第6讲：社会网络中的社区识别与信息传播

2026-10-13

数据科学与大数据技术专业，计算广告专业 · 大三上, 新闻与舆情数据学, 2026

← 返回课程主页 · 上一讲：文本分析建模 · 下一讲：研究设计与模型评测

新闻与舆情数据学课程讲义。承接第5讲文本建模。基础部分要求理解、计算和解释，拓展部分供课程项目选用。案例和计算数据均为虚构教学示例，不代表实际舆情结论。

一、本讲定位与学习目标

文本分析回答“人们谈论什么”，社会网络分析回答“谁与谁发生联系，内容沿哪些关系流动”。社区识别进一步把个体连接组织为中观结构，信息传播研究则引入时间和行为，考察内容如何进入、穿过或停留在这些结构中。

完成本讲后，应能：

根据研究问题定义节点、边、方向、权重与时间窗。
区分文本簇、结构社区、现实群体与立场群体。
解释GN、模块度优化、标签传播与重叠社区发现的思想。
计算基础网络指标，并判断指标支持什么结论。
理解SI、SIS、SIR、独立级联与阈值模型的假设。
区分链接预测、扩散预测与因果影响，完成带证据边界的传播分析。

1.1 贯穿案例：校园食堂服务调整

沿用第5讲案例。学校调整价格和营业时间，学生、校园媒体和校方账号发布信息。一部分讨论集中于价格，另一部分集中于夜间服务；校园媒体转载学生诉求，校方随后发布说明。

研究问题可以分为三个层次：哪些账号形成频繁互动的结构社区；价格议题怎样跨社区传播；说明发布后，各社区的诉求和互动结构怎样变化。前两个问题需要关系和时间数据，最后一个还需要可靠的内容编码。

只有评论正文而没有互动记录时，可以分析文本议题，但不能声称重建了真实转发路径。

二、把舆情问题转成网络

2.1 节点与边不是天然存在的

图记为 G=(V,E) 。节点集合V和边集合E由研究者依据问题定义。带时间的互动记录可以写为 (u,v,t,r,w) ，分别表示来源节点、目标节点、时间、关系类型和权重。

网络类型	节点	边	能够支持的解释
转发网络	账号或帖子	明确记录的转发	观察到的转载关系
回复网络	账号	回复行为	讨论与互动结构
关注网络	账号	关注行为	潜在接触关系，不代表实际曝光
实体共现网络	机构、人物等	同一文本或句子中共现	报道中的关联呈现
文本相似网络	文档	相似度超过阈值	内容相近，不能直接推断互相转载
用户—话题二部网络	用户和话题两类节点	用户参与话题	参与结构及议题交叉

账号A转发账号B的内容，有两种常见方向约定：行为网络记作A→B；内容流动网络记作B→A。本讲的传播网络统一使用“原作者→转发者”。研究者必须在图注中声明约定，否则入度和出度的解释可能完全相反。

2.2 数据表与治理

建议保留两张表：帖子表包含post_id、author_id、created_at、text、platform、source_url；互动表包含interaction_id、source_id、target_id、relation、event_time、parent_post_id和证据来源。另行记录采集时间，避免把它当作发布时间。

建图前处理重复采集、缺失主体、时区不一致和账号更名；同一真实互动的重复采集只计一次，不同时间发生的真实互动可以累加。自环、孤立节点和缺失父帖均应有明确处理规则。匿名化账号时仍需保留稳定映射。

回复不代表赞同，转发也可能包含批评。互动类型与态度标签必须分别保存。跨平台账号只有在具备可靠对应证据时才能合并；同名不是充分证据。

2.3 加权、多层与动态网络

同一对账号发生5次互动，可以设权重为5。也可以按不同互动类型分层，而不把回复、提及和转发全部混成一种关系。

时间窗决定网络的意义。全事件网络适合描述总体结构，按天或阶段构建的快照适合比较演化。比较时应说明节点全集是否固定、窗口长度是否相同以及活跃用户是否变化。社区编号每次运行都可能改变，不能把两期的“社区1”直接视作同一群体。

三、网络结构与关键节点

3.1 度、强度与密度

无向节点的度是邻居数；有向网络分别有入度和出度；强度是相连边权之和。按本讲内容流动方向，出度高表示内容被更多不同账号直接转发，入度高表示该账号转发了更多不同来源。两者都不等于说服效果。

简单无向图的密度为 2m/[n(n-1)] ，不含自环的简单有向图为。密度取决于规模、边定义和采样，不能只凭密度上升就判断群体关系更紧密。

3.2 中介与接近中心性

节点中介中心性的未归一化形式为：

$C_B(v)=\sum_{s\ne v\ne t}\frac{\sigma_{st}(v)}{\sigma_{st}}.$

其中 $\sigma_{st}$ 是s到t的最短路径数， $\sigma_{st}(v)$ 是经过v的路径数。高值意味着节点处于较多最短路径上，但信息未必沿最短路径传播，平台推荐也可能绕过可见关系。

