社會化網絡服務研究綜述

[摘要] 隨著互聯網規模的不斷擴大和信息形式的多樣化，互聯網上的海量信息為社會化網絡服務(SNS)的研究提供了廣闊的發展空間。在歸納總結近年來社會化網絡服務研究情況的基礎上，通過對相關文獻的梳理和總結，闡述社會化網絡服務在社會化網絡分析、社會化網絡搜索等領域的研究成果及今后的發展方向。

[關鍵詞]社會化網絡服務 社會網絡分析 社會網絡搜索 六度分隔

社會化網絡服務(Social Networking Service ，SNS)是以真實社會人際關系為基礎，結合網絡虛擬社區的特點，構建的現實社會人際關系網絡。因此，SNS的核心是現實社會人際關系在網絡上的真實映射[1]。SNS已成為Web 2.0技術下最具發展潛力的應用領域之一，蘊含著海量數據是SNS的最大優勢，如何充分利用這些用戶數據挖掘出有用信息為人類社會服務，成為當今社會化網絡服務研究領域中的一大熱點。本文通過歸納和總結近年來國內外研究者的研究成果，闡述社會化網絡服務的主要研究領域及今后的發展方向。

1 社會化網絡服務的概念

SNS的理論基礎源自六度分隔理論[2]和150法則(Rule of 150)[3]。六度分隔理論由美國社會心理學家、哈佛大學教授Stanley Milgram于20世紀60年代提出:“最多通過6個人你就能夠認識任何一個陌生人”。150 法則最早是由歐洲發源的“赫特兄弟會”提出的——“把人群控制在150人以下是管理人群的一個最佳和最有效的方式”。 依據六度分隔理論和150法則，SNS以認識朋友的朋友為目標，擴展自己的社會資源。

社會化網絡的定義是Barry Wellman等于1988年提出的“社會化網絡是由某些特定群體(人、企業和組織)間的社會關系構成的相對穩定的關系網”[4]。目前社會化網絡服務的定義為:一種網絡服務或應用，用于在互聯網上建立人與人的社交關系網絡，并能夠基于這種社交關系為人與人、人與機器的溝通和互動提供支持，從而為網絡用戶在現實社會和虛擬社會的生活和工作提供方便有效的幫助。

社會化網絡是由個體與個體之間的關系構成的滿足社會關系結構特點的網絡，從結構上來說是一種以“節點”為頂點、以“關系”為邊構成的加權有向圖。節點表示對象，一般是人或組織機構等，而邊是對象間的某種特定關系。例如，兩人互相之間發送過郵件，共同發表過論文，注冊同一網絡社區等，都可以稱他們之間具有某種關系。使用G=(V，E，a)三元組來表示關系網絡，其中V(G)是頂點集合，E(G)是邊的集合。a為邊集E(G)到(0，1]的映射，即 ，稱a(r)為邊r的權，表示節點關系的緊密程度。社會化關系網絡結構如圖1所示:

2 SNS的研究對象及分類

社會化網絡服務的研究對象主要有網絡信息資源(如電子郵件、博客、網絡論壇、Web頁面等)，專用網絡數據庫資源(如中國知網數據庫、DBLP數據庫等)和專門提供網絡社交服務的社交網站(如Facebook、Myspace、人人網、開心網等)。根據這些網絡的不同特點，社會化網絡服務的研究對象可以分為4種:

?問答型的社會化網絡:以電子郵件、博客、網絡論壇、即時通訊工具等為信息源構建的社會化網絡屬于問答型的社會化網絡。這種社會網絡關系是通過人與人之間簡單的文字交流，即問答方式建立起來的社會關系。如人們通過互發電子郵件，在網絡論壇對共同感興趣的話題展開討論等。

?合作型的社會化網絡:主要是通過專業的數據集合構成。這種社會網絡通常包含兩種節點，即參與者和媒介，參與者通過媒介聯系在一起。例如，在專業期刊網絡中，論文作者是參與者，他們共同發表和引用的論文是媒介。在科研項目數據庫中，科研項目的參與者通過研究課題建立聯系。這種網絡的特點是具有規范的數據描述和高度的專業性。

?好友型的社會化網絡:人們通過在專業社交網站注冊會員和添加好友的形式建立起來的社會化網絡。這種社會網絡成員交友的目的性更明確，并且可以有效地管理自己的好友列表。

?開放型的社會化網絡:這種社會化網絡主要是通過互聯網上海量的Web頁面間的關系構成的社會化關系網絡。開放型的社會化網絡需要發現Web頁面中的實體(人名、地名、機構、鏈接等)，并且定義、挖掘實體之間的關系。這種網絡的特點是信息量大、網絡龐雜，具有很大的不確定性。

