本书是一本系统性梳理计算社会学相关理论和方法的论著。一方面，本书从传统复杂网络分析的角度，详细阐述社会网络分析的基础理论和动力学模型——随机网络、小世界网络、无标度网络和网络统计分析理论等，并将网络过程和行为应用于涌现、传染病等方面。另一方面，融合人工智能在自然语言处理、推荐算法等领域的进展，阐述了人工智能算法尤其是深度学习理论等在智能推荐、文本分析、假消息检测、虚拟社交机器人等领域的应用。在兼顾广度和深度的前提下，本书深度融合计算机科学、社会学、人工智能和复杂网络等多学科的专业概念，突出阐述了计算社会学领域近年来的新研究成果和关键技术突破。

推荐序一

推荐序二

前言

第0章绪论1

01社会学发展历程1

02计算社会学发展历程4

021计算社会学的孕育期：

20世纪90年代至

2009年5

022计算社会学的黄金期：

2009年至今7

03计算社会学主要研究

内容9

031社交大数据的获取与

分析9

032基于大数据的定量化

研究11

033ABM模拟的仿真模型

研究14

04新型社会计算系统的研制与

开发15

习题18

参考文献18

第一篇基础支撑理论与算法篇

第1章图论24

11图的基本概念24

111图的定义24

112图的基本术语25

12图的存储表示28

121邻接矩阵存储法28

122邻接表存储法29

123十字链表存储法30

124邻接多重表存储法31

13图的遍历32

131广度优先搜索32

132深度优先搜索33

14图的相关应用33

141最小生成树33

142AOV网与拓扑排序35

143AOE网与关键路径36

144最短路径37

小结40

习题40

参考文献41第2章理论方法概述42

21机器学习概览42

211机器学习基本概念42

212发展历程43

213基本流程45

22数据预处理46

221数据清洗46

222数据集成49

223数据归一化50

23特征抽取与选择51

231特征抽取51

232特征选择53

24经验误差与测试误差54

241误差来源与定义54

242欠拟合与过拟合55

25模型评估与选择57

251正则化57

252交叉验证57

253性能度量58

小结61

习题61

参考文献62第3章线性模型64

31基本形式64

32线性回归65

33逻辑回归66

34线性判别分析68

341基本思想68

342算法原理68

小结69

习题70

参考文献70第4章聚类71

41聚类任务71

411聚类任务描述71

412聚类算法的划分72

413距离度量73

414评价函数74

42基于划分的聚类算法77

421K-均值算法77

422K-中心点算法78

43基于层次的聚类算法79

431AGNES算法79

432DIANA算法80

433BIRCH算法81

44基于密度的聚类算法84

小结86

习题86

参考文献87第5章分类89

51决策树90

511决策树模型与学习90

512特征选择91

513决策树的生成95

514决策树的剪枝96

52贝叶斯分类98

521贝叶斯决策论98

522参数估计方法99

523朴素贝叶斯99

524EM算法102

53支持向量机103

531间隔与支持向量103

532对偶问题105

533核函数107

534软间隔109

54集成学习111

541个体与集成111

542Boosting算法112

543Bagging算法113

544结合策略115

小结117

习题117

参考文献118第6章神经网络119

61神经元模型119

611神经元模型的结构120

612激活函数122

613常见激活函数122

62感知机126

621感知机的概念及模型

结构126

622感知机的效果127

623多层感知机的概念及

模型结构128

63误差反向传播算法130

631误差反向传播算法的

概念130

632信息前向传播131

633误差反向传播132

64其他常见的神经网络

模型135

641玻尔兹曼机135

642深度信念网络138

643脉冲神经网络140

小结143

习题143

参考文献144第7章深度学习网络146

71深度学习网络概述146

72卷积神经网络147

721网络结构148

722经典模型150

73循环神经网络153

731网络结构153

732长短期记忆网络155

74图神经网络157

741网络结构158

742图神经网络模型159

75网络训练优化163

751梯度爆炸与梯度

消失164

752梯度下降优化策略164

753过拟合消减优化

策略167

小结169

习题169

参考文献170第8章高级神经网络框架174

81自编码器174

811预备知识174

812自编码器架构175

813经典自编码器模型175

814变分自编码器179

82编-解码器框架182

821编-解码器基本

框架182

822经典编-解码结构

模型182

83注意力机制185

831标准注意力机制185

832注意力形式186

833Transformer模型187

84生成对抗网络189

841GAN的基本原理189

842经典GAN模型192

843生成对抗网络的

应用195

小结196

习题197

参考文献197

第二篇社会网络分析篇

第9章网络结构与联系202

91三元闭包202

911三元闭包定义202

912聚集系数203

92强联系与弱联系205

921人际关系的强度205

922捷径与桥207

923强联系与弱联系的现实

意义210

93网络社区划分215

931分裂法图划分216

932其他图划分方法

扩展220

小结225

习题225

参考文献226第10章同质性228

101同质现象228

1011什么是同质现象228

1012同质现象的多样化

表现229

102同质性的测量231

1021相对比率和期望

比率231

1022EI同质性指数232

1023Blau异质性指数232

103同质现象的成因233

104同质现象的影响237

1041人群隔离237

1042感知偏差240

1043同伴效应243

小结246

习题246

参考文献247第11章网络的平衡与极化249

111认知平衡模型249

112结构平衡理论250

1121三节点结构平衡251

1122结构平衡定理252

1123弱结构平衡253

113极化现象255

1131极化现象产生与

定义255

1132群体极化的认知

基础257

1133群极化现象示例

分析259

114极化网络分析264

1141极化的衡量265

1142极化网络社区

发现266

小结270

习题271

参考文献272第12章社会权力274

121社会网络中的权力274

1211什么是权力274

1212社会网络权力的

特征277

122纳什均衡与网络议价278

1221什么是博弈279

1222纳什均衡与混合

策略均衡280

1223纳什议价解与权力

交换285

123节点权力的度量288

1231基于拓扑特征的度量

方法289

1232基于随机游走的度量

方法293

1233基于熵的度量方法298

小结301

习题302

参考文献305