時間：2022-07-06 13:46:06
序論：在您撰寫社會網絡論文時，參考他人的優秀作品可以開闊視野，小編為您整理的7篇范文，希望這些建議能夠激發您的創作熱情，引導您走向新的創作高度。
已有的一些信任模型都依賴于一個前提，即信任是可傳遞的［5］．如何利用信任網絡評估兩個用戶之間的信任程度是信任模型關注的重要問題［6］．TidalTrust模型［2］通過廣度優先搜索算法，如潮汐的漲落一般，在節點形成的信任網絡中尋找所有的最短信任路徑，將他們加權求和計算信任值，具有較高的準確度，但算法是以目標節點為核心，將中間節點進行迭代計算；MoleTrust［3］模型對此進行了改進，遞推過程與TidalTrust相反，以源節點為核心計算信任值；RN－Trust模型［4］模擬電阻電路，將用戶間的信任看成是電阻中通過的電流值，用計算電流的方式綜合所有的信任路徑計算信任值，但信任關系無法完全用電阻電路來模擬；為了能盡可能多利用信息同時也能夠不受噪音信息的干擾并合理地利用信任網絡，TrustWalker［7］通過隨機游走的方式預測源用戶對目標項目的評分，它不僅考慮目標用戶的評分還考慮其他相似用戶的評分，不過上述模型均沒有考慮到群體對信任計算的影響．文獻［8］認為不同的人由于一些共同的屬性或者相似的行為聚集成群，用戶主觀地構建這些群，每個群代表一種特定的形象認識（如教師是誠實的），這種群僅僅提供了一種信任印象，而不能真正地從周圍用戶中獲得群體關于目標用戶的信任信息；一些推薦系統通過對比目標用戶與群組的相似程度來預測信任，如文獻［9，10］通過分析群內用戶的同質度（affinity）預測信任評分．本文將這些基于同質度的信任模型稱為G－Affinity信任模型．同質度表示用戶之間關于一些特別的屬性的同質程度，也就是類似程度．一個同質群（affinitygroup）也就是由一些具有共有屬性的用戶所組成的群組．如果目標用戶屬于群組，則即使沒有過直接的交互也會很信任對方．文獻［10］中應用LP算法（LinkPrediction）預測兩個用戶之間的信任關系，并以此構建信任網絡，采用聚類算法將高密度的用戶聚類成一個小型社區，并根據社區中邊的數量計算同質度．文獻［9］中根據屬性相似性劃分群組，并根據群組內的同質度結合用戶本身的行為特征預測信任度．以上的模型都對群組的限制過多，并且，同質度不能反映群組內用戶之間的緊密程度，也不能反映群組的信任傾向，更多的是側重用戶各個屬性之間的相似度，因此本文重點研究凝聚群對用戶進行決策時產生的影響，綜合考慮群與群之間的信任度，構建出能夠聯系用戶和群體的信任模型．
2、相關定義
2．1凝聚群相關定義
假設兩個節點間的關聯度是這兩個節點直接交互行為的綜合，等同于節點間的直接信任度，詳見下節．Web社會網絡包含著一個龐大的用戶集，這些用戶隨著交互的深入而形成不同的關聯度，在關聯度的作用下會逐漸形成多個以某些用戶為中心的簇集．這些簇集具有簇內連接緊密、簇間連接相對稀疏的特點．定義1（凝聚群）：凝聚群是由Web社會網絡中關聯度較高的用戶（節點）聚集形成的簇集．本文中認為凝聚群之間相互獨立不重疊，每個用戶屬于且僅屬于一個凝聚群．我們將凝聚群整體記為O．下文中將節點i的凝聚群記為O（i）．每個凝聚群內部節點之間的關聯度不同，因此引入群凝聚度的概念．定義2（群凝聚度）：一個凝聚群的群凝聚度是該凝聚群內節點之間關聯度的平均值相比于群內節點和群外節點之間關聯度平均值，記為η．一般認為節點之間之所以能構成一個凝聚群是因為他們之間的關聯度大于他們與群外節點之間的關聯度，因此有η≥1．一個凝聚群內的節點之間的關聯度越高，群凝聚度就越高．在高凝聚度的群體里，每個節點都傾向于表現出相同的信念［11］．凝聚群作為整體具有群凝聚度，同時，凝聚群內的每個節點與它所屬的凝聚群之間也存在不同的關聯度，與所在凝聚群之間的關聯度越大，在群內的影響力就越大．定義3（影響力）：節點在凝聚群內的影響力CO（i），i是它對凝聚群內其他節點之間關聯度之和相比于凝聚群內所有節點之間的關聯度之和的比值．對于凝聚群的劃分采用的是MFC（MaximumFlowCommunity）算法［13，14］，該算法的基本假設是：網絡中的最大流量由網絡“瓶頸”的容量決定，而在具有簇結構的網絡中，網絡“瓶頸”由簇間連接構成．經過反復識別并刪除簇間連接，網絡簇能夠被逐漸分離開來［13］．根據MFC算法，我們認為凝聚群內部是一個弱連通圖［12］．一旦劃分好凝聚群就會形成一張映射表，每個節點都可以在映射表中查找到相關凝聚群的所有成員信息，若i不屬于任何凝聚群，則可以看成是特殊的凝聚群———只包含一個節點的凝聚群．一個群體的凝聚群劃分示例如圖1所示．圖1中包含3個凝聚群G1、G2和G3．凝聚群內的粗線表示高關聯度．G1和G3之間的淺色細線代表存在一定的交互，但是關聯度不高，G1與G2完全不存在交互．
2．2信任度相關定義
假設有節點i（稱為源節點）與節點j（稱為目標節點）．定義4（直接信任度）：若節點i對節點j具有直接交互歷史，則i對j的直接信任度是節點i根據交互歷史信任節點j的程度，記為Di，j．定義5（群信譽度）：若節點i、j分別屬于不同的凝聚群，則節點i對凝聚群O（j）中與i有過直接交互的節點的直接信任度綜合，稱為群信譽度TGi，O（j）．群信譽度如圖2中所示．其中虛線代表節點間有直接交互歷史，紅色節點代表i，黃色節點代表j．定義6（群直接信任度）：群直接信任度是凝聚群O（i）內所有與節點j存在直接交互的節點對于j的直接信任度綜合，記為DTO（i），j．上述定義6中，j節點可以是群內也可以是群外．群直接交互情形如圖3中所示．定義7（群間直接信任度）：群間直接信任度是凝聚群O（i）中的凝聚群代表對凝聚群O（j）的群信譽度．記為GdTO（i）O（j）．由于凝聚群之間不一定存在直接相連的信任路徑，因此我們引入群間間接信任度．定義8（群間間接信任度）：群間間接信任度是凝聚群O（i）通過其他與凝聚群O（j）直接相連的凝聚群獲得的群直接信任度的綜合．記為ITO（i）O（j）．由于計算群間間接信任度的公式可以包括群間直接信任度的情況，本文將他們統稱為群間信任度ITO（i）O（j），群間信任度如圖4所示．圖4（a）為兩個凝聚群直接相連的情況，圖4（b）為兩個凝聚群之間通過第3個凝聚群連接，其中k為中間凝聚群內的一個節點．定義9（凝聚信任度）：凝聚信任度GTO（i），j是凝聚群O（i）對節點j的群直接信任度與群間信任度的綜合．凝聚信任度的概念相對應于傳統信任模型中的綜合信任度．上述定義中出現的符號和說明見表1．
3、GC－Trust模型設計
3．1模型主要思想
GC－Trust模型主要考慮的是群與群之間、群與節點之間的這兩種信任關系，通過關聯度較高的節點聚集形成凝聚群，從源節點i所屬凝聚群的角度幫助i判斷目標節點j是否能夠信任，能夠令模型更好地體現出凝聚群的作用．假設已經存在多個凝聚群：1）搜索是否存在從O（i）到O（j）的路徑（路徑上最小單位均為凝聚群），若不存在則將信任度設為0．5；2）若存在凝聚群的路徑，則節點i、j之間一定存在著某種關聯（根據弱連通圖的特性可以證明）分為下面兩種情況計算凝聚信任度GTO（i），j：a）若j在O（i）內，則GTO（i），j等于群直接信任度DTO（i），j；b）若j在O（i）外，綜合群直接信任度DTO（i），j和群間信任度ITO（i）O（j）計算GTO（i），j．GC－Trust模型的框架圖如圖5所示．主要包括5個部分：凝聚群的劃分、凝聚度與影響力計算、群直接信任度計算、群間信任度計算以及凝聚信任度計算．系統會在信任度計算開始之前就劃分好凝聚群，當用戶需要進行信任度計算時，首先根據凝聚群內的成員用戶計算凝聚度以及相應的影響力，接著從凝聚群內的角度出發計算對目標用戶的群直接信任度，再從凝聚群之間的交互計算群間信任度，最后將3者綜合得到凝聚信任度．