3 SNS的主要研究方向

目前SNS的研究主要分為兩個方向，即社會化網絡分析和社會化網絡搜索。

3.1 社會化網絡分析

社會化網絡分析通過分析群體、組織、虛擬社區等其內部成員之間的關系和交互，發現他們的組織特點、行為方式、個性特征等，從而更好地支持這些群體和組織成員間的信息共享、行為交互與協作[5]。

目前社會化網絡分析主要有兩個研究方向:①對社會網絡的參數進行測量，這些參數主要包括網絡規模、節點個數、節點之間的距離、節點可達性、中心度、聚類系數等[6]。通過分析比較社會網絡的各項參數來揭示網絡節點與節點之間的親密程度和相互作用關系。②通過分析社會化網絡結構和內容來發現網絡中具有特征的局部結構和關鍵節點，例如網絡社區識別、社團結構發現及核心成員挖掘、情報分析等。

3.2 社會化網絡搜索

基于社會化網絡和信息挖掘技術的社會化網絡搜索，是利用社會化網絡的概念和Web信息的內部關系，以人物為中心的信息聚合的垂直搜索，搜索的目的是將人和人之間的關系抽取出來，針對要查找的目標人物給出圍繞該目標人物的信息，包括人物簡介、人物關系等內容。

通常社會化網絡搜索服務由三大部分組成，即社會化網絡構建、社會關系查找和社會化網絡可視化。目前已經發布的社會化網絡搜索引擎有Spock人物搜索、微軟人立方、偶社、搜人網等。

當前社會化網絡搜索面臨的難點問題主要有:搜索算法的研究、最短路徑算法優化問題、信息可視化問題以及信息識別判定等問題。如實體重名問題、實體關系確認問題、同一身份認定問題、外國人名的音譯問題、參考信息源的準確性判斷和隱私保護等問題。

4 社會化網絡服務的應用領域

4.1 犯罪網絡分析及敏感社團挖掘

犯罪網絡分析作為社會化網絡分析的主要研究分支，近年來受到各國政府和相關機構的廣泛關注。犯罪網絡分析及敏感社團挖掘系統可以預測犯罪網絡規模，確定成員關系，幫助執法機關高效準確地發現犯罪組織成員，找出核心成員，并將其組織結構可視化顯示，便于案件的偵破。

文獻[7-9]從不同方面和技術角度介紹了國外一些學者在犯罪網絡分析中的研究成果:①提出了基于層次貝葉斯推理模型構建恐怖組織網絡的方法;②實體抽取技術可以用來從犯罪記錄中鑒別罪犯分子身份和地址;③聚類分析方法可以找出使用相同作案手段的犯罪嫌疑人或區分不同的犯罪組織;④偏差檢測技術用于發現欺詐犯罪行為，網絡入侵和其他的犯罪分析。

國內一些學者也開始了對犯罪網絡的研究，文獻[10]依據犯罪分子之間的通信行為，采用SPLINE算法和中心度概念挖掘犯罪團伙的結構、核心成員。文獻[11]介紹了基于三層過濾模型的郵件挖掘系統。通過對郵件的時間屬性、內容信息和地址數據進行逐層分析和篩選過濾，在廣度上縮小偵察范圍，在深度上加大挖掘力度，從而找出敏感社團結構及其成員組成。文獻[12]提出一種挖掘社會網絡核心層的方法MCCY，該方法首先刪除結點度小于一定閾值的結點，再運用社團結構及中心度分析找出部分網絡核心成員，最后結合已刪除的結點得出完整的社會網絡核心層。

4.2 作者合作網絡分析

社會化網絡分析為論文、科研合作研究提供了有效的途徑。通過對科研機構研究人員合作發表論文的網絡分析，可以發現研究人員合作的緊密程度、合作的基本模式;發現研究團隊結構和團隊合作的穩定性及變化;挖掘當前研究熱點問題及研究領域等。

文獻[13]通過對DBLP數據庫提供的XML數據文件的解析，得到協作者最多的作者和出版物最多的作者，并對協作者300人以上的作者建立作者協作網絡圖，在協作圖上挖掘出核心作者，通過研究核心作者近3年發表的論文，得出其研究領域。

文獻[14]借助領域專家知識導航平臺(FSKC)，提出一種基于科技文獻的學科團隊成員挖掘與識別方法，該方法有助于識別科研團隊成員和學科帶頭人，建立合作關系網絡，拓展科研機構評估及分析方法。

4.3 基于Web的人物社會關系搜索

文獻[15-16]從中文Web頁中提取人名實體，定義3-6種人物關系，并以此為基礎構建人物間的關系網絡，這種人名實體是網頁中出現的名人，判斷名人之間是否存在關系的依據是判斷兩個人名是否存在于一個網頁、句子或是否由連詞連接，對于一些非名人，涉及他們的網頁較少，加之人物重名情況較多，所以通過這種方法提取人物關系的準確性還有待提高。

