第二節 社會計算理論與方法

社會管理是人類社會必不可少的管理活動，在我國這樣一個人口眾多、處在社會經濟轉型期、機遇與挑戰并存、成就與問題共生的發展中國家中，社會管理的任務更為艱巨繁重。伴隨著我國經濟社會的快速發展，各種社會問題和矛盾日益凸顯，作為社會管理核心問題之一的公共安全問題也越來越受到政府部門及學者們的關注（鄭杭生，2006）。

公共安全不但是構建和諧社會和維護社會穩定的重要內容，而且是實現我國可持續發展的重要基礎和保障。然而，目前我國的公共安全保障基礎相對薄弱，與經濟快速發展的矛盾日益突出，尤其是近幾年公共安全中的群體性事件的快速增長和規模升級，影響了社會穩定，已成為中國社會風險的信號（朱力，2009）。因此，在公共安全研究領域，對群體性事件的探討和研究成為嶄新而又緊迫的社會課題。從近幾年較為典型的群體性事件——2011年潮州市古巷事件、浙江湖州織里事件、廣州增城新塘事件來看，以社會甚至政治沖突形式出現的群體性事件的發生已經進入了新的發展階段，群體性事件所表現出的集群行為日益凸顯。然而，我國目前對群體性事件無論是理論認識，還是處置實踐，都處于亟須完善的階段，已有的學術研究多是針對群體性事件概念、性質的討論，或是通過典型案例來研究群體性事件的發生機制，較少關注群體性事件中集群行為發生、發展的演化規律，也缺乏對社會轉型期群體性事件的深層次特征與成因的實證分析，更鮮有前瞻性的預測研究。公共安全中新的集群行為以及集群行為新特征的大量出現，挑戰了很多既有的理論，需要發展社會計算等新理論和方法對其進行科學描述，并對其過程和結果加以預測、干預和控制，提出更為有效的政策和措施，這是公共管理研究和社會管理創新實踐的現實需要。

一 面向公共安全的社會計算

在公共安全的群體性事件動態演化過程中，涉及的利益相關主體，特別是具有主觀能動性的個體：一方面，通過各自獨立的個體行為對事件產生影響；另一方面，這些個體行為通過互動關系形成的集群行為是事件發展趨勢的最終決定因素。同時，目前的群體性事件發生的社會環境日益復雜，特別是在目前基于互聯網絡的虛擬人際中，互動社會與現實的人際關系互動相互作用，形成了“虛實結合”“在線-離線”互動的集群行為演化環境，為深入研究集群行為特征，進而探討群體性事件的規律和解決方案帶來了新的挑戰?？傊?，群體性事件中的集群行為存在數據收集困難、難以建立精確模型、過程難以復現等一系列問題，使單一學科的理論和分析方法已經難以滿足認識和分析這一問題的需要。

社會計算作為一種計算技術與社會科學理論相互融合的科學，將過程與狀態、演化與存在有機結合，從理論、方法和應用領域的不同側面滿足社會管理創新發展的需要，為探討群體性事件中的集群行為提供了新的思路。社會計算是計算技術與社會科學理論相互融合的交叉科學，不僅關注計算機或更廣義的信息技術在社會活動中的應用，而且研究社會知識和具體人文知識在計算機或信息技術中的嵌入使用，進而認識和研究社會科學中存在的各種問題。由于學科交叉的共同特征，社會計算與復雜性科學在研究內容、方法和范式等方面有很多相似之處；計算實驗則是在該思想指導下產生的用以分析復雜性系統的重要方法。復雜性科學被認為是社會計算的核心理論和方法，與復雜性科學強調理論和方法不同，社會計算更側重于技術應用。盡管“社會能否可以被計算”還存在爭議，社會計算還沒有明確公認的定義，但借助現代計算工具和技術，依據社會科學理論，對社會科學的復雜問題進行深入研究和探討顯得日益重要。國際公司如谷歌、雅虎、微軟、IBM以及中國科學院自動化所、美國安全局等研究機構都進行了探索性研究，利用計算實驗的方法，使自身在人工社會、人工股市、人工人口系統、人工軍事系統、人工生態系統等社會計算領域的成果受到政府、業界和學者的關注。雖然數據可達性、準確性和隱私等問題使計算社會科學進展緩慢，但它與認知科學等新興學科一樣具有巨大發展潛力（Lazer et al.，2009）。由于多數公共安全事件是受復雜的政治、經濟和社會環境影響的多主體互動的動態演化過程，因此，針對中國目前處于經濟社會轉型期，以群體性事件為代表的公共安全問題的研究應該在多學科交叉融合的視野下，形成“社會問題→理論構建→分析方法→問題分析→政策干預”的系統研究范式。其中，不同主體互動演化過程的集群行為數據搜集、基于實證的影響因素分析、有針對性的公共安全的治理及社會風險預警體系的建立尤為重要。

