社交网络的特征可以从多个维度进行分析，涵盖整体结构、个体行为、群体动态、时间演化以及内容属性等方面。
以下是详细的分类和特征列举：
1. 结构特征（整体网络属性）
-
密度（Density） ：网络中实际存在的边数与可能的最大边数之比，反映连接的紧密程度。
-
平均度（Average Degree） ：所有节点的边数（一级连接数）的平均值。
-
度分布（Degree Distribution） ：节点一级连接度的概率分布，如是否符合幂律分布（无标度网络）。
-
聚类系数（Clustering Coefficient） ：衡量节点邻居之间是否相互连接（例如“朋友的朋友是否是朋友”）。
-
网络直径（Diameter） ：网络中任意两节点间最短路径的最大长度。
-
连通性（Connectivity） ：网络是否全连通，或存在孤立子图（如巨连通分量占比）。
-
同配性（Assortativity） ：相似节点（如高连接度的节点）是否倾向于彼此连接。
-
中心性指标：
- 度中心性（Degree Centrality） ：节点直接连接的数量。
- 紧密中心性（Closeness Centrality） ：节点到其他节点的平均最短距离。
- 中介中心性（Betweenness Centrality） ：节点作为“桥梁”的重要性,位于最短路径的次数。
- 特征向量中心性（Eigenvector Centrality） ：节点连接的重要性（如PageRank）。
2. 个体特征（节点属性）
- 度（Degree） ：节点的直接连接数（有向网络中分为入度和出度）。
- 结构洞（Structural Holes） ：节点在连接不同群体时的中介作用（如Burt的结构洞理论）。
- 嵌入性（Embeddedness） ：节点间连接的稳固性（如共同邻居数量）。
- 三元闭包（Triadic Closure） ：节点是否促成“共同朋友”间连接（如Granovetter的强弱关系理论）。
3. 群体特征（子图或社区属性）
- 社区结构（Community Structure） ：通过模块度（Modularity）衡量群体内部连接的紧密程度。
- 派系（Clique） ：完全互连的节点子集（如3人互为好友）。
- 核心-边缘结构（Core-Periphery） ：网络核心密集连接，边缘稀疏。
- k-core/k-plex：满足特定连接条件的子图（如k-core要求每个节点至少连接k个其他节点）。
4. 动态特征（时间演化）
- 网络演化：节点和边的增减速率（如用户增长、关系变化）。
- 信息传播：如病毒传播模型（SIR）、级联效应或信息扩散速度。
- 稳定性：网络结构随时间变化的鲁棒性（如抗攻击能力）。
- 趋势分析：用户行为或话题热度的时序变化。
5. 内容特征（用户生成内容）
- 情感极性：用户发文的情绪倾向（正面/负面）。
- 主题分布：通过LDA等模型提取内容主题。
- 信息质量：虚假信息、谣言或垃圾内容的比例。
- 流行度指标：内容的点赞、转发、评论量等。
6. 其他维度
- 权重（Weight） ：边的强度（如互动频率）。
- 方向性（Directionality） ：有向边（如关注与被关注）。
- 多维网络：结合多种关系（如社交+兴趣网络）或属性（如用户性别、年龄）。
应用场景
- 推荐系统：利用中心性、社区结构识别关键用户。
- 舆情监控：通过动态特征检测突发事件。
- 社群发现：基于模块度划分兴趣群体。
这些特征可结合使用，例如分析高中介中心性的用户如何推动信息在紧密社区间的传播，或通过动态网络演化预测用户流失。实际应用中需根据具体问题选择合适的特征组合。
