欢迎来到优发表网

购物车(0)

期刊大全 杂志订阅 SCI期刊 期刊投稿 出版社 公文范文 精品范文

社会网络论文范文

时间:2022-07-06 13:46:06

序论:在您撰写社会网络论文时,参考他人的优秀作品可以开阔视野,小编为您整理的7篇范文,希望这些建议能够激发您的创作热情,引导您走向新的创作高度。

社会网络论文

第1篇

已有的一些信任模型都依赖于一个前提,即信任是可传递的[5].如何利用信任网络评估两个用户之间的信任程度是信任模型关注的重要问题[6].TidalTrust模型[2]通过广度优先搜索算法,如潮汐的涨落一般,在节点形成的信任网络中寻找所有的最短信任路径,将他们加权求和计算信任值,具有较高的准确度,但算法是以目标节点为核心,将中间节点进行迭代计算;MoleTrust[3]模型对此进行了改进,递推过程与TidalTrust相反,以源节点为核心计算信任值;RN-Trust模型[4]模拟电阻电路,将用户间的信任看成是电阻中通过的电流值,用计算电流的方式综合所有的信任路径计算信任值,但信任关系无法完全用电阻电路来模拟;为了能尽可能多利用信息同时也能够不受噪音信息的干扰并合理地利用信任网络,TrustWalker[7]通过随机游走的方式预测源用户对目标项目的评分,它不仅考虑目标用户的评分还考虑其他相似用户的评分,不过上述模型均没有考虑到群体对信任计算的影响.文献[8]认为不同的人由于一些共同的属性或者相似的行为聚集成群,用户主观地构建这些群,每个群代表一种特定的形象认识(如教师是诚实的),这种群仅仅提供了一种信任印象,而不能真正地从周围用户中获得群体关于目标用户的信任信息;一些推荐系统通过对比目标用户与群组的相似程度来预测信任,如文献[9,10]通过分析群内用户的同质度(affinity)预测信任评分.本文将这些基于同质度的信任模型称为G-Affinity信任模型.同质度表示用户之间关于一些特别的属性的同质程度,也就是类似程度.一个同质群(affinitygroup)也就是由一些具有共有属性的用户所组成的群组.如果目标用户属于群组,则即使没有过直接的交互也会很信任对方.文献[10]中应用LP算法(LinkPrediction)预测两个用户之间的信任关系,并以此构建信任网络,采用聚类算法将高密度的用户聚类成一个小型社区,并根据社区中边的数量计算同质度.文献[9]中根据属性相似性划分群组,并根据群组内的同质度结合用户本身的行为特征预测信任度.以上的模型都对群组的限制过多,并且,同质度不能反映群组内用户之间的紧密程度,也不能反映群组的信任倾向,更多的是侧重用户各个属性之间的相似度,因此本文重点研究凝聚群对用户进行决策时产生的影响,综合考虑群与群之间的信任度,构建出能够联系用户和群体的信任模型.

2、相关定义

2.1凝聚群相关定义

假设两个节点间的关联度是这两个节点直接交互行为的综合,等同于节点间的直接信任度,详见下节.Web社会网络包含着一个庞大的用户集,这些用户随着交互的深入而形成不同的关联度,在关联度的作用下会逐渐形成多个以某些用户为中心的簇集.这些簇集具有簇内连接紧密、簇间连接相对稀疏的特点.定义1(凝聚群):凝聚群是由Web社会网络中关联度较高的用户(节点)聚集形成的簇集.本文中认为凝聚群之间相互独立不重叠,每个用户属于且仅属于一个凝聚群.我们将凝聚群整体记为O.下文中将节点i的凝聚群记为O(i).每个凝聚群内部节点之间的关联度不同,因此引入群凝聚度的概念.定义2(群凝聚度):一个凝聚群的群凝聚度是该凝聚群内节点之间关联度的平均值相比于群内节点和群外节点之间关联度平均值,记为η.一般认为节点之间之所以能构成一个凝聚群是因为他们之间的关联度大于他们与群外节点之间的关联度,因此有η≥1.一个凝聚群内的节点之间的关联度越高,群凝聚度就越高.在高凝聚度的群体里,每个节点都倾向于表现出相同的信念[11].凝聚群作为整体具有群凝聚度,同时,凝聚群内的每个节点与它所属的凝聚群之间也存在不同的关联度,与所在凝聚群之间的关联度越大,在群内的影响力就越大.定义3(影响力):节点在凝聚群内的影响力CO(i),i是它对凝聚群内其他节点之间关联度之和相比于凝聚群内所有节点之间的关联度之和的比值.对于凝聚群的划分采用的是MFC(MaximumFlowCommunity)算法[13,14],该算法的基本假设是:网络中的最大流量由网络“瓶颈”的容量决定,而在具有簇结构的网络中,网络“瓶颈”由簇间连接构成.经过反复识别并删除簇间连接,网络簇能够被逐渐分离开来[13].根据MFC算法,我们认为凝聚群内部是一个弱连通图[12].一旦划分好凝聚群就会形成一张映射表,每个节点都可以在映射表中查找到相关凝聚群的所有成员信息,若i不属于任何凝聚群,则可以看成是特殊的凝聚群———只包含一个节点的凝聚群.一个群体的凝聚群划分示例如图1所示.图1中包含3个凝聚群G1、G2和G3.凝聚群内的粗线表示高关联度.G1和G3之间的浅色细线代表存在一定的交互,但是关联度不高,G1与G2完全不存在交互.

2.2信任度相关定义

假设有节点i(称为源节点)与节点j(称为目标节点).定义4(直接信任度):若节点i对节点j具有直接交互历史,则i对j的直接信任度是节点i根据交互历史信任节点j的程度,记为Di,j.定义5(群信誉度):若节点i、j分别属于不同的凝聚群,则节点i对凝聚群O(j)中与i有过直接交互的节点的直接信任度综合,称为群信誉度TGi,O(j).群信誉度如图2中所示.其中虚线代表节点间有直接交互历史,红色节点代表i,黄色节点代表j.定义6(群直接信任度):群直接信任度是凝聚群O(i)内所有与节点j存在直接交互的节点对于j的直接信任度综合,记为DTO(i),j.上述定义6中,j节点可以是群内也可以是群外.群直接交互情形如图3中所示.定义7(群间直接信任度):群间直接信任度是凝聚群O(i)中的凝聚群代表对凝聚群O(j)的群信誉度.记为GdTO(i)O(j).由于凝聚群之间不一定存在直接相连的信任路径,因此我们引入群间间接信任度.定义8(群间间接信任度):群间间接信任度是凝聚群O(i)通过其他与凝聚群O(j)直接相连的凝聚群获得的群直接信任度的综合.记为ITO(i)O(j).由于计算群间间接信任度的公式可以包括群间直接信任度的情况,本文将他们统称为群间信任度ITO(i)O(j),群间信任度如图4所示.图4(a)为两个凝聚群直接相连的情况,图4(b)为两个凝聚群之间通过第3个凝聚群连接,其中k为中间凝聚群内的一个节点.定义9(凝聚信任度):凝聚信任度GTO(i),j是凝聚群O(i)对节点j的群直接信任度与群间信任度的综合.凝聚信任度的概念相对应于传统信任模型中的综合信任度.上述定义中出现的符号和说明见表1.

3、GC-Trust模型设计

3.1模型主要思想

GC-Trust模型主要考虑的是群与群之间、群与节点之间的这两种信任关系,通过关联度较高的节点聚集形成凝聚群,从源节点i所属凝聚群的角度帮助i判断目标节点j是否能够信任,能够令模型更好地体现出凝聚群的作用.假设已经存在多个凝聚群:1)搜索是否存在从O(i)到O(j)的路径(路径上最小单位均为凝聚群),若不存在则将信任度设为0.5;2)若存在凝聚群的路径,则节点i、j之间一定存在着某种关联(根据弱连通图的特性可以证明)分为下面两种情况计算凝聚信任度GTO(i),j:a)若j在O(i)内,则GTO(i),j等于群直接信任度DTO(i),j;b)若j在O(i)外,综合群直接信任度DTO(i),j和群间信任度ITO(i)O(j)计算GTO(i),j.GC-Trust模型的框架图如图5所示.主要包括5个部分:凝聚群的划分、凝聚度与影响力计算、群直接信任度计算、群间信任度计算以及凝聚信任度计算.系统会在信任度计算开始之前就划分好凝聚群,当用户需要进行信任度计算时,首先根据凝聚群内的成员用户计算凝聚度以及相应的影响力,接着从凝聚群内的角度出发计算对目标用户的群直接信任度,再从凝聚群之间的交互计算群间信任度,最后将3者综合得到凝聚信任度.

