研究网络社交论文

研究网络社交论文

网络交际毕业论文选题（内含5个）

1、大学生社交网络使用现状研究

2、社交网络对大学生的影响

3、浅谈社交网络中的个人隐私保护

4、浅谈网络社交时代下现实生活的社交障碍

论文整理(1)社交网络影响力

社会网络分析理论：

在社会网络[63]由人类学家Barnes最早提出的概念，他在社会网络的分析基础上统地研究挪威一个小渔村的跨亲缘与阶级的关系。在社会网络分析中，存在一些经典的理论。这些理论主要包括:六度分割理论、弱关系理论、150法则、小世界网络理论、马太效应等。基于社会网络有关的研究方向和内容，在不同的领域着发挥着各自的作用，例如，社会影响力分析，社区发现，信息传播模型，链接预测，基于社会网络的推荐。

150法则是指一个人能保持稳定社交关系的人数上限通常为150人。1929年由英国罗宾•邓巴教授(Robin Dunbar)提出了经典的”150定律”理论，该定律同时也被称为“邓巴数字”[64]。这个定律在我们的实际日常生活中的应用是相当普遍的，SIM卡中只能存储150个联系人的电话，微软的MSN中也只可以最多把150位联系人的信息添加到自己的名单中[64]等等。

小世界网络是一种具有特殊结构的复杂网络，在这种网络中大部份的节点是不相邻的，但绝大部份节点之间是连通的且距离很短。六度分割理论也是小世界网络理论的一种体现。在多数现实世界的社会网络中，尽管网络中的节点数量巨大，网络中相邻的节点相对较少，但每两个节点间往往只需要很短的距离便能连通。

六度分割就是指一个人与其他任何一个人之间建立起联系，最多都只需要经过六个人。所以，即便邓巴数字告诉我们，我们是能力上维持一个特别大的社交圈的，但是六度分割理论却可以告诉我们，通过我们现有的社交人脉圈以及网络可以无限扩张我们的人脉圈，在需要的时候都能够和地球中想要联系的任何人取得联系。

弱关系理论弱关系(Weak Tie)是指需要较少或不需要情感联系的人们之间的社会联系，这种联系几乎不需要耗费个人的时间或精力来维系，但这种联系却很有作用。美国社会学家Mark Granovetter在研宄人们在求职过程中如何获取工作信息时发现[65]，由家人、好友等构成的强关系在获取工作信息过程中起到的作用很有限，而那些关系较疏远的同学、前同事等反而能够提供更加有用的求职信息。

马太效应可以理解为达尔文进化论中适者生存的理念。在社交网络的发展过程如同生物进化的过程，存在强者越强、弱者越弱的现象。也就是说，在社交网络中越是处于网络核心的节点很大可能会变来越核心，而那些处于社交网络中边缘地带的节点或许会越来越不重要甚至直至消失。那些在社交网络中相比其他节点拥有更大影响力的节点，其带给该网络的影响也要比那些拥有弱影响力的节点所带来的影响要强。

从不同角度探索节点影响力挖掘算法：

1.基于邻节点中心性的方法。这类方法最简单最直观，它根据节点在网络中的位置来评估节点的影响力。度中心性[13]考察网络中节点的直接邻居数目，半局部中心性[14]考察网络中节点四层邻居的信息，ClusterRank[15]同时考虑了网络中节点的度和聚类系数。

2.基于路径中心性的方法。这类方法考察了节点在控制信息流方面的能力，并刻画节点的重要性。这类方法包括子图中心性[16]、数中心性[17]（一些演化算法包括：路由介数中心性[18]，流介数中心性[19]，连通介数中心性[20]，随机游走介数中心性[21]等）及其他基于路径的挖掘方法。

3.迭代寻优排序方法。这类方法不仅考虑了网络中节点邻居的数量，并且考虑邻居质量对节点重要性的影响，包括了特征向量中心性[13]，累积提名[22]，PageRank算法[23]及其变种[24-32]。

4.基于节点位置的排序算法。这类方法最显著的特点是，算法并没有给出一个计算节点重要性的定义，而是通过确定节点在网络中的位置，以此来确定节点的重要程度。在网络核心位置的节点，其重要性就相对较高，相反的，若节点处于网络边缘，那么它的重要性就会比较低。基于节点位置的以及不同应用场景的推荐算法具有重要的研究意义[34-37]。

