本店POD版图书均在书名下有明显红字标注,POD图书属于按需定制,您下单购买后我们才开始印刷,故不可取消订单。 我们一般会在您下单后的4-7个工作日内完成发货,请谨慎下单!商品无质量问题不支持退货,定价和装帧可能会与原书不同,请以实物为准!详情请咨询客服 购买电子版图书请与客服直接联系,或搜索科学出版社电子商务平台购买 社会物理学 第6号 社会物理学网络舆情安全 |
| 曾用价 | 98.00 |
出版社 | 科学出版社 |
版次 | 1 |
出版时间 | 2017年05月 |
开本 | |
作者 | 牛文元 |
装帧 | 平装 |
页数 | 164 |
字数 | 300 |
ISBN编码 | 9787030517111 |
内容介绍
本书是社会物理学系列丛书的第6号,在国际社会物理学研究前沿(第1号)、社会物理学理论与应用(第2号)、社会物理学社会动力学(第3号)、社会物理学社会管理学(第4号)、社会物理学社会治理(第5号)的基础上,本书从社会物理学与网络舆情安全研究视角,邀请国内外知名专家专门撰稿,旨在对国际国内网络舆情安全zui新的概念方法、系统应用、实证分析等进行深入介绍。
目录
目录
CONTENTS
系统工程与系统科学中与大数据相关联的十大进展 1
数据驱动的社会激励:从应用到理论 16
基于社会媒体大数据的网络舆情演化趋势预测 29
基于城市节点的微信传播网络社团探测结果分析 38
风险治理中公众信任的研究基础及创新空间 49
国家治理的系统认知 58
新陈代谢3/4幂律的权力结构解释 67
公共政策发布前网络舆情仿真研究 78
基于微博信息的舆情数据挖掘研究 87
赋权舆论传播网络中影响力节点发现算法 97
多视角下的舆论传播及演化研究综述 107
社会风险研究中的“正态分布陷阱” 123
失败公共政策的网络舆情研究 131
政策视角下的中国网络舆情治理(1997~2016年) 147
在线试读
系统工程与系统科学中与大数据相关联的十大进展
顾基发
摘要
大数据已经吸引了不少学者和实际工作者从不同角度去研究它,本文不是从数据和信息科学的角度去研究它,而是从系统的角度去研究。利用系统理论出发去研究与大数据相关的十大进展:大系统、大网络、大数据、大解析、大方法论、大心理、大行为、大综合集成、大研讨厅、大智慧。
1. 引言
大数据似乎已经被宣传的有些过火了。其实要处理的系统越来越大、越来越复杂,这才是我们更要关心的。本文企图从大系统连带出现的一些大数据现象及解决问题的方法着手来看看这些年的重要进展和突破。这里列举出十个,当然是讲其主要的进展,也许可以更多一些,也许可以少一点,其中的一些进展,作者在其他场合也曾经有所涉及。
2. 大系统(big system)
系统的名词早已有了,但是比较系统地去研究它还是20世纪40~60年代,之后也络绎不绝地出现了一些新的名词,如复杂系统、大规模系统、开放系统等,一直到90年代又出现了一些新的名字,并且受到更深的研究和更广的应用,涉及的规模都很大,这里只介绍其中三个比较著名的大系统:开放复杂巨系统(open complex giant system)、复杂适应系统(complex adaptive system)和体系(system of systems)。
2.1 开放复杂巨系统
钱学森在1990年提出一大类系统,如果其元素和子系统种类很多并有层次结构,它们之间相互关系又很复杂,这就是复杂巨系统。如果这个系统又是开放的,就称作开放的复杂巨系统。所谓种类多其实就是巨大,而关系复杂是指相互作用是非线性的,而系统和环境之间不断交换物质和能量信息,即开放性。作为例子,钱学森曾提到脑系统、社会系统、军事系统、地理系统(含生态、环境系统)、人体系统、星系系统。
2.2 复杂适应系统
1994年,约翰·霍兰德(John Holland)在圣菲研究所做了名为“隐秩序”的著名演讲,而后出版了《隐秩序———适应性造就复杂性》一书。复杂适应系统(complex adaptive systems,CAS),也称复杂性科学(complexity science),是20世纪末兴起的前沿科学。复杂适应系统理论的核心思想———适应性造就复杂性。
复杂适应系统理论的基本思想可以概述如下:系统中的成员称为具有适应性的主体(adaptive agent),简称为主体。所谓具有适应性,就是指它能够与环境及其他主体进行交互作用。主体在这种持续不断的交互作用的过程中,不断地“学习” 或“积累经验”,并且根据学到的经验改变自身的结构和行为方式。整个宏观系统的演变或进化,包括新层次的产生,分化和多样性的出现,新的、聚合而成的、更大的主体的出现等,都是在这个基础上逐步派生出来的。
复杂适应系统理论把系统的成员看做是具有自身目的与主动性的、积极的主体。正是这种主动性及它与环境的反复的、相互的作用,才是系统发展和进化的基本动因。宏观的变化和个体分化都可以从个体的行为规律中找到根源。霍兰把个体与环境之间这种主动的、反复的交互作用用“适应” 一词加以概括,适应产生复杂性,如蚁群、生态、胚胎、神经网络、人体免疫系统、计算机网络和全球经济系统。所有这些系统中,众多独立的要素在许多方面进行着相互作用。在每种情况下,这些无穷无尽的相互作用使每个复杂系统作为一个整体产生了自发性的自组织。