3.2群凝聚度的计算

群凝聚度η决定了节点依赖凝聚群的程度.凝聚群的群凝聚度越大,节点也就越倾向于相信群体的直接信任度,反之则节点就越不相信群体.群凝聚度的度量也存在多种方式.例如信任关系与环境关系密切,人在陌生的环境中,会非常依赖朋友以及其他信任关系,而在熟悉的环境中则不会.因此,凝聚群的凝聚强度应该与群所处的外在环境相关.在实际应用中,一个节点通常具有非常不均衡的出入度,交互也存在多种形式,甚至是单向的交互,如微博上的关注就可以单向的,因此凝聚度采用平均值的方式来计算:信任度计算群直接信任度和群间信任度群直接信任度是将凝聚群O(i)看作一个整体,只要O(i)内存在与j直接交互过的节点,即可根据式中:max为路径强度;O(s)为凝聚群O(i)的邻居凝聚群.计算群间直接信任度GdTO(i)O(j)时,选举凝聚群O(i)的群代表k,通过计算k对O(j)的群信誉度来代表O(k)对O(j)的信任度.凝聚群代表既需要有一定的群内影响力又需要对目标凝聚群内节点数量接触得尽量多.

4、相关对比实验

采用Advogato数据集进行仿真实验,验证本文所提出的GC-Trust的准确度.Advogato数据集中将评分共分为4个不同的等级:Observer、Ap-prentice、Journeyer以及Master.比较3种算法:GC-Trust、TidalTrust[2]以及基于AffinityGroup[9]的信任预测准确度,并对结果进行分析评价.实验的硬件配置为:Intel(R)Core(TM)2DuoCPU2.20GHz,2GB内存;软件环境为Windows7,开发工具为Eclipse3.5.本文进行了2组实验,第1组实验是基于同一数据集进行3种算法对比实验;第2组是基于特定特征的凝聚群进行对比实验.

4.1基于同一数据集的对比实验分析

将数据集表示为有向加权图,共包含有14016个节点和51398条边,并将信任等级映射为0.1、0.3、0.6、0.9.由于原始数据集中高信任度的节点过于集中,且具有较高的出入度,凝聚群的划分效果不理想.而在本实验期望的数据集中,高信任度节点形成的凝聚群能够尽量分散,尽量少的交集.因此首先对数据集进行预处理.将4个信任等级分别映射为0.9、0.3、0.6、0.1,同时将数据集中的度为0节点删除,在剩下5000多个节点中采用MFC算法进行凝聚群划分,得到凝聚群共有2042个,其中划分失败的凝聚群共有271个(我们认为群凝聚度小于1即为划分失败),占到总凝聚群的13.2%,失败的主要原因是由于真实的数据集中凝聚群是可重叠的,而本文中限定凝聚群相互独立不重叠.

4.2基于特定特征的对比实验

第2篇

人脉,顾名思义,即人际关系所组成的网络。《现代汉语词典》对人脉的解释为:“人各方面的社会关系。”有的学者根据人脉的来源或形成过程,也就是人的社会关系从哪里获得,将人脉分为六类:血缘人脉、地缘人脉、学缘人脉、事缘人脉、客缘人脉、随缘人脉等。所谓人际关系,是指人为了满足其生存和发展的需要而在相互交往过程中形成的全部关系的总和,简单地说就是指个体与个体之间的各种关系。根据人际关系在满足人们需求过程中所起的不同作用,可以把人际关系简单地分为情感性关系和工具性关系。情感性关系主要满足人们在情感方面(如关爱、温暖、安全感和归属感等)的需求;而工具性关系主要满足人们在物质方面的需求,是个人因某种需要或目的与不很关联的他人所建立的某种时效性关系。无论是情感性关系,还是工具性关系,它们都是个人正常、健康、全面发展所必需的。另有学者认为,人际关系的类型大概可以分为三种,它们分别是:权力依附型的人际关系,有人可以据此结成“权力网”;利益相关型的人际关系,有人可以据此结成“专业网”;情感交融型的人际关系,有人可以据此结成“人缘网”。前两种人际关系主要受理性逻辑支配,维系这两种关系的主要因素是披着情感“外衣”的权谋和利益;最后一种人际关系主要受“情绪逻辑”支配,维系这种关系的主要因素是建立在情感基础上的人格认同。

二、对大学生人际关系认知的问卷调查

(一)问卷设计与调查

基于上述人际关系类型,结合大学生实际生活、学习等情况,我们设计了与大学生相关的21种人际关系调查问卷,试图通过调查得出现代大学生心目中应该重视和建立的人际关系网络。考虑到当今社会中所谓的“拼爹”观念盛行,我们在问卷中先预设了三个关于“拼爹”的问题,用以考察大学生对该问题的相关态度。经过前测和优化,人脉关系被调整为23种,每个问题设计了6个选项:非常重要、重要、一般、不重要、很不重要、说不清。最后收集了答卷大学生的个人相关信息,包括:性别、来源地、年级、是否做过班干部、是否独生子女。根据实际情况,我们选择了驻新乡五所高校的大学生作为调查总体。采用分层抽样的方法,首先结合各自院校的特色选定了各具代表性的共40个专业,然后从每个专业中任意选择一个班级进行问卷调查,平均每个专业分配25份问卷,要求按照男女生比例来发放。本次调查共发放问卷1000份,回收有效问卷963份。

(二)对调查结果的分析

1.对预设问题的调查结果解读

问题一:有人认为现在是个“拼爹时代”,你认为?该问题的设置是为了考察大学生对社会现状的认识。从结果来看,认可(36.8%的学生选择了“非常正确”和“正确”)明显高于否定(21.5%的学生选择了“不正确”和“很不正确”)的认识程度。值得注意的是高达41.6%的学生选择了“说不清”。问题二:“拼爹时代”中的“爹”你认为是(可多选)。对于“拼爹时代”所谓的“爹”,“用得上的关系户”认可度(36.7%)最高,然后是多选“有钱人、有权人、用得上的关系户”(26.4%)。或许大家觉得“有钱人”、“有权人”可以是“用得上的关系户”,但后者不一定都是前者,只要对自己有用,就应该受到重视。问题三:与我无关,主要还得靠自己。该选项意在考察学生对将来步入社会工作与生活时的一种态度取向。结果显示,作为相对高素质的大学生,被调查学生在靠自己发展方面的肯定性取向上占有绝对大的比例(68.2%)。说明关系固然重要,但也不是人人都有关系,或者即使有关系也不一定能用上,真正有用的还是自己。同时四分之一强(25.9%)的学生选择“说不清”,说明大家对当前个人决定自己前途的能量方面不再充分自信,处于矛盾之中。