节点影响力评估方法：

在社交网络节点影响力的评估方法主要可以分为三类，基于静态统计量的评估方法、基于链接分析算法的评估方法，基于概率模型的评估方法。

众学者在静态统计量的方法上，结合不同社交网络中相关信息，借鉴链接分析法以及建立概率模型来评估节点影响力，对社交网络节点影响力可以做到更有效的评估[66]。

1)基于静态统计量度量方法

主要是通过网络中节点的一些静态属性特征来简单直接地体现节点的影响力，但面对社交网络中复杂信息以及不同平台，并不能有效地度量不同社交网络中节点影响力。如度中心性，主观认为节点的重要性取决于与其他节点连接数决定，即认为一个节点的邻居节点越多，影响力越大。在有向网络中，根据边的方向，分为入度和出度，在有权网络中，节点的度可以看作强度，即边的权重之和。度中心性刻画了节点的直接影响力，度中心性指标的特点是简单、直观、计算复杂度低，也具有一定合理性。

但针对不同平台的网络结构中，度中心性的影响力效果未必能达到目标效果，而且社交网络中用户间关系的建立具有一定的偶然性，而且不同的用户间的关系强度也不同。度中心性没有考虑了节点的最局部信息，虽然对影响力进行了直接描述，但是没有考虑周围节点处所位置以及更高阶邻居。众学者在静态统计量的方法上，结合不同社交网络中相关信息，借鉴链接分析法以及建立概率模型来评估节点影响力，对社交网络节点影响力可以做到更有效的评估[66-67]。

2)基于链接分析算法的方法

链接分析算法(Link Analysis)主要应用在万维网中用来评估网页的流行性。通过超链接，万维网中的网页连接成一个网络，同时这个网络也具备了小世界网络的特征，且微博平台中的关注和粉丝关系与网页的链入与链出十分相似，因此链接分析法的思想也被应用在了微博社交网络中节点影响力的评估中。经典的算法是PageRank[68]和HITS算法[69](Hyperlink-Induced Topic Search)。

PageRank算法模型，是Google在搜索引擎结果中对网站排名的核心算法，核心思想通过计算页面链接的数量和质量，来确定网站的重要性的粗略估计，即节点的得分取决于指向它的节点的数量和这些节点的本身得分。即有越多的优质节点指向某节点时它的得分越高。

HITS算法是由Jon Kleinberg于1997年提出的。HITS算法模型中，有两类节点，权威(Authority)节点，和枢纽(Hub)节点。权威节点在网络中具有高权威性，枢纽节点具有很个指向边的节点。通过计算网络中每个节点的Authority权威值和Hub枢纽值来寻找高权威性的节点。即求值过程是在迭代中计算Authority和Hub值，直到收敛状态。Hub值和Authority值计算公式。

通过多数研究者发现，将链接分析法结合社交网络特性可以更好的对用户影响力进行评估，由于技术的快速发展，社交网络的多变性，因此如何将社交网络中的复杂数据和用户行为与相关算法进行结合，仍是需要我们继续研究的方向。

3)基于概率模型的方法

主要是建立概率模型对节点影响力进行预测。这么多学者将用户影响力作为参数对社交网络中的节点用户行为建立概率模型，并根据社交网络中已有的用户数据求解概率模型，得出用户影响力。

文献[70]认为用户间影响力越大、被影响用户的活跃度和转发意愿越高，则其转发另一个用户的信息的概率越大，所以利用用户影响力、转发意愿和活跃度等构建转发概率模型。通过用户发布的tweet数量、转发的tweet数和用户的历史转发行为数据，计算出用户活跃度、转发意愿和转发概率，进而社交网络中用户影响力。

文献[71]在度量影响力时融合了用户发布信息的主题生成过程，认为兴趣相似或经常联系的用户间影响力较强，用户的行为受其朋友的影响也受其个人兴趣的影响。基于这些假设，结合文本信息和网络结构对LDA模型进行扩展，在用户发布信息的基础上建立模型，通过解模型计算得出用户间基于主题的影响力。

文献[72]认为转发概率同样可以体现用户间的影响力，根据用户间的关注关系。历史转发记录，利用贝叶斯模型预测用户间的转发概率。

文献[73]考虑了用户建立关注关系的原因，用户被关注可能是与关注者兴趣投，也可能受用户的影响力影响。将基于用户的主题建模和基于主题的影响力评估相结合，并在同一个生成模型中进行计算，提出基于LDA算法模型的扩展算法模型FLDA模型(Followship-LDA)。

