當今社會，網絡結構數據普遍存在于各行各業(yè)。如何從這些數據中挖掘出價值，并且解決實際問題，成為學界和業(yè)界共同關注的研究方向。本書主要幫助讀者初步了解網絡結構數據，學習使用R語言進行實際數據分析。
本書共七章。第一章主要講解為什么關心網絡結構數據，介紹了R語言及常用的包，同時整理了常用的網絡數據集。第二章介紹了網絡結構數據的定義及分類，并整理了大量實例以幫助讀者快速熟悉網絡結構數據。第三章講解了網絡結構數據的可視化，重點介紹了針對大規(guī)模網絡的可視化方法及網絡的動態(tài)交互式可視化。第四章介紹了描述網絡特征的各種統(tǒng)計量及重要的網絡結構，并給出了實例。第五章重點介紹了三種經典的網絡結構數據模型， 第六章主要介紹了網絡結構數據中社區(qū)發(fā)現的相關概念及方法，并整理了常見的評價指標及標準數據集，通過實例向讀者展示社區(qū)發(fā)現的應用場景。第七章介紹了網絡結構數據分析中的鏈路預測問題。
本書適合網絡結構數據的初學者，相關專業(yè)的學生或對網絡結構數據感興趣的讀者閱讀。
潘蕊，中央財經大學統(tǒng)計與數學學院副教授，中央財經大學龍馬學者青年學者。北京大學光華管理學院經濟學博士。主要研究領域為高維數據分析、網絡結構數據分析、數據挖掘與建模等。在Annals of Statistics、Journal of the American Statistical Association、《中國科學：數學》等國內外期刊發(fā)表論文多篇。著有《數據思維實踐》。
張妍，女，廈門大學在讀博士研究生，研究方向為網絡結構數據。
高天辰，男，廈門大學在讀博士研究生，研究方向為復雜網絡分析。
第 1 章 概 述 1
1.1 為什么關心網絡結構數據 2
1.2 R 語言與 igraph 包 3
1.3 本書所使用的案例數據 5
第 2 章 認識網絡結構數據 9
2.1 網絡結構數據的定義 10
2.2 網絡結構數據的分類 10
2.2.1 0-1 網絡 11
2.2.2 加權網絡 12
2.2.3 符號網絡 14
2.2.4 雙模網絡 15
2.2.5 動態(tài)網絡 15
2.2.6 其他類型網絡 16
2.3 更多例子 18
2.3.1 社交網絡 18
2.3.2 貿易網絡 19
2.3.3 疾病傳播網絡 20
2.4 鄰接矩陣 20
2.5 網絡結構圖 22
2.6 igraph 包相關代碼示例 24
2.7 本章小結 30
第 3 章 網絡結構數據的可視化 32
3.1 布局方式 33
3.2 裝飾網絡結構圖 38
3.2.1 vertex.xxx 和 edge.xxx 基礎參數設置 39
3.2.2 vertex.xxx 和 edge.xxx 進階參數設置 41
3.2.3 用 V(G) 和 E(G) 設置節(jié)點和連邊的屬性 42
3.3 大規(guī)模網絡的可視化 44
3.3.1 提取核心子圖，將復雜網絡簡單化 44
3.3.2 提取節(jié)點鄰域，繪制網絡子圖 48
3.3.3 劃分網絡社區(qū)，展示網絡社區(qū)結構 50
3.3.4 簡化網絡結構，以節(jié)點簇（社區(qū)）代替節(jié)點 51
3.4 動態(tài)交互式網絡的可視化 53
3.5 其他的可視化軟件 56
3.6 本章小結 56
第 4 章 網絡的描述統(tǒng)計 60
4.1 網絡密度 61
4.2 節(jié)點的度 63
4.2.1 無向網絡的度 63
4.2.2 有向網絡的入度和出度 65
4.3 二元結構 67
4.4 三元結構 70
4.5 路徑、距離、網絡的直徑 72
4.5.1 路徑 72
4.5.2 距離與網絡的直徑 74
4.6 節(jié)點的中心性 76
4.6.1 度中心性 77
4.6.2 接近中心性 77
4.6.3 中介中心性 78
4.7 星狀結構與鄰居 80
4.8 案例：統(tǒng)計學科合作者網絡分析 82
4.9 本章小結 87
第 5 章 網絡結構數據的經典模型 88
5.1 ER 隨機圖模型 89
5.2 指數型隨機圖模型 92
5.2.1 p1 模型 92
5.2.2 馬爾可夫隨機圖模型 94
5.2.3 新的擴展 94
5.2.4 律師合作網絡示例 96
5.3 隨機分塊模型 100
5.3.1 簡單隨機分塊模型 100
5.3.2 度修正的隨機分塊模型 104
5.3.3 其他擴展 105
5.4 潛在空間模型 106
5.4.1 距離模型 106
5.4.2 投影模型 107
5.4.3 其他擴展 107
5.5 本章小結 108
第 6 章 網絡結構數據的社區(qū)發(fā)現 109
6.1 社區(qū)發(fā)現的背景 110
6.1.1 社區(qū)的定義 110
6.1.2 社區(qū)發(fā)現 111
6.1.3 社區(qū)發(fā)現的分類 112
6.2 常用的社區(qū)發(fā)現算法 113
6.2.1 GN 算法113
6.2.2 Fast greedy 117
6.2.3 Leading eigenvector 118
6.2.4 Infomap120
6.2.5 Label propagation 121
6.2.6 Multilevel 122
6.2.7 Walktrap 123
6.2.8 Spinglass 124
6.3 社區(qū)發(fā)現結果的評價 125
6.4 社區(qū)發(fā)現的拓展和應用 128
6.4.1 動態(tài)網絡社區(qū)發(fā)現 128
6.4.2 帶有節(jié)點屬性的網絡社區(qū)發(fā)現 130
6.5 案例：統(tǒng)計學科合作者網絡社區(qū)發(fā)現 130
6.6 本章小結 133
第 7 章 鏈路預測 134
7.1 鏈路預測問題 135
7.2 基于相似性的鏈路預測 135
7.2.1 基于鄰居的相似性指標 136
7.2.2 基于路徑的相似性指標 140
7.3 其他鏈路預測方法 141
7.4 預測效果評價 142
7.5 本章小結 145
附錄 146
參考文獻 150
書單推薦
