社会计算中一些名词笔记

社会计算中相关的一些概念,整理下笔记:

1、弱连接[weak tie]:最早来源于Granovetter的“弱连接假设”(weak tie hypothesis),比如下图,弱连接假设是说,如果A和B、C有一条强连接,可以理解成A和B、C是好朋友,则B、C之间形成连接的可能性就会很大,即B、C很有可能也称为好朋友。

也就是说,A和B、C通过强连接连接,则B、C之间的连接一般是存在的,如果B、C之间不存在连接,则B、C之间的连接很容易生成,这个叫做“三元闭包”(Forbidden triad),也就是说B、C之间的连接不论是强还是弱,总会存在。“弱连接假设”通过假设(clumps)和团(cliques)的社会结构会产生,形成以强连接为边界,弱连接会充当两个比较密集交织团中两个紧密朋友之间的重要桥梁(crucial bridge)的功能。[1]

一般来说,强连接是引发行为,弱连接传递信息。

2、聚类系数[clustering coefficient]:聚类系数有两种定义,一种是节点的聚类系数;二种是整个网络的聚类系数。

节点的聚类系数:

整个网络的聚类系数:整个网络中所有的节点的聚类系数的平均值[2]

聚类系数后记:网络中的聚类数的计算并不是一个NP-Hard问题(我曾经搞错了),但是计算聚类系数也需要花费大,但是找网络中的k-clique是一个NP-Hard问题。

3、介数:分为边介数和节点介数两种,但是定义都差不多,边介数是网络中所有的所有最短路径经过该边的数目占最短路径总数的比例;节点介数是网络中所有的最短路径经过该点的数目占最短路径总数的比例。

4、中心性[]:

5、结构洞[structure hole]:

[1]https://en.wikipedia.org/wiki/Interpersonal_ties

[2]网络科学导论 汪小帆 李翔 陈冠荣

时间: 2024-10-13 14:42:30

社会计算中一些名词笔记的相关文章

大数据学习笔记6·社会计算中的大数据(4)

上一篇介绍了LifeSpec项目,这个项目是关于用户理解和用户画像的.这篇是社会计算部分的最后一篇,关于用户连接和图隐私. 用户连接与隐私保护 用户连接与隐私保护有很强的相关性. 上图中,左边有两个网络.对于用户连接,我们的目标是映射这两个网络和连接这些网络中的用户节点.然后,我们就能产生一个更大的网络.这样,用户就能够被连接在一起,我们就可以知道跨网络的用户信息. 但是,如果从隐私的角度来看这个问题,把第一个图看成一个匿名化处理后的图,称其为目标图:把第二张图看成辅助图或者攻击者可获得的信息.

大数据学习笔记5·社会计算中的大数据(3)

前两篇文章介绍了我们在用户移动规律的理解方面的研究工作,包括如何处理用户轨迹中的缺失数据以及如何为用户推荐感兴趣的位置.在这一部分,我将展示我们在用户特征研究方面的研究项目. LifeSpec 首先,我想介绍我们近期开展的LifeSpec项目.这个项目的目标是利用社交网络中的用户数据来探索城市生活方式的方方面面. 我们从多个社交网络收集了数据,包括街旁,微博,图书和电影评论网站豆瓣,以及著名的餐馆评论网站点评.我们收集的数据覆盖了超过140万用户,这些用户在我们的数据集中至少有两个账号. 右边这

大数据学习笔记4·社会计算中的大数据(2)

本篇继续讨论对用户移动规律的理解:结合地理建模和矩阵分解来做兴趣点推荐. 位置推荐是一类非常受欢迎的应用.在位置推荐中,我们需要理解用户的潜在兴趣并熟悉用户所处的环境.然后,我们就可以根据用户的兴趣和位置的属性发现用户可能感兴趣的地点.与普通推荐任务相比,地理位置在位置推荐中是改进推荐性能的一个重要因素. 在前面一篇中,我们讨论了如何恢复用户行为数据用于移动规律的理解.我们发现,用户移动行为通常集中在像家庭.工作场所和最喜欢的餐馆这样的重要地点.而且,两个地点之间的距离通常很短.所以,我们想要利

