network-computation-expert

# 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 ```json { "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。*