[13] P. Bonacich. Factoring and weighting approaches to status scores and clique identification[J]. Journal of Mathematical Sociology, 1972, 2(1): 113-120

[14],L.Lü,,fyinginfluentialnodesincomplexnetworks[J]. Physica A, 2012, 391(4): 1777-1787

[15] D. B. Chen, H. Gao, L. Lü, et al. Identifying influential nodes in large-scale directed networks: The role of clustering[J]. PLoS One, 2013, 8(10): e77455

[16]a, J.A. phcentralityincomplexnetworks[J].Physical Review E, 2005, 71(5): 122-133

[17]measuresofcentralitybasedonbetweenness[J].Sociometry,1977, 40(1): 35-41

[18] S. Dolev, Y. Elovici, R. Puzis. Routing betweenness centrality[J].Journal of the ACM, 2010, 57(4): 710-710

[19] Y. Gang,, H. Bo,etal. Efficientroutingoncomplexnetworks[J].PhysicalReviewE, 2005, 73(4): 46108

[20] E. Estrada, D. J. Higham, N. Hatano. Communicability betweenness in complex networks[J]. Physica A, 2009, 388(5): 764-774

[21]reofbetweennesscentralitybasedonrandomwalks[J].Social networks, 2005, 27(1): 39-54

[22],,calsystemstodefinecentralityinsocial networks[J]. Social networks, 2000, 22(3): 187-200

[23] B. S. Brin, L. Page. The anatomy of a large scale hypertextual Web search engine[J]. Computer Networks & ISDN Systems, 1998, 30: 107-117

[24] P. Jomsri, S. Sanguansintukul, W. Choochaiwattana. CiteRank: combination similarity and static ranking with research paper searching[J]. International Journal of Internet Technology & Secured Transactions, 2011, 3(2): 161-177

[13][25],orRankandanInverseProblemforPageRank[D].California: University of California. 2012

[26] J. Weng, E. P. Lim, J. Jiang, et al. Twitterrank: finding topic-sensitive influential twitterers[C]. Third International Conference on Web Search & Web Data Mining, ACM, 2010, 261-270

[27],,fyingtheinfluenceofscientistsandtheirpublications: distinguishingbetweenprestigeandpopularity[J].NewJournalofPhysics,2012,14(14): 33033-33049

[28] J. Xuan, H. Jiang, , et al. Developer prioritization in bug repositories[C]. International Conference on Software Engineering, 2012, 25-35

[29],,L.Lü,fyingInfluentialSpreadersbyWeightedLeaderRank[J]. Physica A, 2013, 404(24)47-55

[30] L. Lü, Y. C. Zhang, C H Yeung, et s in social networks, the delicious case[J]. PLoS One, 2011, 6(6): e21202

[31]itativesourcesinahyperlinkedenvironment[J].Authoritative sources in a hyperlinked environmen, 1999, 46(5): 604-632

[32],chasticapproachforlink-structureanalysis(SALSA)andthe TKC effect[J]. Computer Networks, 2000, 33(2): 387-401

[33],,zationandcentralityinnetworks[J].Physical Review E, 2014, 90(5): 052808

[34] A. Banerjee, A. G. Chandrasekhar, E. Duflo, et al. Gossip: Identifying central individuals in a social network[R]. National Bureau of Economic Research, 2014.

[35],,,ivespreadingfrommultipleleadersidentifiedby percolation in social networks[J]. arXiv preprint arXiv:1508.04294, 2015.

[36] S. Y. Tan, J. Wu, L. Lü, et al. Efficient network disintegration under incomplete information: the comic effect of link prediction[J]. Scientific Reports, 2016, 6.

[37]任晓龙,吕琳媛.网络重要节点排序方法综述[J].科学通报, 2014,59(13): 1175-1197

[63]贝克,晓冬.社会资本制胜:如何挖掘个人与企业网络中的隐性资源[M].上海交通大学出版社,2002.

[64]天涯.六度分隔理论和150法则[EB/OL].s/blog_62bae1640100|.[2010-07-14].

[65]Granovetter M Strength of Weak Ties[J]. American journal of sociology, 1973: 1360-1380.

[66]王梓.社交网络中节点影响力评估算法研究[D].北京邮电大学, 2014.

[67] Meeyoung Cha, Hamed Haddadi,Fabricio Benevenutoets. Measuring User Influence in Twitter: The Million Follower Fallacy[C]. Proceedings of the 4th International AAAI Conference on Weblogs and Social Media (ICWSM),2010:10-17

[3][68]  Page, Lawrence, Brin, et al. The PageRank citation ranking[C]// BringingOrder to the Web. Stanford InfoLab. 1998: 1-14.

