相似性的计算有多种方法，在第4章中，本研究提及了余弦相似性，也有一些作者利用余弦相似性进行作者知识关联的研究，但对于网络数据而言，二次分配程序方法具有更高的适用性。
二次分配程序的英文名称为QAP(Quadratic Assignment Procedure)，中文有时也称为二次程序指派，是测试网络数据统计显著性的一种策略。利用参数的相关技术是计算统计显著性的常规方法，主要通过将观察到的值与一个适当的理论分布进行对比来判断其是否具有统计上的显著特征。但是这种方法有许多假设限制，例如要求观测对象彼此之间是相互独立的，然而，这种前提性的假设在网络结构分析中并不能成立。对于绝大多数网络来说，其建立的根本假设就是观测对象之间是有联系的，例如某人i每周有5个小时需要向另一个人j进行汇报，那么正常情况下我们也会认为j在某种程度上和i之间也是存在交互的，这就违反了被观测对象独立性的假设，因此参数方法在网络数据的相关性研究中并不适用。QAP方法是一种非参数方法，它并不依赖于任何独立性的假设；此外，QAP也是验证两者相关和多个对象之间多元回归的一种重要方法。在相关性分析中，QAP能够计算两个网络之间的相关性是否在统计上显著，例如，研究人员可能想知道朋友关系网络和工作任务网络是否相关，在多元回归分析中，一个因变量网络与两个或多个自变量网络进行回归分析，QAP则用来评估由此产生的Rsquare和回归系数是否显著。(www.xing528.com)
QAP分析的先决条件主要包括如下三个方面：首先，所有的矩阵行列必须相同；其次，用来计算相关性的两个矩阵规模必须相同；最后，所有的矩阵必须都是1模的，即每个矩阵只表达节点间同一类关系。其计算过程主要包括两个步骤：第一步，通过对比两个矩阵中每个位置的值的相似性，得到矩阵从整体上的初始Person相关系数R；第二步，在此基础上对相关系数进行非参数检验，分析对网络中元素进行随机置换后的相关系数高于最初测得的相关系数的概率。因此，在运算过程中，第一步需要把矩阵转换为长向量，计算两个矩阵彼此间的相关系数r；进一步的，对其中一个矩阵行列同时进行随机置换再次计算与另一矩阵的相关系数ri，多次重复后得到一个R的分布，比较这个分布中的值与最初得到的相关系数，获取对应的比例。通过与设定的显著性水平p进行比较，如果计算得到的初始相关系数大于95%的重置后相关系数，那么我们就认为两个矩阵在0.05的显著性水平上是相关的。本研究中，主要利用R软件包中的qaptest实现QAP分析的过程[17]。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
