策略机制项目展示v2.pptxVIP

基于Twitter的 社会网络测量分析 成员：徐鲲、段鹏飞、刘渠、张爱民、张映雪 背 景 在线社交网络（OSNs）如微博、人人、Facebook、Twitter等，已经成为人们网络交流、获取信息和发布信息的主要平台。 现实社会中的简短消息传播和分享等行为很快在互联网中找到了相对应的模式，并且迅速成为了非常流行的社交网络功能——微博转发。 用户能够通过建立单向、双向的好友关系来进一步交流或分享信息，不是被动的信息受众，积极参与到网络信息的传播活动中，成为其制作、分享、传播者。 社交网络依靠巨大的用户基数使得任何涉及人们兴趣的信息都能够具有良好的传播时效性，相对自由的转发评价功能以及零使用成本。 背 景 拥有如此庞大节点群的社交网络，每天制造的信息以亿计数，而这些信息以及相关节点都有着不同的强弱联系，通过对这些信息的挖掘处理，能够对社交网络的特性、节点特性、话题预测等方面进行有价值的研究。 目 的 通过对社交网络的传播主体性质、内容、传播情景以及传播中时间因素的分析，在验证小世界现象的基础上，深入分析探讨社交网络所能够反映的节点状态、活跃度及人际传播的特征规律。 内 容 通过爬虫对 Twitter 上的个体信息（tweets、位置、时间等）、好友信息（包括 friends 和 followers）进行抓取，以此为研究所使用的数据集； 根据所得到的数据集，分析小世界现象在 twitter 网络上的表现，分析和通常小世界模型的异同； 通过对数据集中用户的关系，将人群进行分类，并分析导致这些分类的社会背景，并研究各类人群的活跃状态规律，分析其分布规律； 研究 tweets 转发情况在 twitter 网络上的分布，分析其内在的社会原因，进而探讨 twitter 在人们生活中的价值和意义。 数据抓取 采用python编写了爬虫：在上注册了32个app，采用这些app抓取上格式比较好的json数据。 user_info.json：用户信息 user_timeline.json：用户tweets user_friends.json：关注用户的人 user_followers.json：用户的follower 共22500个完整用户数据，百万级tweets，百万级用户关系。 数据分析 分析小世界现象在 twitter 网络上的表现，分析和通常小世界模型的异同，并解释原因； 通过对数据集中用户的关系，将人群进行分类，并分析导致这些分类的社会背景，并研究各类人群的活跃状态规律，分析其分布规律 用户之间关系的统计、好友信息、小世界特性、活跃时间段等 研究 tweets 转发情况在 twitter 网络上的分布，分析其内在的社会原因，进而探讨 twitter 在人们生活中的价值和意义 话题热点、信息传播规律等 分析方法 小世界模型 绘制网络的完整关系图，并分析网络的基本拓扑 计算网络的平均路径长度 分析方法 用户关系、特征 从统计学的角度分析。 用户好友、followes规律 当天各分类人群的活动分布规律 用户行为规律（转发、原创、图片、文字？） 信息传播 传播信息规律（转发、原创） 传播特征及传播轨迹 信息热点 用户followes统计——幂律分布 用户friends统计 用户friends统计 Twitter一般不限制用户关注数目。但是如果用户关注数目超过2000并且粉丝太少，Twitter会加以限制。 这样的用户基本上都是僵尸粉。 SNS网络的复杂——关系全图 100%抽样 10%抽样 1%抽样 用户关系图 + initailNNodes = 50 + searchDepth = 3 + followersLimit = 100 + Nodes: 2731 + Edges: 2714 + Degrees: 1-100 + initailNNodes = 60 + searchDepth = 3 + followersLimit = 100 + Nodes: 3432 + Edges: 3415 + Degrees: 1-100 用户关系图 + initailNNodes = 1 + searchDepth = 3 + friendsLimit = 50 + Nodes: 4111 + Edges: 4537 + Degrees: 1-68 + initailNNodes = 1 + searchDepth = 2 + friendsLimit = 120 + Nodes: 2244 + Edges: 2405 + Degrees: 1-123 不同抽样下的距离分布 不同抽样下的平均距离分布 全部用户tweets在一天中的分布 下午4点 中午12点 凌晨2点 晚上7点 僵尸粉的分布：基本模拟了人的生物钟 下午4点 中午12点 凌晨2点 全部t