论文部分内容阅读
社会网络分析最早起源于社会学研究,早期的社会网络分析研究对象主要是社会中真实的人以及人与人之间的关系。随着社会网络分析的发展,网络中的社会行动者有了更为宽泛的定义,国家、民族、社区、机构、学校等都成为了社会网络的研究对象。近几年,随着Facebook等大型网络社区平台的出现,越来越多的人在Internet这个网络虚拟社会里构建起自己的社会关系,致使Internet上出现了一个庞大的社会网络。这种新型社会网络关系的出现,吸引了很多计算机领域专家、智能信息处理领域专家以及数学领域专家的关注,并将社会网络分析研究和相关领域结合,引发了很多有巨大应用价值的研究课题。
社会网络分析包含很多研究课题,社会网络节点中心性的排序问题是其中最具代表性的一个,也是一直以来研究的热点。社会网络节点中心性是社会行动者在社会网络中重要程度的衡量指标。社会网络节点中心性的排序就是社会网络中社会行动者根据其在社会网络中的重要程度的大小排序。传统社会网络节点中心性排序研究方法主要从图论角度出发,以节点出度、入度作为主要的衡量指标。这种社会网络节点中心性的排序方法易于理解、求解简单,但其中也存在很多缺陷。传统方法只考虑到了直接相邻的节点对源节点中心度的影响,而没有考虑间接相邻的节点;忽略了网络图的组群结构对节点中心性的影响,即在局部中心性高的节点在全局不一定会有高的中心性。
本文提出了两种对社会网络节点中心性排序算法的改进方案。一种是基于社会网络聚类的节点中心性排序算法,一个节点中心性不仅仅受节点出入度的影响,还受节点所属组群的组群中心性的影响;另一种是基于网络迭代计算的节点中心性排序算法,这种算法的核心思想是,被中心性越高的节点链接、推荐的节点中心性会越高,被越多节点链接、推荐的节点的中心性越高。基于以上思想,提出了PeopleRank社会网络节点中心性排序算法。两种改进策略都摒弃了仅仅邻近节点才能影响源节点中心性的思想,从组群和全局角度去求解社会网络节点中心性。实验证明,两种改进策略的排序结果都要明显好于传统社会网络节点中心性排序算法。