自2009年至今，计算社会学步入了发展的黄金时期。多学科的深度交叉融合，以人工智能为代表的数据科学方法的快速发展以及跨空间、多模态数据的快速富集等都使得计算社会学得到蓬勃发展，让社会科学研究呈现出崭新面貌，为解释人类行为、群体认知、社会演化等提供了重要的理论和方法支撑。本书采用渐进式的组织思路，以人工智能的经典模型为基础理论支撑，从社交网络分析、网络动力学、社交媒体挖掘与社群智能三个维度进行延伸，围绕典型应用系统梳理计算社会学的代表性应用。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、复杂网络、统计学和自然语言处理等多学科的专业概念，突出社会计算学近年来的研究成果和关键技术突破。本书为人工智能与社会科学交叉融合提供了系统性的理论框架、方法体系与应用阐释，是研究人员、专业人员以及工程、计算、AI、互联网等领域的技术人员不可或缺的参考资料，同时也可作为相关领域的高年级本科生和研究生的教材。

W

计算机\人工智能

本书由此领域的专家教授执笔，及时地对计算社会学黄金十年的代表性成果进行了系统梳理。作为《社会媒体挖掘》的作者之一，我被本书明晰且丰富的知识结构所折服。该书涵盖了计算社会学领域的基础知识、经典社会计算理论，以及重要的社会计算与社群智能算法，非常适合高年级本科生或研究生学习，及领域的研究人员参考。
—— 刘欢 美国亚利桑那州立大学Regents教授，ACM Fellow, AAAI Fellow, AAAS Fellow, IEEE Fellow
本书巧妙地融合平行理论中的多元要素，以独特视角对数智时代的计算社会学研究范式进行剖析，以智能计算技术为赋能核心，系统性地阐述了人工社会-计算实验-平行执行的最新理论成果，为深化计算社会学研究提供了全新的视角。
—— 王飞跃 中国科学院自动化研究所研究员，IEEE Fellow，AAAS Fellow
十四年前，我与郭斌博士在法国提出社群智能的概念，设想从大量的“数字脚印”中挖掘和理解个人和群体活动模式、大规模人类活动和城市动态规律，并将社群智能有机地融合到各种创新服务中，构建“人-机-物”和谐共生的系统。十多年来，随着计算社会学蓬勃发展，以大数据和人工智能驱动的社群智能研究成果层出不穷。在此背景下，《计算社会学》一书应运而生，它从计算智能的视角，系统地梳理了计算社会学领域的代表性工作。本书不仅是学习计算社会学的绝佳教材，也会为研究计算社会学带来诸多启发，为此特别推荐给关注计算社会学的同学和研究人员。
—— 张大庆 北京大学讲席教授，欧洲科学院院士，IEEE Fellow
《计算社会学》是一本系统性梳理计算社会学理论和方法的论著，具有极高的教学价值。书中详细介绍了社会网络分析的基础理论、动力学模型和网络统计分析，并将其应用于涌现和传染病等实际领域。此外，书中还深入介绍了人工智能算法（如深度学习）在智能推荐、文本分析、假消息检测和虚拟社交机器人等领域的应用。这本书的特别之处在于融合了计算机科学、社会学、人工智能和复杂网络等多个学科的专业概念，全面呈现了计算社会学领域最新的研究成果和关键技术突破。对于计算社会学的教学而言，这本书是不可或缺的宝贵资料。
—— 熊辉 美国罗格斯-新泽西州立大学终身教授，院长讲席教授，IEEE Fellow，AAAS Fellow
在人工智能技术飞速发展的今天，其对社会的深远影响日渐凸显。为了适应这些变化，掌握计算社会学的知识变得愈加重要。《计算社会学》一书系统性地阐述了计算社会学领域的关键理论和方法，涵盖了从算法基础到社会网络分析，再到相关应用的广泛主题。本书不仅是对该学科全景式的呈现，也无疑将吸引和鼓励更多研究人员投身于这一跨学科领域的探索。
—— 谢幸 微软亚洲研究院首席研究员，ACM Fellew，IEEE Fellow
本书知识结构丰富，案例翔实且分析深刻，是第一部以计算思维为主线重构计算社会学知识体系的教材。本书的最大特色在于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，将抽象的算法和技术融入案例中，用言简意赅的文字进行深入浅出的讲解。
—— 曾大军　中国科学院自动化研究所副所长，AAAS Fellow，IEEE Fellow