二 計算實驗與社會計算

1994年，霍蘭提出了復雜適應系統理論，推動了不同領域對復雜系統演化過程及其規律的深度探索?！坝楷F”方法則是在該理論指導下發展而來的典型的分析復雜系統的重要方法之一。該方法可以分析復雜系統中非線性的動態交互，利用計算機多主體建模技術模擬復雜系統中個體的行為，讓主體在計算機構造的虛擬環境下進行交互演化，使整個系統的復雜性行為自下而上地“涌現”出來。社會計算的實驗正是在“涌現”方法的基礎上發展而來的（盛昭瀚、張軍、杜建國，2009）。

在研究復雜社會現象時，社會系統中存在各種復雜因素和不可控因素，常常無法進行真實的實驗。社會計算的實驗方法可以對社會系統演化路徑進行分析，驗證假設和理論，同時探索新的、可能的假設、理論和方法，形成解決實際問題的方案。該方法的關鍵技術在于通過計算機模擬，構造一個具有人類社會系統結構、特性、功能和動力機制的人工系統，不再局限于演繹推理、數理分析和計量檢驗，而是通過與現實系統交互，探索社會演化的規律和解決問題的方法并改善系統運作（盛昭瀚、張軍、杜建國，2009；孫明賀、酈全民，2006）?？偟膩碚f，計算實驗方法通常采用“自下而上”的建模方法，結合人工智能、多智能體技術、演化理論、優化方法等，研究社會經濟系統演化規律、社會系統與環境的交互原理以及系統中要素的動力學特征。

目前對社會計算的定義是從兩個角度來考慮的。一個是將計算機或更廣義的信息技術應用到社會活動的微觀、技術層面，以社會科學的理論與方法為指導，幫助解決社會、政治、經濟等領域問題的理論和方法學體系，同時利用計算機模擬出整個復雜過程的演變或預測過程的發展趨勢（王博、李生，2011）。另一個則是從宏觀的層面來觀察社會，憑借現代計算技術的力量，解決傳統社會科學方法難以解決的問題（王飛躍，2005）。就目前研究成果來看，微觀層面的社會計算突破較為迅速，而宏觀層面的社會計算雖在一些領域獲得了部分理論上的研究成果，但由于社會系統的復雜性，其在理論和應用方面仍然存在許多難以解決的問題，整體的復雜性現象難以從次級單位進行理解。在理論上，社會科學理論知識與計算技術結合還需做更深入的研究。在內容上，人際交互方式、社會群體網絡的形態及其演化規律是需要突破的主要方向（王飛躍，2011）。目前的研究多關注網絡上虛擬世界的人際互動，以線上研究為主，缺少對線下世界或線上與線下相結合的世界的理解。在方法上，常采用構造與現實世界對應的人工組織或人工社會，利用實驗設計理論和各種社會統計方法，通過計算模擬進行分析、評估或預測各類策略和事件。然而，若想實現人工社會和現實社會的無縫連接，還需依賴于對現實數據的采集，而關系數據的采集一直是社會計算研究的瓶頸。總體來講，在社會計算的指導下，實現實時的、客觀的以及真實的社會實驗，對社會科學與自然科學具有極其重大的意義。

三 復雜適應系統

基于復雜性科學的分析方法對人類社會群體性行為進行研究是社會計算領域的重要分支，最初可以追溯到1971年Schelling所提出的社會隔離模型（以下簡稱“Schelling模型”）（Schelling，1971）。該模型解釋了社會系統中由于個體異質性而產生的社會隔離現象。隨后，Granovetter（1978）通過系統建模的方法，提出了針對集群行為的閾值模型，抽象概括了集群行為中個體受到其他個體影響的行為演化過程。

