2(n-1),其中n是网络的规模。在对局部中心度进行测量时,并不涉及整个网络有没有核心点的问题,因为点的度数仅仅反映了点在局部环境中与其它点的关系而已。
点度中心势:星形网络的中心势为100%。中心势越接近于1,说明网络越具有集中趋势
2.2中介中心度(Betweenness Centrality)
该概念测量的是一个点在多大程度上位于图中其他点的“中间”,即该节点在多大程度上是其他节点的“中介”,这样的节点具有“经纪人”或“守门人”的作用。中介中心度表征着某个节点对网络中资源控制的程度,某节点中介中心度越高,说明该节点越多地占据资源和信息流通的关键位置。
计算原理:结点j与k之间存在的测地线数目(最短路径)用Gjk表示,第三个点i能够控制此两点的交往能力用Pjk(i)表示(即表示i处于j与k测地线上的概率),点j与k之间存在经过i的测地线数目用Gjk(i),则中介度:Pjk(i) = Gjk(i)/Gjk 。如果要计算c的中介中心度,则把其相应于图中所有的点对的中介度加在一起记CABi。则结点c的相对中介中心度(nBetweenness)为:2CABi/(n2-3n+2)(无方向性图形);CABi/(n2-3n+2)(具方向性图形)。
操作步骤:“Network”中选取“Centrality”,再选择“Freeman Betweenness”,再选取“Node Betweenness ”。
2.3接近中心度(cloneseness centrality
是指某结点到其他结点最短距离之和。接近中心性越小,表示该点在网络中越处于核心地位,表示该结点不受其他结点控制的能力越强。在实际分析过程中,网络必须是完全相连的,因为若某个结点与其他结点没有连接,那么这个结点的接近中心性最小,根据结论该点处于核心地位,这显然与接近中心性相背离,因此在处理前必须将网络转化为完全相连图。
操作步骤:“Network”中选取“Centrality”,再选择“closeness”。
2.4 特征向量中心性(eigenvector)
特征向量已经成为刻画行动者中心度以及网络中心势的一种标准化测度,它的目的是在网络整体结构的意义上,找到网络中最核心的成员,同时也可以测量出“特征量中心势”指数。
操作步骤:Network→Centrality→Eigenvector 需要注意的是,数据必须是无方向性的(对称的),对于有方向性的数据会自动按无方向来处理。
中心性分析小结:弗里曼认为,如果我们研究关注的是交往活动,那么可以采用度数为基础的测度;如果研究对交往的控制,可利用中介中心度;如果分析相对于信息传递的独立性或有效性,可采用接近中心度。需要注意的一点是,仅仅适用于二值图网络的测量
3.角色分析
结构同型性:假设有r中关系,i和j这两个人是结构同型性的,就是任意一个k,在任何关系r上,i指向k,那么j也会指向k;如果k指向i,那么k也会指向j。具有结构同型性的人扮演了相同的角色。
l 操作步骤:计算阿基米德距离进行结构同型性分析。Network→Role&Position,然后选择Structural,再选择Profile,选中要分析的数据文件,然后选择“Euclidean Distance”,的出来结果可以表明结点在结构同型中是最接近的,数值越小,说明结构越同型,两个人扮演类似的角色。
(二)网络整体属性相关指针
1.密度(Density)
用来描述网络中各个节点关联的紧密程度,数学上以网络中节点间实际拥有的连接数与最多可能拥有的连接数的比例来表达。一个网络中密度越高,越接近1,则说明网络成员间的联系越紧密,信息在成员间流通的速度和效率就越高,成员之间交流的通道越顺畅。
2.小团体(subgroup)
小团体就是团体中一小群人关系特别紧密,以至于形成了一个次级团体,小团体可以比拟为一个个的派系。
2.1 通过K-plex分析小团体
根据k-丛的概念,如果一个2-丛的规模为n,那么该丛中的成员就与至少n-2个其他成员有直接关系。如第一个丛中包含三个成员,那么其中每个成员都和至少1个其他成员有直接关系,其中K值越小,最小的小团体结点数越大则条件越严格。
操作步骤:Network→Subgroups→K-Plex
2.2 通过绘图分析小团体
将网络转换为强连带的关系。
操作步骤:Transform→Symmetric→在method中选择“minimum” 即一对结点中的双向关系,两个1才是1,两个中有一个为0,则为0。
3.凝聚子群分析
凝聚子群是满足乳腺条件的一个行动者子集合,即在此集合中行动者之间具有对较强的,直接的,紧密的,进场的或积极地关系。一个K-丛就是满足如下条件的一个凝聚子群,即在这样的一个子群中,每个点都至少与除了K个点之外的其他点直接相连。下表给除了学者们在k取值上的经验。

K
网络最低规模
2
4
3
5
4
7
K
2k-1

操作步骤:(针对二值网络)
A 分析成分:NetWork→Regions→Commpoment 进行成分分析。若能为我们提供相应的信息,则分析结束;若不能,则进行下面的分析,分析前必须先对数据进行对称化处理。
B 派系分析:NetWork→Subgroups→Cliques
C 找出K-丛,这一步要在上述派系分析失败的基础上进行。通过设定k值及派系的规模来分析K-丛。
凝聚子群分析
------分隔线----------------------------
标签(Tag):社会网络分析
------分隔线----------------------------
推荐内容
猜你感兴趣