Social Network notes

Social Network是社會科學的分支，目的在檢視人們於社會、經濟，文化等框架(framework)中所扮演的角色。以人為節點(vertices)，框架中的關係做為連結(edges)以建構社會關係的模型，並藉此分析個體與個體、個體與群體、群體與群體之間的互動關係及影響。

Social Network Analysis(SNA)認為社會結構是客觀存在的，但它並非僅是簡單的分層關係，而是複雜的網路結構。SNA便是針對這種結構，利用量化的方式進行描述分析。

定義
actors(角色)：或稱為nodes(即graph裡的vertices)
relations(關聯)：或稱為ties(即graph裡的edges)

屬性
Size：actor的個數。
Density：actor之間的連結程度，越高代表actor之間的關係越緊密。
Degree：分為indegree及outdegree，indegree指其他actor到特定actor之間的relations；outdegree則是特定actor到其它actor之間的relations。
Distance:：actor與actor之間的path length。
Diameter：Network中的longest path的長度。
Clustering：與鄰居實際的連結數 ／ k(k-1)/2，k是鄰居數。

分析指標
Centrality (for actor)：
Degree-Centrality：某actor到其它actor的relations總數，可用來估算該actor的受歡迎程度及勢力範圍。此項指標較大的actor被稱為hub。
Closeness-Centrality：某actor到network所有其它actor的距離總和最短。
Betweenness-Centrality：某actor扮演Bridge的位置，接通最多原本彼此無直接連結的actor。
Cohesion (for network)：actor彼此直接相連的最大程度(最多node數)。

分析工具
SNA常用圖論及代數的方法描述。目前已有多個供學術免費使用的分析軟體 ，如:UCINet、Pjaek、KrackPlot、STRUCTURE、NEGOPY等，其中又以前兩者最被廣泛使用。

SNA的侷限
SNA只能對靜態資料做分析，無法在分析結果中觀察時間因素及actor彼此互動的變化過程，可能漏失重要的影響因素及線索。此外，SNA主要針對小型、受限(bounded)的網路做分析，Node的型態僅能一種(如:人)。

Dynamic Social Network
由於SNA的侷限性，延伸SNA的進階研究如雨後春筍般逐年增加中。
研究工作主要著眼於：
1. 可對時間分析的Framework
2. Node及Relation可具多重代表性
3. 具演化(evolution)能力
4. 可有效規模化(Scaling)

目前已知的研究成果如下：
1. Metagroup：將input data依時間(事件)順序做分類，並利用相似度的計算，找出不同時間切面的相關團體(group)以建立Metagroups。透過對Metagroup的計算，如：Metagroup的數量、最大或平均Metagroup的length、Largest Metagroup等，可以得到每個時間切面最穩定、最大或最持久的Metagroup，以及關鍵團體集合(Critical Group Set)。[7]
 

2. Meta-Matrix：定義了四種Entity，分別是people、knowledge/resources、events/tasks，並在這些Entity之間定義了十個inter-linked network，任何一個network有所變動，都會串聯影響其它的network。[3]

 
3. Probabilistic Ties：視網路為複雜物理系統，利用統計或機率規則(如Bayesian updating techniques)動態調整Relation的權重值，以限制它演化過程的屬性及行為變化方向。[1, 2, 4, 5, 6]

4. Multi-Agent Network Models：利用計算智慧(Computing Intelligence)的方法，視Node為Agent，並賦於它們學習(learning)能力，使得所有Agent能夠共生演化(co-evolve)。[7]

 

 

Reference
[1] A.-L. Barabasi. The origin of bursts and heavy tails in human dynamics. Nature, 435:207–211, 2005.
[2] B. Skyrms, R. Pemantle. A dynamic model of social network formation, math.PR/0404101 = Proceedings of the National Academy of Sciences 97 (2000): 9340--9346.
[3] K. Carley. Dynamic network analysis. In R. Breiger, K. Carley, and P. Pattison, eds, Dynamic Social Network Modeling and Analysis, 133–145. The Nat. Acad. Press, Wash., DC, 2003.
[4] P.Gill, T. Swartz. Bayesian analysis of directed graphs data with applications to social networks, Journal of the Royal Statistical Society: Series C (Applied Statistics), Vol. 53, No. 2. (April 2004), pp. 249-260.
[5] P. Sarkar, A. Moore. Dynamic Social Network Analysis using Latent Space Models, ACM Special Interest Group on Knowledge Discovery and Data Mining, vol.7, No.2, (December 205), pp. 31-40.
[6] R. Albert and A.-L. Barab’asi. Statistical mechanics of complex networks. Rev. Mod. Phys., 74:47–97, 2002.
[7] T. Berger-Wolf, J. Saia. A Framework for Analysis of Dynamic Social Networks , KDD’06, August 20-23, 2006, Philadelphia, Pennsylvania, USA.