基于復(fù)雜網(wǎng)絡(luò)的大型互聯(lián)網(wǎng)企業(yè)高管分析

鄭喜亮，蘇 湛，艾 均

（上海理工大學(xué) 光電信息與計算機工程學(xué)院，上海 200093）

人類對于網(wǎng)絡(luò)的研究由來已久，18 世紀偉大的數(shù)學(xué)家歐拉對于七橋問題（Konigsberg）的研究是目前公認的最早關(guān)于網(wǎng)絡(luò)的研究。20 世紀60 年代由Erdos 和Renyi 兩位匈牙利數(shù)學(xué)家建立的隨機圖理論（random graph theory）[1]被公認是在數(shù)學(xué)上最早開創(chuàng)了復(fù)雜網(wǎng)絡(luò)拓撲結(jié)構(gòu)的系統(tǒng)性分析。在20 世紀末，小世界網(wǎng)絡(luò)模型[2]和無標(biāo)度網(wǎng)絡(luò)模型[3]的相繼提出，使得復(fù)雜網(wǎng)絡(luò)成為學(xué)術(shù)界熱門的研究方向。而且小世界網(wǎng)絡(luò)模型和無標(biāo)度網(wǎng)絡(luò)模型有著和現(xiàn)實世界網(wǎng)絡(luò)[4]相似的網(wǎng)絡(luò)特性。例如，小世界網(wǎng)絡(luò)的小世界性和高聚集度系數(shù)；無標(biāo)度網(wǎng)絡(luò)的小世界性和節(jié)點度分布服從冪律分布的特點。不過，這兩種網(wǎng)絡(luò)都存在一定的不足之處，如小世界網(wǎng)絡(luò)的節(jié)點度值服從指數(shù)分布問題及無標(biāo)度網(wǎng)絡(luò)的聚集系數(shù)很小等問題，但實際上現(xiàn)實世界的網(wǎng)絡(luò)也存在著不同程度的差異。針對以上網(wǎng)絡(luò)，大量的學(xué)者進行了改進，如Newman 和Watts 對小世界網(wǎng)絡(luò)模型作了進一步改進[5]，使得網(wǎng)絡(luò)不存在孤立節(jié)點，也是目前最廣為使用的小世界網(wǎng)絡(luò)模型；Li 等對無標(biāo)度網(wǎng)絡(luò)模型作了進一步改進[6]，由于網(wǎng)絡(luò)中的節(jié)點并不能獲取到網(wǎng)絡(luò)的全局信息，從而提出了局域世界概念。

使用復(fù)雜網(wǎng)絡(luò)來對現(xiàn)實世界中的一些問題進行研究，可以指導(dǎo)和預(yù)測現(xiàn)實世界中事物的發(fā)展趨勢和走向，將現(xiàn)實世界中的有限資源合理利用，使得資源利用效益最大化。同時也可以利用復(fù)雜網(wǎng)絡(luò)分析現(xiàn)實世界網(wǎng)絡(luò)的脆弱邊或是脆弱節(jié)點，從而有針對性地改善和防止問題的發(fā)生。肖盛等[7]基于復(fù)雜網(wǎng)絡(luò)理論對某地區(qū)真實電網(wǎng)進行脆弱性評估，結(jié)果表明，分析所得脆弱節(jié)點的分布情況與該地區(qū)電力網(wǎng)絡(luò)脆弱節(jié)點的真實情況基本相符。譚陽紅等[8]對傳統(tǒng)評估電網(wǎng)節(jié)點重要度的方法進行了改進，引入相對熵和灰色關(guān)聯(lián)度，提高了評估結(jié)果的準(zhǔn)確度。文獻[9]以武漢市路網(wǎng)作為原始數(shù)據(jù)，通過計算復(fù)雜網(wǎng)絡(luò)的中心性，發(fā)現(xiàn)武漢市路網(wǎng)具有層次結(jié)構(gòu)特征且結(jié)構(gòu)構(gòu)成符合“二八分率”的規(guī)律。文獻[10]分析了我國礦業(yè)并購演變過程，通過計算中心性指標(biāo)，使用K-核分解算法發(fā)現(xiàn)礦業(yè)并購市場易受到外部環(huán)境影響等特點。這也就進一步證明了復(fù)雜網(wǎng)絡(luò)不僅具有理論研究價值，同時也具備在現(xiàn)實中的應(yīng)用價值。