2.对各种人际关系重要性调查结果的分析

我们将问卷中的问题按照“重要”与“非常重要”选项选择结果合并解释为“相对重要”,然后合并“不重要”与“最不重要”选项解释为“相对不重要”。通过对比发现,排列前6位的人脉关系竟然完全相同,也就是说在大学生心目中这些人脉关系的相对重要性与相对不重要性是非常稳定的。后面的人脉关系相对有些错位,但相差也不是非常明显,基本上都在相邻或隔一个位置的顺序上出现,说明大学生对这些人脉关系的重要性与不重要性有细微的分歧,但总体处于稳定状态。因此,根据调查结果,我们尝试着将大学生心目中的人脉关系分为四大类。第一类包括“家人”、“同学中的交心朋友”、“舍友”、“有知识的亲戚”、“有共同爱好的朋友”、“上大学前的同学”6种人脉,认为相对重要的超过了六成人数。与预料一致,家人无论如何也应该是一个人最为重要的支撑力量,不管是在哪个领域,说明最直接的血亲浓情在中国社会中的地位无以替代。各选项中,“说不清”1人,“很不重要”3人,“不重要”8人,“一般”64人,这相对于153人的“重要”和734人的“非常重要”显然不成比例。选择前者的学生更多的可能是出于对自我顽强奋斗非常看重,或者有些个人的原因在里面。“交心朋友”位居“家人”之后占第二位,证明了学生对于这种纯粹友情的珍视和对这种关系之于自己重要性的高度认可。“舍友”是一个非常特殊的群体,上过大学的人都有体会。除了家人,还会有谁能够和自己同屋共眠3~5年?所以这种感情是永远难以割舍掉的。可能因为调查对象是大学生的缘故,大家对“有知识的亲戚”的信赖程度之高有些出乎预料,彰显了学生对知识重要性的认可与依赖。尽管当前社会现实日益证明“知识改变命运”越来越不靠谱,但相对于当前日益异化的社会来说,知识的力量永远是正作用。金钱和权力只能给予你一时的帮助,而有知识的人对一个人的指导、示范或塑造作用影响的是人的一生。“共同爱好”是大学生走到一起寻找快乐的最直接的因素。一起运动、郊游、看球赛、打游戏、去图书馆等等,这些爱好为彼此之间的大学生活提供了丰富多彩的内容和很多值得回忆的精彩瞬间。此类朋友的重要性也得到多数学生的认可。作为曾经在一个“战壕”内艰苦奋战的“战友”,53.2%的学生依然惦记自己原来的同学,认为比较重要。这里面其实包括了发小(问卷后面的列举中很多人列出)、小学、初高中同学。这份感情的确值得珍视。第二大类以相对重要性比例在半数(班主任或班级导师为49.6%,这里视作半数)及以上、六成以下为标准,包括“专业课老师”、“有权的亲戚”、“上大学前的老师”、“恋人的家属”、“班主任或班级导师”5种人脉。作为专业课老师,我们在看到结果之前真不知道自己会在学生心目中获得什么样的一个地位,真的有些不安。当前社会外在的诱惑实在太多太强,能坐冷板凳的人实在太少了。结果还算令人欣慰,近六成(59.3%)学生认为“专业课教师”相对重要,一来说明学生对于自己的专业知识很看重,二来也说明学生比较认可专业课教师的授课等相关能力水平。鉴于当前中国社会的现状和历史发展过程中权贵思想的根深蒂固,“有权的亲戚”得到大学生的重视绝对无可厚非。

众多的“萝卜招聘”现象无不强烈昭示着现代社会依然是有权人的天下。上大学前的学习生涯在中国是一个极为艰辛的历程,学生们由几乎一无所知经过老师们的不断灌输,掌握了考上大学的基本知识,其中很多老师对学生的影响是至关重要的。“恋人家属”选项是前测结束后增加的,数据(51.1%)显示其重要性深得大学生的认可。现在高校中的“班主任或班级导师”,通常由专业课老师担任,主要负责学生们专业学习方面的事情,基本上是个虚职,没有什么实质性利益。但这样往往容易使老师和学生之间的沟通更畅快和有效率,很多老师还是非常负责地去履行自己的导师职责的。所以调查结果(49.6%)显示该角色的认可度比较好。第三大类以30%~50%的重要性比例为标准,包括了“辅导员”、“有钱的亲戚”、“邻里”、“老乡校友”、“院系领导”、“大学其他同学”、“院系干部中的朋友”7种人脉。“辅导员”的角色在当前的高校当中日益重要和奇特,学生除了学习之外的所有内容都必须和辅导员相联系,甚至学习也受其很大的影响,为之“翘课”是极为普遍的现象。结果显示认为相对重要的占了相对多数(44.2%),选择一般的占了35.6%。在将来的社会中生存,得到“有钱的亲戚”的支持和帮助符合社会发展的方向。43.9%的人选择了“一般”,41.5%的人选择了“重要”和“非常重要”,说明在大学生的心目中,金钱的力量在考验着大家的生存观念。只有10.9%的学生选择了“很不重要”和“不重要”,且后者比例占到了9%。中国是一个乡土气息非常浓厚的差序格局的社会,“邻里”之间的关系曾经那么亲切与和谐。然而现在社会的转型使得很多人与人之间的关系出现了部分异化,尤其对城市社区里生活的学生来说,邻居之间的陌生是正常的事情。但对于更多来自农村的大学生来说,邻里关系依然具有很多美好的记忆,正所谓远亲不如近邻。“老乡”这个词曾经是一个很吸引人的词汇,老乡彼此之间的照顾感觉很贴心。随着大规模的扩招,大学内老乡的规模越来越大,彼此间的感情和关系就显得淡漠起来。45.2%的学生选择了“一般”。但也有30.8%的人选择了“重要”,地缘因素在当前中国社会发展中的支撑作用还是不可忽视的。“院系领导”之于大学生的重要性,从结果来看,36.1%的学生选择了肯定的一面,低于认为“一般”(39.6)的学生比例。事实上,从培养和就业的角度,院系领导对学生的影响是比较大的,主要从课程设置和就业推荐等方面显示出来,不过学生似乎觉得影响不直接。除去交心朋友,大学中的其他同学在学生心目中的地位明显降低,高达52.1%的学生认为其对自己将来的发展重要性一般。学生会干部似乎是积累人脉的很好的圈子,然而有近半数(47.9%)的同学认为这种关系对自己的重要性一般。但从“重要”(28.7%)与“不重要”(10.8%)的对比来看,还是更多的人选择了前者,证明可用之处还是有的。最后是第四大类,重要性认可比例在30%以下。包括“公共课老师”、“加入社团的朋友”、“打工或实习中结识的朋友”、“普通朋友”、“经常交往的网友”5种人脉关系。“公共课老师”的地位基本上可以认为不会太好,事实证明也不算很差,至少选择相对重要的学生比例(26.7%)超过了认为相对不重要的学生比例(20.4%)。另外还有5.2%的学生处于纠结状态,表示“说不清”,近半的学生(47.6%)选择了“一般”。这里面的原因不应该单单归结为教师的问题,课程设置与课程内容等因素也是影响学生评价的重要方面。大学生社团也是一个非常值得研究的群体,相关的文章也很多。此次调查数据显示大学生对“加入社团的朋友”的重要性认可度一般(51.5%),或许很多人进到社团之中更多的是为了锻炼自己的相关能力,而对于结交朋友的作用看得相对较淡。当前大学生社团日益权力化和势利化趋势也对大家交到知心朋友有所影响。对于“打工或实习中结识的朋友”,多数人(48.1%)持中立态度,否定(23.8%)与肯定(22%)意见基本持平。显示目前的学生对这种人脉关系重要性的认识并不太自信,毕竟在社会职场中这种关系相对较淡。区别于同学,大学生可能由于不同的原因经过一定交往,彼此之间会成为“普通朋友”,但这种关系因缺乏长久的联系而相对较淡。但其中有17.4%的学生认为这种关系还是重要的,其实很多时候帮助自己的往往是普通朋友。“网友”在当前信息时代成为一个很特别的符号,很多人素不相识,通过网络聊天结为朋友。但大学生对这种关系持有非常否定的认可度。即使设定为“经常交往的网友”,重要性和不重要性(反序)也都位居人脉序列的最后一位,这种结果值得思考。

3.大学生总体信息的意外与正常结果

当前女生更容易考上大学的现象在全国范围内受到很多人的关注和探讨,我们在调查时特地强调了按所选专业的男女生比例来发放问卷。可能这次调查的工科院系相对较少,女生比例大些还可以理解。但结果显示,总体比例中女生高达63.7%,的确出乎所料。即使是工科类院校,男女比例也依然女生高出。此次的数据再次证明高校中男女生比例的确有些失常。相对于男女生比例,对于普通高校来说,农村生源占据了77.8%的绝大多数,应该是正常的事情。除去函授生,其他的在校大学生应该全是90后,中国的计划生育政策已经推行了20多年,然而数据却显示独生子女比例仅仅为8.2%。统计显示,来自城市(包括县城)的214人中只有53人是独生子女,占到24.8%的比例。而749名来自农村的学生中只有26人是独生子女,仅仅占到3.47%。

