社交网络——新一代数据挖掘的金矿随着Facebook的上市，社交网络再次成为人们关注的焦点。与传统的论坛、博客相比，社交网络是虚拟世界与现实世界的桥梁，在互联网上将现实生活中人与人之间的关系建立起来。从社交网络的分类来看，Facebook、Twitter、LinkedIn分别代表三种不同的社交网络。Facebook是基于朋友之间强关系的社交网络，有助于朋友之间关系的维系和改善；Twitter是基于单向关注的弱关系的社交网络，这样的网络有利于塑造意见领袖和消息的传播；LinkedIn是面向商务人士的职业社交网络，帮助用户利用社交关系进行商务交流以及求职招聘。三种社交网络每天都会产生大量的用户数据（UGC，UserGeneratedContent），并且具有空前的规模性和群体性，吸引着无数研究者从无序的数据中发掘有价值的信息。这就像概率统计中经常举的投硬币算其正反面概率的例子，从几次的投掷结果中很难看到规律，但通过几万次的大量投掷实验，便很容易看出正反面的出现次数几乎相等的规律。社交网络上产生了大量的规模化、群体化的数据，吸引了包括计算机科学、心理学社会学、新闻传播学等领域专家和学者对其进行研究和探索，希望能够借助更强的社交网络的分析和处理能力发现更多人类尚未探索出的规律。对于社交网络的分析和研究范围很广，也存在着许多有意思的研究课题。例如，在社交网络中社区圈子的识别（CommunityDetection）、社交网络中人物影响力的计算、信息在社交网络上的传播模型、虚假信息和机器人账号的识别、基于社交网络信息对股市、大选以及传染病的预测等社交网络的分析和研究是一个交叉领域的学科，所以在研究过程中，我们通常会利用社会学、心理学甚至是医学上的基本结论和原理作为指导，通过人工智能领域中使用的机器学习、图论等算法对社交网络中的行为和未来的趋势进行模拟和预测。---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---社交圈子的识别与一般的以内容为导向的论坛等社区不同，社交网络最核心的就是人与人的关系，以及所形成的社交圈子（社区），然而每个人根据自己的关系不同及兴趣不同可以属于多个社交圈子。在社交网络中我们发布的所有信息流，都是通过我们的关系圈，逐层向外传播的；我们收到的消息也直接来自我们所关心的人，更外围的消息也必须逐层传播才能接触到终端用户。因此，如何发现社交圈子是社会关系网络分析中一个很重要的基础性的研究。社交圈子示例如图1所示。---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---图1基于OSLOM算法的社区发现效果图利用计算机来处理社交网络往往会将整个社交网络看作是一个图的结构，每个用户就是图中的节点，人与人之间的关系就是节点之间的边，根据不同类型的社交网络，所构成的图可以是有向图也可以是无向图，关系的强弱也可以利用边上不同的权重来体现。对于社交圈子的发现算法来说社交圈子的质量依赖于圈子内成员的关系的紧致度以及不同圈子间的分离度。但对于数以亿计的节点来说，目前的圈子发现算法还很难处理特大规模的数据，因此很多研究者提出了启发式的方法去减少程序处理的复杂性，对最终结果进行近似的求解。然而实际的社交圈子是一个更为复杂的网络，因为用户会具有多种兴趣，可以属于多个社交圈，发现这种圈子的研究也被称为重叠社区的发现。一种比较简单的启发式方法是，以网络中度很大的节点作为初始的圈子，然后把对圈子贡献最大的邻接节点依次加入到圈子中，直到全局贡献度达到极值，并形成一个圈子。如果存在对多个圈子贡献度都很大的边界节点，则将其加入到多个圈子中。近期也有人提出了使用标签传播（LabelPropagation）算法以及粒子群算法来解决重叠社区的发现算法。社交圈子发现算法并不仅局限在用户主动建立起的关系上，其更重要的价值在于对用户非显性的潜在关系发现。从社交圈子发现的结果中，我们能够更加清楚地看出属于一个圈子的人群。当然，社交圈子也有多种划分方式，例如关系型社交圈子、兴趣型社交圈子等。在算法中以亲密度为首要指标和以兴趣为首要指标，也会得到不同的社交圈子划分。由此引申出的一个问题是，线上的...