3．2群凝聚度的計算
群凝聚度η決定了節點依賴凝聚群的程度．凝聚群的群凝聚度越大，節點也就越傾向于相信群體的直接信任度，反之則節點就越不相信群體．群凝聚度的度量也存在多種方式．例如信任關系與環境關系密切，人在陌生的環境中，會非常依賴朋友以及其他信任關系，而在熟悉的環境中則不會．因此，凝聚群的凝聚強度應該與群所處的外在環境相關．在實際應用中，一個節點通常具有非常不均衡的出入度，交互也存在多種形式，甚至是單向的交互，如微博上的關注就可以單向的，因此凝聚度采用平均值的方式來計算：信任度計算群直接信任度和群間信任度群直接信任度是將凝聚群O（i）看作一個整體，只要O（i）內存在與j直接交互過的節點，即可根據式中：max為路徑強度；O（s）為凝聚群O（i）的鄰居凝聚群．計算群間直接信任度GdTO（i）O（j）時，選舉凝聚群O（i）的群代表k，通過計算k對O（j）的群信譽度來代表O（k）對O（j）的信任度．凝聚群代表既需要有一定的群內影響力又需要對目標凝聚群內節點數量接觸得盡量多．
4、相關對比實驗
采用Advogato數據集進行仿真實驗，驗證本文所提出的GC－Trust的準確度．Advogato數據集中將評分共分為4個不同的等級：Observer、Ap－prentice、Journeyer以及Master．比較3種算法：GC－Trust、TidalTrust［2］以及基于AffinityGroup［9］的信任預測準確度，并對結果進行分析評價．實驗的硬件配置為：Intel（R）Core（TM）2DuoCPU2．20GHz，2GB內存；軟件環境為Windows7，開發工具為Eclipse3．5．本文進行了2組實驗，第1組實驗是基于同一數據集進行3種算法對比實驗；第2組是基于特定特征的凝聚群進行對比實驗．
4．1基于同一數據集的對比實驗分析
將數據集表示為有向加權圖，共包含有14016個節點和51398條邊，并將信任等級映射為0．1、0．3、0．6、0．9．由于原始數據集中高信任度的節點過于集中，且具有較高的出入度，凝聚群的劃分效果不理想．而在本實驗期望的數據集中，高信任度節點形成的凝聚群能夠盡量分散，盡量少的交集．因此首先對數據集進行預處理．將4個信任等級分別映射為0．9、0．3、0．6、0．1，同時將數據集中的度為0節點刪除，在剩下5000多個節點中采用MFC算法進行凝聚群劃分，得到凝聚群共有2042個，其中劃分失敗的凝聚群共有271個（我們認為群凝聚度小于1即為劃分失?。?，占到總凝聚群的13．2％，失敗的主要原因是由于真實的數據集中凝聚群是可重疊的，而本文中限定凝聚群相互獨立不重疊．
4．2基于特定特征的對比實驗
人脈，顧名思義，即人際關系所組成的網絡?！冬F代漢語詞典》對人脈的解釋為：“人各方面的社會關系。”有的學者根據人脈的來源或形成過程，也就是人的社會關系從哪里獲得，將人脈分為六類：血緣人脈、地緣人脈、學緣人脈、事緣人脈、客緣人脈、隨緣人脈等。所謂人際關系，是指人為了滿足其生存和發展的需要而在相互交往過程中形成的全部關系的總和，簡單地說就是指個體與個體之間的各種關系。根據人際關系在滿足人們需求過程中所起的不同作用，可以把人際關系簡單地分為情感性關系和工具性關系。情感性關系主要滿足人們在情感方面（如關愛、溫暖、安全感和歸屬感等）的需求；而工具性關系主要滿足人們在物質方面的需求，是個人因某種需要或目的與不很關聯的他人所建立的某種時效性關系。無論是情感性關系，還是工具性關系，它們都是個人正常、健康、全面發展所必需的。另有學者認為，人際關系的類型大概可以分為三種，它們分別是：權力依附型的人際關系，有人可以據此結成“權力網”；利益相關型的人際關系，有人可以據此結成“專業網”；情感交融型的人際關系，有人可以據此結成“人緣網”。前兩種人際關系主要受理性邏輯支配，維系這兩種關系的主要因素是披著情感“外衣”的權謀和利益；最后一種人際關系主要受“情緒邏輯”支配，維系這種關系的主要因素是建立在情感基礎上的人格認同。
二、對大學生人際關系認知的問卷調查
（一）問卷設計與調查
基于上述人際關系類型，結合大學生實際生活、學習等情況，我們設計了與大學生相關的21種人際關系調查問卷，試圖通過調查得出現代大學生心目中應該重視和建立的人際關系網絡?？紤]到當今社會中所謂的“拼爹”觀念盛行，我們在問卷中先預設了三個關于“拼爹”的問題，用以考察大學生對該問題的相關態度。經過前測和優化，人脈關系被調整為23種，每個問題設計了6個選項：非常重要、重要、一般、不重要、很不重要、說不清。最后收集了答卷大學生的個人相關信息，包括：性別、來源地、年級、是否做過班干部、是否獨生子女。根據實際情況，我們選擇了駐新鄉五所高校的大學生作為調查總體。采用分層抽樣的方法，首先結合各自院校的特色選定了各具代表性的共40個專業，然后從每個專業中任意選擇一個班級進行問卷調查，平均每個專業分配25份問卷，要求按照男女生比例來發放。本次調查共發放問卷1000份，回收有效問卷963份。
（二）對調查結果的分析
1．對預設問題的調查結果解讀
問題一：有人認為現在是個“拼爹時代”，你認為？該問題的設置是為了考察大學生對社會現狀的認識。從結果來看，認可（36．8％的學生選擇了“非常正確”和“正確”）明顯高于否定（21．5％的學生選擇了“不正確”和“很不正確”）的認識程度。值得注意的是高達41．6％的學生選擇了“說不清”。問題二：“拼爹時代”中的“爹”你認為是（可多選）。對于“拼爹時代”所謂的“爹”，“用得上的關系戶”認可度（36．7％）最高，然后是多選“有錢人、有權人、用得上的關系戶”（26．4％）?；蛟S大家覺得“有錢人”、“有權人”可以是“用得上的關系戶”，但后者不一定都是前者，只要對自己有用，就應該受到重視。問題三：與我無關，主要還得靠自己。該選項意在考察學生對將來步入社會工作與生活時的一種態度取向。結果顯示，作為相對高素質的大學生，被調查學生在靠自己發展方面的肯定性取向上占有絕對大的比例（68．2％）。說明關系固然重要，但也不是人人都有關系，或者即使有關系也不一定能用上，真正有用的還是自己。同時四分之一強（25．9％）的學生選擇“說不清”，說明大家對當前個人決定自己前途的能量方面不再充分自信，處于矛盾之中。
2．對各種人際關系重要性調查結果的分析
我們將問卷中的問題按照“重要”與“非常重要”選項選擇結果合并解釋為“相對重要”，然后合并“不重要”與“最不重要”選項解釋為“相對不重要”。通過對比發現，排列前6位的人脈關系竟然完全相同，也就是說在大學生心目中這些人脈關系的相對重要性與相對不重要性是非常穩定的。后面的人脈關系相對有些錯位，但相差也不是非常明顯，基本上都在相鄰或隔一個位置的順序上出現，說明大學生對這些人脈關系的重要性與不重要性有細微的分歧，但總體處于穩定狀態。因此，根據調查結果，我們嘗試著將大學生心目中的人脈關系分為四大類。第一類包括“家人”、“同學中的交心朋友”、“舍友”、“有知識的親戚”、“有共同愛好的朋友”、“上大學前的同學”6種人脈，認為相對重要的超過了六成人數。與預料一致，家人無論如何也應該是一個人最為重要的支撐力量，不管是在哪個領域，說明最直接的血親濃情在中國社會中的地位無以替代。各選項中，“說不清”1人，“很不重要”3人，“不重要”8人，“一般”64人，這相對于153人的“重要”和734人的“非常重要”顯然不成比例。選擇前者的學生更多的可能是出于對自我頑強奮斗非?？粗?，或者有些個人的原因在里面。