現(xiàn)實世界中充斥著各種各樣的信息，按照類型可分為文字、視頻、圖片及音頻等，但最為常見的還要屬文本信息。而文本信息為了提高可讀性和信息邏輯性，在表達上存在著冗余性，如文本信息中的介詞、代詞及標(biāo)點符號等內(nèi)容實際上一般并不包含有效的信息要素。為了提取出文本信息的有效信息要素，必須使用合理的分詞方式來實現(xiàn)。分詞是指將連續(xù)的字序列按照一定規(guī)范重新組合成詞序列的過程。其中，分詞的規(guī)范重組部分實際上是分詞的核心部分，因為，無論中文還是英文都不能完全按照固定模式進行分詞，文本信息中往往會含有大量專有名詞、機構(gòu)名、人名及地名等信息，如果按照完全固定模式分詞，會使大量文本有效信息失真，所以，分詞時必須進行文本語義分析，結(jié)合語義分析結(jié)果進行分詞才能得到更為準(zhǔn)確的分詞結(jié)果，這樣的結(jié)果對于研究也更具有現(xiàn)實意義。文獻[11]基于復(fù)雜網(wǎng)絡(luò)理論對文本關(guān)鍵詞進行提取，提出了綜合考慮目標(biāo)詞匯以及相鄰節(jié)點的貢獻度來提取關(guān)鍵詞的方法。文獻[12]通過詞序統(tǒng)計組合來提取文本信息關(guān)鍵詞，綜合使用詞序統(tǒng)計、詞性標(biāo)記、停用詞過濾等方式提高關(guān)鍵詞提取準(zhǔn)確性。

在現(xiàn)代社會和企業(yè)發(fā)展中，人才是最寶貴的資源，很多企業(yè)和國家都在強調(diào)這一點，甚至出現(xiàn)企業(yè)為了得到一個關(guān)鍵人物或團隊出手將整家公司收購的極端現(xiàn)象，由此看出現(xiàn)代社會對于有才能人士的重視。同時，人才也是不同國家、不同企業(yè)的必爭之地。我國提出的“千人計劃”、“萬人計劃”以及現(xiàn)在各個城市都在不斷推出的引進人才計劃和為留住人才而推出的各種優(yōu)惠政策都從側(cè)面證明了人才對于社會和企業(yè)發(fā)展的重要性。文獻[13]通過趨勢外推法和灰色模型對湖北科技人才需求進行演化預(yù)測，文獻[14]分析了人才分析對戰(zhàn)略人力資源管理的價值，總結(jié)了人才分析的主要用途并提出了實施人才分析需要注意的相關(guān)問題。本文基于復(fù)雜網(wǎng)絡(luò)和NLPIR（natural language processing & information retrieval）分詞系統(tǒng)以百度百科詞條信息作為原始數(shù)據(jù)對幾家互聯(lián)網(wǎng)企業(yè)的高管進行研究分析。

1 高管復(fù)雜網(wǎng)絡(luò)模型建立

本文使用的高管人員名單來自于以下互聯(lián)網(wǎng)企業(yè)：百度、阿里巴巴、騰訊、滴滴、美團、京東、今日頭條；每位高管人員的個人信息均來自于百度百科官方詞條。

建模算法設(shè)計：

a. 由于使用爬蟲技術(shù)獲取到的文本信息不規(guī)范，存在格式不統(tǒng)一、包含異常的符號等問題，所以，在獲取到文本信息后，根據(jù)預(yù)先設(shè)定的處理規(guī)則進行處理。例如，刪除多余的空格、換行符號及少部分的不規(guī)則網(wǎng)頁標(biāo)簽等。經(jīng)過預(yù)處理后原始數(shù)據(jù)成為姓名與個人百度百科詞條一一對應(yīng)的形式。例如，通過預(yù)處理得到以李彥宏為文件名的文本文件。

b. NLPIR（https://github.com/NLPIR-team/NLPIR）

是一套能夠?qū)⒔o定文本進行分詞并提取實體詞（有意義的詞匯，如人名、地名、公司名稱等）、關(guān)鍵詞、敏感詞的分詞系統(tǒng)。本文使用該分詞系統(tǒng)對處理好的文本信息進行實體抽取，獲得有意義的實體詞匯作為關(guān)鍵詞信息k。例如，李彥宏對應(yīng)百度、創(chuàng)始人、董事長、北京大學(xué)、華爾街等實體關(guān)鍵詞。

c. 通過以上a，b 這2 個步驟，獲得了兩類網(wǎng)絡(luò)節(jié)點，一類節(jié)點為個人姓名 Vp， Vp代表本文網(wǎng)絡(luò)所使用的高管人員姓名；另一類節(jié)點為關(guān)鍵詞Vk，Vk代表分詞系統(tǒng)實體抽取得到的有意義的實體描述關(guān)鍵詞。