为了推动计算社会学的发展，培养高水平的计算社会学后备力量，开展计算社会学教材体系的建设具有重要的意义。当前市面上社会学相关教材缺乏对近十年计算社会学成果的系统性梳理。如何以“计算+X”的复合型人才培养理念为指导，面向多学科受众，写一本将理论与实践相结合且涵盖全球近十年最新研究成果的教材，非常必要且极具挑战性。西北工业大学计算机学院郭斌教授等历时近三年，数易其稿，系统梳理了计算社会学“黄金十年”的代表性成果，并结合团队在社会计算和群智计算领域的研究成果，形成了《计算社会学》著作。
—— 刘挺　哈尔滨工业大学副校长，计算学部主任兼计算机科学与技术学院院长，人工智能研究院副院长

目录
前 言 2
第0章 绪 论 15
0.1 社会学发展历程 15
0.2 计算社会学发展历程 17
0.2.1 计算社会学的孕育期：20世纪90年代-2009年 17
0.2.2 计算社会学的黄金期：2009年——至今 19
0.3 计算社会学主要研究内容 22
0.3.1 社交大数据的获取与分析 22
0.3.2 基于大数据的定量化研究 24
0.3.3 ABM模拟的仿真模型研究 26
0.3.4 新型社会计算系统的研制与开发 30
0.4 核心内容及组织安排 33
0.4.1 核心内容 33
0.4.2 组织安排 34
参考文献 36
第1章 图论 40
1.1 图的基本概念 40
1.1.1 图的定义 40
1.1.2 图的基本术语 41
1.2 图的存储表示 44
1.2.1 邻接矩阵存储法 44
1.2.2 邻接表存储法 45
1.2.3 十字链表存储法 46
1.2.4 邻接多重表存储法 46
1.3 图的遍历 47
1.3.1 广度优先搜索 47
1.3.2 深度优先搜索 48
1.4 图的相关应用 48
1.4.1 最小生成树 48
1.4.2 AOV网与拓扑排序 49
1.4.3 AOE网与关键路径 50
1.4.4 最短路径 51
小结 53
习题 54
参考文献 55
第2章 理论方法概述 56
2.1 机器学习概览 56
2.1.1 机器学习基本概念 56
2.1.2 发展历程 57
2.1.3 基本流程 58
2.2 数据预处理 59
2.2.1 数据清洗 59
2.2.2 数据集成 61
2.2.3 数据归一化 62
2.3 特征抽取与选择 63
2.4 经验误差与测试误差 65
2.5 模型评估与选择 67
小结 71
习题 71
参考文献 72
第3章 线性模型 74
3.1 基本形式 74
3.2 线性回归 74
3.3 逻辑回归 76
3.4 线性判别分析 77
3.4.1 基本思想 77
3.4.2 算法原理 78
小结 79
习题 79
参考文献 79
第4章 聚类 81
4.1 聚类任务 81
4.1.1 聚类任务描述 81
4.1.2 聚类算法的划分 81
4.1.3 距离度量 82
4.2 基于划分的聚类算法 86
4.2.1 K均值算法 86
4.2.2 K-中心点算法 87
4.3 层次聚类算法 87
4.3.1 AGNES算法 88
4.3.2 DIANA算法 88
4.3.2 BIRCH算法 89
4.4 基于密度的聚类算法 92
4.4.1 DBSCAN算法 92
小结 94
习题 94
参考文献 95
第5章 分类 97
5.1 决策树 97
5.1.1 决策树模型与学习 98
5.1.2 特征选择 99
5.1.3 决策树的生成 102
5.1.4 决策树的剪枝 104
5.2 贝叶斯分类 105
5.2.1 贝叶斯决策论 105
5.2.2 参数估计方法 106
5.2.3 朴素贝叶斯 106
5.2.4 EM算法 108
5.3 支持向量机 109
5.3.1 间隔与支持向量 109
5.3.2 对偶问题 110
5.3.3 核函数 112
5.3.4 软间隔 114
5.4 集成学习 116
5.4.1 个体与集成 116
5.4.2 Boosting 117
5.4.3 Bagging 118
5.4.4 结合策略 119
小结 121
习题 121
参考文献 122
第6章 神经网络 123
6.1 神经元模型 123
6.1.1 神经元模型的结构 123
6.1.2 激活函数 125
6.1.3 常见激活函数 125
6.2 感知机 130
6.2.1 感知机的概念及模型结构 130