“交心朋友”位居“家人”之后占第二位，證明了學生對于這種純粹友情的珍視和對這種關系之于自己重要性的高度認可。“舍友”是一個非常特殊的群體，上過大學的人都有體會。除了家人，還會有誰能夠和自己同屋共眠3～5年？所以這種感情是永遠難以割舍掉的?？赡芤驗檎{查對象是大學生的緣故，大家對“有知識的親戚”的信賴程度之高有些出乎預料，彰顯了學生對知識重要性的認可與依賴。盡管當前社會現實日益證明“知識改變命運”越來越不靠譜，但相對于當前日益異化的社會來說，知識的力量永遠是正作用。金錢和權力只能給予你一時的幫助，而有知識的人對一個人的指導、示范或塑造作用影響的是人的一生。“共同愛好”是大學生走到一起尋找快樂的最直接的因素。一起運動、郊游、看球賽、打游戲、去圖書館等等，這些愛好為彼此之間的大學生活提供了豐富多彩的內容和很多值得回憶的精彩瞬間。此類朋友的重要性也得到多數學生的認可。作為曾經在一個“戰壕”內艱苦奮戰的“戰友”，53．2％的學生依然惦記自己原來的同學，認為比較重要。這里面其實包括了發?。▎柧砗竺娴牧信e中很多人列出）、小學、初高中同學。這份感情的確值得珍視。第二大類以相對重要性比例在半數（班主任或班級導師為49．6％，這里視作半數）及以上、六成以下為標準，包括“專業課老師”、“有權的親戚”、“上大學前的老師”、“戀人的家屬”、“班主任或班級導師”5種人脈。作為專業課老師，我們在看到結果之前真不知道自己會在學生心目中獲得什么樣的一個地位，真的有些不安。當前社會外在的誘惑實在太多太強，能坐冷板凳的人實在太少了。結果還算令人欣慰，近六成（59．3％）學生認為“專業課教師”相對重要，一來說明學生對于自己的專業知識很看重，二來也說明學生比較認可專業課教師的授課等相關能力水平。鑒于當前中國社會的現狀和歷史發展過程中權貴思想的根深蒂固，“有權的親戚”得到大學生的重視絕對無可厚非。
眾多的“蘿卜招聘”現象無不強烈昭示著現代社會依然是有權人的天下。上大學前的學習生涯在中國是一個極為艱辛的歷程，學生們由幾乎一無所知經過老師們的不斷灌輸，掌握了考上大學的基本知識，其中很多老師對學生的影響是至關重要的。“戀人家屬”選項是前測結束后增加的，數據（51．1％）顯示其重要性深得大學生的認可?，F在高校中的“班主任或班級導師”，通常由專業課老師擔任，主要負責學生們專業學習方面的事情，基本上是個虛職，沒有什么實質性利益。但這樣往往容易使老師和學生之間的溝通更暢快和有效率，很多老師還是非常負責地去履行自己的導師職責的。所以調查結果（49．6％）顯示該角色的認可度比較好。第三大類以30％～50％的重要性比例為標準，包括了“輔導員”、“有錢的親戚”、“鄰里”、“老鄉校友”、“院系領導”、“大學其他同學”、“院系干部中的朋友”7種人脈。“輔導員”的角色在當前的高校當中日益重要和奇特，學生除了學習之外的所有內容都必須和輔導員相聯系，甚至學習也受其很大的影響，為之“翹課”是極為普遍的現象。結果顯示認為相對重要的占了相對多數（44．2％），選擇一般的占了35．6％。在將來的社會中生存，得到“有錢的親戚”的支持和幫助符合社會發展的方向。43．9％的人選擇了“一般”，41．5％的人選擇了“重要”和“非常重要”，說明在大學生的心目中，金錢的力量在考驗著大家的生存觀念。只有10．9％的學生選擇了“很不重要”和“不重要”，且后者比例占到了9％。中國是一個鄉土氣息非常濃厚的差序格局的社會，“鄰里”之間的關系曾經那么親切與和諧。然而現在社會的轉型使得很多人與人之間的關系出現了部分異化，尤其對城市社區里生活的學生來說，鄰居之間的陌生是正常的事情。但對于更多來自農村的大學生來說，鄰里關系依然具有很多美好的記憶，正所謂遠親不如近鄰。“老鄉”這個詞曾經是一個很吸引人的詞匯，老鄉彼此之間的照顧感覺很貼心。隨著大規模的擴招，大學內老鄉的規模越來越大，彼此間的感情和關系就顯得淡漠起來。45．2％的學生選擇了“一般”。但也有30．8％的人選擇了“重要”，地緣因素在當前中國社會發展中的支撐作用還是不可忽視的。“院系領導”之于大學生的重要性，從結果來看，36．1％的學生選擇了肯定的一面，低于認為“一般”（39．6）的學生比例。事實上，從培養和就業的角度，院系領導對學生的影響是比較大的，主要從課程設置和就業推薦等方面顯示出來，不過學生似乎覺得影響不直接。除去交心朋友，大學中的其他同學在學生心目中的地位明顯降低，高達52．1％的學生認為其對自己將來的發展重要性一般。學生會干部似乎是積累人脈的很好的圈子，然而有近半數（47．9％）的同學認為這種關系對自己的重要性一般。但從“重要”（28．7％）與“不重要”（10．8％）的對比來看，還是更多的人選擇了前者，證明可用之處還是有的。最后是第四大類，重要性認可比例在30％以下。包括“公共課老師”、“加入社團的朋友”、“打工或實習中結識的朋友”、“普通朋友”、“經常交往的網友”5種人脈關系。“公共課老師”的地位基本上可以認為不會太好，事實證明也不算很差，至少選擇相對重要的學生比例（26．7％）超過了認為相對不重要的學生比例（20．4％）。另外還有5．2％的學生處于糾結狀態，表示“說不清”，近半的學生（47．6％）選擇了“一般”。這里面的原因不應該單單歸結為教師的問題，課程設置與課程內容等因素也是影響學生評價的重要方面。大學生社團也是一個非常值得研究的群體，相關的文章也很多。此次調查數據顯示大學生對“加入社團的朋友”的重要性認可度一般（51．5％），或許很多人進到社團之中更多的是為了鍛煉自己的相關能力，而對于結交朋友的作用看得相對較淡。當前大學生社團日益權力化和勢利化趨勢也對大家交到知心朋友有所影響。對于“打工或實習中結識的朋友”，多數人（48．1％）持中立態度，否定（23．8％）與肯定（22％）意見基本持平。顯示目前的學生對這種人脈關系重要性的認識并不太自信，畢竟在社會職場中這種關系相對較淡。區別于同學，大學生可能由于不同的原因經過一定交往，彼此之間會成為“普通朋友”，但這種關系因缺乏長久的聯系而相對較淡。但其中有17．4％的學生認為這種關系還是重要的，其實很多時候幫助自己的往往是普通朋友。“網友”在當前信息時代成為一個很特別的符號，很多人素不相識，通過網絡聊天結為朋友。但大學生對這種關系持有非常否定的認可度。即使設定為“經常交往的網友”，重要性和不重要性（反序）也都位居人脈序列的最后一位，這種結果值得思考。
3．大學生總體信息的意外與正常結果
當前女生更容易考上大學的現象在全國范圍內受到很多人的關注和探討，我們在調查時特地強調了按所選專業的男女生比例來發放問卷?？赡苓@次調查的工科院系相對較少，女生比例大些還可以理解。但結果顯示，總體比例中女生高達63．7％，的確出乎所料。即使是工科類院校，男女比例也依然女生高出。此次的數據再次證明高校中男女生比例的確有些失常。相對于男女生比例，對于普通高校來說，農村生源占據了77．8％的絕大多數，應該是正常的事情。除去函授生，其他的在校大學生應該全是90后，中國的計劃生育政策已經推行了20多年，然而數據卻顯示獨生子女比例僅僅為8．2％。統計顯示，來自城市（包括縣城）的214人中只有53人是獨生子女，占到24．8％的比例。而749名來自農村的學生中只有26人是獨生子女，僅僅占到3．47％。
三、對大學生四類人脈的分析及網絡構建
（一）對大學生四類人脈的分析