最終得到節(jié)點集

經(jīng)過簡化處理后，人物分析網(wǎng)絡(luò)可以被抽象為一張具有N 個節(jié)點和M 條邊的無向網(wǎng)絡(luò)。設(shè)網(wǎng)絡(luò)為G=（V, E）。其中，G 表示有N 個節(jié)點和M 條邊組成的網(wǎng)絡(luò)，V 表示網(wǎng)絡(luò)中的節(jié)點，即|V|=N；E 代表網(wǎng)絡(luò)中的邊，即|E|=M。V 即是上文中通過數(shù)據(jù)處理獲得的 Vp和 Vk的 集合。而邊則是 Vp和Vk連 接形成的，兩者建立邊的原則：若是 pi的個人信息描述中包含關(guān)鍵詞 kj， 則為 Vpi和Vkj建立一條邊；否則兩者不建立邊，即

邊集合為

圖1 為本文建模算法設(shè)計流程圖。按照上述規(guī)則建立復(fù)雜網(wǎng)絡(luò)，如圖2 所示。表1 為網(wǎng)絡(luò)的基本參數(shù)。圖3 為節(jié)點度分布圖。其中，橫坐標(biāo)為節(jié)點數(shù)，縱坐標(biāo)為節(jié)點的度。

圖 1 算法流程圖Fig. 1 Algorithm flow chart

圖 2 建模得到的復(fù)雜網(wǎng)絡(luò)Fig. 2 Complex network

通過圖3 和表1 可以看出，根據(jù)上述模型所建復(fù)雜網(wǎng)絡(luò)有著與現(xiàn)實世界網(wǎng)絡(luò)相似的網(wǎng)絡(luò)參數(shù)[15]。例如，網(wǎng)絡(luò)的平均路徑長度為3.641，滿足現(xiàn)實世界網(wǎng)絡(luò)的小世界特性[16]，而聚集系數(shù)為0.092，相對較大，滿足高聚集性，圖3 為網(wǎng)絡(luò)的度分布情況，可以看出，網(wǎng)絡(luò)的度分布與現(xiàn)實世界網(wǎng)絡(luò)度分布的無標(biāo)度特點相對應(yīng)。

表 1 網(wǎng)絡(luò)各項參數(shù)指標(biāo)Tab.1 Network features

圖 3 網(wǎng)絡(luò)度值分布圖Fig.3 Distribution of degree

2 高管網(wǎng)絡(luò)中心性

描述復(fù)雜網(wǎng)絡(luò)的參數(shù)主要包含以下幾種：網(wǎng)絡(luò)密度、度、平均最短路徑和網(wǎng)絡(luò)的聚集系數(shù)。其中，網(wǎng)絡(luò)密度主要刻畫了網(wǎng)絡(luò)連接的總體特征，網(wǎng)絡(luò)的度主要描述個體節(jié)點的連接情況，平均最短路徑能夠體現(xiàn)網(wǎng)絡(luò)信息流傳遞效率，而網(wǎng)絡(luò)的聚集系數(shù)則能夠體現(xiàn)網(wǎng)絡(luò)的局部聚集情況。

2.1 度

節(jié)點的度值為與該節(jié)點直接相連的節(jié)點數(shù)?？梢钥闯?，網(wǎng)絡(luò)中一個節(jié)點的度在[0, N-1]區(qū)間內(nèi)，N 為網(wǎng)絡(luò)G 的節(jié)點數(shù)。節(jié)點度的大小反映了該節(jié)點在網(wǎng)絡(luò)中的直接影響力[17]。設(shè) A為網(wǎng)絡(luò)G 的鄰接矩陣， aij為 A的第i行第 j列元素，則

