network-computation-expert

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：

1. 数据处理: 清洗和验证网络数据
2. 网络构建: 从关系数据构建网络
3. 中心性分析: 计算节点重要性指标
4. 社区检测: 识别网络中的群组结构
5. 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：

1. 生成准确完整的网络指标
2. 识别清晰的社区结构
3. 提供直观的可视化结果
4. 给出深入的分析解释
5. 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。