第一大類6組人脈中，除去“家人”和“有知識的親戚”兩組，其他4組全是大學生同齡人，而且都是貼心和親近的朋友關系，凸顯了大學生對同代人中具有親密友情的人脈的深深依賴。而前兩者都具有血緣關系，家長最為親近，親戚也血脈相連，這種血緣人脈具有的無可替代的親情為大學生所高度認可。而有知識親戚的重要性遠高于有權和有錢的，突出了大學生潛意識中對知識的高認知心理。第二大類有一個共同的特征就是都是大學生的長輩，而且其中包含了3組老師人脈。從第一層最為核心的血緣和友緣人脈過渡到第二層的長輩人脈，可以看出大學生似乎對這些人脈有某種直接而強烈的內在需求，老師提供知識，有權的親戚或許可以提供崗位，戀人的家屬則可能提供將來最為重要的家庭基礎。第三大類的人脈則表現了大學生的一種糾結心態，這些人脈看起來不很重要，卻又似乎都不可或缺。“輔導員”在大學里基本上掌控了學生可以獲取的除知識外的其他所有資源，但許多普通學生又的確與之打交道不多。“有錢的親戚”在當今“眾多大山”的社會里或許可以提供最為“萬能”的支持。遠親不如近鄰，“鄰里”所具有的特殊情分似乎永遠不該忘記，但人們雖然對于現今社會“防盜門”的社區生態防盜功能不敢過于相信，但它隔開鄰里親情卻作用明顯。“老鄉”，曾經多么親切的稱呼，現在卻偶爾要提防，因為太多，否則最容易出現問題。“院系領導”本該令人尊敬，但現今的行政化大學時代，他們對于普通學生來說，盡管本應是但絕非領導的中心，所以他們似乎有些遙遠。“大學其他同學”太多了，想要記住真的很難，但當他們幫助自己的時候真應該心懷感激。院系干部中有朋友嗎？“學生干部”好像早已適應了鉤心斗角的行政化生態而忘記了這里是服務學生的。最后一層的人脈關系似乎顯示了無關緊要的感覺。很遺憾，“公共課老師”被大學生放到了這一層，可能最主要的原因是前面的定語吧。大學生社團現在主要在做什么值得思考，否則“加入社團的朋友”不應該放在這個位置。人力資源理論中似乎強調“打工或實習中結識的朋友”的重要性，尤其是那些管理層及以上人脈，但大學生將其置于接近最后的位置，有些較難理解。“普通朋友”和“經常交往的網友”本身似乎就是可有可無的吧，否則他們為何被放在了最不重要的位置？
（二）對大學生人脈網絡的構建
基于以上分析，第一大類人脈關系可以稱為心理依賴層，顯然其處于整個網絡的核心地位。第二大類人脈可以稱為生存支撐層，它們具有非常重要的保障作用。第三大類人脈可以稱為生活輔助層，這些人脈在人的一生當中或許真的可以提供某些甚為重要的幫助。第四大類人脈可以稱為社交邊緣層，這些人脈只是有些交往，在大學這個時代這些人真正的重要性似乎難以體現也無從考量，至少從數據上顯示其地位如此。
四、簡單討論
1．1數據來源及樣本選取
本文的數據來源于新浪微博。因為新浪微博在熱度、用戶數量、活躍度等指標上居國內同類產品前列，且其對認證用戶的分類明確，囊括了文中的研究對象，故基于該平臺采集的數據進行研究具有現實性與代表性?？紤]到按影響力和熱議詞篩選的榜單受到時間及偶然事件的影響較大，而按人氣篩選的榜單則比較穩定，因此本文的數據從新浪微博風云榜板塊中的人氣榜單板塊中提取。此外，為了分析政府、企業、微博名人、學校這四類主體內部的結構特征及互動關系，又將各主體劃分為不同的行業或部門。本文首先選擇粉絲數排行前5的行業或部門，再分別選取這些部門中粉絲數排在前20名的用戶，對每個主體依次抽取100個樣本數據。企業在人氣榜單板塊中按行業被分為21個模塊，根據粉絲排名，本文抽取汽車交通、商場購物、金融服務、服裝服飾和商場購物5個模塊。而政府包含公安、外宣、司法、醫療衛生和交通部門，學校包含校友會、高校、中小學、出國留學和教育培訓，微博名人則包含財經、商業、房產、科技和政府這5個模塊。
1．2實證方法介紹
本文基于社會網絡分析方法，通過統計各類主體中各用戶之間的關注情況，得出用戶間的二維關聯矩陣，運用Ucinet軟件刻畫各主體的結構特征，并得出密度、內部派系及中心度等各類指標，進而探討各個主體在信息傳播、資源共享時如何發揮作用，內部如何運作，并發現關鍵節點人物。
2網絡傳播主體的網絡結構分析
2．1網絡傳播主體的網絡關系圖譜
本文利用可視化手段得到的各類主體的網絡關系圖我們可以清晰的看到，政府子群聯系比較緊密，且公安部門位于網絡的核心，將各個部門連接起來。同時，基于政府的關聯網絡，最明顯的關聯分別有行業關聯(平安中原、平安南粵、中國維和警察、安徽公安在線等)、區域關聯(北京鐵路、京港地鐵、北京公交集團、北京地鐵等)。這表明當前政府已經意識到了微博的重要作用，開始注重信息的公開化、透明化，使得網絡信息更加明朗，傳播效度更大。公安部門與人們的日常生活息息相關，其傳播信息的日漸公正化、透明化決定了其在政府網絡中的核心地位。根據資源依賴理論，如果一個企業同時與多個企業有直接的關聯，那么該企業就占據了該行業或企業網絡的資源中心位置。企業間的關系并沒有像政府那樣密集，但金融服務業的核心地位很明顯，其幾乎橋接起了整個網絡，把不相關的行業間企業、不接壤的地區間企業連接起來。例如，中國銀行信用卡(金融服務)將黛姿樂維品牌婚宴鞋(商場購物)和新浪汽車(汽車交通)連接起來。根據結構洞理論，占據中心位置的企業對資源流、信息流、知識流有著強大的控制權，說明金融服務板塊在信息傳遞過程中起橋接作用［16］。同時用戶對其所的信息有較高的信任度和熱衷度，金融板塊對信息的擴散也有重要的作用。根據同類相聚原則，同性質教育機構之間的聯系相對比較緊密，例如，紐約大學與USNewsRankings、美國留學MBA、EducationUSA中國等相互關聯。但總體來說，學校之間的關聯比較松散，且獨立個體比較多，說明教育機構之間交流較少，信息傳遞與轉載的速度，名人子群主要以兩個模塊———財經和時尚為核心。說明這兩種行業已經融入了微博名人的生活，表明隨著人們生活水平的提高，人們的需求由追求物質上升到追求美，由單一娛樂偏好到相對復雜的理財偏好。同時，由于微博名人對信息具有一定程度的偏好，使得這兩類信息相對其他信息的傳播和擴散速度較快，能更快引發普通民眾的關注，并在一定程度上引導輿論導向。由此可知，人們對
2．2政府、企業、微博名人、學校的網絡結構特征
2．2．1網絡密度(NetworkDensity)運用Uci-net軟件分別對四個主體的網絡密度進行測算得出，密度值由高到低分別為:政府、微博名人、學校和企業，相應密度值為:0．2112、0．0955、0．0252、0．0214。將密度值和畫圖軟件NETDRAW所得出的4個主體的社會網絡關系圖進行比較，本文發現密度值和相應的社會網絡圖譜的圖形特征是緊密一致的。當密度值大時，網絡圖形緊湊，密度值小時，網絡圖形松散。政府網絡之間的交流最為密切，聯系緊密。企業之間的關注最為松散，聯系不強。
2．2．2派系分析本文采用Cliques分析法對各個行動者的網絡進行凝聚子群分析，得出:
a．在派系規模最小值為11的情況下，政府網絡中存在10個派系。政府網絡相對比較集中，同時網絡中子群重疊交叉的情況也會比較復雜，說明派系之間的共享成員比較多。我們發現每個派系都包含廣州公安、平安北京、山西公安、平安南粵、河北公安網絡發言、警民直通車－上海人，他們主要屬于政府的公安部門，連接著外宣、司法、醫療衛生和交通部門，在網絡中處于核心地位。同時，除了成都屬于外宣部門外，各派系的成員全為公安部門，說明該部門間的聯系十分緊密，而4個派系中都包含成都，說明成都與公安部門合作密切。
b．在派系規模最小值為3的情況下，企業網絡存在3個派系，它們分別形成了3個完備子圖，并且派系相互之間是獨立的。每個派系中的成員都屬于同一公司，它們之間的聯系主要是母子公司關系，說明了企業與企業之間的聯系并不是特別緊密，而企業內部溝通交流比較頻繁。
c．在派系規模最小值為3的情況下，學校網絡存在9個派系。網絡中子群間是重疊交叉的關系，其中復旦大學為4個派系所共享;哈爾濱工程大學、哈爾濱工業大學招生辦分別為3個派系所共享;武昌理工學院官方、華中科技大學分別為2個派系所共享。派系成員屬于同所大學之間的聯系或屬于同行業之間的聯系。構成派系的成員隸屬高校、校友會和教育培訓部門，說明了這三個部門之間的聯系十分密切，而中小學與出國留學部門之間的聯系比較松散。
