第一章 – 社會網絡分析
- 社會網絡分析的古往今來
- 社會網絡中的關係與節點
- 視覺化網路的功效及意涵
第二章 – Gephi 社會網絡分析工具
- Gephi 社會網路分析工具簡介
- 準備工作
- 資料蒐集及策略
- 資料清洗
- 建立關聯式資料庫
- 資料匯出及管理
- 應付較大量資料的處理技巧
- 開始利用 Gephi進行社會網絡分析
- Gephi 各部件畫面及功能說明
- 專案管理及工作區模板介紹
- 專案及工作區管理
- Overview (綜合模式)
- Data Laboratory (資料處理模式)
- Preview (視覺化圖形預覽模式)
- 資料匯入及格式的選擇
- 初步全域網絡概要資訊統計
- 視覺化版型演算法及應用策略
- 視覺化預覽設定
- Preview Settings (預覽設定)
- Ranking (視覺化調整 : 重要性排序)
- Partition (視覺化調整 : 子結構區別)
- 網絡視覺化
- 預覽式視覺化
- 互動式視覺化
- 視覺化成果匯出
- 大量資料情況下的視覺化分析技巧
- 網路分析統計功能總攬
- 全域網絡概要資訊統計
- 全域節點資訊統計
- 全域關聯資訊統計
- Data Table 各指標資訊匯出及管理
- 進階視覺化互動式探索
- 即時資料分析及視覺化技巧 (on-the-fly editing & data filtering)
- 內建網絡資訊篩選功能庫介紹
- 五大類篩選目標及功能
- 視覺化互動式即時社會網絡分析技巧 – 與視覺化版型演算法配合操作
- 動態社會網路分析
第三章 – 實務案例及應用
(暫無規劃)
附錄
- 視覺化版型演算法參數說明
- Gephi Market 實用外掛套件(Plugins)精選
- 多重關係網絡投影及全重量化處理策略 (n-mode network projection)
Hints
- 大量資料的篩選下, 若是直接從權重不夠高的下手, 則容易失去弱關聯意圖呈現的資訊
- Closeness 隱含了 Modularity 中 Density 的意涵, 地理位置相近的節點通常具有相近的 Closeness 數值, 因此若由 Closeness 數值進行一維 clustering, 則群數與 Modularity 會有正相關
- 若要以全域的的角度來觀察網路 (例如 Heat Map) ,
則資料篩選則需從全域性的指標進行篩選 (比如 Eigenvector Centrality, Betweenness Centrality 等) ; 但若是要以區域的角度來觀察網路 (例如 Modularity),
則需以區域性的指標進行篩選 (例如 Degree, Weighted Degree),
才不會遷就整體趨勢及門檻而失去區域性資訊(例如 weak-tie),
使得視覺上看不出原本應有的群聚特性.