20世紀90年代初，Holland等（1994）提出復雜適應系統（Complex Adaptive System，CAS）的概念用于抽象更為復雜的系統環境。CAS理論作為第三代系統觀，強調系統中的個體具有主動適應性，即個體能夠根據與環境的交互，有目的地改變個體自身的行為與結構，以適應環境的當前狀態。復雜適應系統的基礎元素在于個體，而基于智能個體的仿真模型（Agent Based Model，ABM）則是該研究領域的重要方法。與傳統系統仿真方法的建模不同，ABM建模更加強調建立復雜模型的構建規則，即通過對物理世界規則的抽象描述，從個體行為出發自下而上地反映整體系統的“涌現”現象。例如，Deffuant等（2011）通過模擬人際互動中的個體觀點討論過程，展示了群體不同意見的形成過程。結合一般閾值模型，Weisbuch等（2000）在Deffuant意見交互模型的基礎上，進一步討論了一致性集群行為意愿的產生條件，其發現個體討論接受閾值設置直接影響群體中可能出現的參與意愿的數量。事實上，相比傳統社會科學研究方法而言，通過復雜適應系統理論建模方法分析集群行為可以更有效地反映微觀行為在宏觀現象中的演變規律。

當前，將CAS理論應用于集群行為的分析研究還并不成熟，但將集群行為的發生過程抽象為復雜系統過程將漸漸成為集群行為研究的一種新視角與新方法。但是，無論是國內還是國外的研究，大多是對通用人群的集群行為進行抽象建模，其結論大多忽略了特殊人群屬性對社會系統的作用。此外，實際數據與模型的結合依舊是當前研究的最主要的問題，因此，針對特定人群、依據人群現有特征、結合實際網絡數據會成為未來基于CAS理論分析集群行為的主要研究方向。

四 社群結構特征與社群結構探測算法

社群結構是復雜網絡的重要結構特征（Newman，2006）。其有效地揭示了網絡中具有相對共性的節點所形成的社群關系和不同社群之間反映的網絡中觀結構關系特征，因此成為近幾年研究的熱點（Newman and Girvan，2004；Fortunato，2010）。Newman等將如圖2-4所示的異構網絡中由不同性質、類型的節點組成的關系豐富的結構稱為“社群”（Newman and Girvan，2002），將社群內節點關系稠密而不同社群節點之間關系稀疏的結構稱為社群結構。

圖2-4 網絡社群以及社群結構示意

目前，社群結構特征研究的重點主要集中在對社群結構探測方法的研究上（杜海峰等，2011）。針對社群結構探測的主要方法是在給定評價指標體系的前提下，通過對評價指標的優化來獲得相對較優的社群劃分結果（Fortunato，2010）。Newman等所提出的模塊性（Modularity）指標是目前較為通用的一種評價指標（Newman，2006）。根據Newman對模塊性指標的定義，其基本思路是將劃分社群后的網絡與相應的隨機網絡進行比較，從而實現評估社群結構的目標。具體的模塊性指標的計算公式可以表示為：

其中，L表示網絡中的連邊數量，a_ij表示實際網絡中節點i與節點j之間的關系有無，p_ij則表示在相應的隨機網絡中節點i和節點j之間連邊數量的期望。C_i和C_j分別表示節點i和節點j所屬的社群，并有：

從節點間的連邊關系出發，模型性可以表示為：

其中，e_vv是社群v內部節點間連邊占整個網絡連邊的比例，a_v則表示社群v中節點內部以及與社群外節點相連邊總數占整個網絡連邊的比例，而a_v2則表示社群間節點連邊數占整個網絡連邊比例的期望。

模塊性除了可以用于衡量網絡中社群結構的程度外，還可以基于模塊性指標優化對網絡中的社群結構進行探測。目前基于模塊性指標優化的社群結構探測方法可以分為三類，分別為自頂向下的分割算法、自底向上的合并算法以及混合算法（Fortunato，2010；杜海峰等，2011）。比較經典的算法包括Newman提出的快速探測算法（Newman，2004）（以下簡稱“N算法”）、Girvan等提出的基于中心性的社群探測算法（Girvan and Newman，2002）（以下簡稱“GN算法”）、Aaron等提出的社群結構探測算法（Clauset，Newman and Moore，2004）（以下簡稱“A算法”）等。目前，Blondel等提出的基于模塊性指標的快速壓縮的社群探測算法（以下簡稱“B算法”）被認為是解決大規模網絡社群探測的有效算法之一（Blondel et al.，2008）。該算法通過對模塊性指標的判斷，不斷壓縮探測網絡的規模大小，以實現社群結構的快速探測，其因設計簡單且富有效率而為研究者所重視（Blondel et al.，2008）。除了基于模塊性指標的探測方法之外，基于譜聚類方法（Wu and Huberman，2004；White and Smyth，2005）、派系過濾方法（Palla et al.，2005）等的探測方法被不斷提出，使社群結構探測研究趨于成熟。