d．在派系規模最小值為6的情況下，微博名人網絡存在14個派系。派系之間是重疊交叉的關系，郎咸平、李開復、時尚潮人yinyin等為多個派系共享。派系主要由財經類和商業類的成員構成，財經類中，郎咸平為連接各個派系的核心人物;商業類中，時尚潮人yi-nyin、潮人丹娜、林_小志玲和時尚達達人人為連接各個派系的核心人物。這表明財經和商業類的內部聯系比較緊密，而科技、房產和政府類的內部聯系較少。同時，不同行業的微博名人之間的聯系也比較少。
3．3政府、企業、微博名人、學校的網絡結構對比
本文對點度中心性、點度中心勢、中間中心性及整體中間中心勢進行了測度與分析。中心度指標刻畫了信息傳遞網絡中的關鍵人物，分析中心度可找出處于核心位置的用戶，即可辨別出哪些機構在信息傳播過程中“權利”更大，能夠在較大程度上影響信息傳播。中心勢指標刻畫了信息傳遞網絡的整體密度特征，通過分析中心勢，我們可以描述整個網絡的緊密程度或一致性。
2．3．1點度中心性分析針對政府而言，不同用戶表現出不同的點入度和點出度。點入度表示關系“進入”的程度，在這里表示一個用戶被其他用戶“關注”的程度。點出度表示一個用戶“關注”其他用戶的程度［19］。政府網絡中點入度比較高的用戶為平安北京(56．000)、公安部打四黑除四害(52．000)、北京(53．000)，說明他們在整個網絡中信息傳播的過程中擁有較大的權力，其的消息為更多人所注意。針對企業而言，新浪汽車(13．000)、招商銀行(12.000)、招商銀行信用卡(8．000)為影響力最大的用戶。與圖2相匹配，說明金融企業在信息傳遞過程有較強的影響力，其的信息能夠在網絡中迅速傳播。針對學校而言，復旦大學(23．000)、華中科技大學(17.000)、武漢大學、清華大學(16．000)點入度排名前三。說明高校成員對整個學校網絡的影響最大，是學校網絡信息的主要傳播渠道。該幾所學校均為211、985重點院校，在國內有較強的知名度，其名人效應會增強信息的關注程度與擴散程度。針對微博名人，潘石屹(44．000)、李開復(44．000)、雷軍(33．000)等居于“被關注”關系的中心位置，是整個網絡影響力最大的用戶，他們消息為更多的人所接受，其對某些社會事件的評論會在一定程度上引導輿論導向?？傊?，用戶影響排名由大到小依次為政府、微博名人、學校、企業，其內部用戶對整個網絡的影響力由高到低。因此，在抓核心人物時，我們應該關注政府與微博名人，這兩類用戶對引導輿論發展、傳播正能量有較好的作用。
2．3．2點度中心勢分析政府網絡的標準化點入度中心勢和點出度中心勢分別為:35．802%和76.615%，說明了該網絡的關注關系有很大的不對稱性。企業網絡的標準化點入度中心勢和點出度中心勢分別為:39．00和63．03%。不論是“關注”還是“被關注”的中心勢都比較小，說明企業網絡沒有明顯的集中趨勢。學校網絡的標準化點入度中心勢和點出度中心勢分別為:20．926%和13．784%。與企業相似，網絡集中趨勢比較低，關注關聯關系比較少。微博名人網絡的標準化點入度中心勢和點出度中心勢分別為:3.205%和3．297%。名人網絡明顯分散，聯系不緊密，與其派系特征相匹配，派系過多且派系間的聯系較少?？傮w而言，四個網絡的中心勢由大到小分別為:政府、學校、企業、微博名人，用戶集中程度依次遞減，整體聯系逐步下降。
2．3．3中間中心性分析中間中心性刻畫了用戶間的依賴程度，高中間中心性用戶在整個社會網絡中的權利較大，能夠在一定程度上控制信息的流動。政府網絡中，平安遼寧、平安北京、豫法陽光的中間中心度比較高，說明其他各用戶獲取消息在很大程度上依賴于這些關鍵用戶，他們在網絡中權力較大，在很大程度上控制了信息的流動。同時，可以發現這些用戶的點度中心性也都位于前列，說明該關鍵用戶最有可能成連接政府網絡中交流信息、溝通意見、協調行動的重要橋梁［20］。另有鼓樓微訊、上海的中間中心性指數為0，說明這些成員處于網絡的邊緣地帶，對于信息的傳遞并不重要。在企業網絡中，點出度中心度和中間中心度排名前8位的用戶都包含新浪汽車，且新浪汽車的點入度也較高，說明該用戶是整個網絡的交流中心，處于網絡的核心位置，能夠很好地控制著其他用戶間的交流及信息資源，在正能量的傳播中起著重要作用。在學校網絡中，中間中心度最高的8個節點分別是復旦大學、華南理工大學校友會、華中科技大學、復旦大學校友會、哈德斯菲爾德大學、中國人民大學校友會、北京王府學校。將中間中心度最高的節點與點度中心度最高的節點進行比較發現，中間中心度最高的8個節點中有5個出現在點出度最高的8個節點中。例如，復旦大學和武漢大學的點入度、點出度、中間中心度都較高，說明基于三種不同的中心度進行計算，武漢大學和復旦大學都是核心成員，表明它們既能影響他人的相互交往，又能與其他成員相互交流。在微博名人網絡中，思想聚焦、IT觀察猿、李開復的中間中心度是比較高的。但IT觀察猿的點度中心度并不高，說明該用戶與其他用戶交流并不是很多，而其他各個用戶利用其獲取消息的依賴程度是比較高的。另有辣評娛樂圈、蘇若琳的中間中心性指數為0，說明這些成員處于網絡的邊緣地帶，對于信息的傳遞并不重要。
2．3．4整體中間中心勢分析整體中間中心勢越大，說明該網絡中成員對其他網絡成員之間的交往能施加的影響力越大［21］。企業、學校的整體網絡中間中心勢分別為8．32%、7．27%，指數偏低，說明這兩類網絡中缺少對其他節點有明顯控制力的關鍵節點，缺乏較強的信息傳遞能力。因為如果整個網絡中大部分的節點不需要別的節點作為橋接點，那么該網絡有較強的信息傳遞能力。政府、微博名人網絡的中間中心勢分別為17．23%、12．22%，說明在政府、微博名人網絡中，對其他節點具有較強控制力的節點分布比較集中，有較強的信息傳遞能力。4結論本文從關注微博用戶網絡的結構、密度、派系、中心性等出發，比較分析政府、企業、學校、微博名人這四類網絡中內部用戶的互動關系、個體用戶的各項指標，為發現認識微博網絡的形成和發展，及信息如何在網絡中更有效的傳播提供了幫助。經過分析之后得出:
a．政府網絡的網絡結構比較密集，信息是在一個具有強關系的小網絡中傳播，網絡內部信息傳遞的效率較高。在政府網絡內部，公安部門內部聯系比較緊密，其橋接網絡內部信息傳播的作用凸顯，處于政府網絡的核心領導位置，是政府網絡信息傳遞的關鍵人物，對信息的傳遞與擴散有較大的控制權力。然而政府網絡的點度中心勢很高，反映了政府群體過于集權，過分依賴少數群體，信息在網絡的傳播就容易被該群體壟斷。因為點度中心勢代表的是群體集權程度，如果一個群體的中心勢很高，這個群體的互動實際上就很集權，幾個關鍵人物就代表了整個社群的互動。此外，在派系分析中，政府網絡的派系雖多，但各個派系都包含公安部門，再一次說明公安部門在政府網絡信息傳播過程中具有很強的影響力。這是因為隨著社交媒體的興起，人們開始關注社會各類法制事件，且公安部門的信息往往真實程度最高，故受到人們的青睞與信任。這說明政府網絡要利用好社交媒體更好地傳遞信息，需提高各個部門的公信力度，提高其公開性與透明性，政府網絡派系間應多交流，避免信息傳遞的單一性。
