[论文解读] Social Network Analysis Taxonomy Based on Graph Representation

Andry Alamsyah, Budi Rahardjo+1 more|arXiv (Cornell University)|Feb 17, 2021

Complex Network Analysis Techniques参考文献 23被引用 18

一句话总结

本文提出了一种基于图表示的社会网络分析（SNA）综合分类法，根据其结构建模、拓扑分析和度量计算对SNA方法进行分类。该研究基于图论原理，将现有方法整合为统一框架，实现对SNA技术的系统性分类，从而提升研究导航能力与方法论清晰度。

ABSTRACT

There are three approaches in the current social network analysis study: Graph Representation, Content Mining, and Semantic Analysis. Graph Representation has been used for analyzing social network topology, structural modeling, tie-strength, community detection, group cohesion visualization, and metrics computations. This paper provides a taxonomy of social network analysis based on its graph representation.

研究动机与目标

• 为解决社会网络分析领域方法零散的问题，将现有方法组织成连贯、结构化的分类体系。
• 阐明图表示作为SNA基础方法的作用，将其与内容挖掘和语义分析区分开来。
• 基于图论原理和结构建模，对SNA技术进行系统性分类。
• 通过将技术映射到社区检测和关系强度分析等具体分析任务，支持研究人员选择合适的方法。
• 建立以图表示为核心的标准化框架，为未来SNA研究提供支持。

提出的方法

• 通过分析SNA中图表示的核心组件（包括节点、边及图属性）构建分类法。
• 根据技术对中心性、聚类和路径分析等拓扑特征的使用情况进行分类。
• 将结构建模、社区检测和度量计算作为分类法中的关键类别进行整合。
• 使用基于图的度量（如度数、中介性、接近性中心性）作为区分不同SNA任务的分类标准。
• 区分单向图模型与双向图模型，以及加权与非加权边表示。
• 通过将文献中的现有SNA方法映射到所提出的分类结构，对分类法进行验证。

实验结果

研究问题

• RQ1 SNA技术如何基于其对图表示的依赖性进行系统性分类？
• RQ2 哪些关键的结构与拓扑组件定义了SNA方法的不同类别？
• RQ3 图表示在SNA中与内容挖掘和语义分析有何不同？如何实现其独特分类？
• RQ4 图表示在SNA中支持的主要分析任务有哪些？它们如何映射到特定的图论操作？
• RQ5 统一分类法能否提升SNA中的方法论清晰度与研究一致性？

主要发现

• 该分类法成功地将大量SNA技术划分为基于图表示的清晰、连贯的类别。
• 图表示被确认为SNA中主导且最系统化的方法，能够精确建模网络拓扑与结构特性。
• 社区检测、关系强度分析和度量计算被确立为基于图的分类法中的核心应用领域。
• 该框架表明，中介性与接近性中心性等图论度量是分类SNA方法的根本依据。
• 该分类法为研究人员根据其分析目标与数据结构选择合适方法提供了清晰路线图。
• 本研究证实，与基于内容或语义的方法相比，图表示为SNA提供了更结构化且可扩展的基础。