What you'll learn
- 了解社會網絡指標演算方法
- 詮釋社會網絡指標演算結果的意義
- 學習網絡分群的方法
- 詮釋網絡分群結果
Requirements
- 對於社會網絡分析有興趣者
- 已經了解Gephi基礎功能
Description
本課程主要在介紹Gephi的分群功能應該如何使用,主要介紹Modualrity、Connected Component、Girvan-Newman、Multi-Dimensional Scaling (MDS)、Lineage五種方法,詳細介紹每一種分群方法所採用的運算原理,並且了解每一個分群演算法可調參數,以幫助使用者最佳視覺化其結果,此外,介紹分群後應如何利用顏色標示出不同的群體,以利後續進行網絡分析與判斷。
1. Modualrity:利用Modualrity進行分群,輔以Modualrity Score來判斷最佳分群結果(一般來說大於0.6即可獲得最佳解),此外可以利用resolution來增加或減少分群、
2. Connected Component:利用Connected Component探測社群內的小團體、
3. Girvan-Newman:利用Girvan-Newman進行分群,並且可以將權重納入計算、或同時計算重複的連結。
4.Multi-Dimensional Scaling (MDS):利用節點的特徵進行向量運算,將相似的節點集中以利判斷
5.Lineage:Plugin提供的演算法。
Who this course is for:
- 學習過Gephi基礎基礎功能
Instructor
資料分析與應用研究者
個人擁有圖書資訊學科背景,專長是進行資料分析與應用,目前感興趣是社會網絡分析,個人認為社會網絡分析有別於以往量化統計的應用,讓研究者不再侷限於母體樣本的限制,透過社會網絡分析方法可將隱性知識加以呈現與視覺化,並透過圖像理論發展的量化技巧,分析節點在網絡的重要性與位置,進而了解隱藏在大數據(Big Data)下的各種研究現象,推薦大家來試試看,目前預計主要開設Gephi和Ucinet兩套軟體應用課程。