社会媒体挖掘

——Social Media Mining (An Introduction)

作者 Reza Zafarani(美), Mohammad Ali Abbasi, Huan Liu
读者 锅巴GG

获益匪浅

讲社交现象的书很多，事后总结的也很多，然而这本书让我惊喜。
虽然全书按教材的方式组织，并且提供了很多相关的算法，但是抛开这些信息，全书对社交、社交媒体以及挖掘都有很好的覆盖，不敢说由浅入深，但是如果不惧怕数学公式的大篇幅解释，其实本书的核心内容算是非常精炼并有效的传达了高价值的信息，值得反复品读

• 社会媒体挖掘

社会媒体(Social Media)的发展，使得内容被无数的用户阅读和传播，并给予即时反馈。社会媒体使得我们可以随时随地与人沟通和交流，并在一个空前的规模下观察人类的行为。社会媒体平台提供了绝好的机会，从海量的数据中挖掘人类的行为模式。

• 什么是社会媒体挖掘？

结合社会学理论和计算方法来学习人类个体（社会原子Social Atom）如何相互影响，以及社区（社会分子Social Molecule）是如何形成的。
社会媒体挖掘是从社会媒体数据中表示、分析和抽取可操作模式的过程。
社会媒体挖掘以一种可计算的方式表示和度量社会媒体的虚拟世界，并且建立模型以帮助我们理解其中的交互。

• 新的挑战
  1. 大数据悖论
  2. 足够的样本数
  3. 噪声消除谬误
  4. 评价困境

第一部分

基础知识，概述如何表示社会媒体数据以及社会媒体挖掘的基本要素

• 图的基本要素

这本书讲的比较基础，当然图理论本身的难度并不大，只是工程实现方面难度很大，本书提纲挈领，算是很高效的让大家对图有个基本认识。读者本人最近也熟读图库理论，并评估掌握了两个图形数据库，一个是Neo4j，一个是OrientDB，现在DBE中排名最靠前的两个图库产品，欢迎交流。

• 图的重点要理解连通性，因为很多应用都诞生与此
• 图算法要理解遍历
• 图的工程实现，要非常明确的理解最基本的数据结构，如：

1. 邻接矩阵
2. 邻接表
3. 边列表

• 网络度量

在社会媒体中，通过度量社会媒体网络中不同结构的属性，帮助我们更好的理解其中涉及的用户，是最常见的任务
我们需要为这些任务设计相关的度量方案

• 中心性
  中心性定义了网络中一个中心节点的重要性。
• 传递性与相互性
  需要观察社会媒体网络中某个特定行为，如：连接行为
  研究连接行为有两个有名的度量方法：传递性和相互性
• 平衡和地位
  个体之间的关系
  注意社会平衡理论和社会地位理论，帮助我们决策有向网络中的一致性。
• 相似度
  节点间的相似度可以通过他们的结构等价性或规则等价性获得

• 网络模型

尝试通过构建小型网络来设计网络模型，从而模拟真实世界的网络。
假设这些模型能够很好地模拟真实世界网络的属性，我们就得到了一种高性价比的方法，通过衡量仿真网络的不同属性分析真实世界。
模型具有坚实的数学理论基础，能够帮助人们理解真实网络中的现象
模型在很多仿真网络中做了对照实验来验证有效性。
需要理解三种广泛接受的模型：

1. 随机图
2. 小世界模型
3. 优先链接模型

• 数据挖掘的基本要素

要不先说说目标吧？发现有统计学意义的模式

1. 数据
2. 数据预处理
3. 数据挖掘算法

• 监督学习
• 无监督学习

数据库中的知识发现(KDD)是分析数据的普遍流程。
监督学习将特征值映射到类标签，无监督学习将实例按照物体的相似程度分类。

第二部分

讨论如何在社会媒体中发现社区，以及在社会媒体中如何进行交互和信息传播

• 社区分析

重点解读了三个关键问题：

1. 我们怎样发现社区
2. 社区是如何演化的
3. 怎样评价发现的社区？

那么，什么是社交社区？

• 信息传播

传播过程主要包含三要素：

1. 传播者
2. 接收者
3. 传播媒介——个体之间的交流

• 羊群效应
  未经计划而出现的一致性行为；
• 信息级联
  信息在朋友（邻近）之间传播产生了信息级联
  关注级联的各种模型和范围
• 创新扩散
  创新扩散模型，非常值得阅读
• 流行病模型
  隐性网络的趋势和速度研究

第三部分

介绍社会媒体挖掘中一些新颖的解说性应用

• 影响力和同质性
  不同模式的连接网络，有一种模式叫同配性，也称为社会相似性，在同配网络中，相识个体比不相似个体更容易形成连接。
  这个部分让我们可以很好的理解微信和好友关系
• 推荐
  推荐系统面临很多挑战：
  1. 冷启动
  2. 数据稀疏(系统整体相关，个体无关)
  3. 网络攻击(可能被利用)
  4. 隐私(推荐的更好，但是要注重保护用户隐私)
  5. 解释说明(解读推荐的缘由)
• 经典的推荐算法
  1. 基于内容的算法
     依据是用户的兴趣应该与系统推荐项目的描述相匹配(相似度)
  2. 协同过滤
     建立用户→项目的评分矩阵，一般有两种协同过滤，对于未知的，采取基于记忆(历史)的，而基于已知的，建立模型并预测评分。
  3. 将个体推荐、推广给群体
• 基于社会背景知识的推荐系统
  个体之间的交友网络，假设一个用户的朋友会影响该用户的评分时，这些信息可以用于改进推荐系统。
  当使用社会信息时，可以使用：
  1. 仅使用朋友信息
  2. 使用评分信息和社会信息
  3. 使用社会信息来限制推荐
• 推荐系统评价
  评估推荐系统的准确性，通常可以评估：

1. 预测的准确率
2. 推荐的相关性
3. 推荐的排序

• 行为分析
  这部分内容比较基础，建议有兴趣深入了解其他相关书籍，重点在于场景(动机)和模型(行为分析)

1. 个体行为
2. 群体行为
   目标当然就是为了预测咯~~ 这是最大的价值~~~