社会网络分析（SNA） 是当今分析社会网络的核心追求。除了通常的数据分析统计技术之外，这些网络还使用SNA度量进行调查。它有助于理解数据中社会实体之间的依赖关系，描述它们的行为及其对整个网络和随着时间的推移的影响。因此，本文试图在各种拓扑网络（静态、时间和进化网络）和视角（自我意识网络）中提供SNA的简洁概述。由于SNA的主要适用性之一是网络数据挖掘，我们也提供了网络挖掘模型的简要概述；通过这个向读者提供了从分析到挖掘网络的简明指南。
1 | INTRODUCTION
如今，许多现实世界应用程序生成的数据被表示为相互关联的对象网络。主要目标是提取比传统调查独立对象的方式更多的信息。当然，它也增加了处理数据的复杂性。数据网络的主要类别之一是社交网络。社交网络可以从关系数据中构建，可以定义为一组社会实体，如人、团体和组织，它们之间有一些关系或交互。这些网络通常由图建模，其中顶点代表社会实体，边缘代表它们之间建立的联系。
表1给出了社会网络的一些常见例子。这种网络的基本结构是社交网络分析（SNA）的研究对象。因此，SNA方法和技术旨在发现社交网络中社会参与者之间的互动模式。因此，SNA的重点是社会实体之间建立的关系，而不是社会实体本身。事实上，这种技术的主要目标是检查社交网络中关系的内容和模式，以便理解参与者之间的关系以及这些关系的含义。
| 例子 | 应用程序 |
|---|---|
| Friendship networks | College/school students, organizations or web (Facebook, MySpace, etc.) |
| Follower networks | Twitter, LinkedIn, Pinterest, etc. |
| Preference similarity networks | Pinterest, Instagram, Twitter, etc. |
| Interaction networks | Phone calls, Messages, Emails, Whatsapp, Snapchat, etc. |
| Co-authorship networks | Dblp, Science direct, Wikibooks, other scientific databases, etc. |
| User–user citation networks | Dblp, Science direct, Wikibooks, other scientific databases, etc. |
| Spread networks | Epidemics, Information, Rumors, etc. |
| Co-actor networks | IMDB, etc. |
如上例所示，网络由节点之间的关系/链接定义。图1给出了一个示例网络图，不同的颜色显示了社区（请参阅第5节以了解社区）。网络中的一组节点之间可以有不同的关系。例如，在产品网络中，关系可以基于一组产品中的“相似性”或“聚集在一起”。同样，多组节点之间可以有独特/不同的关系，例如用户-产品网络。这些类型的网络是异构网络。当网络由两组节点组成时，它被称为双模网络。双模网络的一些示例包括用户-产品
Tuntun Yuchiha