大数据学习笔记3·社会计算中的大数据(1)

背景信息 什么是用户行为数据,用户行为数据是怎么积累的.为什么我们需要研究用户理解以及为什么用户理解这么重要.在第二部分,我会介绍我们最近关于移动规律理解应用的研究工作.例如,怎样处理用户轨迹中的数据缺失问题,怎么样为用户推荐有趣的地点.在最后一部分,我会展示我们近期在用户分析和隐私保护方面的研究项目. 这张图展示了每分钟用户在一些网站上产生的数据量. 用户数据是怎么样收集的 二十多年之前,那时候普适计算的概念才刚刚被提出来.马克.维瑟提出了普适计算的概念.那时候已经有了大型机和个人计算机,人们

社会计算(壹)

社会计算·序 零.概念.定义与符号 一.大规模网络的属性 1.无尺度分布(scale-free distribution) 也叫幂律分布(power law distribution).大规模网络中,大部分结点度数不大,而少数结点则拥有很大的度数.在重对数尺度下(log-log scale)大规模网络都展现了相似的模式:一条直线或者近似直线.这个模式称为幂律分布或者无尺度分布,这种自相似性与尺度无关.结点的度具有幂律分布的网络称为无尺度网络. Friendship Network in YouT

开源的人工神经网络计算库 FANN 学习笔记 1

开源的人工神经网络计算库 FANN 学习笔记 1 这年头机器学习非常的火,神经网络算是机器学习算法中的比较重要的一种.这段时间我也花了些功夫,学了点皮毛,顺便做点学习笔记. 介绍人工神经网络的基本理论的教科书很多.我正在看的是蒋宗礼教授写的<人工神经网络导论>,之所以选这本书,主要是这本比较薄,太厚的书实在是啃不动.这本书写的也比较浅显,用来入门正合适. 看书的同时也在网上找了找人工神经网络的库代码.感觉 FANN 这个库还不错,就顺道学了学这个库的使用方法. FANN 是个开源的 C 语言实

WIFI名词笔记

WEP: Wired EquIValent PrIVacy,有线等效加密,WEP算法是一种可选的链路层安全机制,用来提供访问控制,数据加密和安全性检验等. WPA :Wi-Fi Protected Access,有WPA 和 WPA2两个标准,是一种保护无线电脑网络(Wi-Fi)安全的系统,它是应研究者在前一代的系统有线等效加密(WEP)中找到的几个严重的弱点而产生的. WPA-PSK: Pre-shared Key 预共享密钥. WPS: Wi-Fi Protected Setup,(有的叫做

社会计算 一

参考<社会媒体挖掘> 为什么社会计算领域会兴起? 社会媒体的快速发展使得更多的人开始活跃在网络上,产生的数据量十分巨大,这些数据是研究人类社会,发展人工智能技术的重要资源.微博,微信,知乎,QQ等等社交媒体拥有巨大的用户数量,其他新兴的app(有些甚至不是以社交为主打功能的)也正在不停的吸收着用户,从交友,饮食,出行,娱乐到投资,咨询,教育各个生活领域都已开展了线上业务,不仅仅是信息量爆炸,信息的维度也逐渐变得丰富,将一系列APP的用户数据整合就可以刻画出一个大概的用户画像,随着数据挖掘技术的

aop中的名词解释

aop中的名词解释 aop spring Joinpoint(连接点) 目标对象中所有可以增强的方法叫做连接点 Pointcut(切入点) 目标对象中要增强的的方法 Advice(通知/增强) 增强的代码 Target(目标对象) 被代理对象 Weaving(织入) 将通知应用到连接点的过程 Proxy(代理) 生成的代理对象 Aspect(切面) 切入点+通知就形成了切面