[4][69]Kleinberg J M. Authoritative sources in a hyperlinked environment[J]. Journal of the ACM, 1999, 46(5): 604-632.

[70]Zibin Yin, Ya Zhang. Measuring Pair-Wise Social Influence inMicroblog[C], 2012 ASE/IEEE International Conference on SocialComputing and 2012 ASE/IEEE International Conference on Privacy,Security, Risk and Trust, 2012: 502-507.

[71]Lu Liu, Jie Tang, Jiawei Han, Meng Jiang, Shiqiang Yang. Mining topic-level influence in heterogeneous networks[C]. Proceedings of the 19th ACMinternational conference on information and knowledge management, 2010: 199-208.

[72] Qianni Deng, Yunjing Dai. How Your Friends Influence You: Quantifying Pairwise Influences on Twitter[C], International Conference on Cloud and Service Computing, 2012:185-192.

[73] Bi, Bin, et al. Scalable Topic-Specific Influence Analysis on Microblogs[C], Proceedings of the 7th ACM international conference on Web search and data mining,2014: 513-522.

关于网络使人际关系的论文

网络与人际关系网络时代的到来，的确为人类的生活开辟了更为广阔的生活空间。社会运行也越来越因此而连接的更加紧密，可以说这世界正逐渐变的“尺长钟短”了。与此同时，网络的“双刃性”便得到社会的普遍关注。不可否认，网络在以其快捷的速度、生动的形式和浩瀚的容量向人们传递信息与知识的同时，也将网络文化的垃圾带入了我们生活的视野。因此，网络与人际关系也就自然的表现出两面性——积极方面与消极方面。

　　广义的人际关系是指人与人之间的各种关系。它包括经济关系、政治关系、法律关系和角色关系等一切方面。而这里的人际关系仅从狭义的角度出发，它是指人们在交往过程中所形成的心里关系。而它关注的是这种心理关系的亲密性，融洽性和协调性的程度。研究表明：交往双方关系融洽和谐时，应该在尊卑纬度上表现出互补性，亲疏纬度上表现出对等性型等。

　　而我个人觉得作为生活中必不可少的网络，它自身具有如下的特点：身份的虚拟性；地位的平等性；情感的寄托性和虚拟的成就性等。这些都将影响着我们现实中的人际关系，特别是那些因众多因素造成的自卑心理的人，网络的出现无疑使他们的人际关系大为改变。

　　网络可以大大的提高人际交往的自信心。研究表明，影响人际关系的主要因素有：相貌、正面的交往、相似性与互补性。

　　一、网络给人提供了一种充分展示自己另一方面的空间。

　　随着现代生活节奏的加快，人们的生活压力越来越大，特别是交际困惑。所以特别希望宣泄自己的情感；同时又不愿暴露自己的真实身份，而网络刚好提供了这样一个宽松的环境。人们可以在网络这个虚拟的世界里扮演着可能与生活中完全不同的角色：内向寡言的人可以变的幽默风趣；自私乖僻的人可能变的格外温柔体贴；人们更大胆热烈的表达爱情……正如同有人说的：“在网上没人知道你是一条狗。”因此，网络状态下的人与人之间的交往无法受到现实生活中人际关系的有效约束，具有很大的欺骗性和自由度。

　　网络中身份的虚拟性，可以减少一些人因为自己的容貌丑陋、平时交际缺失等因素造成的焦虑，增强其人际交往的自信性。同时，网络中的“虚拟性”由此还可以弥补一些现实中所不能体会的“缺失”。而展现在对方面前的是一些既真实又不完全真实的文字。尽管这些都是从你指间流淌出的文字，但并非就是你真实心声的独白，或者更多的是装饰。
网络中地位的平等性，同样可以减少交往中的许多因自身经济和身份地位的不同而造成的胆怯心理。在网上你的社会地位没有任何作用，不论你的一个教授还是一个学生，你的发言权是一样的。你的话语是否受欢迎没有任何的光环作用，只是你的话语是否吸引人。