b．與政府網絡的結構特征類似，微博名人網絡的結構也比較密集，但卻有別于政府網絡呈現出來的包絡性，網絡內部有兩個凸顯且密集的子群。名人子群主要以財經與時尚為核心，體現了人們對信息有一定的偏向性。隨著社會的發展和生活條件的改善，人們開始關注理財與精神需求。網絡內部的關鍵人物主要是一些知名度較高的企業家或時評者，其名人效應使其在信息傳遞的過程中有較大的話語權。在微博名人網絡內部，財經和商業類聯系比較緊密，信息在二者內部傳播較好，但部門間聯系不緊密，導致信息在整個微博名人網絡中的傳播效率不足。網絡派系過多，雖由一些關鍵人把派系間聯系起來，但派系間呈現行業特征，其的信息內容較為獨立，各派系間信息內容的交叉現象不明顯，導致從整體來看，不同類別信息在微博名人網絡中的流動有一定的障礙。此外，微博名人網絡的中心勢過低，這也意味著網絡內部群體過于分散，使得互動分散而不集中，信息在子群內傳遞的效率較高，而在整體網絡中傳遞的效率較低。這說明信息要在微博名人網絡中更好地傳播，需提高各類子群所信息的多樣性，避免由于信息的獨立性而造成信息傳遞中斷。
c．相比前兩類網絡，企業網絡的結構較為松散，信息在網絡中的傳播速度比較緩慢，且直接傳播途徑較少，內部成員主要通過搜索或者通過關注外部成員獲取信息。企業網絡內部的派系較少，且派系間的聯系不明顯，信息在整體網絡中流動性較差。在企業網絡內部，派系主要由母子公司成員構成。當母公司信息時，子公司作為公司集團微博中的一員，通過關注、借助企業品牌的源吸引力，形成了自身的用戶關注網絡，公司職員關注其微博，獲取信息來源，同時也產生一些間接關注，從而形成一個大的子網絡。由此發現信息在企業中的傳播主要依靠企業微博及與此相關聯的集團微博的吸引力。此外，我們發現金融部門在企業網絡信息傳遞過程中扮演重要角色，其嫁接橋梁為其他企業提供間接聯系。這說明信息在企業網絡中的擴散能力較弱，需強化關鍵人物的中介作用，使信息在網絡中更好地傳遞。
1．社會網絡及其對風險行為的影響社會網絡是一種研究社會結構的理論和方法視角，它將個人或組織視為“節點”，將這些人或組織之間的聯系視為“線”，這些點和線形成了一個個網絡狀的結構，人類社會即由這一個個網絡結構構成，甚至整個社會都可視為一個大網絡［17］。社會網絡視角被廣泛地應用于社會生活各領域的研究之中，其中社會網絡與健康的研究是一種非常重要的研究領域。早期研究社會網絡與健康關系的學者主要采取一種“功能性”視角，關注社會網絡可能提供的“社會支持”對健康產生的直接積極作用或間接“緩沖”作用；其后有一部分研究者開始采取“結構論”視角，重點關注個人所處社會網絡結構對健康可能產生的影響。已有研究主要認為社會網絡從兩個方面影響人的態度和行為。一是通過提供知識／信息。有關網絡與信息傳遞的研究表明，網絡的規模和結構均對信息傳遞有影響，規模較大、異質性較高的網絡更有利于信息傳遞。二是通過提供社會支持，社會支持包括經濟、情感、社會關系支持等方面。個人除了從社會網絡中獲取信息以外，還能從網絡成員那里獲得各種物質70《科學與社會》（S＆S）和精神上的實質性幫助和支持。社會支持對精神和心理健康有積極的影響，社會支持可以促進心理方面的適應性、減少壓力和焦慮等心理問題，即社會支持的“緩沖效應”。緩沖效應的存在是因為社會支持促進“適應性評價（AdaptiveAppraisal）”和“應對（Coping）”。從生理學途徑來看，社會網絡有助于免疫系統、神經內分泌系統和心血管系統的健康。以往研究表明，強關系和同質性關系多的網絡在提供社會支持方面更為有效，親屬是最主要的強關系。網絡密度描述網絡的連接性，網絡密度與更多的合作、信息分享和責任有關，可以預測個體能夠獲得的物質支持的程度。網絡密度也影響個體獲得關系資源的能力［29］，高的社會網絡密度意味著非常親密的關系，有助于成員之間形成歸屬感。已有不少研究者關注了社會網絡對風險行為影響的問題。Berten研究了青少年在同伴網絡中的位置對個體風險行為的影響，結果表明中學生的濫用和風險等不僅受到關系最好的同伴影響，還受到網絡中位置相似的同伴的影響；相比較中學3年級的學生，5年級的學生更容易受到同伴的影響；網絡凝聚力的影響大于網絡中同等結構位置的影響［2］。一項針對走失和無家可歸年輕人的研究表明，沒有社會網絡支持的個體，更有可能非法使用、有更多的性伴和生存性；對于有社會網絡支持的個體而言，當社會網絡的規模較小、但情感支持特征明顯（社會網絡主要有朋友構成，通常包括酒精和非法使用者）時，社會網絡將不是他們風險行為壓力的來源。隨著社交媒體的流行，在線社會網絡開始引起研究者的關注，研究發現在線上青少年對風險健康行為有更加正向的態度，更多地使用（網絡）社會網絡媒介會增加個體的風險行為，比如吸煙、濫用酒精、吸毒等［30］。有關社會網絡與融資決策這種風險行為關系的研究也表明，社會網絡可以給決策者提供信息，幫助過濾掉復雜的信息，借款的社會關系會直接影響他的借款行為?？傊?，已有研究表明社會網絡可以從提供信息、社會支持兩個方面對風險行為產生影響，而且不同的社會網絡特征提供的信息和社會支持不同。比如網絡的規模、異質性、弱關系等更多地促進網絡成員之間的信息傳遞；而網絡密度、網絡同質性、親屬關系的比例、強關系等與網絡可以提供的社會支持相關。
2．社會網絡對有機食品選擇的影響盡管社會網絡對風險行為影響的研究已有不少，但具體研究社會網絡對有關食品安全風險行為影響的研究尚不多見。有研究表明公眾的主觀知識（信息）是他們感知的轉基因食品風險的風險因素［26，29］，也有研究表明給公眾提供生物技術相關的信息可以增加他們感知的生物技術帶來的利益，但是沒有減少他們感知的生物技術風險［6］。還有研究表明社會支持的緩沖作用是個體的心理和生理健康風險的積極影響因素［23］。那么，社會網絡的不同特征是否影響公眾對有機食品的購買意愿？如果存在影響，網絡是通過什么機制來影響公眾對有機食品的購買意愿的？已有研究并沒有關注這些內容。本文以調研的數據為基礎，分析社會網絡的不同的結構特征是否以及如何影響個體對有機食品的購買意愿。
二、數據與方法
1．數據來源與樣本特征本文的數據來源于兩項調查，一是中國科技發展戰略研究院課題組于2007年在北京市和湘潭市進行的公眾食品安全風險感知問卷調查；二是吉林大學社會學系課題組于2008年在長春市進行的公眾食品安全風險感知問卷調查。兩項調查均使用了基本相同的調查問卷和方法，考察了三城市居民關于食品風險的感知、行為傾向、信任和政策需求，三地數據分別代表中國大城市、大中型城市和中小城市的公眾風險感知情況。三城市調查均采用多階段隨機抽樣的入戶調查方法，先在城市社區名冊中隨機抽取若干社區，再在每個社區中隨機抽取若干家庭，最后在被抽中家庭中用Kish表隨機抽取1人作為調查對象，被訪者是現居家中的18周歲及以上的常住人口。北京、長春和湘潭三市共獲得有效問卷2153份，三個城市的有效問卷數分別為987份、506份和660份。
2．變量與測量方法（1）因變量。我們在調查中詢問被調查者：假如市場上的一般黃瓜賣1塊錢1斤，您愿意花多少錢買沒有噴撒農藥的黃瓜？以此測量被調查者對有機蔬菜的購買意愿。（2）自變量。本研究中的主要自變量是個人討論重要社會問題的討論網絡，具體測量方法采用提名生成法（Name－generator）。提名生成法是一種比較傳統的方法，具體做法是根據研究的要求，讓每個被訪者提供自己的社會網絡成員的姓名、個人特征以及這些成員的關系等信息［32］。然后根據這些信息描述社會網絡的情況。我們要求被訪者回憶跟自己討論問題最多的5個人，以及這些人的性別、年齡、教育程度、工作類型、討論的問題、關系親密程度等。然后計算社會網絡的密度、管理人員的比例、高等教育人員的比例等指標。以此為基礎，我們建立了研究的自變量，包括：網絡規模、平均熟悉程度、網絡密度，網絡中親屬的比例、討論食品安全人數的比例、管理人員的比例、高等教育人數的比例。（3）控制變量。包括性別、年齡、文化程度、收入、健康狀況、對我國食品安全狀況的滿意程度、自己或者家人的經歷、自己最近七天的健康狀況、已有的食品風險知識等。具體變量的描述性統計情況如表1所示。