三、对大学生四类人脉的分析及网络构建

(一)对大学生四类人脉的分析

第一大类6组人脉中,除去“家人”和“有知识的亲戚”两组,其他4组全是大学生同龄人,而且都是贴心和亲近的朋友关系,凸显了大学生对同代人中具有亲密友情的人脉的深深依赖。而前两者都具有血缘关系,家长最为亲近,亲戚也血脉相连,这种血缘人脉具有的无可替代的亲情为大学生所高度认可。而有知识亲戚的重要性远高于有权和有钱的,突出了大学生潜意识中对知识的高认知心理。第二大类有一个共同的特征就是都是大学生的长辈,而且其中包含了3组老师人脉。从第一层最为核心的血缘和友缘人脉过渡到第二层的长辈人脉,可以看出大学生似乎对这些人脉有某种直接而强烈的内在需求,老师提供知识,有权的亲戚或许可以提供岗位,恋人的家属则可能提供将来最为重要的家庭基础。第三大类的人脉则表现了大学生的一种纠结心态,这些人脉看起来不很重要,却又似乎都不可或缺。“辅导员”在大学里基本上掌控了学生可以获取的除知识外的其他所有资源,但许多普通学生又的确与之打交道不多。“有钱的亲戚”在当今“众多大山”的社会里或许可以提供最为“万能”的支持。远亲不如近邻,“邻里”所具有的特殊情分似乎永远不该忘记,但人们虽然对于现今社会“防盗门”的社区生态防盗功能不敢过于相信,但它隔开邻里亲情却作用明显。“老乡”,曾经多么亲切的称呼,现在却偶尔要提防,因为太多,否则最容易出现问题。“院系领导”本该令人尊敬,但现今的行政化大学时代,他们对于普通学生来说,尽管本应是但绝非领导的中心,所以他们似乎有些遥远。“大学其他同学”太多了,想要记住真的很难,但当他们帮助自己的时候真应该心怀感激。院系干部中有朋友吗?“学生干部”好像早已适应了钩心斗角的行政化生态而忘记了这里是服务学生的。最后一层的人脉关系似乎显示了无关紧要的感觉。很遗憾,“公共课老师”被大学生放到了这一层,可能最主要的原因是前面的定语吧。大学生社团现在主要在做什么值得思考,否则“加入社团的朋友”不应该放在这个位置。人力资源理论中似乎强调“打工或实习中结识的朋友”的重要性,尤其是那些管理层及以上人脉,但大学生将其置于接近最后的位置,有些较难理解。“普通朋友”和“经常交往的网友”本身似乎就是可有可无的吧,否则他们为何被放在了最不重要的位置?

(二)对大学生人脉网络的构建

基于以上分析,第一大类人脉关系可以称为心理依赖层,显然其处于整个网络的核心地位。第二大类人脉可以称为生存支撑层,它们具有非常重要的保障作用。第三大类人脉可以称为生活辅助层,这些人脉在人的一生当中或许真的可以提供某些甚为重要的帮助。第四大类人脉可以称为社交边缘层,这些人脉只是有些交往,在大学这个时代这些人真正的重要性似乎难以体现也无从考量,至少从数据上显示其地位如此。

四、简单讨论

第3篇

1.1数据来源及样本选取

本文的数据来源于新浪微博。因为新浪微博在热度、用户数量、活跃度等指标上居国内同类产品前列,且其对认证用户的分类明确,囊括了文中的研究对象,故基于该平台采集的数据进行研究具有现实性与代表性。考虑到按影响力和热议词筛选的榜单受到时间及偶然事件的影响较大,而按人气筛选的榜单则比较稳定,因此本文的数据从新浪微博风云榜板块中的人气榜单板块中提取。此外,为了分析政府、企业、微博名人、学校这四类主体内部的结构特征及互动关系,又将各主体划分为不同的行业或部门。本文首先选择粉丝数排行前5的行业或部门,再分别选取这些部门中粉丝数排在前20名的用户,对每个主体依次抽取100个样本数据。企业在人气榜单板块中按行业被分为21个模块,根据粉丝排名,本文抽取汽车交通、商场购物、金融服务、服装服饰和商场购物5个模块。而政府包含公安、外宣、司法、医疗卫生和交通部门,学校包含校友会、高校、中小学、出国留学和教育培训,微博名人则包含财经、商业、房产、科技和政府这5个模块。

1.2实证方法介绍

本文基于社会网络分析方法,通过统计各类主体中各用户之间的关注情况,得出用户间的二维关联矩阵,运用Ucinet软件刻画各主体的结构特征,并得出密度、内部派系及中心度等各类指标,进而探讨各个主体在信息传播、资源共享时如何发挥作用,内部如何运作,并发现关键节点人物。

2网络传播主体的网络结构分析

2.1网络传播主体的网络关系图谱

本文利用可视化手段得到的各类主体的网络关系图我们可以清晰的看到,政府子群联系比较紧密,且公安部门位于网络的核心,将各个部门连接起来。同时,基于政府的关联网络,最明显的关联分别有行业关联(平安中原、平安南粤、中国维和警察、安徽公安在线等)、区域关联(北京铁路、京港地铁、北京公交集团、北京地铁等)。这表明当前政府已经意识到了微博的重要作用,开始注重信息的公开化、透明化,使得网络信息更加明朗,传播效度更大。公安部门与人们的日常生活息息相关,其传播信息的日渐公正化、透明化决定了其在政府网络中的核心地位。根据资源依赖理论,如果一个企业同时与多个企业有直接的关联,那么该企业就占据了该行业或企业网络的资源中心位置。企业间的关系并没有像政府那样密集,但金融服务业的核心地位很明显,其几乎桥接起了整个网络,把不相关的行业间企业、不接壤的地区间企业连接起来。例如,中国银行信用卡(金融服务)将黛姿乐维品牌婚宴鞋(商场购物)和新浪汽车(汽车交通)连接起来。根据结构洞理论,占据中心位置的企业对资源流、信息流、知识流有着强大的控制权,说明金融服务板块在信息传递过程中起桥接作用[16]。同时用户对其所的信息有较高的信任度和热衷度,金融板块对信息的扩散也有重要的作用。根据同类相聚原则,同性质教育机构之间的联系相对比较紧密,例如,纽约大学与USNewsRankings、美国留学MBA、EducationUSA中国等相互关联。但总体来说,学校之间的关联比较松散,且独立个体比较多,说明教育机构之间交流较少,信息传递与转载的速度,名人子群主要以两个模块———财经和时尚为核心。说明这两种行业已经融入了微博名人的生活,表明随着人们生活水平的提高,人们的需求由追求物质上升到追求美,由单一娱乐偏好到相对复杂的理财偏好。同时,由于微博名人对信息具有一定程度的偏好,使得这两类信息相对其他信息的传播和扩散速度较快,能更快引发普通民众的关注,并在一定程度上引导舆论导向。由此可知,人们对

2.2政府、企业、微博名人、学校的网络结构特征

2.2.1网络密度(NetworkDensity)运用Uci-net软件分别对四个主体的网络密度进行测算得出,密度值由高到低分别为:政府、微博名人、学校和企业,相应密度值为:0.2112、0.0955、0.0252、0.0214。将密度值和画图软件NETDRAW所得出的4个主体的社会网络关系图进行比较,本文发现密度值和相应的社会网络图谱的图形特征是紧密一致的。当密度值大时,网络图形紧凑,密度值小时,网络图形松散。政府网络之间的交流最为密切,联系紧密。企业之间的关注最为松散,联系不强。