6.2.2 感知机的效果 131
6.2.3 多层感知机的概念及模型结构 132
6.3 误差反向传播算法 134
6.3.1 误差反向传播算法的概念 134
6.3.2 信息前向传播 135
6.3.3 误差反向传播 136
6.4 其他常见的神经网络模型 138
6.4.1 波尔兹曼机 138
6.4.2 深度信念网络 141
6.4.3 脉冲神经网络 142
小结 144
习题 145
参考文献 146
第7章 深度学习网络 148
7.1 深度学习网络概述 148
7.2 卷积神经网络 149
7.2.1 网络结构 149
7.2.2 经典模型 152
7.3 循环神经网络 155
7.3.1 网络结构 155
7.3.2 长短期记忆网络 157
7.4 图卷积神经网络 160
7.4.1 网络结构 160
7.4.2 图神经网络模型 161
7.5 网络训练优化 165
7.5.1 梯度爆炸与梯度消失 166
7.5.2 梯度下降优化策略 167
7.5.3 过拟合消减优化策略 169
小结 172
习题 172
参考文献 172
第8章 高级神经网络框架 177
8.1 自编码器 177
8.1.1 预备知识 177
8.1.2 自编码器架构 177
8.1.3 经典自编码器模型 178
8.1.4 变分自编码器 181
8.2 Encoder-Decoder框架 184
8.2.1 Encoder-Decoder基本框架 184
8.2.2 经典编解码结构模型 184
8.3 注意力机制 186
8.3.1 标准注意力机制 186
8.3.2 注意力形式 187
8.3.3 Transformer模型 188
8.4 对抗生成网络 189
8.4.1 GAN的基本原理 189
8.4.2 经典GAN模型 192
8.4.3 对抗生成网络的应用 195
小结 196
习题 196
参考文献 197
第9章 网络结构与联系 199
9.1 三元闭包 199
9.1.1 三元闭包定义 199
9.1.2 聚集系数 200
9.2 强联系与弱联系 201
9.2.1 人际关系的强度 202
9.2.2 捷径与桥 203
9.2.3 强联系与弱联系的现实意义 206
9.3 网络社区划分 210
9.3.1 分裂法图划分 211
9.3.2 其他图划分方法扩展 215
小结 219
习题 219
参考文献 220
第10章 同质性 223
10.1 同质现象 223
10.1.1 什么是同质现象 223
10.1.2 同质现象的多样化表现 224
10.2 同质性的测量 226
10.2.1 相对比率和期望比率 226
10.2.2 EI同质性指数 227
10.2.3 Blau异质性指数 227
10.3 同质现象的成因 228
10.3.1 选择与社会影响 228
10.4 同质现象的影响 232
10.4.1 人群隔离 232
10.4.2 感知偏差 235
10.4.3 同伴效应 238
小结 240
习题 240
参考文献 240
第11章 网络的平衡与极化 243
11.1 认知平衡模型 243
11.2 结构平衡理论 244
11.2.1 三节点结构平衡 244
11.2.2 结构平衡定理 245
11.2.3 弱结构平衡 247
11.3 极化现象 248
11.3.1 极化现象产生与定义 248
11.3.3 群体极化的认知基础 250
11.3.2 群极化现象示例分析 252
11.4 极化网络分析 257
11.4.1 极化的衡量 258
11.4.2 极化网络社区发现 258
内部节点 262
小结 263
习题 263
参考文献 264
第12章 社会权力 267
12.1 社会网络中的权力 267
12.1.1 什么是权力 267
12.1.2 社会网络权力的特征 270
12.2 纳什均衡与网络议价 271
12.2.1 什么是博弈 271
12.2.2 纳什均衡与混合策略均衡 273
12.2.3 纳什议价解与权力交换 277
12.3 节点权力的度量 281
12.3.1 基于拓扑特征的度量方法 281
12.3.2 基于随机游走的度量方法 286
12.3.3 基于熵的度量方法 290
小结 294
习题 294
参考文献 297