接近中心性通常基于到其他节点的距离。非连通图应报告连通性，选择适当修正或调和中心性，并说明有向距离考察的是到达别人还是被别人到达。

互动频次越高表示关系越强，但最短路径算法中的权重通常表示距离或成本。不能直接把互动频次当作距离；若采用 d=1/w ，必须说明这是分析假设，并与不加权结果比较。

3.3 三种“重要性”

结构重要性是节点在图中的位置，传播重要性是节点与观察到的扩散有关，社会影响是节点导致他人态度或行为改变。三者需要不同证据。中心性排序可以产生待核查名单，不能自动产生“意见领袖排行榜”。

四、社区的定义与计算示例

4.1 社区与内容簇

结构社区通常指内部连接相对密集、外部联系相对稀疏的节点集合。文本簇依据语义或词项相似度形成，两者可能交叉：同一社区讨论多个议题，同一议题也可能穿过多个社区。

强社区要求每个节点的内部度大于外部度；弱社区要求社区内节点的内部度之和大于外部度之和。它们是特定结构定义，并非所有算法都强制满足。现实网络还可能存在重叠成员、多层关系和随时间变化的边界。

4.2 模块度：比随机连接多出多少内部连接

简单无向图的模块度为：

$Q=\frac{1}{2m}\sum_{i,j}\left(A_{ij}-\gamma\frac{k_i k_j}{2m}\right)\mathbf{1}(c_i=c_j).$

A是邻接矩阵，k是度，m是边数，c是社区归属，γ是分辨率参数。度保持的空模型提供内部连接的期望值。加权图用强度和总权重替代相应量；有向图应采用有向公式，不能机械套用上式。

取γ=1时，也可写为 $Q=\sum_C[l_C/m-(d_C/2m)^2]$ ，其中l是社区内部边数，d是该社区节点的度之和。

教学网络有两个三角形ABC、DEF，并以C—D连接。共6个节点、7条边。划分为{A,B,C}与{D,E,F}时，每个社区内部有3条边、度之和为7，因此：

$Q=2\left(\frac37-\left(\frac7{14}\right)^2\right)=\frac5{14}\approx0.357.$

把所有节点放入同一社区时，γ=1下Q=0。这个例子说明该划分比空模型有更多内部连接，不说明两个社区具有不同立场。

五、主要社区识别方法

方法	核心思想	优点	主要限制
Girvan–Newman（GN）	逐步移除高边中介边	小图上直观，能展示分裂过程	重算开销大，分裂层数需选择
Louvain	局部移动提高模块度，再聚合社区	适合较大网络	随机性、分辨率限制，可能产生连接不良的社区
Leiden（拓展）	在优化中加入社区细化	改善社区连接性质	仍需选择目标函数与分辨率
标签传播	节点反复采用邻居中占优势的标签	实现简洁、通常运行较快	顺序和随机性影响结果，可能形成巨大社区
随机游走类	利用游走更易滞留在密集区域	可表达局部流动结构	具体目标与参数依算法而异
团渗透CPM	连接共享k−1个节点的k团	允许节点多重归属	对稀疏图和k的选择敏感，可能遗漏节点

5.1 GN的操作过程

先计算所有边的中介中心性，删除最大的一条或一组，重新计算，再继续分裂。每次删除后重算很关键，因为路径结构已经改变。边中介不是节点中介；算法删除的是分析副本中的边，不是认定现实中应切断该联系。

在双三角形例子中，C—D是唯一连接两个部分的边。删除它即可形成两个连通分量。真实图中，高中介边也可能位于同一大社区内部，不能保证每次切分都有社会意义。

5.2 Louvain与分辨率

从节点各自成社区开始，尝试把节点移到邻居社区，保留提高模块度的移动；再将社区聚合成新图并重复。它是启发式优化，不保证全局最优。原课件提到的BGLL通常指这一方法，不应把它简单归为标签传播的改进。

较高γ通常倾向更细的划分，较低γ通常倾向更粗的划分，但具体结果还受优化过程影响。选γ的目的应是检查研究结论在不同尺度是否成立，不是调出预期的群体数量。

5.3 重叠与动态社区

桥接节点不自动属于两个社区；非重叠算法仍会把它归到一个集合。若研究“同时参与多个讨论圈”，应选择重叠方法或直接统计用户参与的多个话题，明确成员资格的含义。

动态分析可用相邻时间窗的成员交集、Jaccard相似度 $|A\cap B|/|A\cup B|$ 辅助匹配社区，并允许分裂、合并和新生。不要强行给每一期社区找一一对应关系。

