本书是一本系统性梳理计算社会学相关理论和方法的论著。一方面，本书从传统复杂网络分析的角度，详细阐述社会网络分析的基础理论和动力学模型——随机网络、小世界网络、无标度网络和网络统计分析理论等，并将网络过程和行为应用于涌现、传染病等方面。另一方面，融合人工智能在自然语言处理、推荐算法等领域的进展，阐述了人工智能算法尤其是深度学习理论等在智能推荐、文本分析、假消息检测、虚拟社交机器人等领域的应用。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、人工智能和复杂网络等多学科的专业概念，突出阐述了计算社会学领域近年来的zui新研究成果和关键技术突破。
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
绪论
1.1什么是计算社会学
1.2计算社会学简史
1.3总则
理论篇
1. 图论
1.1. 图的集合论定义
1.2. 图的矩阵代数定义
1.3. 图的谱属性
1.4. 拓扑结构度量
2. 理论方法概述
2.1. 系统流程
2.2. 数据预处理
2.3. 特征提取与选择
2.4. 经验误差与结构性误差
2.5. 模型评估
基础算法篇
3. 线性模型（回归）
3.1. 基本形式
3.2. 线性回归
3.3. 逻辑回归
3.4. 线性判别分析
4. 聚类
4.1. 聚类任务
4.2. 距离度量
4.3. KNN
5. 分类算法
5.1. 贝叶斯分类器
5.2. 支持向量机
5.3. 决策树
5.4. 随机森林
高级算法篇
6. 神经网络
6.1. 神经元模型（包含常见激活函数）
6.2. 多层感知机
6.3. 误差反向传递算法
6.4. 其他神经网络模型
7. 深度神经网络
7.1. 卷积神经网络
7.2. 循环递归神经网络
7.3. 图神经网络
8. 高级神经网络
8.1. 对抗生成网络
8.2. 自编码器
8.3. Encoder-Decoder
社会网络分析篇
9. 强关系与弱关系
9.1. 三元闭包
9.2. 闭包、结构洞和社会资本
9.3. 强联系的广泛性
9.4. 弱联系的关键性
9.5. 强弱关系的度量
10. 同质现象
10.1. 社会同质化
10.2. 同质现象的解释：（社会选择，社会压力）
10.3. 隔离网络模型
11. 正负关系
11.1. 结构平衡
11.2. 结构平衡网络的特性
11.3. 极化网络
11.4. 极化网络的边界分割
12. 节点重要性评估
12.1. 权利
12.2. 社会交换理论
12.3. 统计属性（节点度，Betweenness, K-shell）
12.4. PageRank等
网络动力学
13. 级联行为
13.1. 随大流现象
13.2. 一个简单的群集实验
13.3. 晶格模型
13.4. 关键点
13.5. 逾渗理论
14. 随机网络（ER模型）
14.1. 随机网络模型
14.2. 随机网络特性
15. 小世界现象
15.1. 小世界现象：六度分割
15.2. 小世界网络模型（WattsStrogatz (WS)过程）
15.3. 小世界网络属性 （熵，路径长度，聚类系数）
16. 无标度网络
16.1. 幂律
16.2. 富者更富现象
16.3. 无标度网络模型
16.4. 重尾现象
16.5. 无尺度网络产生的社会因素
17. 流行病学
17.1. 传染病模型
17.2. 网络中持续稳定的传染病
社交媒体挖掘篇
18. 自然语言处理
18.1. 自然语言模型（TF-IDF、词嵌入、词袋模型等基本内容）
18.2. Markov Models
18.3. 条件随机场
18.4. Part-of-Speech Tagging
18.5. 信息检索
18.6. 词向量
18.7. 预训练模型
19. 主题模型
19.1. 潜在语义分析LSA/LSI（Latent Semantic Analysis/Indexing）
19.2. 概率潜在语义分析
19.3. LDA模型
19.4. 非负矩阵分解
20. 事件抽取
20.1. 基本概念
20.2. 实体抽取
20.3. 关系分析
20.4. 事件抽取
21. 情感挖掘
21.1. 情感分类体系
21.2. 情感字典
21.3. 正负面情感
21.4. 情绪分类
22. 用户画像
22.1. 用户画像建模
22.2. 基于文本的画像
22.3. 多模态数据融合画像
22.4. 小样本数据画像
23. 智能推荐
23.1. 基于内容的推荐
23.2. 基于情景的推荐
23.3. 协同过滤
23.4. Wide&Deep
23.5. DeepFM
23.6. 评价指标
24. 假消息传播
24.1. 假消息的定义
24.2. 假消息的统计特性
24.3. 假消息的早期检测
24.4. 可解释假消息检测
24.5. 群智融合假消息检测
25. 虚拟机器人
25.1. 虚拟替身
25.2. 聊天机器人
25.3. 抽取式对话生成
25.4. 编-解码对话生成
25.5. 知识图谱增强对话生成应用与展望
26. 典型应用
26.1. 健康卫生（疫情疾病传播）
26.2. 公共安全（自然灾害监测，突发事件预警）
26.3. 商业智能（社会化推荐，商业选址，商圈分析，商业竞争）
26.4. 智慧旅游（景点推荐）
26.5. 城市画像（人群时空规律，群体兴趣，功能区预测等）
27. 未来展望
27.1. 面临挑战
27.2. 发展趋势
