社會(huì)網(wǎng)絡(luò)分析方法（SNA）是一類考慮了多個(gè)行動(dòng)者間社會(huì)關(guān)系的方法論，適用于研究諸如學(xué)校、企業(yè)、組織到國家的一個(gè)整體單位?？紤]到網(wǎng)絡(luò)中存在的巨大關(guān)系網(wǎng)絡(luò)，本文從社交和內(nèi)容產(chǎn)品角度出發(fā)，介紹這一方法論的基本概念和實(shí)際運(yùn)用。

一、社區(qū)中的關(guān)系建立

首先要明確SNA中的兩個(gè)重要元素：行動(dòng)者（actor）和關(guān)系。

行動(dòng)者：以個(gè)體為單位，在圖中用圓圈代表一個(gè)行動(dòng)者。

關(guān)系：兩個(gè)行動(dòng)者間是否存在聯(lián)系，用連線表示，區(qū)分無向和有向。

關(guān)系矩陣是一個(gè)N*N的矩陣，縱橫分別表示行動(dòng)者，1代表存在關(guān)系，0代表不存在關(guān)系。

在無向圖中，可以以對角線為分割；有向圖中，僅看下半部分必須畫出完整矩陣。

以知乎用戶為例：用戶有權(quán)選擇關(guān)注或不關(guān)注他人，粉絲相對被關(guān)注者就是一個(gè)有指向性的關(guān)系；而被關(guān)注者也有權(quán)選擇是否關(guān)注這個(gè)粉絲，所以有向圖中含有的信息更豐富。

以用戶A-E為例：最多可以產(chǎn)生25個(gè)關(guān)系（第一行代表A關(guān)注了B和D，第一列代表A被B和E關(guān)注）。

在社群圖中，可以看更直接清晰看到兩兩用戶間的關(guān)系，這個(gè)五個(gè)用戶構(gòu)成的局部網(wǎng)可以看做是知乎用戶網(wǎng)絡(luò)的一個(gè)縮影。

二、KOL形成

上圖中反映的指向和指出每個(gè)用戶的線條數(shù)不盡相同，而衡量這一指標(biāo)，有助于理解整個(gè)社區(qū)內(nèi)的“權(quán)力”流向。簡單理解：即一個(gè)行動(dòng)者獲得越多的箭頭指向數(shù)，那他在這個(gè)社區(qū)中的位置和威望越高。

這里通常用中心度來量化這一指標(biāo)，指代某點(diǎn)的密集性，這一指標(biāo)被稱為度中心性（Degree Centrality）。

• 局部中心度（絕對）：某點(diǎn)的出入度之和；
• 局部中心度（相對）：實(shí)際度數(shù)/可能產(chǎn)生聯(lián)系的最多度數(shù)；
• 整體中心度：某點(diǎn)與其他點(diǎn)的捷徑距離（到其他點(diǎn)的最短途徑）之和。

計(jì)算上圖五個(gè)用戶的中心度關(guān)系，可以發(fā)現(xiàn)A/B/C/D四個(gè)用戶的局部中心度和整體中心度相等，E用戶則處于邊緣狀態(tài)。

利用軟件分析度數(shù)，可以更直觀看到這個(gè)微型社區(qū)的權(quán)力關(guān)系。

以八個(gè)用戶的相互關(guān)注關(guān)系重復(fù)上述步驟，可以看到更加直觀的顯示，很明顯A用戶在小世界中與最多的用戶產(chǎn)生聯(lián)系，是中心人物。

除了度中心度，衡量指標(biāo)還有接近中心度、中間中心度（分別用來表示和KOL有關(guān)聯(lián)的關(guān)鍵人物以及作為中間人的程度）。

三、興趣圈拓?fù)鋱D

以上圖八個(gè)用戶為例，ADCE用戶間構(gòu)成一個(gè)“循環(huán)”，其長度為4（其中間還包含ABCD這個(gè)長度也為4的環(huán)，和ABD、BCD兩個(gè)長度為3的環(huán)）。

考慮到關(guān)系的有向性，ABD是一個(gè)有向環(huán)，可以遵循A-D-B完成完整閉環(huán)；而ADCE雖然用線相連，但不在一個(gè)固定方向的持續(xù)鏈上，只能算作是半環(huán)。

