更改

跳到导航 跳到搜索
删除210字节 、 2020年10月24日 (六) 23:02
无编辑摘要
第3行: 第3行:  
|description=社会学方法,社会统计,计算机网络分析
 
|description=社会学方法,社会统计,计算机网络分析
 
}}
 
}}
'''<font color="#ff8000">动态网络分析 Dynamic network analysis</font>'''是将传统的'''<font color="#ff8000">社会网络分析 Social Network Analysis SNA</font>'''、'''<font color="#ff8000">链路分析 Link Analysis LA</font>'''、'''<font color="#ff8000">社会模拟 Social Simulation</font>''''''<font color="#ff8000">多主体系统 Multi-Agent Systems MAS</font>'''与'''<font color="#ff8000">网络科学 Network Science</font>''''''<font color="#ff8000">网络理论 Network Theory</font>'''相结合的新兴科学领域。这个领域有两个方向。第一个是动态网络分析数据的统计分析。第二是利用仿真来解决网络动态问题。动态网络分析的网络不同于传统的社会网络,因为它们更加庞大、更加具有活力、多模式,多重网络,并且可能包含不同程度的不确定性。DNA 与 SNA 的主要区别在于,动态网络分析考虑了社会特征的交互作用,从而调节了网络的结构和行为。动态网络分析与'''<font color="#ff8000">时间分析 Temporal Analysis</font>'''有关,但时间分析并不一定与动态网络分析有关,因为网络的变化有时是由外部因素造成的,这些因素与网络中的社会特征相互独立。关于使用动态网络分析中最早且最著名的案例之一,桑普森修道院的研究,他在该研究中从不同间隔拍摄了相同网络的快照,并观察和分析了网络的演变。<ref>Harrison C. White, 1992, Identity and control: A structural theory of social action. Princeton University Press.</ref>对超大规模复杂网络中链接利用动态特性的早期研究提供了'''<font color="#ff8000">动态中心性 Dynamic Centrality</font>''','''<font color="#ff8000">动态主题 Dynamic Motifs</font>'''和'''<font color="#ff8000">社交互动周期 Cycles of Social Interactions</font>'''的证据。<ref>Dan Braha, Yaneer Bar‐Yam, 2006, [https://static1.squarespace.com/static/5b68a4e4a2772c2a206180a1/t/5c5de3faf4e1fc43e7b3d21e/1549657083988/Complexity_Braha_Original_w_Cover.pdf “From centrality to temporary fame: Dynamic centrality in complex networks,”] Complexity, 12(2), 59-63.</ref><ref>Dan Braha, Yaneer Bar-Yam 2009, [https://static1.squarespace.com/static/5b68a4e4a2772c2a206180a1/t/5c5de35feb393115883fdb54/1549656928806/DN_June_12_2008_necsi_Web.pdf Time-dependent complex networks: Dynamic centrality, dynamic motifs, and cycles of social interactions.] In Adaptive Networks (pp. 39-50). Springer, Berlin, Heidelberg.</ref>
+
'''<font color="#ff8000">动态网络分析 Dynamic network analysis</font>'''是将传统的[[社会网络分析 Social Network Analysis]](SNA)、[[链路分析 Link Analysis]](LA)、[[社会模拟 Social Simulation]][[多智能体系统 Multi-Agent Systems]](MAS)与[[网络科学 Network Science]][[网络理论 Network Theory]]相结合的新兴科学领域。这个领域有两个方向。第一个是动态网络分析数据的统计分析。第二是利用仿真来解决网络动态问题。动态网络分析的网络不同于传统的社会网络,因为它们更加庞大、更加具有活力、多模式,多重网络,并且可能包含不同程度的不确定性。DNA 与 SNA 的主要区别在于,动态网络分析考虑了社会特征的交互作用,从而调节了网络的结构和行为。动态网络分析与'''<font color="#ff8000">时间分析 Temporal Analysis</font>'''有关,但时间分析并不一定与动态网络分析有关,因为网络的变化有时是由外部因素造成的,这些因素与网络中的社会特征相互独立。关于使用动态网络分析中最早且最著名的案例之一,桑普森修道院的研究,他在该研究中从不同间隔拍摄了相同网络的快照,并观察和分析了网络的演变。<ref>Harrison C. White, 1992, Identity and control: A structural theory of social action. Princeton University Press.</ref>对超大规模复杂网络中链接利用动态特性的早期研究提供了'''<font color="#ff8000">动态中心性 Dynamic Centrality</font>''','''<font color="#ff8000">动态主题 Dynamic Motifs</font>'''和'''<font color="#ff8000">社交互动周期 Cycles of Social Interactions</font>'''的证据。<ref>Dan Braha, Yaneer Bar‐Yam, 2006, [https://static1.squarespace.com/static/5b68a4e4a2772c2a206180a1/t/5c5de3faf4e1fc43e7b3d21e/1549657083988/Complexity_Braha_Original_w_Cover.pdf “From centrality to temporary fame: Dynamic centrality in complex networks,”] Complexity, 12(2), 59-63.</ref><ref>Dan Braha, Yaneer Bar-Yam 2009, [https://static1.squarespace.com/static/5b68a4e4a2772c2a206180a1/t/5c5de35feb393115883fdb54/1549656928806/DN_June_12_2008_necsi_Web.pdf Time-dependent complex networks: Dynamic centrality, dynamic motifs, and cycles of social interactions.] In Adaptive Networks (pp. 39-50). Springer, Berlin, Heidelberg.</ref>
      第9行: 第9行:       −
DNA统计工具倾向于为用户提供更多的测量手段,因为它们的测量手段同时从多个网络中提取的数据。'''<font color="#ff8000">潜在空间模型 Latent Space Models</font>'''(Sarkar 和 Moore,2005年)和'''<font color="#ff8000">基于代理的模拟 Agent-Based Simulation</font>'''经常用来测试动态的社交网络(Carley 等人,2009年)。从计算机仿真的角度来看,DNA中的节点就像量子理论中的原子一样,尽管不一定需要将节点视为概率随机的。传统SNA模型中的节点是静态的,而DNA模型中的节点具有学习能力。特性随时间变化;节点可以随之适应: 一个公司的职员可以学习新技能,增加他们在公司结构中的价值;或者,抓捕了一名恐怖分子,另外三人被迫临时合作。变化从一个节点传播到下一个节点,依此类推。DNA增加了网络进化的基本要素,并考虑了可能发生变化的环境。
+
DNA统计工具倾向于为用户提供更多的测量手段,因为它们的测量手段同时从多个网络中提取的数据。'''<font color="#ff8000">潜在空间模型 Latent Space Models</font>'''(Sarkar 和 Moore,2005年)和基于智能体的模拟经常用来测试动态的社交网络(Carley 等人,2009年)。从计算机仿真的角度来看,DNA中的节点就像量子理论中的原子一样,尽管不一定需要将节点视为概率随机的。传统SNA模型中的节点是静态的,而DNA模型中的节点具有学习能力。特性随时间变化;节点可以随之适应: 一个公司的职员可以学习新技能,增加他们在公司结构中的价值;或者,抓捕了一名恐怖分子,另外三人被迫临时合作。变化从一个节点传播到下一个节点,依此类推。DNA增加了网络进化的基本要素,并考虑了可能发生变化的环境。
    