近年來，隨著社群結構探測研究的不斷深入，有研究發現，采用硬聚類的方法并不能完全滿足社群結構在實際應用中的需要（Fortunato，2010）。因此，重疊社群結構的研究開始受到重視。重疊社群結構是指網絡中的節點可能屬于兩個或兩個以上的社群所呈現的社群結構特征。重疊社群結構除了能夠更準確地反映網絡宏觀的結構特征外，還能夠對網絡中的節點結構特征通過隸屬關系的方式進行表達，例如社會關系中社會成員的多重社會身份、管理研究中企業員工分屬不同工作小組的隸屬程度等。因而，近年來，對于重疊社群結構的探測已成為社群結構研究的新熱點（Fortunato，2010）。已有的針對經典社群結構探測的方法并不能完全適用于重疊社群結構的探測，Brian等于2011年提出了一種基于概率還原的探測方法，其通過建立節點和社群的隸屬度來解決這一問題（Ball，Karrer and Newman，2011）。除了重疊社群結構外，基于加權網絡的社群結構、有向網絡社群結構，以及動態網絡社群結構是社群結構研究的新熱點（Fortunato，2010）。

Newman等針對加權網絡社群結構提出了一種基于Girvan-Newman 算法（以下簡稱“GN算法”）的社群結構探測算法——Weighted Girvan-Newman Algorithm（以下簡稱“WGN算法”），并同時給出了模塊性指標在加權網絡中的改進思路（Girvan and Newman，2002）。Duch等（2005）將提出的極值優化算法（External Optimization Algorithm，以下簡稱“EO算法”）用于改進后的模塊性指標Q_w，以實現加權網絡的社群結構探測。Jin等（2011）在WGN算法的基礎上，通過發現社群中心節點，調整非中心節點的方法改進并提出了相應的算法，使該算法針對大型加權網絡具有良好的探測效果。Lu等（2013）進一步基于計算群內中心度和群間中心度的方法，提出了相應的加權網絡社群結構探測算法。除了上述基于WGN算法及改進指標優化的探測算法外，一些研究從其他角度重新定義了加權網絡社群結構并提出了相應的算法。Farkas等（2007）在派系過濾方法的基礎上提出了加權派系過濾算法（Clique percolation method with weights，以下簡稱“CPMw算法”）用于加權網絡社群結構的探測；而Reichardt等（2004）提出的Potts模型則是從模糊社群的概念出發對加權網絡社群結構進行探測。上述研究大多只將權值理解為節點間的多重邊，而不是節點間關系親疏的強度；同時，鮮有研究考慮可能存在的社群重疊現象。因而，對于加權網絡社群結構探測而言，上述方法還存在改進的空間。2009年，Ahn等提出了連邊社群（Link Community）的概念用于探測具有重疊特征的社群結構，其核心思想認為，盡管一個節點可能屬于多個社群，但每一條邊的社群含義是相對明確的，因而將對于節點的社群結構探測轉向對邊的社群結構探測。在連邊社群概念的基礎上，Brian等（2011）提出了一種基于概率模型的重疊社群結構探測方法（Principled statistical approach for overlapping communities，以下簡稱“PSOC算法”），其通過構建網絡還原模型，并對該模型進行優化，從而實現對社群結構的探測。

受連邊社群概念與PSOC算法設計的啟發，本書認為加權網絡社群結構的探測應以邊為探測的主體，并將邊的權值納入社群結構的探測中，通過計算邊與社群的隸屬關系來探測網絡的社群結構。相比已有的加權網絡社群結構探測算法而言，本書通過將權值轉化為距離用于表示節點間關系的親疏，并重新定義社群結構概念，使加權網絡中社群內的節點間具有較短的連邊距離，而社群間的節點間具有較長的連邊距離。同時，本書采用PSOC算法的概率模型作為基礎模型，針對加權網絡結構特征改進原有模型，提出相應的探測算法。

對于社群結構特征的應用研究，悅中山等（2009）曾將社群結構應用于農民工群體的研究之中，用于解釋農民工群體的行為特征。Tang 和Liu（2010）在對社群結構特征進行研究的基礎上，認為社群結構特征對網絡中信息的擴散具有促進或抑制的作用，不同的社群結構可能形成不同的信息傳播過程。此外，Newman等（2003）曾在社群結構特征研究的基礎上，對傳染病模型進行研究并建立了相應的傳播模型。