2.2.2派系分析本文采用Cliques分析法对各个行动者的网络进行凝聚子群分析,得出:

a.在派系规模最小值为11的情况下,政府网络中存在10个派系。政府网络相对比较集中,同时网络中子群重叠交叉的情况也会比较复杂,说明派系之间的共享成员比较多。我们发现每个派系都包含广州公安、平安北京、山西公安、平安南粤、河北公安网络发言、警民直通车-上海人,他们主要属于政府的公安部门,连接着外宣、司法、医疗卫生和交通部门,在网络中处于核心地位。同时,除了成都属于外宣部门外,各派系的成员全为公安部门,说明该部门间的联系十分紧密,而4个派系中都包含成都,说明成都与公安部门合作密切。

b.在派系规模最小值为3的情况下,企业网络存在3个派系,它们分别形成了3个完备子图,并且派系相互之间是独立的。每个派系中的成员都属于同一公司,它们之间的联系主要是母子公司关系,说明了企业与企业之间的联系并不是特别紧密,而企业内部沟通交流比较频繁。

c.在派系规模最小值为3的情况下,学校网络存在9个派系。网络中子群间是重叠交叉的关系,其中复旦大学为4个派系所共享;哈尔滨工程大学、哈尔滨工业大学招生办分别为3个派系所共享;武昌理工学院官方、华中科技大学分别为2个派系所共享。派系成员属于同所大学之间的联系或属于同行业之间的联系。构成派系的成员隶属高校、校友会和教育培训部门,说明了这三个部门之间的联系十分密切,而中小学与出国留学部门之间的联系比较松散。

d.在派系规模最小值为6的情况下,微博名人网络存在14个派系。派系之间是重叠交叉的关系,郎咸平、李开复、时尚潮人yinyin等为多个派系共享。派系主要由财经类和商业类的成员构成,财经类中,郎咸平为连接各个派系的核心人物;商业类中,时尚潮人yi-nyin、潮人丹娜、林_小志玲和时尚达达人人为连接各个派系的核心人物。这表明财经和商业类的内部联系比较紧密,而科技、房产和政府类的内部联系较少。同时,不同行业的微博名人之间的联系也比较少。

3.3政府、企业、微博名人、学校的网络结构对比

本文对点度中心性、点度中心势、中间中心性及整体中间中心势进行了测度与分析。中心度指标刻画了信息传递网络中的关键人物,分析中心度可找出处于核心位置的用户,即可辨别出哪些机构在信息传播过程中“权利”更大,能够在较大程度上影响信息传播。中心势指标刻画了信息传递网络的整体密度特征,通过分析中心势,我们可以描述整个网络的紧密程度或一致性。

2.3.1点度中心性分析针对政府而言,不同用户表现出不同的点入度和点出度。点入度表示关系“进入”的程度,在这里表示一个用户被其他用户“关注”的程度。点出度表示一个用户“关注”其他用户的程度[19]。政府网络中点入度比较高的用户为平安北京(56.000)、公安部打四黑除四害(52.000)、北京(53.000),说明他们在整个网络中信息传播的过程中拥有较大的权力,其的消息为更多人所注意。针对企业而言,新浪汽车(13.000)、招商银行(12.000)、招商银行信用卡(8.000)为影响力最大的用户。与图2相匹配,说明金融企业在信息传递过程有较强的影响力,其的信息能够在网络中迅速传播。针对学校而言,复旦大学(23.000)、华中科技大学(17.000)、武汉大学、清华大学(16.000)点入度排名前三。说明高校成员对整个学校网络的影响最大,是学校网络信息的主要传播渠道。该几所学校均为211、985重点院校,在国内有较强的知名度,其名人效应会增强信息的关注程度与扩散程度。针对微博名人,潘石屹(44.000)、李开复(44.000)、雷军(33.000)等居于“被关注”关系的中心位置,是整个网络影响力最大的用户,他们消息为更多的人所接受,其对某些社会事件的评论会在一定程度上引导舆论导向。总之,用户影响排名由大到小依次为政府、微博名人、学校、企业,其内部用户对整个网络的影响力由高到低。因此,在抓核心人物时,我们应该关注政府与微博名人,这两类用户对引导舆论发展、传播正能量有较好的作用。

2.3.2点度中心势分析政府网络的标准化点入度中心势和点出度中心势分别为:35.802%和76.615%,说明了该网络的关注关系有很大的不对称性。企业网络的标准化点入度中心势和点出度中心势分别为:39.00和63.03%。不论是“关注”还是“被关注”的中心势都比较小,说明企业网络没有明显的集中趋势。学校网络的标准化点入度中心势和点出度中心势分别为:20.926%和13.784%。与企业相似,网络集中趋势比较低,关注关联关系比较少。微博名人网络的标准化点入度中心势和点出度中心势分别为:3.205%和3.297%。名人网络明显分散,联系不紧密,与其派系特征相匹配,派系过多且派系间的联系较少。总体而言,四个网络的中心势由大到小分别为:政府、学校、企业、微博名人,用户集中程度依次递减,整体联系逐步下降。

2.3.3中间中心性分析中间中心性刻画了用户间的依赖程度,高中间中心性用户在整个社会网络中的权利较大,能够在一定程度上控制信息的流动。政府网络中,平安辽宁、平安北京、豫法阳光的中间中心度比较高,说明其他各用户获取消息在很大程度上依赖于这些关键用户,他们在网络中权力较大,在很大程度上控制了信息的流动。同时,可以发现这些用户的点度中心性也都位于前列,说明该关键用户最有可能成连接政府网络中交流信息、沟通意见、协调行动的重要桥梁[20]。另有鼓楼微讯、上海的中间中心性指数为0,说明这些成员处于网络的边缘地带,对于信息的传递并不重要。在企业网络中,点出度中心度和中间中心度排名前8位的用户都包含新浪汽车,且新浪汽车的点入度也较高,说明该用户是整个网络的交流中心,处于网络的核心位置,能够很好地控制着其他用户间的交流及信息资源,在正能量的传播中起着重要作用。在学校网络中,中间中心度最高的8个节点分别是复旦大学、华南理工大学校友会、华中科技大学、复旦大学校友会、哈德斯菲尔德大学、中国人民大学校友会、北京王府学校。将中间中心度最高的节点与点度中心度最高的节点进行比较发现,中间中心度最高的8个节点中有5个出现在点出度最高的8个节点中。例如,复旦大学和武汉大学的点入度、点出度、中间中心度都较高,说明基于三种不同的中心度进行计算,武汉大学和复旦大学都是核心成员,表明它们既能影响他人的相互交往,又能与其他成员相互交流。在微博名人网络中,思想聚焦、IT观察猿、李开复的中间中心度是比较高的。但IT观察猿的点度中心度并不高,说明该用户与其他用户交流并不是很多,而其他各个用户利用其获取消息的依赖程度是比较高的。另有辣評娛樂圈、苏若琳的中间中心性指数为0,说明这些成员处于网络的边缘地带,对于信息的传递并不重要。

2.3.4整体中间中心势分析整体中间中心势越大,说明该网络中成员对其他网络成员之间的交往能施加的影响力越大[21]。企业、学校的整体网络中间中心势分别为8.32%、7.27%,指数偏低,说明这两类网络中缺少对其他节点有明显控制力的关键节点,缺乏较强的信息传递能力。因为如果整个网络中大部分的节点不需要别的节点作为桥接点,那么该网络有较强的信息传递能力。政府、微博名人网络的中间中心势分别为17.23%、12.22%,说明在政府、微博名人网络中,对其他节点具有较强控制力的节点分布比较集中,有较强的信息传递能力。4结论本文从关注微博用户网络的结构、密度、派系、中心性等出发,比较分析政府、企业、学校、微博名人这四类网络中内部用户的互动关系、个体用户的各项指标,为发现认识微博网络的形成和发展,及信息如何在网络中更有效的传播提供了帮助。经过分析之后得出:

a.政府网络的网络结构比较密集,信息是在一个具有强关系的小网络中传播,网络内部信息传递的效率较高。在政府网络内部,公安部门内部联系比较紧密,其桥接网络内部信息传播的作用凸显,处于政府网络的核心领导位置,是政府网络信息传递的关键人物,对信息的传递与扩散有较大的控制权力。然而政府网络的点度中心势很高,反映了政府群体过于集权,过分依赖少数群体,信息在网络的传播就容易被该群体垄断。因为点度中心势代表的是群体集权程度,如果一个群体的中心势很高,这个群体的互动实际上就很集权,几个关键人物就代表了整个社群的互动。此外,在派系分析中,政府网络的派系虽多,但各个派系都包含公安部门,再一次说明公安部门在政府网络信息传播过程中具有很强的影响力。这是因为随着社交媒体的兴起,人们开始关注社会各类法制事件,且公安部门的信息往往真实程度最高,故受到人们的青睐与信任。这说明政府网络要利用好社交媒体更好地传递信息,需提高各个部门的公信力度,提高其公开性与透明性,政府网络派系间应多交流,避免信息传递的单一性。