[[Image:DynamicNetworkAnalysisExample.jpg|right|340px|thumb|图1:多实体、多网络、动态网络图示]]
 
[[Image:DynamicNetworkAnalysisExample.jpg|right|340px|thumb|图1:多实体、多网络、动态网络图示]]
第86行: 第86行:  
* 学校课堂互动的建模
 
* 学校课堂互动的建模
    +
<br>
 
== 参见 ==
 
== 参见 ==
   第100行: 第101行:  
* [[顺序动力学系统]]
 
* [[顺序动力学系统]]
    +
<br>
 
== 参考 ==
 
== 参考 ==
 
<references/>
 
<references/>
    +
<br>
 
== 延申阅读 ==
 
== 延申阅读 ==
   第119行: 第122行:  
*C. Aggarwal, K. Subbian, 2014, "Evolutionary Network Analysis: A Survey". ACM Computing Surveys, 47(1). ([http://charuaggarwal.net/CSUR-2013-0157.pdf pdf])
 
*C. Aggarwal, K. Subbian, 2014, "Evolutionary Network Analysis: A Survey". ACM Computing Surveys, 47(1). ([http://charuaggarwal.net/CSUR-2013-0157.pdf pdf])
    +
<br>
 
== 外链 ==
 
== 外链 ==
   第125行: 第129行:  
* [http://www.casos.cs.cmu.edu/ Center for Computational Analysis of Social and Organizational Systems (CASOS)]
 
* [http://www.casos.cs.cmu.edu/ Center for Computational Analysis of Social and Organizational Systems (CASOS)]
   −
 
+
<br>
<noinclude>
  −
 
   
==编者推荐==
 
==编者推荐==
 
[[File:Last1.png|400px|thumb|right|[https://swarma.org/?p=13364 用神经学习模型计算海量实际网络中的节点中心性度量 | 论文速递1篇|集智俱乐部]]]
 
[[File:Last1.png|400px|thumb|right|[https://swarma.org/?p=13364 用神经学习模型计算海量实际网络中的节点中心性度量 | 论文速递1篇|集智俱乐部]]]
第134行: 第136行:  
如何分析社交网络的信息流动?如何系统地观测社会地理信息的变化?如何在计算机中模拟众多个体的社会行为?这些都是计算社会科学的研究内容。作为一门脱胎于社会科学、计算机科学、复杂性科学的交叉学科,计算社会科学研究方法众多,有学者在2010年就做了详细的综述,让我们一起来回顾。
 
如何分析社交网络的信息流动?如何系统地观测社会地理信息的变化?如何在计算机中模拟众多个体的社会行为?这些都是计算社会科学的研究内容。作为一门脱胎于社会科学、计算机科学、复杂性科学的交叉学科,计算社会科学研究方法众多,有学者在2010年就做了详细的综述,让我们一起来回顾。
 
<br/><br/>
 
<br/><br/>
 +
 +
 
===集智课程推荐===
 
===集智课程推荐===
 
====[https://campus.swarma.org/course/1184 金融市场的动态网络 | 复杂系统自动建模读书会第2期]====
 
====[https://campus.swarma.org/course/1184 金融市场的动态网络 | 复杂系统自动建模读书会第2期]====
7,129

个编辑

导航菜单