社交网络链接分析毕业论文

一个具体的网络可抽象为一个由节点（vertex或node）集合V和边（edge）集合E组成的图 G=(V, E)，节点数记为 n=|V|，边数记为 m=|E|。

PageRank的核心思想是，被大量高质量网页引用的网页也是高质量网页，假如某个网页被大量其他网页，特别是其他高质量网页引用，那么它的排名就高。

假定向量 是N个网页的排名，矩阵 是网页之间链接的数目，如 a mn 表示第m个网页指向第n个网页的链接数，我们需要在已知A的情况下求得B。

假设 B i 是第i次迭代的结果，那么 初始假设每个网页的排名都是 1/N，那么通过上式可以求得B 1 ，再不断迭代求得B 2 , B 3 , ...。可以证明最后 B i 会收敛，无限趋近于B，一般需要10次的迭代就可收敛。

由于很多网页间并没有链接，所以矩阵A会比较稀疏，计算需要进行平滑处理，即将上式换为 其中α为一较小常数，I为单位矩阵。

igraph可以用 () 计算PageRank值。

社区是图中的小集团，同一社区内节点之间的连接很紧密，而社区与社区之间的连接比较稀疏。

而所谓社区发现就是在一个图中发现若干个社区 使得各社区的顶点集合构成V的一个 覆盖 。若任意两个社区的顶点集合的交集为空，则称C为非重叠社区，否则为重叠社区。

边介数 ：网络中经过每条边的最短路径的数目。igraph可以用 () 计算PageRank值

一种启发式的社区发现算法，先将每一个节点作为一个独立的社区，然后分别计算各个节点加入其他社区后的模块度增量，从中选出模块度最高的一个邻居节点，合并为一个社区。

LPA算法不需要预先知识，而且时间复杂度接近于 O(n)，适合处理海量数据下的社区划分。

其中m表示图里的边数；k v 和 k w 分别表示节点v和w的度；δ vw 表示两个节点是否在同一个社区，是则为1不是则为0；A vw 为网络的邻接矩阵，为1表示两个节点在同一社区，为-1则表示不在同一个社区。

模块度的取值范围为 [-1/2, 1)，越高说明网络的社区划分得越好。

阻断率用来评估单个社区的紧密程度，越小越好。它的计算公式为

我也是会计的，正在写毕业论文。选题方面一般来说，应该选取容易取得数据并且进行分析的题目来写，比如“某企业的财务风险（或者融资问题、筹资问题等等）分析”，就可以找某个企业的财务报表，通过分析数据来拓展论文内容，这样比较好写

​社交网络 是由实体之间的关系连接的实体网络；在社交图中，每个节点代表一个人，两个节点之间的边代表它们之间的关系；人与人之间存在许多复杂的关系 迈克尔拥有一个很小的社交网络，仅有7个朋友组成。假设他过着非常简单的生活，并且一生只有三种 社交关系 : - 同事（红色边缘） - 啤酒伙伴（蓝色边缘） - 羽毛球友（绿色边缘） 假设7个好友都在Facebook上，那么友谊图如图2a所示，黑色边缘代表友谊；如果想看专业网络，社交图就像图2b所示，红色边缘表示同事关系； 如何阅读和解释社交图谱？ - 阅读社交图谱时最重要的是找出边缘所代表的关系，它比节点表示的内容更有重要，对于SNA来说实体通常是人； - 最简单的图形度量是度中心度，它度量一个节点有多少个连接； - 图形度量的解释还取决于边缘关系； - 不要尝试对没有明确的边缘关系关系做出任何推断或结论。原文: 

我可以教你。