社交网络为人们提供一个方便的地方进行交互和已经在人们的生活中一个重要组成部分。越来越多的社交网络的出现和发展,每天在线社交网络等科学合作网络,机场通道网络,等。在社交网络成员相互交流,而且他们可能创建新的连接或打破现有连接,驱动复杂网络结构的演化。此外,动态社会网络,如舆论形成、传播动力学和协作行为,人际交往和互动,并可能导致复杂的集体现象,展示了社交网络的基本作用是一个复杂的系统。分析复杂的人类行为和矿业图拓扑可以帮助理解宏观现象的基本机制,发现潜在的公共利益和集体突发事件提供早期预警。因此,社交网络挖掘已经成为一个有前途的研究领域,吸引了大量的关注。

研究社交网络上一般可以分为两类,即。、理论建模和数据驱动的方法。理论方法使用统计物理,蒙特卡罗模拟和随机过程模型人工交互和揭示了微观动力学本质的集体现象。然而,理论方法往往缺乏实际预测的能力。数据驱动的方法使用机器学习、数据挖掘、自然语言处理利用隐藏的模式从社交网络中的数据,然后估计未来社会行为的进化,但这些方法没有很好的解释能力的集体现象,可能有偏见的估计由于均匀抽样从整个网络。近年来,大数据在社交网络也带来挑战社会数据和研究人类行为过程。因此,先进的跨学科的数据分析和数据挖掘方法应该提出和发展研究社交网络。

这个特殊问题的目的是欢迎贡献在社交网络的快速发展的研究领域。我们鼓励与多学科社会数据挖掘方法的文章。相关学科包括机器学习、信息理论、应用数学、计算和统计物理。

潜在的主题包括但不限于以下:

• 网络学习代表
• 流社会数据处理
• 异构社会网络挖掘
• 深度学习在社会计算
• 在社交网络上的行为分析
• 模式识别的行为
• 人类情绪的挖掘和分析
• 个人兴趣建模
• 个性化推荐系统
• 知识图及其应用
• 信息扩散和控制的重要机制
• 建模的形成和相变集体现象
• 趋势预测的信息传播