网络结构数据分析与应用

全面解读网络结构数据基础知识：通过社交网络等实例介绍网络结构数据的定义与分类，清晰易懂，新手入门推荐。 详细厘清算法逻辑：详解网络结构数据的可视化、网络的描述统计、经典模型、社区发现、链路预测等核心知识 深入解析场景应用：算法与实际应用相结合，深入浅出解析网络结构数据在生活和工作中的具体应用。 可实操、能落地：有理论有实战，介绍网络结构数据算法与技术的实际应用，步骤清楚，条理清晰，有代码，能实操。

当今社会，网络结构数据普遍存在于各行各业。如何从这些数据中挖掘出价值，并且解决实际问题，成为学界和业界共同关注的研究方向。本书主要帮助读者初步了解网络结构数据，学习使用R语言进行实际数据分析。本书共七章。第一章主要讲解为什么关心网络结构数据，介绍了R语言及常用的包，同时整理了常用的网络数据集。第二章介绍了网络结构数据的定义及分类，并整理了大量实例以帮助读者快速熟悉网络结构数据。第三章讲解了网络结构数据的可视化，重点介绍了针对大规模网络的可视化方法及网络的动态交互式可视化。第四章介绍了描述网络特征的各种统计量及重要的网络结构，并给出了实例。第五章重点介绍了三种经典的网络结构数据模型，第六章主要介绍了网络结构数据中社区发现的相关概念及方法，并整理了常见的评价指标及标准数据集，通过实例向读者展示社区发现的应用场景。第七章介绍了网络结构数据分析中的链路预测问题。本书适合网络结构数据的初学者，相关专业的学生或对网络结构数据感兴趣的读者阅读。

潘蕊，中央财经大学统计与数学学院副教授，中央财经大学龙马学者青年学者。北京大学光华管理学院经济学博士。主要研究领域为高维数据分析、网络结构数据分析、数据挖掘与建模等。在Annals of Statistics、Journal of the American Statistical Association、《中国科学：数学》等国内外期刊发表论文多篇。著有《数据思维实践》。 张妍，女，厦门大学在读博士研究生，研究方向为网络结构数据。 高天辰，男，厦门大学在读博士研究生，研究方向为复杂网络分析。

第1章概述1
1.1为什么关心网络结构数据2
1.2R语言与igraph包3
1.3本书所使用的案例数据5
第2章认识网络结构数据9
2.1网络结构数据的定义10
2.2网络结构数据的分类10
2.2.10-1网络11
2.2.2加权网络12
2.2.3符号网络14
2.2.4双模网络15
2.2.5动态网络15
2.2.6其他类型网络16
2.3更多例子18
2.3.1社交网络18
2.3.2贸易网络19
2.3.3疾病传播网络20
2.4邻接矩阵20
2.5网络结构图22
2.6igraph包相关代码示例24
2.7本章小结30
第3章网络结构数据的可视化32
3.1布局方式33
3.2装饰网络结构图38
3.2.1vertex.xxx和edge.xxx基础参数设置39
3.2.2vertex.xxx和edge.xxx进阶参数设置41
3.2.3用V(G)和E(G)设置节点和连边的属性42
3.3大规模网络的可视化44
3.3.1提取核心子图，将复杂网络简单化44
3.3.2提取节点邻域，绘制网络子图48
3.3.3划分网络社区，展示网络社区结构50
3.3.4简化网络结构，以节点簇（社区）代替节点51
3.4动态交互式网络的可视化53
3.5其他的可视化软件56
3.6本章小结56
第4章网络的描述统计60
4.1网络密度61
4.2节点的度63
4.2.1无向网络的度63
4.2.2有向网络的入度和出度65
4.3二元结构67
4.4三元结构70
4.5路径、距离、网络的直径72
4.5.1路径72
4.5.2距离与网络的直径74
4.6节点的中心性76
4.6.1度中心性77
4.6.2接近中心性77
4.6.3中介中心性78
4.7星状结构与邻居80
4.8案例：统计学科合作者网络分析82
4.9本章小结87
第5章网络结构数据的经典模型88
5.1ER随机图模型89
5.2指数型随机图模型92
5.2.1p1模型92
5.2.2马尔可夫随机图模型94
5.2.3新的扩展94
5.2.4律师合作网络示例96
5.3随机分块模型100
5.3.1简单随机分块模型100
5.3.2度修正的随机分块模型104
5.3.3其他扩展105
5.4潜在空间模型106
5.4.1距离模型106
5.4.2投影模型107
5.4.3其他扩展107
5.5本章小结108
第6章网络结构数据的社区发现109
6.1社区发现的背景110
6.1.1社区的定义110
6.1.2社区发现111
6.1.3社区发现的分类112
6.2常用的社区发现算法113
6.2.1GN算法113
6.2.2Fastgreedy117
6.2.3Leadingeigenvector118
6.2.4Infomap120
6.2.5Labelpropagation121
6.2.6Multilevel122
6.2.7Walktrap123
6.2.8Spinglass124
6.3社区发现结果的评价125
6.4社区发现的拓展和应用128
6.4.1动态网络社区发现128
6.4.2带有节点属性的网络社区发现130
6.5案例：统计学科合作者网络社区发现130
6.6本章小结133
第7章链路预测134
7.1链路预测问题135
7.2基于相似性的链路预测135
7.2.1基于邻居的相似性指标136
7.2.2基于路径的相似性指标140
7.3其他链路预测方法141
7.4预测效果评价142
7.5本章小结145
附录146
参考文献150