派系是環(huán)概念的延伸，n-派系中的n指的是派系成員之間聯(lián)絡(luò)的最長途徑之長；我們最開始的例子（五個(gè)用戶）給出的就是一個(gè)2-派系群體。

現(xiàn)在我們來定義形成一個(gè)“社圈”的標(biāo)準(zhǔn)，如果派系的三分之二的成員完全相同，則把這些派系合并為一個(gè)圈，接下去可以定義不同的標(biāo)準(zhǔn)，對這個(gè)圈進(jìn)行擴(kuò)大。

對應(yīng)知乎，可以把最先形成的這個(gè)小圈理解為互相間有關(guān)系的又對某一問題同樣感興趣的人群，擴(kuò)大后的大圈則是對某一話題有同樣興趣的人群。

四、聚類

聚類技術(shù)在互聯(lián)網(wǎng)產(chǎn)品中已經(jīng)被廣泛運(yùn)用，但放在SNA下，聚類更強(qiáng)調(diào)等級結(jié)構(gòu)性（即根據(jù)個(gè)體的社會(huì)關(guān)系進(jìn)行分層）。

以八個(gè)用戶的案例為例，進(jìn)行了3次聚類，其中最左邊的數(shù)字指代度中心性的排名，A用戶因?yàn)橛凶畲蟮闹行亩人耘琶麨?。

第一層聚類結(jié)果：FGH邊緣用戶為一類，BD排名靠中的用戶為一類。

之后繼續(xù)聚類，直到所有用戶歸為一類停止。

圈和聚類兩者之間的區(qū)別在于：派系概念依據(jù)成員相似性進(jìn)行劃分，形成的圈子以興趣為交點(diǎn)；聚類則是按成員關(guān)系數(shù)量進(jìn)行劃分，是對權(quán)力等級的分類。

以知乎為例，這8名用戶可能同為科技互聯(lián)網(wǎng)話題愛好者，以3/3/2的結(jié)構(gòu)分別對物聯(lián)網(wǎng)、JAVA和人工智能感興趣，則這三類就可以單獨(dú)成為一個(gè)派系；但每個(gè)用戶對用的關(guān)注和被關(guān)注關(guān)系不同，F(xiàn)GH用戶產(chǎn)生的關(guān)系少，但他們可以不在同一派系中。

五、總結(jié)

感謝廣大網(wǎng)民貢獻(xiàn)的用戶數(shù)和關(guān)系鏈，目前SNA分析的應(yīng)用場景已經(jīng)拓展到多個(gè)領(lǐng)域的運(yùn)用，如社交產(chǎn)品中的社交圈分析——基于社交關(guān)系進(jìn)行的商品和內(nèi)容推薦、網(wǎng)絡(luò)信息傳播等，只要有人的地方，都可以用SNA來分析強(qiáng)弱關(guān)系、緊密度、群體分類。

就本文探討的KOL形成和發(fā)現(xiàn)來說，就可以作為商業(yè)廣告投放的量化參考標(biāo)準(zhǔn)之一。

社交網(wǎng)絡(luò)中，用來評估KOL的核心指標(biāo)一般為KOL本身制造的內(nèi)容及影響人群（后者量化到可收集的指標(biāo)上，一般為粉絲數(shù)，即社群圖中的單向關(guān)注關(guān)系，可以用多條有向線標(biāo)注）。

KOL粉絲重合度和SNA中派系的概念重合。根據(jù)自定義標(biāo)準(zhǔn)：廣告主可以計(jì)算出兩個(gè)KOL粉絲的重合度，從而根據(jù)預(yù)期的觸達(dá)次數(shù)選擇重合程度。

根據(jù)不同體量KOL的圈層推算預(yù)期滲透率：SNA其實(shí)可以幫助廣告主在前期就省下投放費(fèi)用，當(dāng)然投放后還要繼續(xù)關(guān)注APRU、ROI等指標(biāo)。

反推一下思考，也可以理解為什么現(xiàn)在買粉絲已經(jīng)成為了行業(yè)普遍亂象之一。

因此在關(guān)注的基礎(chǔ)上，很多社交產(chǎn)品也開始考慮其他互動(dòng)因素作為參考指標(biāo)，以排除僵尸粉的作亂

作者：47

來源：47