社交网络分析算法(SNA)

最新推荐文章于 2025-03-31 09:55:35 发布

黄小猿

最新推荐文章于 2025-03-31 09:55:35 发布

阅读量5.5w

点赞数 25

分类专栏：复杂网络文章标签：复杂网络

本文链接：https://blog.youkuaiyun.com/qq_39422642/article/details/78398024

版权

本文介绍了社交网络分析的应用场景，如社交圈子识别、精准营销等，并探讨了度、最短路径、紧密中心性和介数中心性等分析指标。此外，还概述了GN、Louvain和LPA/SLPA等社区发现算法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

近来学习聚类，发现聚类中有一个非常有趣的方向—社交网络分析，这篇只是一篇概况，并没有太多的公式推导和代码，基本是用人话解释社交网络分析中的常用的几种算法。详细到每个算法的以后有空再把详细的公式和代码补上。
目录：
1.应用场景
2.分析指标
3.社区发现算法
3.1 GN算法
3.2 Louvain算法
3.3 LPA与SLPA

应用场景

社交网络分析中最常用的就是社交圈子的识别，所谓物以类聚，人以群分，一旦能对社交圈子进行分类，能做的事情就会很多。

FaceBook和微信是关于人与人之间的强关系网络，划分社交圈有助于朋友间相互推荐。
领英是关于职业的社交的社交网络，有助于求职和商务合作交流。
微博，Twitter，豆瓣，微信公众号是关于关注与被关注的的弱关系网络，有助于消息和知识的传播。

分好社交网络之后可以对人进行精准化营销，推荐个性化的商品和服务，比如京东；
疾病传播也是由一个中心点向外扩散，切断网络中的关键节点就可以有效阻止传染病的传播；
识别互联网金融行业中的欺诈团伙，进行反欺诈预测；

这只是其中的三个方面，还有很多应用在此不作细讲。

2.分析指标

图，简单来说就是人物（事物）关系的形象化表示。节点（node）代表一个人物，边（edge）代表人物关系。有向图用箭头表示人物间的关系，无向图用线段表示人物间的关系。
顺便提供两份图数据集，可以自己拿来做实验：
斯坦福大学实验数据

网络分析数据集

这里重点讲述社交网络算法的分析指标。

度（Degree）
连接点活跃性的度量；与点相连的边的数目。在有向图中，以顶点A为起点记为出度（out degree）OD(A),以顶点A为终点入度(In degree)ID（A），则顶点A的度为D(A) = OD(A) + ID(A)。
Igraph是图计算和社交网络分析的常用工具，提供了python的接口，安装方式参考官网：Igraph官网点这

这里写图片描述

算了，还是拿权游的数据玩一下比较爽。
计算度：

import csv
edges = []
firstline = True
with open('/Users/huanghuaixian/desktop/stormofswords.csv','r') as f:
    for row in csv.reader(f.read().splitlines()):
        if firstline == True:
            firstline = False
            continue
        u,v,weight = [i for i in row]
        edges.append((u,v,int(weight)))
from igraph import Graph as IGraph
g = IGraph.TupleList(edges ,directed = True ,vertex_name_attr = 'name' ,edge_attrs = None ,weights = True)
print(g)
for p in g.vs:
    print(p['name'],p.degree())

分析一下网络结构：

#角色数
g.vcount()
#143个角色

#网络直径，网络中最长最短路径
print(g.diameter())
#输出7

最短路径

print(g.shortest_paths("Sansa","Margaery"))
print([ names[x] for x in g.get_all_shortest_paths("Sansa","Margaery")[0]])
for p in g.get_all_shortest_paths(

最低0.47元/天解锁文章