b.与政府网络的结构特征类似,微博名人网络的结构也比较密集,但却有别于政府网络呈现出来的包络性,网络内部有两个凸显且密集的子群。名人子群主要以财经与时尚为核心,体现了人们对信息有一定的偏向性。随着社会的发展和生活条件的改善,人们开始关注理财与精神需求。网络内部的关键人物主要是一些知名度较高的企业家或时评者,其名人效应使其在信息传递的过程中有较大的话语权。在微博名人网络内部,财经和商业类联系比较紧密,信息在二者内部传播较好,但部门间联系不紧密,导致信息在整个微博名人网络中的传播效率不足。网络派系过多,虽由一些关键人把派系间联系起来,但派系间呈现行业特征,其的信息内容较为独立,各派系间信息内容的交叉现象不明显,导致从整体来看,不同类别信息在微博名人网络中的流动有一定的障碍。此外,微博名人网络的中心势过低,这也意味着网络内部群体过于分散,使得互动分散而不集中,信息在子群内传递的效率较高,而在整体网络中传递的效率较低。这说明信息要在微博名人网络中更好地传播,需提高各类子群所信息的多样性,避免由于信息的独立性而造成信息传递中断。

c.相比前两类网络,企业网络的结构较为松散,信息在网络中的传播速度比较缓慢,且直接传播途径较少,内部成员主要通过搜索或者通过关注外部成员获取信息。企业网络内部的派系较少,且派系间的联系不明显,信息在整体网络中流动性较差。在企业网络内部,派系主要由母子公司成员构成。当母公司信息时,子公司作为公司集团微博中的一员,通过关注、借助企业品牌的源吸引力,形成了自身的用户关注网络,公司职员关注其微博,获取信息来源,同时也产生一些间接关注,从而形成一个大的子网络。由此发现信息在企业中的传播主要依靠企业微博及与此相关联的集团微博的吸引力。此外,我们发现金融部门在企业网络信息传递过程中扮演重要角色,其嫁接桥梁为其他企业提供间接联系。这说明信息在企业网络中的扩散能力较弱,需强化关键人物的中介作用,使信息在网络中更好地传递。

第4篇

1.社会网络及其对风险行为的影响社会网络是一种研究社会结构的理论和方法视角,它将个人或组织视为“节点”,将这些人或组织之间的联系视为“线”,这些点和线形成了一个个网络状的结构,人类社会即由这一个个网络结构构成,甚至整个社会都可视为一个大网络[17]。社会网络视角被广泛地应用于社会生活各领域的研究之中,其中社会网络与健康的研究是一种非常重要的研究领域。早期研究社会网络与健康关系的学者主要采取一种“功能性”视角,关注社会网络可能提供的“社会支持”对健康产生的直接积极作用或间接“缓冲”作用;其后有一部分研究者开始采取“结构论”视角,重点关注个人所处社会网络结构对健康可能产生的影响。已有研究主要认为社会网络从两个方面影响人的态度和行为。一是通过提供知识/信息。有关网络与信息传递的研究表明,网络的规模和结构均对信息传递有影响,规模较大、异质性较高的网络更有利于信息传递。二是通过提供社会支持,社会支持包括经济、情感、社会关系支持等方面。个人除了从社会网络中获取信息以外,还能从网络成员那里获得各种物质70《科学与社会》(S&S)和精神上的实质性帮助和支持。社会支持对精神和心理健康有积极的影响,社会支持可以促进心理方面的适应性、减少压力和焦虑等心理问题,即社会支持的“缓冲效应”。缓冲效应的存在是因为社会支持促进“适应性评价(AdaptiveAppraisal)”和“应对(Coping)”。从生理学途径来看,社会网络有助于免疫系统、神经内分泌系统和心血管系统的健康。以往研究表明,强关系和同质性关系多的网络在提供社会支持方面更为有效,亲属是最主要的强关系。网络密度描述网络的连接性,网络密度与更多的合作、信息分享和责任有关,可以预测个体能够获得的物质支持的程度。网络密度也影响个体获得关系资源的能力[29],高的社会网络密度意味着非常亲密的关系,有助于成员之间形成归属感。已有不少研究者关注了社会网络对风险行为影响的问题。Berten研究了青少年在同伴网络中的位置对个体风险行为的影响,结果表明中学生的滥用和风险等不仅受到关系最好的同伴影响,还受到网络中位置相似的同伴的影响;相比较中学3年级的学生,5年级的学生更容易受到同伴的影响;网络凝聚力的影响大于网络中同等结构位置的影响[2]。一项针对走失和无家可归年轻人的研究表明,没有社会网络支持的个体,更有可能非法使用、有更多的性伴和生存性;对于有社会网络支持的个体而言,当社会网络的规模较小、但情感支持特征明显(社会网络主要有朋友构成,通常包括酒精和非法使用者)时,社会网络将不是他们风险行为压力的来源。随着社交媒体的流行,在线社会网络开始引起研究者的关注,研究发现在线上青少年对风险健康行为有更加正向的态度,更多地使用(网络)社会网络媒介会增加个体的风险行为,比如吸烟、滥用酒精、吸毒等[30]。有关社会网络与融资决策这种风险行为关系的研究也表明,社会网络可以给决策者提供信息,帮助过滤掉复杂的信息,借款的社会关系会直接影响他的借款行为。总之,已有研究表明社会网络可以从提供信息、社会支持两个方面对风险行为产生影响,而且不同的社会网络特征提供的信息和社会支持不同。比如网络的规模、异质性、弱关系等更多地促进网络成员之间的信息传递;而网络密度、网络同质性、亲属关系的比例、强关系等与网络可以提供的社会支持相关。

2.社会网络对有机食品选择的影响尽管社会网络对风险行为影响的研究已有不少,但具体研究社会网络对有关食品安全风险行为影响的研究尚不多见。有研究表明公众的主观知识(信息)是他们感知的转基因食品风险的风险因素[26,29],也有研究表明给公众提供生物技术相关的信息可以增加他们感知的生物技术带来的利益,但是没有减少他们感知的生物技术风险[6]。还有研究表明社会支持的缓冲作用是个体的心理和生理健康风险的积极影响因素[23]。那么,社会网络的不同特征是否影响公众对有机食品的购买意愿?如果存在影响,网络是通过什么机制来影响公众对有机食品的购买意愿的?已有研究并没有关注这些内容。本文以调研的数据为基础,分析社会网络的不同的结构特征是否以及如何影响个体对有机食品的购买意愿。

二、数据与方法

1.数据来源与样本特征本文的数据来源于两项调查,一是中国科技发展战略研究院课题组于2007年在北京市和湘潭市进行的公众食品安全风险感知问卷调查;二是吉林大学社会学系课题组于2008年在长春市进行的公众食品安全风险感知问卷调查。两项调查均使用了基本相同的调查问卷和方法,考察了三城市居民关于食品风险的感知、行为倾向、信任和政策需求,三地数据分别代表中国大城市、大中型城市和中小城市的公众风险感知情况。三城市调查均采用多阶段随机抽样的入户调查方法,先在城市社区名册中随机抽取若干社区,再在每个社区中随机抽取若干家庭,最后在被抽中家庭中用Kish表随机抽取1人作为调查对象,被访者是现居家中的18周岁及以上的常住人口。北京、长春和湘潭三市共获得有效问卷2153份,三个城市的有效问卷数分别为987份、506份和660份。

2.变量与测量方法(1)因变量。我们在调查中询问被调查者:假如市场上的一般黄瓜卖1块钱1斤,您愿意花多少钱买没有喷撒农药的黄瓜?以此测量被调查者对有机蔬菜的购买意愿。(2)自变量。本研究中的主要自变量是个人讨论重要社会问题的讨论网络,具体测量方法采用提名生成法(Name-generator)。提名生成法是一种比较传统的方法,具体做法是根据研究的要求,让每个被访者提供自己的社会网络成员的姓名、个人特征以及这些成员的关系等信息[32]。然后根据这些信息描述社会网络的情况。我们要求被访者回忆跟自己讨论问题最多的5个人,以及这些人的性别、年龄、教育程度、工作类型、讨论的问题、关系亲密程度等。然后计算社会网络的密度、管理人员的比例、高等教育人员的比例等指标。以此为基础,我们建立了研究的自变量,包括:网络规模、平均熟悉程度、网络密度,网络中亲属的比例、讨论食品安全人数的比例、管理人员的比例、高等教育人数的比例。(3)控制变量。包括性别、年龄、文化程度、收入、健康状况、对我国食品安全状况的满意程度、自己或者家人的经历、自己最近七天的健康状况、已有的食品风险知识等。具体变量的描述性统计情况如表1所示。