目前人物社會關系搜索較為成熟的是微軟人立方關系搜索引擎，它可以從超過10億的中文網頁中自動地抽取出人名、地名、機構名以及中文短語，并且通過算法自動地計算出它們之間存在關系的可能性，但這種簡單通過人名、地名挖掘人與人之間關系的方法存在局限性和非真實性。

4.4 其他應用研究

SNS在其他應用領域的研究包括:企業商業情報分析、合作伙伴挖掘、企業營銷、客戶資源管理等方面[17-18]。客戶群的大小決定一個企業的利潤和發展前景，任何企業都千方百計尋找新的客戶，來擴大其經營規模。通過社會化網絡服務所提供的知識可以為企業提供新的潛在客戶，通過客戶之間的社會關系，由一個客戶找到一個大的客戶群，這樣無疑會為企業帶來巨大的商業利益。

5 結 語

當前，社會化網絡服務的研究還剛剛起步，其方法較簡單、可靠性差。人類在社會活動中的主觀能動性造成社會關系網絡的復雜多樣，有時無法用簡單數學模型來抽象表達復雜的社會關系，這是SNS研究者面對的最大難題。因此，研究基于多種信息元素、通過人工智能技術廣泛挖掘社會關系，并結合身份識別技術判斷社會關系的真實性，最終建立真實的社會化關系網絡，并研究社會關系網絡的搜索及可視化成為SNS技術研究未來的發展方向。

參考文獻:

[1] Staab S， Domingos P， Mika P. Social networks applied[J]. IEEE Intelligent Systems， 2005， 20(1): 80-93.

[2] Milgram S. Behavioral study of obedience[J].Journal of Abnormal and Social Psychology，1992(67):371-378.

[3] Dunbar Robin. Grooming，Gossip，and the evolution of language[M]. Cambridge:Harvard University Press，1996.

[4] Barry Wellman， Berkowitz S D. Social structures: A network approach[M]. New York:Cambridge University Press， 1988:130.

[5] Michael H. Zack. Researching organizational systems using social network analysis[C]. Proceedings of the 33rd Hawaii International Conference on System Sciences. 2000:7043.

[6] Newman M E J. Who is the best connected scientist? A study of scientific co-authorship networks[J]. Phys Rev， 2001(E 64): 016131–016132.

[7] Valdis E.Krebs. Mapping networks of terrorist cells[J]. Connections，2002， 24(3): 43-52.

[8] Dombroski M J， Carley K M. NETEST: Estimating a terrorist network's structure[C]. CASOS 2002， Computational and Mathematical Organization Theory， 2002:235-241.

[9] Xu J J， Chen H C. CrimeNet explorer: A Framework for criminal network knowledge discovery[J]. ACM Transactions on Information Systems， 2005， 23(2):202-226.

[10] 唐常杰，劉威，溫粉蓮，等. 社會網絡分析和社團信息挖掘的三項探索——挖掘虛擬社團的結構、核心和通信行為[J]. 計算機應用， 2006，26(9):2020-2023.

[11] 段丹，郭紹忠，李志博，等. 基于郵件分類的敏感社團挖掘技術[J]. 計算機應用，2007，27(12):3039-3041.

[12] 田宏，馬朝陽. 基于郵件挖掘社會網絡核心層的新方法[J]. 大連交通大學學報， 2010，31(3): 92-96.

[13] 趙彩虹，楊艷. 基于DBLP的作者協作關系挖掘[J]. 黑龍江大學自然科學學報， 2010，27(4):491-494.

[14] 王衍喜，周津慧，王永吉，等. 一種基于科技文獻的學科團隊識別方法研究[J]. 圖書情報工作， 2011，55(2):55-58.

[15] 姚從磊，邸楠. 一種基于Web的大規模人物社會關系提取方法[J]. 模式識別與人工智能，2007，20(6):740-744.

[16] 邸楠，姚從磊，李曉明. 基于中文Web社會網絡的提取、測量與分析[J]. 廣西師范大學學報(自然科學版)，2007，25(2):169-172.

[17] 王云峰. 從SNS到ESN:社會化網絡及其在競爭情報中的作用[J]. 情報科學，2010，28(10):1480-1483.

[18] 丁遒勁，鞠英杰. 中小企業基于SNS人際競爭情報解決方案研究[J]. 圖書情報工作，2010，54(14):83-87.

[作者簡介] 趙 洋，男，1976年生，講師，碩士，發表論文15篇。張玉新，男，1979年生，講師，碩士，發表論文16篇。陳 晨，男，1983年生，助教，碩士，發表論文5篇。