社會網絡分析相關研究

社會網絡分析隨著虛擬社群以及 Web2.0 的發展而有了改變，而 Web 2.0 一 詞出自 Tim O'Reilly 在 Web 2.0 Compact Definition: Trying Again 提出的概念 (O'Reilly ,2006)，其中包含了幾個重要的因子，以 Web 為帄台、豐富的使用者參 與、群體智慧 (collective intelligence)以及分享以及參與的架構，Web 2.0 的出現 使得使用者不再被動的接收資訊，同時也是重要的資訊提供者。因應使用者人際 關系的改變，現在的社會網絡分析比較起過去知名學者(如 Freeman, Lewin 等人)，

討論的層面更廣，更加的複雜。但研究者還是必須對社會網絡分析有基礎的了解，

才能找到可加以運用的方法。因此，在本節也會簡單的對會社會網絡分析加以介 紹，再描述如何運用社會網絡分析。

(一) 中心度(Centrality)

為了衡量社會網絡的特性，許多學者提出許多方法探討以及量化社會網絡的

- 12 -

1. 連結中心度 (Degree Centrality)

以每個節點的連結度(Degree)為網絡中心考量的重點，換句話說就是認為社 群連結度最高的節點為該網絡的中心 (Freeman ,1979)，計算公式以下表示：

D-Centrality(i) = Degree(i)

Degree(i)

ni=1 ...公式(1)

節點連結度 Degree(i)表示 i 節點之連結度，是社會網絡分析最簡單也是最常 見的，簡單的例子就是以圖表 2.1.b 來說，各連結度 Degree(A)=1 、Degree(B)=2、

Degree(C)=1 (n 表示總共有 n 個節點在網絡圖形中)。連結度(Degree)最高的節點，

代表在目標社群網絡內有最多的連結數(包括 In-degree & Out-degree)，代表該節 點是有最多連外的邊，或是有最多的邊連至該點。(Scott, 2000)

(二) 小世界(Small World)

1967 年的心理學學者 Milgram 提出有名的六度分隔理論(Degrees of Separation ) 和小世界(The Small World)的概念(Milgram, 1967)，指的是(在美國)任意兩個不認 識人的連結度最多不會超過 6 個人，這個概念指出小世界的網絡裡只要透過幾個

- 13 -

E(x)表示與節點 x 相連的節點有多少個互相連結，簡單的圖例如下圖所示：

圖 2.2 群聚係數示意圖

另一個特點為小世界的現象裡有較低帄均分離度(Degree of separation)，或是 網絡中有相對於節點規模較短的直徑(Diameter)，社會網絡中的分離度指的是兩 兩節點最短路徑之長度，而整個網絡的分離度計算為整網絡中所有節點對節點分 離度之帄均值，而直徑指的是存在於網絡圖形中最短的節點路徑長度。學者 Watts 也提出在所謂的人際關係網絡的圖形，是介於規律圖形及隨機圖形之間的圖形。

表 2.1 圖形分類(群聚係數-分離度)

群聚係數低 群聚係數高

分離度低 隨機圖形(Random Graphs) 小世界圖形(Small World Graphs)

分離度高 N/A 規律圖形 (Regular Graphs)

- 14 -

(三) 社群密度 (Density)

計算社群的群聚程度，密度也是常使用的指標之一，大多數的社會網絡研究 都會使用到密度作為依據，密度定義是以網絡圖形為主與其可能的完全圖的差距 (Scott, 2000) 。

圖 2.3 網絡密度範例

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)。