3.分析方法由于因变量是一个连续变量,我们在对其做对数处理后,使用普通最小二乘(OLS)法构建多元回归模型进行分析。

三、数据分析结果

本文使用SPSS软件分析社会网络特征对有机蔬菜购买意愿的影响进行了分析,结果如表2所示。表2的模型一中分析的社会网是讨论网,即与被调查者讨论任何重要问题的成员构成的网络。统计结果表明,个人讨论网络的密度和网络中管理人员的比例显著地降低了公众对有机蔬菜的购买意愿;网络中讨论食品安全人数的比例和受过高等教育人数的比例则显著地增加了公众对有机食品的购买意愿。研究结论也表明,相比较基准模型(仅仅包括控制变量的模型),在模型中增加网络特征变量,显著地增加了模型的解释能力。就控制变量而言,年龄、性别、文化程度和相关知识都显著地影响有机蔬菜的购买意愿。女性的购买意愿显著地高于男性;随着年龄的增加,公众对有机蔬菜的购买意愿显著地降低;文化程度和相关知识显著地增加了公众对有机蔬菜的购买意愿(在只有控制变量的情况下成立)。在前面的文献综述中我们提出网络影响风险行为可能存在两种机制,即传递知识(信息)和提供支持。根据以往研究的结论,一般认为密度较高的网络更可能提供社会支持,同时网络中的管理人员因拥有较多的权力资源而更可能提供支持,而网络中讨论食品安全问题的成员和受高等教育的成员则更可能提供知识和信息。为进一步验证这一点,我们又单独分析了食品安全讨论网的情况,这时的网络成员仅包括那些与被调查者讨论食品安全的成员。我们的假设是:由于食品安全讨论网的成员都会讨论食品安全问题,因此在这种网络中知识和信息传递是必然存在的,而社会支持的传递则不一定存在。从表2模型二的统计结果中可以看出,在食品安全讨论网中,只有高等教育人数的比例显著地影响公众对有机蔬菜的购买意愿,而其他网络特征的影响不显著。这一结果在一定程度上支持了我们的推测,既网络密度和管理人员的比例更可能是通过提供更多的社会支持而降低了公众对有机蔬菜的购买意愿,而网络中讨论食品安全人数的比例和网络中高等教育人数的比例通过提供信息而增加了公众对有机蔬菜的购买意愿。

四、结论与讨论

第5篇

在社会网络环境中,交互节点间的信任关系是网络中各种活动的基础,从直接可信度和推荐可信度两个方面描述节点的可信度。直接信任度是评估节点和提供资源服务节点直接交互所得到的信任值,而推荐信任度为当该节点作为推荐节点时,被网络中其他节点信任的程度,分别定义如下。假设信任值的取值范围为[0,10],将该区间分为n个子区间,其中第i个子区间为[Rmini,Rmaxi],其中Rmini和Rmaxi分别为区间的上限和下限。根据公式(2),(3)和(4)可以计算出各个节点信任度,节点映射到的子区间即为其信任等级。信任等级是建立Web资源节点间信任的依据。

2、Web资源信任增强选择模型(EMBST)

EMBST模型的处理流程如下:(1)社会网络关系的获取。根据用户所需Web资源的初步检索,抽取出全部功能性属性相同、非功能性属性不同的Web资源,然后对其中的各个子网进行拓展,使得有关联的、离散的初始社会网络相互连接起来,拓展处理算子见下文。(2)建立不同信任等级Web资源圈。结合下文中基于谱分割算子将这些不同的社团区分开来,在此基础上根据各个模块的信任度评价指标来确定不同信任等级。(3)社会网络映射。将形成的各个不同的局部的网络圈子映射到最早的检索结果中来,从而实现可信Web资源的选择。

3、Web资源信任增强选择算法

限于检索单个Web资源所获得的数量有限,这样会导致所得到的关系矩阵可能会比较稀疏,容易导致形成的社会网络存在很多孤立子网,而这些子网中部分子网在真实的网络环境中又是有关系的,所以本文将借助于更多的网络信息,通过社会网络的拓展处理算子对一些孤立的子网作进一步的拓展,以丰富原有Web资源社会网络关系。

3.1拓展处理算子

首先,矩阵G1中会引入很多的初始检索中无关的资源,将这些资源删除,重新整合关系资源,那么就得到了一个新的矩阵G2,如果在G2中有两个资源相似度为0,但同时G1中有资源认识他们,那么就可以利用中介位置的资源求取他们之间的相似度。

3.2基于信任度的谱分割算子

由于上面得到的关系矩阵,实际上是所有的Web资源混在一起的一种社会网络结构,因此需要运用相关的方法将其根据不同的信任级别区分开来,这里采用社会网络中的谱分割算法[11](spectralpartition)将这些不同的社团区分开来,在此基础上根据各个模块的信任度评价指标来确定不同信任等级。

4、仿真实验和结果分析

4.1系统评价方法

这里采用B-Cubed评价方法[12],具体描述如下,假设带搜索的Web资源或服务在搜索引擎上的返回的结果集合S的大小为M,对其进行人工划分的结果为K',经过系统处理输出的结果为K″,K'(S)表示人工划分中包含S的集合,K″(S)表示系统输出划分中包含S的集合。

4.2实验设计

一个外出预定系统实例。客户端调用此组合服务进程,指定出发地、目的地、出发日期,最后返回执行结果到客户端。组合逻辑如图2所示:先执行计算里程服务S1,然后机票订购S2与汽车票订购S3选择执行,它们与宾馆订购S4可并发执行。假定每一个抽象服务分别包含了若干个具体服务,各个具体服务的信任度参数采用随机方法在一定范围内生成加手工修改方式(制造不可信节点随时间变化的欺骗行为),参数取值范围设定为0<R≤10。系统采取文件读入的办法,从事先准备好的文件读入仿真检索服务的执行结果。实验环境为100M局域网,算法运行微机配置为Inter(R)Pentium(R)DualE21401.6GHz处理器,1GB内存,操作系统为WindowsXPSP3,算法用Java实现。

4.3实验结果分析

第6篇

1.1以WebofScience为数据源

以WebofScience作为数据源,进行检索和筛选数据。论文以生物材料学科为例,分析科研人员及其团队,为学校挖掘可引进的人才,也为学校人才引进提供评估参考材料。

1.2分析流程

(具体见图1)论文采用h指数、R指数、AR指数作为衡量学者科研水平的3个量化指标。h指数不能区分h值相同但论文被引频次相差悬殊的情况,缺乏一定的灵敏度和区分度,结合采用了R指数、AR指数,解决h指数存在的一些不足[9]。

2以生物材料为例的应用分析

2.1基础数据检索与清洗、筛选

选取检索源:Webofscience的SCIE数据,因webofscience数据存在滞后,为保障期刊论文数据的完整性,选择数据库时间范围为:2003-2012(10年),具体检索时间:2014.3.10。论文采用了材料科学-生物材料作为案例进行检索分析,假设某学校想引进生物材料方面的学者。选择的期刊以JCR-Q1期刊为参考,选取了webofscience的“MATERIALSSCIENCE,BIOMATERIALS”类目的Q1期刊,共六种期刊。通过webofscience检索出版物名称=(″BIOMATERIALS″or″ACTABIOMATER″or″EURCELLSMATER″or″DENTMATER″or″MACROMOLBIOSCI″or″BIOFABRICATION″),时间跨度=2003-2012,检索结果:13179条。筛选出:article、review两种类型文献12970篇。