式中， Dxi為節(jié)點xi的度值。

圖4 是經(jīng)過處理后關(guān)鍵詞度數(shù)排名前25 的關(guān)鍵詞度數(shù)分布情況。其中，橫坐標(biāo)為關(guān)鍵詞節(jié)點，縱坐標(biāo)為節(jié)點的度。由于網(wǎng)絡(luò)使用的原始數(shù)據(jù)涉及的企業(yè)及人員均在中國，所以，度最大的節(jié)點為中國。同理，由于分析對象為高管人群，CEO和總經(jīng)理的高頻出現(xiàn)也屬于合理現(xiàn)象，本文對此不作進一步分析。但度數(shù)排名分別為第4 和第5 的北京和美國與同類關(guān)鍵詞相比度數(shù)差別較大。故本文分別對北京和美國進行橫向?qū)Ρ确治觥?/p>

圖 4 關(guān)鍵詞度值Fig.4 Degree of keyword

分別將度值排名在前25 的關(guān)鍵詞及關(guān)鍵詞對應(yīng)的度值進行橫向?qū)Ρ确治?，可以得到柱狀圖如圖5 所示。

圖 5 度值橫向?qū)Ρ菷ig.5 Degree comparison

從圖5 可以看出，橫向?qū)Ρ认卤本┖兔绹@2 個關(guān)鍵詞的度值相比于同類關(guān)鍵詞具有明顯的優(yōu)勢，兩者的度值都遠大于同類關(guān)鍵詞的度值，其中，美國是同類關(guān)鍵詞的5～7 倍，北京是同類關(guān)鍵詞的3～7 倍。通過度值的橫向?qū)Ρ瓤梢钥闯?，這些互聯(lián)網(wǎng)企業(yè)的高管和北京、美國相關(guān)的背景信息顯得尤為重要。這一點也與現(xiàn)實世界的基本情況相符。美國作為自二戰(zhàn)以來的世界強國，對于計算機、互聯(lián)網(wǎng)這類高科技行業(yè)在全球范圍內(nèi)都稱得上絕對領(lǐng)先，所以，我國大量互聯(lián)網(wǎng)人才在選擇留學(xué)、交流時，美國往往是他們的首選，文獻[18]中表明，美國仍然是多數(shù)人留學(xué)的首選目的地。另一方面，雖然我國大型互聯(lián)網(wǎng)公司在國內(nèi)發(fā)展情況很好，但往往也會在美國硅谷等地設(shè)立研發(fā)中心等，網(wǎng)絡(luò)中涉及的7 家（百度、阿里、騰訊、滴滴、美團、京東、今日頭條）公司中有71.43%的公司在美國有分公司、辦事處或研發(fā)中心。文獻[19]指出，設(shè)立海外研發(fā)中心具有從東道國獲取新信息、新技術(shù)服務(wù)于母公司的技術(shù)開發(fā)戰(zhàn)略的作用，而這時的東道國主要有兩類：一是擁有“技術(shù)高地”的技術(shù)發(fā)達國家，二是擁有“人才富地”的人力資源優(yōu)質(zhì)國家，而恰好美國在這兩方面都符合。

北京作為我們國家的首都及政治中心，對于任何一個企業(yè)而言，北京相對于我國的其他城市有著完全不同的意義，企業(yè)管理人員背景信息和北京有著較大的關(guān)系也屬于合理。另一方面，北京作為一線城市，有著眾多優(yōu)秀的高校和人才，企業(yè)和一線城市有著較大的親密度，這對于屬于前沿行業(yè)的互聯(lián)網(wǎng)公司也是必不可少的，網(wǎng)絡(luò)中涉及的7 家企業(yè)100%均在北京有分公司、研發(fā)中心等。其中，5 家公司總部就在北京。文獻[20]針對我國互聯(lián)企業(yè)分布進行分析。圖6 為互聯(lián)網(wǎng)企業(yè)數(shù)量前五的省市的統(tǒng)計分析圖。可以看出，北京互聯(lián)網(wǎng)企業(yè)數(shù)量有明顯優(yōu)勢，這也進一步證明了本文所得分析結(jié)果的合理性。

圖 6 互聯(lián)網(wǎng)企業(yè)省市分布占比圖Fig. 6 Internet enterprise ratio of provinces

2.2 特征向量和介數(shù)

