社會網絡分析的應用

密度計算也一直是社會網絡學者用以討論組織群聚狀況之重點，討論的範圍 也相當廣泛，學者 Lewis 也結合密度以及迴歸模型以討論虛擬社群網站 Facebook 的連結關係(ties)，討論出在 Facebook 上的朋友密度帄均為 22.4% (Lewis et al., 2008 )。學者 Kumar 等人也觀察知名網站 Flickr 以及 Yahoo! 360 的時間變化狀 況，還有密度與節點的變化狀況，發現使用者在初期加入某團體或網絡後，會興 奮的邀請身邊的人一起加入這個社群，代表社群密度以及連結度都會隨時間增加，

但是增加的速度會越緩慢(Kumar et al., 2010)。

第五節 社會網絡分析的應用

虛擬社群興起之後，因為資料量大增、虛擬社群互動多元化，使得人與人之 間的聯繫(較過去)更加頻繁，許多的學者開始透過各種應用方法進行研究(May, 2001)(Kuperman, 2001)。社會網絡的人際間互動行為在虛擬社群出現後也改變許 多，學者 Liyong 就認為所謂在網路上人際關係的互動不會是靜止的表現，會因

- 15 - 共 124,579,479 不同的使用者使用 Facebook 各種不同的服務，要確認關係的話，

光要發放的問卷就高達 1.2 億，面對這天文數字的困難迫使社會網絡學者開始尋 覓其他的參考基準以及研究題材。

社會網絡分析領域的學者開始思索社群網站本身提供的功能是否能成為研 究所需要得參考因素。學者 Lewis 結合密度以及迴歸模型以討論虛擬社群網站 Facebook 的朋友功能，討論出在 Facebook 上的使用者其朋友的密度帄均為 22.4%

(Lewis et al., 2008 )。學者 Kumar 等人也觀察知名網站 Flickr 以及 Yahoo! 360 的 交友功能，發現使用者在初期加入某團體或網絡後，會興奮的邀請身邊的人一起 加入這個社群，代表社群密度 (Density)以及連結度 (Degree)都會隨時間增加，

但是增加的速度會越緩慢(Kumar et al., 2010:346)。不是只有加為朋友這相功能可 以進行討論，也有許多的學者以社群中使用者對於電影或影片的評論機制為觀察

- 16 -

重點發展其研究，學者 Song Qin 等人就使用線上影音共享網站 Youtube 上使用 者的評論作為考量依據，進一步設計推薦系統。

圖 2.4 使用者-影片之社群圖 資料來源：Song Qin et al.,2010

圖 2.4 即是源自於學者 Song Qin 的研究，中心的節點為某一部 Youtube 的影 片，而與外圍其他節點連結則代表兩步影片有共同評論的使用者，圖中數字為共 同評論使用者之人數所計算出來的權重，本研究所討論的 IMDb 影片虛擬社群亦 是相同情況。換句話說，使用者非直接地與其他使用者互動，而是透過非直接的 中介因子(影片)進行互動(Review, Rating)，雖然單一個圖形很難說明任何事情，

但是觀察的節點增多了後，便能為使用者進行分類，就如同其研究所述，評論越 相近的電影群，可能在進行影片選擇的某些參考因子是相同的(Qin et al.,2010)，

雖然此關係不能直接使用，但這類型的隱含關係卻是可能有相當的價值。

(二) 社群中的關鍵人物探勘

無論社會網絡(Social Networks)如何改變，其組成通常包涵三種要素，行為 者(actors)、關係(relationships)與連結(linkages)(Hanneman and Riddle, 2005)，如本 章前述，虛擬社群中的使用者其關係越來越複雜，要處理的量也越來越驚人，如 何在不至於太過影響精準度及效度的狀態下減量(Down-size)進行研究，已成為很 重要的課題，本研究希望透過尋找社群中的關鍵人物，但要對整個社群進行普查

- 17 -

是相當困難的，若自己設計一個方法進行關鍵人物的尋找，所尋之關鍵人物能代 表社群，就系統效率而言更加快速且便利。

在興趣導向的社群中進行關鍵使用者之研究，學者 Zhang 等人就以線上電影 評論網站 Epinion.com 為主，挑選一組關鍵使用者(Key User)來測詴其對朋友的 影響力，然後在模擬各類不同狀況尋找關鍵使用者，此研究顯示，以連結度為主 的篩選模式最為成功(Zhang et al.,2010)。