六、社区结果怎样评估和命名

有可信参考划分时，可以使用NMI、ARI；重叠划分需选择适合多重成员资格的指标，例如Omega。组织标签或学院标签是外部属性，未必是互动社区的“真值”。

没有参考划分时，应联合检查模块度、规模分布、内部连通性、跨社区边、不同随机种子的一致性及代表内容。高模块度不能单独证明质量，更不能用于不加说明地比较不同图和不同γ。

建议每个主要社区抽查中心节点、普通成员和边界成员，并保存原文证据。初始命名用“社区A”“社区B”，核验后可写“以价格诉求讨论为主的社区”，避免使用无身份依据的“激进群体”“水军组织”等名称。

结构相似可能来自同质性选择、共同接触来源、平台推荐或社会影响。仅凭相邻账号表达相似，不能区分这些机制，也不能证明协同行动。

6.1 文献综述：结构识别与社会解释之间的距离

Girvan与Newman（2002）将社区结构理解为内部连接紧密、群组之间联系较疏的结构，并以中心性识别社区边界，在已知与未知结构的网络上进行验证。这项工作为GN算法提供依据，但验证的是关系图的划分，不是节点的政治立场、真实组织身份或协同行为。原始论文

从这一研究出发，课程项目需要分两步：先检查结构结果是否稳定，再用独立属性、内容与行为证据解释群组。两步使用不同证据；算法标签只是待解释对象。因而“社区A中多数样本讨论价格”可以是有编码依据的描述，“社区A是某组织成员”则需要身份材料，不能从同一划分直接推出。

七、从静态关系到传播过程

7.1 时间约束与传播级联

静态图中的A→B→C只表示存在两条边。如果B→C早于A→B，路径就不能解释这条信息按该顺序传播。传播路径应同时符合关系类型、内容关联和时间顺序。

有明确父帖记录时，可构建传播级联；父帖缺失时，应标注不完整，不能仅凭发布时间把所有帖子接到最早节点上。“首次观察到的发布者”也不等于整个互联网的首发者。

指标	定义	解释边界
级联规模	按既定单位统计的传播节点数	帖子数与去重用户数分别报告
深度	从根到节点的最长路径长度	广播式传播可能规模大、深度小
最大宽度	某一传播层的最大节点数	不等于平台曝光人数
到达时间	从根发布到目标节点传播的时差	受时间精度和缺失记录影响
跨社区边比例	跨社区传播边数/可判定归属的传播边数	明确按唯一边还是互动次数计数
新参与用户数	窗口中首次观察参与的去重用户数	不等于首次接触事件的人数

跨社区边增多可以表示讨论外溢，也可能是对立群体互相批评。必须结合内容与态度解释。

7.2 弱关系与复杂传播

弱关系可能把内容带入新的圈子；强关系和重复接触可能支持需要信任或社会认可的行动。关系强度、跨社区位置和传播效果是不同概念。跨社区边未必是弱关系，同社区内部也可能意见分化。

7.3 文献综述：弱关系论证的适用条件

Granovetter（1973）讨论关系强度、局部关系与更大社会结构之间的联系，为理解信息如何穿过紧密圈子提供了经典视角。其论证并不是“所有弱关系都传播得更快”，也不是仅凭一条跨社区边就能够确认弱关系。原始论文

对舆情传播的应用应检验两类证据：关系强弱是否由互动历史等资料合理测量，相关内容是否确实沿该关系跨圈流动。若只有事件期边表，往往只能描述跨社区连接；关于弱关系机制的解释应保留为待验证推断，并同时考虑推荐、媒体转载与共同外部事件。

八、信息传播模型

8.1 SI、SIS、SIR与SIRS

模型	状态转移	信息传播中的教学解释
SI	S→I	尚未参与者开始传播，模型中持续活跃
SIS	S→I→S	活跃者停止后仍可能再次参与
SIR	S→I→R	活跃传播后退出，此次过程不再参与
SIRS	S→I→R→S	退出一段时间后再次具有参与可能

S、I、R是建模状态，不是人的价值分类；看到信息、相信信息、分享信息是不同状态，不能混用。SIR中的R在信息模型中可以表示停止传播，并不意味着已被纠正或形成免疫。

均匀混合的连续时间SIR可写为：

$\dot S=-\beta SI/N,\quad\dot I=\beta SI/N-\mu I,\quad\dot R=\mu I.$

β和μ是速率，N=S+I+R。在这一模型及相应早期条件下，增长取决于 $\beta S(0)/N>\mu$ 。不能把均匀混合模型的阈值直接视为任意网络的普遍阈值。网络结构、个体差异和外部输入都会改变传播过程。