2.2.1 特征向量

一個節(jié)點的度指標(biāo)僅僅描述了該節(jié)點對于其他節(jié)點的直接影響力，若一個節(jié)點與另一個度值很高的節(jié)點之間存在連接[17]，則該節(jié)點的影響力也會受到影響而增強，這與現(xiàn)實世界中的很多情況是一致的，如果把每個人看作是一個節(jié)點的話，一個節(jié)點的信息占有率在很大程度上取決于它與什么樣的節(jié)點有連接。但是，這種類型的特征無法用度值進行衡量，故本文使用特征向量這一網(wǎng)絡(luò)指標(biāo)來衡量節(jié)點這種特征的顯著與否。設(shè)網(wǎng)絡(luò)G 的鄰接矩陣為 A，aij為矩陣第i 行第j 列的元素， aij的取值集合為{0，1}， λ 為 A的主特征值，是一個常量，e=(e1,e2,···,eN)為矩陣 A對應(yīng)λ 的特征向量，即

即

式（6）即為特征向量的計算公式。

2.2.2 介數(shù)

介數(shù)指標(biāo)主要體現(xiàn)了網(wǎng)絡(luò)中的節(jié)點對于信息流動的影響力。設(shè)網(wǎng)絡(luò)G 中含有N 個節(jié)點，則節(jié)點x 的介數(shù)指標(biāo)Bx定義為

式中： gjk表示網(wǎng)絡(luò)中節(jié)點j 和節(jié)點k 之間的所有最短路徑數(shù)； gjk(x)為經(jīng)過節(jié)點x 的最短路徑的數(shù)量。

圖7 通過可視化的圖形來對比同一節(jié)點在圖7（a）和7（b）中的相對大小。按照節(jié)點的度大于等于4 對網(wǎng)絡(luò)節(jié)點進行過濾，得到85 個節(jié)點（過濾前為全部節(jié)點，未進行過和類型相關(guān)的區(qū)分）。以節(jié)點的介數(shù)和特征向量相對大小決定圖中的節(jié)點半徑作為自變量，大小作為應(yīng)變量作圖；由于介數(shù)和特征向量的計算公式不同，為保證公平性，以歸一化后的特征值作為決定節(jié)點半徑大小的唯一自變量，節(jié)點的半徑與對應(yīng)特征值歸一化后的值為線性關(guān)系。按照以上規(guī)則得到圖7。圖7（a）為按照節(jié)點的介數(shù)作圖，圖7（b）為按照節(jié)點的特征向量作圖。

圖 7 介數(shù)與特征向量歸一化可視化對比Fig.7 Visual comparison between the normalized eigenvector and betweenness

圖8 為曲線圖，橫坐標(biāo)為網(wǎng)絡(luò)G 中所有的高管節(jié)點，縱坐標(biāo)為網(wǎng)絡(luò)指標(biāo)歸一化后的常數(shù)。從圖8 中可以看出，絕大多數(shù)高管節(jié)點的特征向量較介數(shù)有明顯的優(yōu)勢，部分節(jié)點的特征向量值遠大于介數(shù)值。圖8 中為部分典型節(jié)點加入了數(shù)據(jù)標(biāo)簽，可以看出，李彥宏、馬云、張亞勤、馬化騰、戴珊等人的特征向量明顯比對應(yīng)的介數(shù)高。

圖 8 特征向量與介數(shù)歸一化對比Fig.8 Comparison between the normalized eigenvector and betweenness

在不考慮極少的特殊節(jié)點后，通過對比圖7 和圖8 發(fā)現(xiàn)，高管節(jié)點的特征向量明顯大于他們的介數(shù)，即特征向量這項指標(biāo)更為顯著?？紤]到介數(shù)主要用來評價節(jié)點對網(wǎng)絡(luò)中信息傳播的影響力[21]，特征向量用來評價節(jié)點的相鄰節(jié)點的度值大小，而節(jié)點的度值又能判斷出該節(jié)點對于網(wǎng)絡(luò)的直接影響力，從而可以看出，相比于個體傳遞信息的能力而言，認識什么樣的人對于個人的成功與否顯得更重要，這與現(xiàn)實世界中的社交關(guān)系有著明顯的一致性。如果一個人在社會交際中認識的人都是比較有影響力的，那么，往往這個人也比較有影響力，而且比起那些不具備這一特點的人而言也更容易成功。

2.3 異常節(jié)點分析

從圖8 中發(fā)現(xiàn)，極少部分的異常節(jié)點的歸一化介數(shù)反而大于歸一化后的特征向量的值。通過對原始網(wǎng)絡(luò)進行分析，發(fā)現(xiàn)任宇昕、弓峰敏相對于其他節(jié)點而言，關(guān)鍵詞信息和個人經(jīng)歷與這些互聯(lián)網(wǎng)公司中的其他人員確實有較大的差別。