3．分析方法由于因變量是一個連續變量，我們在對其做對數處理后，使用普通最小二乘（OLS）法構建多元回歸模型進行分析。
三、數據分析結果
本文使用SPSS軟件分析社會網絡特征對有機蔬菜購買意愿的影響進行了分析，結果如表2所示。表2的模型一中分析的社會網是討論網，即與被調查者討論任何重要問題的成員構成的網絡。統計結果表明，個人討論網絡的密度和網絡中管理人員的比例顯著地降低了公眾對有機蔬菜的購買意愿；網絡中討論食品安全人數的比例和受過高等教育人數的比例則顯著地增加了公眾對有機食品的購買意愿。研究結論也表明，相比較基準模型（僅僅包括控制變量的模型），在模型中增加網絡特征變量，顯著地增加了模型的解釋能力。就控制變量而言，年齡、性別、文化程度和相關知識都顯著地影響有機蔬菜的購買意愿。女性的購買意愿顯著地高于男性；隨著年齡的增加，公眾對有機蔬菜的購買意愿顯著地降低；文化程度和相關知識顯著地增加了公眾對有機蔬菜的購買意愿（在只有控制變量的情況下成立）。在前面的文獻綜述中我們提出網絡影響風險行為可能存在兩種機制，即傳遞知識（信息）和提供支持。根據以往研究的結論，一般認為密度較高的網絡更可能提供社會支持，同時網絡中的管理人員因擁有較多的權力資源而更可能提供支持，而網絡中討論食品安全問題的成員和受高等教育的成員則更可能提供知識和信息。為進一步驗證這一點，我們又單獨分析了食品安全討論網的情況，這時的網絡成員僅包括那些與被調查者討論食品安全的成員。我們的假設是：由于食品安全討論網的成員都會討論食品安全問題，因此在這種網絡中知識和信息傳遞是必然存在的，而社會支持的傳遞則不一定存在。從表2模型二的統計結果中可以看出，在食品安全討論網中，只有高等教育人數的比例顯著地影響公眾對有機蔬菜的購買意愿，而其他網絡特征的影響不顯著。這一結果在一定程度上支持了我們的推測，既網絡密度和管理人員的比例更可能是通過提供更多的社會支持而降低了公眾對有機蔬菜的購買意愿，而網絡中討論食品安全人數的比例和網絡中高等教育人數的比例通過提供信息而增加了公眾對有機蔬菜的購買意愿。
四、結論與討論
在社會網絡環境中，交互節點間的信任關系是網絡中各種活動的基礎，從直接可信度和推薦可信度兩個方面描述節點的可信度。直接信任度是評估節點和提供資源服務節點直接交互所得到的信任值，而推薦信任度為當該節點作為推薦節點時，被網絡中其他節點信任的程度，分別定義如下。假設信任值的取值范圍為［0，10］，將該區間分為n個子區間，其中第i個子區間為［Rmini，Rmaxi］，其中Rmini和Rmaxi分別為區間的上限和下限。根據公式(2)，(3)和(4)可以計算出各個節點信任度，節點映射到的子區間即為其信任等級。信任等級是建立Web資源節點間信任的依據。
2、Web資源信任增強選擇模型(EMBST)
EMBST模型的處理流程如下:(1)社會網絡關系的獲取。根據用戶所需Web資源的初步檢索，抽取出全部功能性屬性相同、非功能性屬性不同的Web資源，然后對其中的各個子網進行拓展，使得有關聯的、離散的初始社會網絡相互連接起來，拓展處理算子見下文。(2)建立不同信任等級Web資源圈。結合下文中基于譜分割算子將這些不同的社團區分開來，在此基礎上根據各個模塊的信任度評價指標來確定不同信任等級。(3)社會網絡映射。將形成的各個不同的局部的網絡圈子映射到最早的檢索結果中來，從而實現可信Web資源的選擇。
3、Web資源信任增強選擇算法
限于檢索單個Web資源所獲得的數量有限，這樣會導致所得到的關系矩陣可能會比較稀疏，容易導致形成的社會網絡存在很多孤立子網，而這些子網中部分子網在真實的網絡環境中又是有關系的，所以本文將借助于更多的網絡信息，通過社會網絡的拓展處理算子對一些孤立的子網作進一步的拓展，以豐富原有Web資源社會網絡關系。
3．1拓展處理算子
首先，矩陣G1中會引入很多的初始檢索中無關的資源，將這些資源刪除，重新整合關系資源，那么就得到了一個新的矩陣G2，如果在G2中有兩個資源相似度為0，但同時G1中有資源認識他們，那么就可以利用中介位置的資源求取他們之間的相似度。
3．2基于信任度的譜分割算子
由于上面得到的關系矩陣，實際上是所有的Web資源混在一起的一種社會網絡結構，因此需要運用相關的方法將其根據不同的信任級別區分開來，這里采用社會網絡中的譜分割算法［11］(spectralpartition)將這些不同的社團區分開來，在此基礎上根據各個模塊的信任度評價指標來確定不同信任等級。
4、仿真實驗和結果分析
4．1系統評價方法
這里采用B－Cubed評價方法［12］，具體描述如下，假設帶搜索的Web資源或服務在搜索引擎上的返回的結果集合S的大小為M，對其進行人工劃分的結果為K'，經過系統處理輸出的結果為K″，K'(S)表示人工劃分中包含S的集合，K″(S)表示系統輸出劃分中包含S的集合。
4．2實驗設計
一個外出預定系統實例?？蛻舳苏{用此組合服務進程，指定出發地、目的地、出發日期，最后返回執行結果到客戶端。組合邏輯如圖2所示:先執行計算里程服務S1，然后機票訂購S2與汽車票訂購S3選擇執行，它們與賓館訂購S4可并發執行。假定每一個抽象服務分別包含了若干個具體服務，各個具體服務的信任度參數采用隨機方法在一定范圍內生成加手工修改方式(制造不可信節點隨時間變化的欺騙行為)，參數取值范圍設定為0＜R≤10。系統采取文件讀入的辦法，從事先準備好的文件讀入仿真檢索服務的執行結果。實驗環境為100M局域網，算法運行微機配置為Inter(R)Pentium(R)DualE21401．6GHz處理器，1GB內存，操作系統為WindowsXPSP3，算法用Java實現。
4．3實驗結果分析
1.1以WebofScience為數據源
以WebofScience作為數據源，進行檢索和篩選數據。論文以生物材料學科為例，分析科研人員及其團隊，為學校挖掘可引進的人才，也為學校人才引進提供評估參考材料。
1.2分析流程
(具體見圖1)論文采用h指數、R指數、AR指數作為衡量學者科研水平的3個量化指標。h指數不能區分h值相同但論文被引頻次相差懸殊的情況，缺乏一定的靈敏度和區分度，結合采用了R指數、AR指數，解決h指數存在的一些不足［9］。
2以生物材料為例的應用分析
2.1基礎數據檢索與清洗、篩選
選取檢索源:Webofscience的SCIE數據，因webofscience數據存在滯后，為保障期刊論文數據的完整性，選擇數據庫時間范圍為:2003－2012(10年)，具體檢索時間:2014.3.10。論文采用了材料科學－生物材料作為案例進行檢索分析，假設某學校想引進生物材料方面的學者。選擇的期刊以JCR－Q1期刊為參考，選取了webofscience的“MATERIALSSCIENCE，BIOMATERIALS”類目的Q1期刊，共六種期刊。通過webofscience檢索出版物名稱=(″BIOMATERIALS″or″ACTABIOMATER″or″EURCELLSMATER″or″DENTMATER″or″MACROMOLBIOSCI″or″BIOFABRICATION″)，時間跨度=2003－2012，檢索結果:13179條。篩選出:article、review兩種類型文獻12970篇。
2.2作者基礎排序分析
