社会网络模拟实践：‘Python大学的大一新生生活’

笔者在学习社会网络理论课程的时候，萌生一个想法，即现实世界的人们互相彼此联系，构成了一个社会网络，那么为什么不能用Python去模拟一个虚拟世界，毕竟Python的特色就是实例化，（不是为了揭示什么，单纯是有趣doge）。

本文截止到2025/1/7，已经由简单到复杂，模拟了三个模型，分别是InitialModel（最基础的社会网络模型）、BaseModel（对每个学生增加了属性的模型）与StructureModel（对网络结构增加了结构平衡机制的模型）。

本文章所涉及代码都已更新于GitHub（GitHub - ZhengDongHang/Social-network-simulation: This project uses Python to build a simple simulation of a social network by creating a virtual university with a class of freshmen in it. \n这个项目使用Python创建一个虚拟大学，里面有一群新生，以此来构建一个简单的社交网络模拟。），如果各位看官觉得还是有点趣味，麻烦点个收藏（这对于正在建立github的笔者很重要），项目基于MIT协议（这我上网搜索最宽松的协议了）。

---

一、引言

我们假设存在一个Python大学开始招生了，简化期间我们只招一个班，一个班30个人，模拟一个月30天的社会网络。这三十个学生之前互相并不相识，因此他们作为Freshman就会互相逐渐建立联系，这个联系有可能是好关系也有可能是坏关系。

模拟的设计原则是逐步递进，尽量贴近现实生活的复杂性。初始阶段，新生的个体属性较为简单，且互动方式以随机交互为主，旨在模拟陌生人之间最初的偶然接触。随着模拟的深入，学生的属性逐渐多样化，体现出个体间的差异性。 同时，交互方式也从简单的随机交互演变为更复杂的模式，如基于兴趣的同质性交互，之后又引入结构平衡概念来模拟现实世界社交规律的“小世界模型”。

本文将逐个介绍每个模型的原理与实验结果，在最后部分将梳理代码的实现逻辑。

---

二、InitialModel——初始系统

InitialModel 是模型演化的起点，用于模拟新生社会网络从无到有的建立过程。此阶段假设所有新生完全同质化，交互关系简单且随机，重点展示网络在最初阶段的动态变化特征。通过该模型，可以直观地观察随机交互对社会网络结构的影响。

（一）模型假设

1.完全同质性：新生个体之间没有任何属性上的差异，唯一的区分特征为学号。这种假设排除了个体差异对交互行为的影响，便于专注于随机交互的网络形成过程。

2.随机交互：新生之间的交互关系是完全随机的，每对学生在每次交互中都会出现一个关系值的波动，范围限定为 -1 至 1的正态分布。随机波动的值用于模拟个体之间的随机性好感或矛盾，从而体现社会网络在无规则干预下的初始演化特征。

3.时间跨度：模拟周期设定为 30 天，模拟新生入学的第一个月。

 4.对称关系：关系矩阵是对称矩阵，即两个人之间的关系是对等的。

（二）模拟原理

每天，每对新生之间的关系是通过简单的交互来维持的，并且这种交互是对等的。也就是说，若新生A与新生B存在关系变化，这种变化会同时作用于两者，且变化的大小是对称的。每天的关系变化服从正态分布，其均值为零，标准差根据特定的系统设定来控制，这意味着每天的关系变化是随机的，既有可能增进，也有可能削弱。

为了更直观地描述这一关系变化，我们假设每天的关系波动遵循下图所示的正态分布。图中，横坐标代表变化幅度，纵坐标表示变化的概率密度。在大多数情况下，关系的变化会集中在零附近，这意味着大多数时候关系变化较小。而在少数情况下，可能会出现关系大幅增进或减弱的情形，但这些情况的概率较低。

（三）实验结果

1.结果分析

在模型迭代30次（即模拟了30天的社交互动）后，我们可以从下图所展示的热力图中初步观察到，学生之间的关系波动呈现出正态分布的趋势。热力图中的不同色块代表了不同学生之间的关系变化，而整体分布呈现出一个钟形曲线，表明大多数学生的关系变化较小，集中在零附近。这表明在没有其他干预的情况下，学生之间的社交关系大多数时候是相对稳定的，且变化具有随机性。此时，我们可以初步得出结论：在纯粹的正态分布模型下，学生之间的关系变化较为均匀且没有明显的偏向性，说明该模型未引入其他外部影响因素。

进一步地，从下图所展示的直方图中，我们可以对每个学生与他人关系的分布情况有更直观的了解。每个颜色的直方图代表一个学生的社交关系指数的分布情况，横轴表示学生与他人之间的关系变化幅度，纵轴则表示这种关系变化出现的概率。通过直方图的分布形态，我们可以清晰地看到，大多数学生的关系变化呈现出正态分布的特征，即大部分学生的关系波动较小，位于中心位置。少数学生的关系变化较大，可能是由于某些偶然的事件或者外部因素的影响。

这些直方图进一步支持了我们在热力图中看到的趋势，表明在没有额外外力的情况下，学生之间的关系变化遵循随机波动的模式。同时，这也为后续模型的进一步优化提供了依据，即如何引入新的变量或规则，调整学生间的关系变化，进而模拟更接近现实的社交网络动态。

2.动态演化过程

        接下来我们将演示模型变化，下面三个图分别是10天，20天，30天的社交网络结果。动态演化过程在一定程度上符合现实逻辑。大一新生刚入学时，彼此之间大多是陌生人（在本模型中假设他们之前完全不认识），因此，初期的社交网络较为疏散，学生之间的连接较少，边的数量较低。这一阶段的网络呈现出一种稀疏的结构，表明大部分学生之间尚未建立起深厚的社交联系，彼此的关系相对较弱。由于缺乏足够的社交互动，网络中大多数节点的连接度较低，网络的聚集效应不明显。

        然而，随着时间的推移，学生们开始逐步建立起稳定的连接。通过与同学的互动、共同的课程、社团活动等因素，学生们逐渐从陌生人转变为彼此熟悉的伙伴。在这个过程中，学生们开始根据共同的兴趣爱好、宿舍关系、课程互动等因素，形成小范围的社交圈子，逐步加深彼此之间的联系。这种社交网络逐渐从初期的稀疏网络转变为一个逐步增密的网络。

3.结果实证分析

Node	度中心性	介数中心性	接近中心性	特征向量中心性	Node	度中心性	介数中心性	接近中心性	特征向量中心性
1	0.25	0.07	0.53	0.22	16	0.21	0.03	0.50	0.23
2	0.11	0.01	0.42	0.10	17	0.21	0.07	0.51	0.16
3	0.21	0.04	0.51	0.21	18	0.18