2.3.1 模塊度分析

圖9 中，在模塊化后，任宇昕獨立劃分為一塊。造成這一結(jié)果的原因是本文研究對象限制在互聯(lián)網(wǎng)公司高管人員范圍之內(nèi)，而企業(yè)高管會有不同類型企業(yè)之間跳槽情況。例如，弓峰敏曾就職于網(wǎng)絡(luò)安全公司，而圖9 中任宇昕曾就職于華為公司，華為公司是一家做電信服務(wù)和手機業(yè)務(wù)的企業(yè)，不屬于互聯(lián)網(wǎng)類公司。這就造成了這種類型 的人的個人信息與其他人員存在較大的差異。

圖 9 異常節(jié)點局部網(wǎng)絡(luò)圖Fig.9 Local network of abnormal nodes

2.3.2 接近中心性分析

接近中心性是通過計算節(jié)點與網(wǎng)絡(luò)中其他所有節(jié)點的距離的平均值來消除特殊值的干擾。一個節(jié)點與網(wǎng)絡(luò)中其他節(jié)點的平均距離越小，該節(jié)點的接近中心性就越大[22]。通過計算網(wǎng)絡(luò)節(jié)點的接近中心性，分別得到任宇昕和弓峰敏的接近中心性為0.544 643 和0.458 647，在高管節(jié)點中分別位于倒數(shù)第3 位和最后1 位。接近中心性倒數(shù)第2 位的節(jié)點為姚星，通過查看原始數(shù)據(jù)發(fā)現(xiàn)，造成該節(jié)點接近中心性、特征向量和介數(shù)值較低的原因是從百度百科抓取到的詞條內(nèi)容非常少，僅有一句話。不同于姚星，任宇昕和弓峰敏的詞條內(nèi)容非常豐富，而詞條內(nèi)容量類似的曾鳴、董本洪等節(jié)點的接近中心性非常大，曾鳴和董本洪接近中心性分別排在第11 和第20 位，即造成任宇昕和弓峰敏的接近中心性較低的原因可能是跨行業(yè)跳槽造成的。

綜上可以發(fā)現(xiàn)，跨行業(yè)跳槽的人員與一直從事于該行業(yè)的人員在多項中心性值的比較中存在較為明顯的差異，這與其長期的職業(yè)背景經(jīng)歷有較大的關(guān)系，這種差異可能為未來的職業(yè)發(fā)展帶來不利影響。

3 結(jié) 論

以復(fù)雜網(wǎng)絡(luò)為理論基礎(chǔ)，對幾家大型互聯(lián)網(wǎng)企業(yè)高管人員進行建模分析，通過復(fù)雜網(wǎng)絡(luò)的理論分析研究對象是否具有共性、具有哪些共性以及該類人員具有哪些顯著特點。以百度百科官方詞條作為原始數(shù)據(jù)，通過分詞系統(tǒng)抽取實體關(guān)鍵詞，獲得有信息要素的實體關(guān)鍵詞；以高管姓名和關(guān)鍵詞作為網(wǎng)絡(luò)節(jié)點，高管個人信息中是否包含關(guān)鍵詞作為連接邊的條件構(gòu)建復(fù)雜網(wǎng)絡(luò)；最后通過復(fù)雜網(wǎng)絡(luò)的理論分析得到一些與現(xiàn)實世界具有一致性的網(wǎng)絡(luò)特征，同時這些一致性也證明模型的合理性。

分析網(wǎng)絡(luò)后，得到以下主要結(jié)論：首先，將度值較高的美國和北京分別整理統(tǒng)計對比后發(fā)現(xiàn)，美國和北京相對于其他同類別的關(guān)鍵詞確實有著明顯的度值優(yōu)勢，證明對于大型互聯(lián)網(wǎng)企業(yè)高管而言美國和北京相關(guān)的背景信息確實很重要；其次，將特征向量指標(biāo)值和介數(shù)指標(biāo)值歸一化后作圖對比，發(fā)現(xiàn)一個與現(xiàn)實世界具有一致性的特點，一個人社交關(guān)系中的社交對象相比于他在社交關(guān)系中起到的信息傳遞的作用更為重要，也讓他更容易獲得成功；最后，對圖9 中的異常節(jié)點進行分析，發(fā)現(xiàn)跨行業(yè)跳槽時過去不同的職業(yè)經(jīng)歷可能會在未來的個人發(fā)展中產(chǎn)生不好的影響。