五 結構平衡

現實社會網絡的“邊”不僅包含了正向關系（如朋友關系），同時也包含了各種負向關系（如敵人關系），考慮了邊屬性（主要是正、負關系）的網絡被稱為符號網絡（Doreian and Mrvar，2009）。在符號網絡的分析中，結構平衡理論可以從關系層面解釋網絡中個體的聚集過程，它不僅闡釋了網絡中關系的演化機制，同時也可以預測出社會系統的變遷軌跡，因而受到學者的廣泛關注（Heider，1944；Heider，1946）。

Heider從社會心理學視角首先提出結構平衡的概念，當一個網絡中所有三角形只含有偶數條負邊時，即構成了一個結構平衡網絡（Heider，1946）。圖2-5列出了符號網絡中所有可能出現的三角形，圖中實線代表正邊，虛線代表負邊。其中，（a）和（b）的三角形是平衡的，它們帶有0條或2條負邊，同時它們符合“朋友的朋友是朋友”以及“朋友的敵人是敵人”的常理；（c）和（d）的三角形是不平衡的，它們帶有奇數條負邊。

圖2-5 Heider的結構平衡概念

Cartwright和Harary利用圖論進一步拓展了結構平衡的定義，當一個網絡可以分為兩個社群，社群內部均為正邊，而社群之間均為負邊時，即為結構平衡網絡，其拓撲結構如圖2-6所示（Cartwright and Harary，1956）。一個結構平衡的社會網絡直觀地刻畫了個體依據關系不同的“分類”，而一個結構不平衡社會網絡演化至結構平衡狀態的過程，就是個體“聚集”形成“群體內部是‘朋友’，群體外部是‘敵人’”的過程。

圖2-6 Cartwright和Harary的結構平衡概念

Davis（1967）在分析Cartwright和Harary結構平衡概念的基礎上進一步提出了弱結構平衡的概念，即一個平衡網絡可以被分為多個社群，其中社群內部以正邊相連，而社群之間以負邊相連。Easley和Kleinberg（2010）則提出了可以應用于非全連接網絡的結構平衡理論。以上理論都很好地闡釋了依據邊的屬性如何構成平衡的網絡結構，并由此引申出一系列算法來引導邊的屬性向著平衡狀態動態演化。

雖然結構平衡理論表面上是一個靜態理論，僅僅關注網絡局部和全局是否結構平衡，但其本質思想是動態的——非結構平衡的三角形會向結構平衡的三角形演變?；诮Y構平衡理論，人們對符號網絡的演化動力學進行了廣泛而深入的研究。Antal（2005）等人提出了離散-時間模型，在模型中導致結構不平衡的邊將被改變符號，但該模型因此陷入局部收斂。為解決此問題，Kutakowski（2005）等人提出了連續-時間模型，仿真實驗結果表明：對于任意的初始條件和網絡，在有限時間步內，系統都會達到Heider平衡狀態，其中，大部分測試網絡演變為兩個完全對立的社群。

Gawroński等（2005）將該模型應用于多個網絡中，包括經典的BA無標度模型、Natchez的婦女網絡和Zachary空手道俱樂部網絡，驗證了模型的有效性。Gawroński等（2006）還將該模型擴展到關系不對稱的情形中，發現網絡達到平衡所需要的時間呈現重尾分布的特征，且關系的不對稱性不利于網絡走向平衡。Marvel等（2009）也深入研究了上述連續時間模型，給出了閉合表達式，將社群成員作為初始條件的函數，他們的研究表明：在大規模社會網絡中，初始的正邊數量決定了網絡最終的演化結果——兩個相互對立的社群并存和僅存在一個社群。

然而，以上理論的前提都是個體的對等性，但在現實中，個體并不是完全同質的，他們在年齡、習慣、政見等屬性方面的相似性或差異性都會對邊的屬性造成影響（Kang and Lerman，2012）。在大多數情況下，個體傾向于與具有相同屬性的個體建立正向關系，而與具有不同屬性的個體拉開距離，這一現象被稱為“同質性準則”，而符合“同質性準則”的屬性對于網絡結構的構成發揮著基礎性的作用（McPherson et al.，2001）。因此，Du等（2016）將節點屬性納入結構平衡，構成了全符號網絡結構平衡的分析框架，而該框架可以更好地解釋集群行為的產生。