　　二、网络因空间的距离给人一种美感，更符合人们对于浪漫的向往。

　　网络中情感的寄托性和虚拟的成就性，也可以大大增强人际交往中的自信心。有人曾说：“感情一方面靠的是缘分，另一方面靠的是经常的沟通”。而在QQ聊天的刚开始，或许只是彼此在盲目的乱侃，但一会或许会发现彼此又有许多共同的话题，逐渐由陌生变的熟悉，再到后来的志同道合，成为知心朋友，最终找到情感的寄托。这无疑也是人际交往中的一个成功的例子。再比如一些游戏，除了可以开发自己的智力外，还可以通过游戏得分，提高自己的知名度，从而增强自己的自信心。

　　但是网络毕竟是虚拟的现实，正如人们常说：“花园虽好也并非久留之地”，网络亦如此。诚如上文所述，网络可以为人际关系的交往带来许多益处，但是说白了，这是在建立在“劳神伤财”的基础上。而现实中的人际关系越比“网络”中虚拟的要复杂。

　　比如，受到网上各种虚假信息的愚弄，在网上交际被他人欺骗，其情感体验则是沮丧的；或者，将网上单纯的人际交往的经验用于生活中，则显得苍白无力，到处碰壁，这样就造成心理的自卑。由于不能有效的实现客观现实和虚拟现实之间的角色转换，极易形成心理错位及行动失调等问题，甚至失去与现实的亲和力。从此就“躲进小楼成一统，管它春夏与秋冬”。这样不但没有达到改善自己的人际交往关系，反而是恶化了。

　　实践证明，虚拟世界让人“成隐”后，低质量的人际关系便自然而然的取代了高质量的现实中的人际关系。在真实生活中，绵延不断的沮丧、困惑、孤独感时时折磨着他们，当患者最终失去对社会交往的兴趣时，精神心理活动也随之走入歧途。严重的产生人格障碍和精神分裂。

　　这里就从上网的深层中去找原因。

　　国外的专家论证认为，上网的人无非有三个目的：寻求社会的支持，虚拟人格和性幻想。近两年来，一直致力于帮助和挽救“上网成隐”的孩子的华中师范大学陶宏开教授分析得出有三种人：第一种是兴趣单一，或是没有其他兴趣爱好的孩子，在网络游戏中忽然找到自己的位置，找到一个消磨时光的好去处，从而痴迷其中；第二种是有许多学习比较差的学生会因为得不到别人的承认而沉迷与网络。他们在日常的学习生活中体会不到学习成功的乐趣，而“上网打游戏”，可以获得虚拟奖励，自我得到肯定，宣泄因学习不成功带来的压抑；第三种是由于人际关系不好，希望上网逃避现实。许多学生虽然学习不错，可是性格内向、猜忌心强、而且小心眼、碰到问题时没能得到及时的解决就沉溺于网吧，学习和生活受到严重的影响。

　　我觉得，网络在生活中，正如一株美丽而邪恶的“罂栗花”，他可以治病，但也可丧失一个人的劳动力，使人沉溺于其中而不能自拔，这正表现处事物的两面性。其实关于网络与人际关系，这二者到底是促进关系还是阻碍关系，关键是看你如何看待网络这一问题。

　　首先，我们不能把网络当作逃避现实的一个途径，而是把他当作为现实服务的一个工具，网络就会充分发挥出对人际关系的有利作用。

　　网络不但能在更广范围内，帮我们找到思想相同志趣相投的朋友，还能大大帮我们提高人际交往的质量；网络还能帮不善人际交往的人重塑信心。比如，许多人由于自身条件等关系，害怕与人交往的心理阴影，但在网络上就能比较容易的抛开这些心理阴影，大胆的与陌生人交往。换句话说，可以把网上交往当成是一种现实人际交往的演习和锻炼。

　　其次，要时刻保持清醒的头脑，合理把握虚拟网络在现实生活中的比例；要学会正确把握上网的度；要学会敢于面对生活，因为网上交际不能代替现实生活的社交活动，所以必须保持与周围人员的正常交往。如果有心理疾病最好不要上网去寻求安慰，应求助心理医生为上，特别是“网痴的网民”更是如此。

　　最后，将网络作为一种工具，充分利用网络资源的便捷来扩从我们的知识面，而不是仅仅将其作为我们于乐的工具。甚至沉浸在虚拟的空间里不能自拔！在太多的选择与诱惑面前，只有有了适当的鉴别力，你才有可能占有她，否则你永远是他的奴隶！

　　综上所述，网络既可以促进促进人际关系交往，又可以阻碍人际关系的交往，关键是看你如何看待网络在这其中的作用，如何用它来构造自己的生活！

　　编后语:本篇文章是我在大学二年级写的一篇作业,今天拿出来,不当之处还敬请各位斧正!