随着信息化的高速发展,互联网上交互信息大量涌现,自然而然带来了很多的评分信息。这些交互信息表现了情感的倾向,要把这些带情感的信息有效的加入到后续的研究和分析中,符号网络提供了便利。符号网络的正边和负边分别表示两个节点之间存在积极的关系和消极的关系。真实世界的许多复杂网络中都存在这样的关系,尤其是在信息、生物和社会学领域,利用边的符号属性去分析网络的拓扑结构、理解网络功能和预测动力学行为具有十分重要的理论意义,这对预测、推荐、用户特征分析和社团分析等都具有重要的应用价值。符号网络上的研究都分为两个阶段,第一阶段是从原始数据到网络的构建;第二部分是在构建好的网络上进行后续的研究。显而易见,第一阶段的工作是是第二阶段工作的基础,当我们在网络采用不同的方法构建网络时,同一个数据集研究同一个问题有可能会产生不同的结果。基于上述思考,本文的重点工作在于将评分信息进行不同情况进行划分,同时借用了一些指标,通过这些指标来探究不同的划分是否会对网络结构产生影响。所取得的科研成果主要如下:通过分析Netflix、Movieles、Book和豆瓣这几个真实数据集的数据结构,确定了中间分值,得出了 Netflix、Movieles、Book的中间分值为3分,豆瓣的中间分值为4分。借用了正负相关度,符号网络稳定性等指标,分析了中间分值的不同划分对于符号网络的影响。通过对实证网络的研究,发现对于不同的划分形式差异性不大。除了实证符号网络在不同划分情况下进行相关的研究,网络类型的不同和中间分值的比例是否会对我们的研究结果产生影响,仍然是我们应该关注的一个问题。所以,针对人为创建的网络进行相关的指标分析,意在了解人工网络是否也适应于实证网络中得出的结论,排除偶然性。为此,以小世界网络为基础网络结构,考虑了不同比例的中间分值对于符号网络的影响,随机构建了多个符号网络,同样借用符号网络上的相关指标,对不同比例中间分值的符号网络进行了研究。通过对人工网络的研究,发现将中间分值忽略的处理方法是不合理的,因为这会减少网络中的结构信息,从而影响后续的网络研究,这对于后来在符号网络上的研究至关重要。