對于結構平衡理論，已有的結構平衡演化模型均假定節點集與邊集固定不變，因此演化僅需考慮邊上符號的改變。該類模型忽略了真實符號的一些特點，比如節點的新增和消亡、邊的建立和斷開等，這些均未在現有的符號網絡演化模型中有所體現。再者，目前的演化機制雖基本依據結構平衡理論進行設計，但還存在其他各種因素，比如個體屬性、網絡結構等，如何結合個體、關系、結構等因素設計更合理的演化模型具有重要意義。有關結構平衡演化的研究目前還僅限于學術性討論，主要目的在于探討具有符號屬性的真實系統可能的演化模式和相應機制的作用分析，加深人們對這類系統的理解與認識。雖然這部分研究成果目前還無具體的應用，但存在潛在的應用場景，比如集群行為，可以通過定位一些關鍵節點或邊，對當前符號網絡加入少量的干擾，使其最終演化收斂到所希望的狀態，如集群行為趨同性的狀態。

六 網絡演化分析

復雜系統的功能取決于復雜系統的結構，而系統中個體間的互動關系是系統演化的基礎之一。因而，當復雜系統采用網絡建模時，對應網絡結構特征分析更有助于分析復雜系統的特征及演化規律，同時網絡結構特征演化不僅影響復雜系統演化結果，而且本身也是復雜系統的演化結果。Dorogovtsev認為網絡結構的變化會改變網絡結構中節點的關系，進而影響結構功能（Dorogovtsev and Mendes，2002）。歸納Dorogovtsev對結構演化的描述，網絡結構變化從構成元素來看可分為三類：第一類是基于節點的變化，包括節點增加、刪除以及合并等；第二類則是基于邊的變化，包括邊的重連、增加、刪除以及合并等；第三類是邊和節點同時變化。從網絡結構變化的過程來看則可分為兩類，一類是元素守恒網絡結構變化，即網絡結構變化只影響網絡構成元素間的關系，而其構成元素（主要是節點和邊）數量保持不變；另一類則是元素非守恒網絡結構變化，即網絡元素有增減的結構變化。WS小世界網絡的構造過程便是一種元素守恒網絡結構變化（Watts and Strogatz，1998），Newman-Watts模型形成小世界網絡的過程則是元素非守恒網絡結構變化（Newman and Watts，1999）。Pan等（2007）在對網絡結構演化模型進行研究時發現，不同的網絡演化規則將對整體網絡的譜半徑產生影響，進而可能會影響網絡的其他功能；Wang等（2013）在研究傳染病模型時發現，基于多重網絡（Multi-network）的觀點，網絡結構演化過程中的疾病擴散過程網絡結構會發生相應的改變。

基于個體行為通過人際互動對群體行為產生影響的基本假設，Snijders等（2007）提出了網絡聯合演化的概念。所謂的網絡聯合演化是指在一定規則下，網絡結構會因為網絡節點行為而發生改變（Snijders，Steglich and Schweinberger，2007）。Holme等（2006）提出的基于個體意見觀點的網絡合作演化模型，將節點個體的同質性納入網絡結構演化之中，網絡結構會因節點屬性異同而發生邊的重連與斷開。Pacheco等（2006）基于二方動態博弈的觀點，構建了節點個體在不同響應決策的速度下網絡結構的演化模型。Jackson等（2002）認為復雜社會網絡結構的演化過程應是個體收益變化的過程，因此其在所提的模型中將個體對收益的改進納入其所提出的結構演化模型中。Henry等（2011）將社會隔離模型的思想引入網絡結構演化模型，利用節點同質性的演化規則模擬網絡結構中的隔離現象。隨著互聯網絡的發展，大規模互聯網絡數據為結構演化分析與相關應用研究提供了數據支持。Viswanath等（2009）基于對Facebook數據的分析，對網絡結構中強連接與弱連接以及相應的結構演化形成機制進行了分析。Eagle等（2009）基于互聯網絡社交網絡站數據分析了用戶間關系對網絡結構演化的影響。

綜合已有的結構演化研究發現，結構演化總體遵循了網絡結構影響網絡功能的觀點，即通過改變結構對網絡中的其他特征規律產生影響。通過結構演化分析展開對集群行為的研究，更多地強調了個體間的關系特征而忽略了個體的屬性特征。目前，網絡結構演化研究與經典的集群行為理論還相對割裂，基于結構演化模型的集群行為研究還有待與已有的集群行為理論進一步結合。