8.2 独立级联（IC）

节点首次激活后，对每个尚未激活的出邻居尝试一次，以给定概率成功。失败后不再重复尝试该边，过程持续到没有新激活节点。

例如A激活后分别以0.2和0.5的概率尝试B、C。本轮新增激活数的期望为0.7，这不是整个级联的期望规模，因为后续还可能继续传播。概率需要数据估计或明确设为模拟参数，不能把互动频次直接解释为传播概率。

8.3 线性阈值（LT）

节点v具有阈值θ；入邻居的影响权重通常非负且总和不超过1。当已激活邻居的权重之和达到θ时，v激活。两个邻居各贡献0.3，θ=0.5时，单个邻居不足，二者共同激活则达到阈值。

IC表达一次尝试的随机扩散，LT表达累积影响。这是机制假设，不是证明现实分享行为必然符合某个模型。

8.4 影响力最大化与模拟评测

给定种子预算k，选择种子集合，使模型下预期激活规模最大。在特定渐进IC/LT模型及单调、次模等条件下，精确评估的贪心方法具有 1-1/e 近似保证；这不是“真实传播预测准确率至少63%”。有限模拟估计会带来额外误差。

课堂可以比较随机选种子、按度选种子和按中介选种子。每种策略应重复模拟，报告均值和离散程度。结论应写为“在本图与所设参数下”，不能推成现实干预效果。若要解释真实扩散，还需校准参数、检验样本外表现和加入平台推荐等竞争机制。

九、链接预测：预测关系，不等于预测态度

链接预测可用于推测缺失边或预测未来新增边。两种任务不同：前者研究观测不完整，后者研究时间演化。

无向简单图的基础相似性方法包括：共同邻居 $|N(u)\cap N(v)|$ ；Jaccard相似度；Adamic–Adar得分 $\sum_{z\in N(u)\cap N(v)}1/\log k_z$ 。它们体现相似性假设，有向转发网络需要重新定义邻居和候选方向。

未来预测必须在截止时间冻结图与特征，用之后的新增边评价。不能使用未来全图算中心性后再声称预测未来。候选负例应明确是否覆盖所有未连边对、是否只考虑活跃节点以及如何采样；没有观测到边不一定表示真实不存在。

稀疏网络可报告PR-AUC、Precision@K和Recall@K，并配合随机、度或共同邻居基线。ROC-AUC只能作为补充。链接预测得分未经校准通常不是概率，也不支持“某用户将相信某观点”的结论。

十、课堂实验：一份可运行的小网络

以下代码只构建无向教学图，以聚焦社区原理。正式项目的转发方向与权重需要另外保留。环境需要Python与NetworkX，记录实际安装版本。

import networkx as nx
from networkx.algorithms import community

G = nx.Graph()
G.add_edges_from([
    ('A', 'B'), ('B', 'C'), ('A', 'C'),
    ('D', 'E'), ('E', 'F'), ('D', 'F'), ('C', 'D')
])
partition = next(community.girvan_newman(G))
print('节点、边、密度:', len(G), G.number_of_edges(), nx.density(G))
print('社区:', [sorted(c) for c in partition])
print('模块度:', community.modularity(G, partition))
print('节点中介:', nx.betweenness_centrality(G))
print('边中介:', nx.edge_betweenness_centrality(G))

# 检查结论对额外跨社区关系是否敏感
H = G.copy()
H.add_edge('B', 'E')
p2 = next(community.girvan_newman(H))
print('修改后社区:', [sorted(c) for c in p2])
print('修改后模块度:', community.modularity(H, p2))

原图应得到6个节点、7条边，密度约0.467，首层GN划分为两个三角形，模块度约0.357。社区集合的输出顺序没有含义。

实验依次完成：画出原图并手算模块度；解释C、D的桥接位置；新增B—E并比较；将一个三角形解释为赞同者、反对者或同学院成员，讨论为什么同一图不能独立验证这些命名。

正式项目再完成：构建有向传播图；保留无向投影规则；比较至少两个参数或窗口；抽查社区内容；输出一张时间线和三条可追溯传播记录。无向投影适合部分社区算法，但会丢失传播方向，不能拿投影中的路径替代有向传播路径。

十一、自测题与答题要点

同一社区是否意味着相同立场？——不意味着，需独立内容编码与成员证据。
高中介账号是否控制了信息？——仅说明结构位置，真实传播和因果控制需更多证据。
为什么静态路径可能不是传播路径？——时间顺序、关系类型或内容关联可能不成立。
模块度高是否说明算法找到了真实组织？——只反映给定图和空模型下的结构性质。
IC与LT的区别是什么？——前者一次随机尝试，后者累积影响达到阈值。
为什么不能用完整事件网络评估未来链接预测？——未来关系进入特征会造成信息泄漏。

Xiaoning Wang