2.2作者基础排序分析

以webofscience的分析功能,选取排序前10位的发文作者,见表1列出了前10位作者及其发表的论文数量,论文中分别以A1、A2…标示各位作者。论文在此研究中,暂不考虑作者在论文中的贡献度,即不区分第一作者、通讯作者或是所处的其他合作位置。在webofscience中,作者名称基本采用了姓氏加名的首字母,存在较为严重的同名作者问题。考虑作者的同名现象,对每位作者结合作者机构进行较为精确的分析。在webofscience中作者同名问题基本没有得到解决,需要通过人工筛选才能达到精确。对上述10位学者对应的文献进行逐篇查看,可以确定出该检索集中,有3个作者姓名简称对应了多位学者,如对A3的70篇文献中的前20篇进行逐篇查看,20篇论文属于16位不同单位且姓名简称同为A3的学者。同样发现A9和A10具有多位学者共同构成论文篇数,均被排除出前10的位置。通过逐篇查看,筛选出排名前7的学者。

2.37位学者h指数、R指数、AR指数分析

对筛选出的前7名学者,进行SCI论文检索,检索时间范围为:2003-2012,检索日期为2014.3.16,文献类型为ARTICLE或REVIEW。因为涉及同名、作者曾在不同单位任职等现象,结合webofscience的“惟一作者集”等作者辅助检索工具,进行筛选。2.4A7学者及其团队的挖掘分析论文选用SATI文献题录信息统计分析工具[10]和UCI-NET社会网络分析软件[11]对A7的SCIE论文进行分析。通过分析挖掘与A7有更多直接合作关联的学者,拟挖掘“他们”作为某学校生物材料方面的外聘人才。利用两个软件,构建了如图3所示的A7的作者合作网路。从图3可以发现A7的合作网络错综复杂。利用k-核概念,研究网络合作的凝聚子群。所谓k-核是指如果一个子图中的全部点都至少与该子图中的k个其他点邻接,则称这个子图为k-核[11]。通过k-核,可以发现一些高合作、高凝聚的群体。对A7的社会网络进行k-核分析,如图4所示为A7文献作者k-核分析的部分截图。由图4可见,在A7的392篇文献的所有合作者中,可以进行8种分区,度数分别为2,3,4,5,6,7,8,9,即分别为2-核,3-核,……,9-核。9-核即是指A7和其他34位学者(图4所示的作者编号P1、……、P84)共同组成各个作者之间至少有9个邻接的子群,可能是学科团队、或项目合作的团队,其中可能存在一些具有知识引导的团队带头人。计算A7合作网络中学者们的在整体网络中个体密度值,图5为截取其中部分学者的个体密度值计算。从图5可以得出这个整体网中各个个体(科研人员)的密度值、及其他指标值。A7的个体密度值最低,值为9.44,Broker和EgoBet值最高,分别为3791.00、2927.17,他这个作者群网络中的知识引导人、合作引导人,其位置占据了结构洞位置,是作为“桥”位置者。结合图5所示的9-核团队,在这些学者中,P1的网络规模最大(值为45.00),密度是19.90,Broker值是793,EgoBet值是326.90,仅次于A7,在其合作网络中,占据结构洞位置,可作为引进人才或外聘的人选。P3密度值为27.92,Broker值为253,EgoBet值是98.46,在合作网中与他人有合作、也有一定的知识引导作用。从图5也可以发现,学者P7的密度值最大,为100,Broker和Ego-Bet值均为0,在个体网中的中间性不强,不占据结构洞位置,可以猜测其为求学的学生或是某个项目的参与者。根据上述分析,P1和P3可作为外聘或引进的人选。对这两位学者,同样计算其2003-2012年期间的h指数、R指数、AR指数,通过和表3学者的各个指标进行比较、衡量。P1的各位指数都高于P3,且与表3中的7位学者的∑(h,R,AR)值进行排序,排列第4。

3结论与进一步思考

第7篇

一、数据与方法

1.数据来源与样本特征本文的数据来源于两项调查,一是中国科技发展战略研究院课题组于2007年在北京市和湘潭市进行的公众食品安全风险感知问卷调查;二是吉林大学社会学系课题组于2008年在长春市进行的公众食品安全风险感知问卷调查。两项调查均使用了基本相同的调查问卷和方法,考察了三城市居民关于食品风险的感知、行为倾向、信任和政策需求,三地数据分别代表中国大城市、大中型城市和中小城市的公众风险感知情况。三城市调查均采用多阶段随机抽样的入户调查方法,先在城市社区名册中随机抽取若干社区,再在每个社区中随机抽取若干家庭,最后在被抽中家庭中用Kish表随机抽取1人作为调查对象,被访者是现居家中的18周岁及以上的常住人口。北京、长春和湘潭三市共获得有效问卷2153份,三个城市的有效问卷数分别为987份、506份和660份。2.变量与测量方法(1)因变量。我们在调查中询问被调查者:假如市场上的一般黄瓜卖1块钱1斤,您愿意花多少钱买没有喷撒农药的黄瓜?以此测量被调查者对有机蔬菜的购买意愿。(2)自变量。本研究中的主要自变量是个人讨论重要社会问题的讨论网络,具体测量方法采用提名生成法(Name-generator)。提名生成法是一种比较传统的方法,具体做法是根据研究的要求,让每个被访者提供自己的社会网络成员的姓名、个人特征以及这些成员的关系等信息[32]。然后根据这些信息描述社会网络的情况。我们要求被访者回忆跟自己讨论问题最多的5个人,以及这些人的性别、年龄、教育程度、工作类型、讨论的问题、关系亲密程度等。然后计算社会网络的密度、管理人员的比例、高等教育人员的比例等指标。以此为基础,我们建立了研究的自变量,包括:网络规模、平均熟悉程度、网络密度,网络中亲属的比例、讨论食品安全人数的比例、管理人员的比例、高等教育人数的比例。(3)控制变量。包括性别、年龄、文化程度、收入、健康状况、对我国食品安全状况的满意程度、自己或者家人的经历、自己最近七天的健康状况、已有的食品风险知识等。3.分析方法由于因变量是一个连续变量,我们在对其做对数处理后,使用普通最小二乘(OLS)法构建多元回归模型进行分析。

二、数据分析结果

本文使用SPSS软件分析社会网络特征对有机蔬菜购买意愿的影响进行了分析,结果如表2所示。表2的模型一中分析的社会网是讨论网,即与被调查者讨论任何重要问题的成员构成的网络。统计结果表明,个人讨论网络的密度和网络中管理人员的比例显著地降低了公众对有机蔬菜的购买意愿;网络中讨论食品安全人数的比例和受过高等教育人数的比例则显著地增加了公众对有机食品的购买意愿。研究结论也表明,相比较基准模型(仅仅包括控制变量的模型),在模型中增加网络特征变量,显著地增加了模型的解释能力。就控制变量而言,年龄、性别、文化程度和相关知识都显著地影响有机蔬菜的购买意愿。女性的购买意愿显著地高于男性;随着年龄的增加,公众对有机蔬菜的购买意愿显著地降低;文化程度和相关知识显著地增加了公众对有机蔬菜的购买意愿(在只有控制变量的情况下成立)。在前面的文献综述中我们提出网络影响风险行为可能存在两种机制,即传递知识(信息)和提供支持。根据以往研究的结论,一般认为密度较高的网络更可能提供社会支持,同时网络中的管理人员因拥有较多的权力资源而更可能提供支持[32,33],而网络中讨论食品安全问题的成员和受高等教育的成员则更可能提供知识和信息。为进一步验证这一点,我们又单独分析了食品安全讨论网的情况,这时的网络成员仅包括那些与被调查者讨论食品安全的成员。我们的假设是:由于食品安全讨论网的成员都会讨论食品安全问题,因此在这种网络中知识和信息传递是必然存在的,而社会支持的传递则不一定存在。从表2模型二的统计结果中可以看出,在食品安全讨论网中,只有高等教育人数的比例显著地影响公众对有机蔬菜的购买意愿,而其他网络特征的影响不显著。这一结果在一定程度上支持了我们的推测,既网络密度和管理人员的比例更可能是通过提供更多的社会支持而降低了公众对有机蔬菜的购买意愿,而网络中讨论食品安全人数的比例和网络中高等教育人数的比例通过提供信息而增加了公众对有机蔬菜的购买意愿。

三、结论与讨论