以webofscience的分析功能，選取排序前10位的發文作者，見表1列出了前10位作者及其發表的論文數量，論文中分別以A1、A2…標示各位作者。論文在此研究中，暫不考慮作者在論文中的貢獻度，即不區分第一作者、通訊作者或是所處的其他合作位置。在webofscience中，作者名稱基本采用了姓氏加名的首字母，存在較為嚴重的同名作者問題?？紤]作者的同名現象，對每位作者結合作者機構進行較為精確的分析。在webofscience中作者同名問題基本沒有得到解決，需要通過人工篩選才能達到精確。對上述10位學者對應的文獻進行逐篇查看，可以確定出該檢索集中，有3個作者姓名簡稱對應了多位學者，如對A3的70篇文獻中的前20篇進行逐篇查看，20篇論文屬于16位不同單位且姓名簡稱同為A3的學者。同樣發現A9和A10具有多位學者共同構成論文篇數，均被排除出前10的位置。通過逐篇查看，篩選出排名前7的學者。
2.37位學者h指數、R指數、AR指數分析
對篩選出的前7名學者，進行SCI論文檢索，檢索時間范圍為:2003－2012，檢索日期為2014.3.16，文獻類型為ARTICLE或REVIEW。因為涉及同名、作者曾在不同單位任職等現象，結合webofscience的“惟一作者集”等作者輔助檢索工具，進行篩選。2.4A7學者及其團隊的挖掘分析論文選用SATI文獻題錄信息統計分析工具［10］和UCI-NET社會網絡分析軟件［11］對A7的SCIE論文進行分析。通過分析挖掘與A7有更多直接合作關聯的學者，擬挖掘“他們”作為某學校生物材料方面的外聘人才。利用兩個軟件，構建了如圖3所示的A7的作者合作網路。從圖3可以發現A7的合作網絡錯綜復雜。利用k－核概念，研究網絡合作的凝聚子群。所謂k－核是指如果一個子圖中的全部點都至少與該子圖中的k個其他點鄰接，則稱這個子圖為k－核［11］。通過k－核，可以發現一些高合作、高凝聚的群體。對A7的社會網絡進行k－核分析，如圖4所示為A7文獻作者k－核分析的部分截圖。由圖4可見，在A7的392篇文獻的所有合作者中，可以進行8種分區，度數分別為2，3，4，5，6，7，8，9，即分別為2－核，3－核，……，9－核。9－核即是指A7和其他34位學者(圖4所示的作者編號P1、……、P84)共同組成各個作者之間至少有9個鄰接的子群，可能是學科團隊、或項目合作的團隊，其中可能存在一些具有知識引導的團隊帶頭人。計算A7合作網絡中學者們的在整體網絡中個體密度值，圖5為截取其中部分學者的個體密度值計算。從圖5可以得出這個整體網中各個個體(科研人員)的密度值、及其他指標值。A7的個體密度值最低，值為9.44，Broker和EgoBet值最高，分別為3791.00、2927.17，他這個作者群網絡中的知識引導人、合作引導人，其位置占據了結構洞位置，是作為“橋”位置者。結合圖5所示的9－核團隊，在這些學者中，P1的網絡規模最大(值為45.00)，密度是19.90，Broker值是793，EgoBet值是326.90，僅次于A7，在其合作網絡中，占據結構洞位置，可作為引進人才或外聘的人選。P3密度值為27.92，Broker值為253，EgoBet值是98.46，在合作網中與他人有合作、也有一定的知識引導作用。從圖5也可以發現，學者P7的密度值最大，為100，Broker和Ego-Bet值均為0，在個體網中的中間性不強，不占據結構洞位置，可以猜測其為求學的學生或是某個項目的參與者。根據上述分析，P1和P3可作為外聘或引進的人選。對這兩位學者，同樣計算其2003－2012年期間的h指數、R指數、AR指數，通過和表3學者的各個指標進行比較、衡量。P1的各位指數都高于P3，且與表3中的7位學者的∑(h，R，AR)值進行排序，排列第4。
3結論與進一步思考
一、數據與方法
1．數據來源與樣本特征本文的數據來源于兩項調查，一是中國科技發展戰略研究院課題組于2007年在北京市和湘潭市進行的公眾食品安全風險感知問卷調查；二是吉林大學社會學系課題組于2008年在長春市進行的公眾食品安全風險感知問卷調查。兩項調查均使用了基本相同的調查問卷和方法，考察了三城市居民關于食品風險的感知、行為傾向、信任和政策需求，三地數據分別代表中國大城市、大中型城市和中小城市的公眾風險感知情況。三城市調查均采用多階段隨機抽樣的入戶調查方法，先在城市社區名冊中隨機抽取若干社區，再在每個社區中隨機抽取若干家庭，最后在被抽中家庭中用Kish表隨機抽取1人作為調查對象，被訪者是現居家中的18周歲及以上的常住人口。北京、長春和湘潭三市共獲得有效問卷2153份，三個城市的有效問卷數分別為987份、506份和660份。2．變量與測量方法（1）因變量。我們在調查中詢問被調查者：假如市場上的一般黃瓜賣1塊錢1斤，您愿意花多少錢買沒有噴撒農藥的黃瓜？以此測量被調查者對有機蔬菜的購買意愿。（2）自變量。本研究中的主要自變量是個人討論重要社會問題的討論網絡，具體測量方法采用提名生成法（Name－generator）。提名生成法是一種比較傳統的方法，具體做法是根據研究的要求，讓每個被訪者提供自己的社會網絡成員的姓名、個人特征以及這些成員的關系等信息［32］。然后根據這些信息描述社會網絡的情況。我們要求被訪者回憶跟自己討論問題最多的5個人，以及這些人的性別、年齡、教育程度、工作類型、討論的問題、關系親密程度等。然后計算社會網絡的密度、管理人員的比例、高等教育人員的比例等指標。以此為基礎，我們建立了研究的自變量，包括：網絡規模、平均熟悉程度、網絡密度，網絡中親屬的比例、討論食品安全人數的比例、管理人員的比例、高等教育人數的比例。（3）控制變量。包括性別、年齡、文化程度、收入、健康狀況、對我國食品安全狀況的滿意程度、自己或者家人的經歷、自己最近七天的健康狀況、已有的食品風險知識等。3．分析方法由于因變量是一個連續變量，我們在對其做對數處理后，使用普通最小二乘（OLS）法構建多元回歸模型進行分析。
二、數據分析結果
本文使用SPSS軟件分析社會網絡特征對有機蔬菜購買意愿的影響進行了分析，結果如表2所示。表2的模型一中分析的社會網是討論網，即與被調查者討論任何重要問題的成員構成的網絡。統計結果表明，個人討論網絡的密度和網絡中管理人員的比例顯著地降低了公眾對有機蔬菜的購買意愿；網絡中討論食品安全人數的比例和受過高等教育人數的比例則顯著地增加了公眾對有機食品的購買意愿。研究結論也表明，相比較基準模型（僅僅包括控制變量的模型），在模型中增加網絡特征變量，顯著地增加了模型的解釋能力。就控制變量而言，年齡、性別、文化程度和相關知識都顯著地影響有機蔬菜的購買意愿。女性的購買意愿顯著地高于男性；隨著年齡的增加，公眾對有機蔬菜的購買意愿顯著地降低；文化程度和相關知識顯著地增加了公眾對有機蔬菜的購買意愿（在只有控制變量的情況下成立）。在前面的文獻綜述中我們提出網絡影響風險行為可能存在兩種機制，即傳遞知識（信息）和提供支持。根據以往研究的結論，一般認為密度較高的網絡更可能提供社會支持，同時網絡中的管理人員因擁有較多的權力資源而更可能提供支持［32，33］，而網絡中討論食品安全問題的成員和受高等教育的成員則更可能提供知識和信息。為進一步驗證這一點，我們又單獨分析了食品安全討論網的情況，這時的網絡成員僅包括那些與被調查者討論食品安全的成員。我們的假設是：由于食品安全討論網的成員都會討論食品安全問題，因此在這種網絡中知識和信息傳遞是必然存在的，而社會支持的傳遞則不一定存在。從表2模型二的統計結果中可以看出，在食品安全討論網中，只有高等教育人數的比例顯著地影響公眾對有機蔬菜的購買意愿，而其他網絡特征的影響不顯著。這一結果在一定程度上支持了我們的推測，既網絡密度和管理人員的比例更可能是通過提供更多的社會支持而降低了公眾對有機蔬菜的購買意愿，而網絡中討論食品安全人數的比例和網絡中高等教育人數的比例通過提供信息而增加了公眾對有機蔬菜的購買意愿。
三、結論與討論