复杂适应系统理论的提出,正好解决了管理实践中如何才能增强组织适应力的问题;约翰·霍兰德认为将复杂适应系统理论应用到组织管理中,研究如何建立符合复杂适应系统特征的组织并进行有效管理,是组织管理的重要发展方向;并且,他提出了“复杂适应组织” 的概念,它是指在组织成员具有自主判断和行为能力,具有与其他成员和环境交互信息和物质的能力,能够根据其他成员的行为和环境的变化不断调整行为规则,从而使自身及整个组织与环境相适应,如图1所示(Murray,1994;Holland,1992,1999)。
2.3 体系
关于体系亦称系统的系统(system of systems),总宇宙是一个体系,各个星系是一个体系。社会是一个体系,人文是一个体系,宗教是一个体系,多军兵种合成作战是一个体系。大体系里含有无穷无尽的小体系,小体系里含有无尽无量的、可以无穷深入的更小的体系。
图1 复杂适应系统例子
体系是由一组复杂分系统构成的,它们有5 个特点:①分系统操作是独立;②分系统管理是独立的;③系统和分系统都是在演化的;④总系统有突现的行为;⑤分系统在地理上是分散的(图2)。例如,军队组织多兵种大演习就是一个体系(图3)(Sheard,2006,2007;Mo,2008)。
图2 体系的定义
3. 大网络(big network)
生活中有不少系统会以网络形式出现,如交通网、通信网等。近年来由于互联网和物联网等出现,网络的规模越来越大,其相互关系也越来越复杂,除出现了大网络和复杂网络,还出现一些有特殊性质的网络,如小世界网络和无标度网络等。从物理结构而言,有社会网络、生物网络、经济网络等。
图3 体系例子
从处理网络手段讲有复杂网络分析(complex network analysis,CNA),从时间演化看有动态网络分析(dynamic network analysis,DNA),从规模和因素复杂看还有网络的网络(network of networks)或超网络(super network)。国内外应用较多的有社会舆情分析、寻找恐怖分子、供应链等。
4. 大数据(big data)
4.1 大数据概述
由于出现越来越大的大系统和大网络,相应的就产生越来越大的数据,从1PB=1024TB=1048576GB、1EB=1024PB=1048576TB到1ZB=1024EB=1048576PB,甚至还有更大的YB等。从大数据的特性而言,有所谓的“4V”:容量(volume),数据的大小;种类(variety),数据类型的多样性;速度(velocity),获得数据的速度;价值(value),合理运用大数据,也有认为是可变性(variability)或真实性(veracity)等。
大数据的出现使人们更关注它的存储、转换和加工等,并开发出各种类型的数据库和数据仓库等。另外为了人们能明白地理解它们,对数据的可视化也特别引起人们的关注。例如,美国国土安全部在开发ADVISE 系统时,就专门开发了软件如Starlight 系统、In-Spire 系统来显示得到的数据,并且用来找恐怖分子或其他对安全有威胁的人,也可用于找到有用的知识(图4,图5)。
图4 Starlight系统
图5 In-Spire系统
4.2 数据科学(data science)
比大数据发展稍慢一点的是数据科学。但是数据科学要处理的数据不仅有大数据,还有小数据,有时就很少几个样本数据,还有人工数据用计算机大量自动按程序产生的,还有就是专家们主观判断形成的数据。作者在文中曾对数据科学有更多的介绍(Gu and Zhang,2014,2015)。
4.3 从数据挖掘到专家挖掘
利用数据挖掘(data mining) 可以从数据中挖出有用的知识,随后文本中也可以挖掘,称为文本挖掘(text mining),再后来从流媒体也可以挖掘。更广泛的是从网上信息中去挖掘有用的东西,称为网上挖掘(web mining)。由于这些挖掘的对象数量要求很大,很早有人就提出数据挖掘所需数据往往需要所谓的海量数据。近年来由于重视专家经验,因此提出了专家挖掘(expert mining)。这时数据量往往不大,属于小数据。在进行导弹可靠性和载人飞船的安全性评估时,可用的实物试验样本很少,但是评估出的可靠性和安全性却很高,这时无法使用统计中大样本定理,有时也需要用到专家的经验,这种专家人数也不会太多(顾基发,2009b,2014)。
4.4 从数据到智慧(data-information-knowledge-wisdom,DIKW)
早在20世纪末,Zeleny和Ackoff分别提出DIKW序列(图6),但是Ackoff序列中多了一个U(understanding),如图7所示(Ackoff,1989)。正是这个U使人们懂得知识的价值和为什么要用这个知识,也是回答了大数据中的第4个V。其实知识是两种:隐知识和显知识。一般计算机主要处理显知识,而隐知识往往存在于专家脑中,以一种经验的形式存在。能否很好地运用隐知识也是一种智慧的表示,当然智慧更多是为了解决新问题而形成的新知识,即创新。
图6 DIKW
图7 DIKUW(Ackoff)
其实ADVISE系统很好地体现了从数据、信息到知识的全过程,里面的核心思想是知识网络图和数据科学。作者也是第*次从这个项目中学到数据科学的名词(图8)。
5. 大解析(big analytics)
大数据要真有用处,离不开数字解析去深度分析。过去由于系统不大或数据
社会物理学 第6号 社会物理学网络舆情安全 epub pdf mobi txt 电子书 下载 2024
社会物理学 第6号 社会物理学网络舆情安全 下载 epub mobi pdf txt 电子书 2024