| name | network-computation-expert |
| description | 社会网络计算专家分析技能，整合网络数据处理、网络构建、中心性分析、社区检测和网络可视化功能，提供全面的网络分析框架 |
| version | 1.0.0 |
| author | socienceAI.com |
| license | MIT |
| tags | ["network-analysis","social-networks","centrality","community-detection","visualization","network-computation"] |
| compatibility | Claude 3.5 Sonnet and above |
| metadata | {"domain":"social-network-analysis","methodology":"network-analysis","complexity":"advanced","integration_type":"analysis_tool","last_updated":"2025-12-27"} |
| allowed-tools | ["python","bash","read_file","write_file"] |
社会网络计算专家分析技能 (Network Computation Expert Analysis)
概述
社会网络计算专家分析技能整合了网络数据处理、网络构建、中心性分析、社区检测和网络可视化功能，为社会科学研究提供全面的网络分析框架。该技能帮助研究者从原始数据到网络分析结果的全流程处理。
使用时机
当用户请求以下分析时使用此技能：
- 社会网络关系的全面分析
- 从原始数据到网络分析的全流程处理
- 网络数据处理、构建、分析和可视化的连续分析
- 网络中心性、社区结构和动态变化的系统分析
- 中文社会网络数据的网络分析
快速开始
当用户请求网络分析时：
- 数据处理: 清洗和验证网络数据
- 网络构建: 从关系数据构建网络
- 中心性分析: 计算节点重要性指标
- 社区检测: 识别网络中的群组结构
- 可视化: 生成网络图和分析图表
核心功能（渐进式披露）
主要功能
- 网络数据处理: 从原始数据提取关系信息
- 网络构建: 构建标准化网络格式
- 中心性分析: 计算节点重要性指标
- 社区检测: 识别网络中的群组结构
次要功能
- 网络指标计算: 计算网络基本指标
- 网络可视化: 生成网络图和分析图表
- 质量检查: 网络分析的质量控制
- 属性分析: 节点和边属性的分析
高级功能
- 多层网络分析: 处理多重或多元网络
- 动态网络分析: 分析网络随时间的变化
- 二模网络分析: 处理二分网络结构
- 高级布局算法: 使用专门的布局算法
详细指令
第一阶段：网络数据处理
- 识别数据源类型（问卷、访谈、观察、数字痕迹）
- 从原始数据中提取关系信息
- 清洗和验证提取的关系
- 标准化数据格式和表示
- 检查数据完整性
第二阶段：网络构建
- 创建带有适当标识符的节点列表
- 构建邻接矩阵（二元、加权、有向）
- 处理不同网络类型（单模、多模）
- 处理节点和边属性
- 创建标准化网络格式
第三阶段：中心性分析
- 计算度中心性（节点的直接连接数）
- 计算接近中心性（到达其他节点的容易程度）
- 计算介数中心性（在最短路径中的重要性）
- 计算特征向量中心性（连接到重要节点的程度）
- 识别关键节点（枢纽、桥梁、影响者）
第四阶段：社区检测
- 应用适当的聚类算法（Louvain、标签传播等）
- 验证社区结构
- 分析社区间关系
- 解释社区在社会背景中的意义
第五阶段：网络可视化
- 创建清晰的信息网络图
- 使用视觉属性突出重要特征
- 生成发布质量的图表
- 提供交互式可视化（如适用）
第六阶段：综合分析与解释
- 整合所有分析维度的发现
- 将网络分析与更广泛的研究问题联系起来
- 考虑中国社会背景和文化特殊性
- 提供可操作的见解
参数
network_format: 输入格式 (edgelist, adjacency matrix, JSON等)directed: 网络是否有向 (默认: false)weighted: 网络是否加权 (默认: true)centrality_metrics: 要计算的中心性指标列表community_method: 社区检测算法visualization_type: 可视化类型 (静态, 交互式)node_attributes: 用于可视化的额外节点属性edge_attributes: 用于可视化的额外边属性methodology: 分析方法 (定量, 定性, 混合)cultural_context: 文化背景考虑 (特别是中文研究背景)
示例
示例 1: 组织网络分析
User: "分析组织内部的沟通网络"
Response: 处理沟通数据，构建网络，计算中心性指标，检测社区结构，生成可视化。
示例 2: 社交网络分析
User: "分析社交媒体中的影响力网络"
Response: 提取关系数据，构建网络，识别关键影响者，检测社区，分析传播路径。
示例 3: 合作网络分析
User: "分析学术合作网络的结构"
Response: 处理合作数据，构建网络，计算中心性，检测研究群体，分析合作模式。
质量标准
- 应用系统化数据处理程序
- 在整个分析过程中维护数据完整性
- 验证关系提取的准确性
- 记录所有处理步骤和决策
- 考虑中国网络数据的文化背景
输出格式
{
"summary": {
"total_nodes": 50,
"total_edges": 120,
"network_density": 0.098,
"components": 1,
"avg_path_length": 2.34,
"diameter": 6,
"modularity": 0.72,
"top_centrality_node": "节点A"
},
"details": {
"network_processing": {...},
"network_construction": {...},
"centrality_analysis": {...},
"community_detection": {...},
"visualization_data": {...}
},
"metadata": {
"timestamp": "2025-12-27T10:30:00",
"version": "1.0.0"
}
}
资源
- 社会网络分析最佳实践
- 网络可视化指南
- 社区检测算法比较
- 中国社会网络特征（关系等）
- Python工具包:
skills/network-computation-expert/scripts/network_analyzer.py
完成标志
完成高质量的网络分析应包括：
- 生成准确完整的网络指标
- 识别清晰的社区结构
- 提供直观的可视化结果
- 给出深入的分析解释
- 考虑中国社会背景的特殊性
此技能为社会科学研究提供专业的综合网络分析框架和工具，确保研究的科学性和严谨性。
