1社交网络概念描述
社会网络发展至今已经被广泛应用于网络社会的社会关系挖掘、支配类型发现已经信息流跟踪，通过社会网络的信息来判断和解释信息行为和信息态度。社会网络分析的研究对象为关系数据，而不是传统统计学意义上的属性数据。因此，利用社会网络的相关知识进行该学科领域的研究热点分析，能够让数据更加直观，结果也更有说服力。
2数据处理
检索2009年-2018年间学者在SCI及EI来源期刊上发表的，有关社会网络的文章，共计247篇，提取这些文章的关键词作为研究对象。经过对数据的初步筛选，提取最核心的关键词39个，制成表格，行和列分别放置39个关键词，以i行和j列的交点表示其相互关联。Zij=0表示没有直接联系，Zij=1表示有直接连接，最终构成矩阵，表一截取了8´8的部分，通过矩阵可以清楚地看到各关键词之间的相互关系。
表1 关键词关联矩阵
社会网络 |
社会网络分析 |
在线社会网络 |
信息传播 |
复杂网络 |
社会计算 |
微博 |
社区发现 |
|
社会网络 |
1 |
0 |
0 |
1 |
1 |
1 |
1 |
1 |
社会网络分析 |
0 |
1 |
0 |
0 |
1 |
1 |
1 |
0 |
在线社会网络 |
0 |
0 |
1 |
1 |
1 |
1 |
0 |
0 |
信息传播 |
1 |
0 |
1 |
1 |
1 |
1 |
1 |
0 |
复杂网络 |
1 |
1 |
1 |
1 |
1 |
0 |
1 |
0 |
社会计算 |
1 |
1 |
1 |
1 |
0 |
1 |
0 |
0 |
微博 |
1 |
1 |
0 |
1 |
1 |
0 |
1 |
0 |
社区发现 |
1 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
3论文主题实体网络的关联性分析
通过Ucinet对矩阵数据进行处理，显示下图：
图2社会网络论文关键词的网络关系图
经分析计算得，整体网络的密度=0.1498，网络中关系的标准偏差=0.3569。而网络密度的取值在-1到1之间，该值越趋近于1，那么它的网络密度就越大，反之，越趋近于-1，那么它的网络密度就越小。说明了我国学者在社会网络领域前沿的研究热点相对不是很聚集。
那么是什么原因导致了这样一个结果呢？
主要原因有以下几点：
（1）研究社会网络的前沿学者在研究这方面的相关课题时，大多聚焦在应用层面，而具体到应用可以运用到方方面面，十分广泛，在进行研究时，不同的课题组会有很多不同的思考方式，所希望研究的内容具体到实际更是数不胜数；
（2）社会网络的相关专业知识，虽然有各种方面的侧重点，但是仍然有主次，因此密度虽然不紧密，却不是特别分散；
网络中关系的标准差小，表明每个子集的密度和平均密度之间的偏差不大。
4论文主题实体网络的中心性分析
经过实验得出关注关系网络图的点度中心势为0.5313。以无向图作为主要分析对象，我们发现，研究社会网络的核心学者，虽然在整体中的研究方向相对分散，但却有一定的局部聚集趋势。
通过分析得出造成这种现象的主要原因有以下几点：
（1）社会网络的研究不比数学这种基础学科有很长的研究历史，但在近几年也得到了很好的发展，目前能够被有价值研究的领域仍然在不断的探索中；
（2）目前“社会计算”、“复杂网络”是这几年研究领域中的热门，很多学者对此展开攻势研究，它也因此成为社会网络的主攻研究方向；
（3）有很多处于领域前沿的学者尝试进行突破研究，进行研究方向的多方向尝试，但仍然缺乏系统性，难以成体系。
5结论与建议
（1）社会网络领域研究课题的网络密度和平均距离较小
对于研究社会网络的前沿学者来说，可以尝试进行各个研究热点的多样化结合，突破思维定势，将视野扩展开来，达到研究成果的丰富。
（2）整体中心性数值并不高
从中心性检测的模块来看，社会网络相关热门研究课题的中心性程度并没有特别高。今后可以将现阶段已经十分擅长的研究内容作为主干，与此同时通过增加其他研究节点达到扩展研究方向的目的，增加研究深度，加强其中心性的核心地位，从而带动其他处于边缘位置的研究方向朝中心靠拢。
（3）凝聚子群密度值不高
通过凝聚子群的相关数据分析，可以得出社会网络的规模性不强，说明我国前沿学者在社会网络领域并未形成一个统一的课题构成，并未集群化。而通过派系可以观察到，当前社会网络领域以“社会媒体”、“微博”、“数据挖掘”为主干细分方向的雏形已经初步显现出来，且已经呈现和“复杂网络”相结合的趋势。可大胆创新，发散思维，让脑洞迸发出新的火花，将具体的研究扩张到其他课题研究中，同时也要加强对核心热点的开发，让研究领域多元化、多集群。
本文作者：胡梦雅，上海理工大学管理学院，樊重俊教授研究团队成员
(本文参考了胡梦雅2019年9月发表的论文《基于社会网络的论文主题前沿特征分析》的部分内容，转发本文请标明作者与出处)
