EgoNet-UIUC

EgoNet-UIUC是由伊利诺伊大学厄巴纳-香槟分校计算机科学系创建的自我网络研究数据集。该数据集包含230个自我网络，涵盖33K用户及其属性信息，以及283K关系数据。数据集通过LinkedIn API收集，涉及用户的教育、工作和地理位置等属性，并由用户对关系进行分类标注。EgoNet-UIUC主要用于社会网络分析和人际关系研究，旨在深入理解个体在社会网络中的位置和影响。EgoNet-UIUC is an ego-network research dataset developed by the Department of Computer Science at the University of Illinois Urbana-Champaign. This dataset comprises 230 ego networks, covering 33,000 users along with their attribute information, as well as 283,000 relational records. Collected via the LinkedIn API, the dataset includes attributes such as users' educational backgrounds, work experiences and geographic locations, with relationships categorized and labeled by the users themselves. Primarily used for social network analysis and interpersonal relationship research, EgoNet-UIUC aims to gain in-depth insights into individuals' positions and influences within social networks.

搜集汇总

数据集介绍

构建方式

EgoNet-UIUC数据集源自伊利诺伊大学厄巴纳-香槟分校于2013年5月至8月开展的一项在线研究。研究初始邀请一组种子用户参与，并允许其邀请好友加入。通过LinkedIn API，系统收集了每位用户的位置、教育背景和工作经历等属性信息，同时提取其自我网络结构，包括自我节点与好友之间的连接以及好友之间的相互关系。参与用户还需对自身与好友的关系从个人社群、工作和学校三大领域的11个类别中进行标注。最终数据集包含230个自我网络，涉及约3.3万名用户和28.3万条关系，其中1.5万条自我-好友关系附有语义标签。为保护隐私，所有用户属性和关系标签均被转换为匿名ID。

使用方法

EgoNet-UIUC仅限学术研究使用。研究者需发送邮件至Rui Li（[e-mail]），在邮件中明确姓名、所属机构，并承诺遵守以下规则：仅将数据用于研究、不向第三方分发、参与原始研究调查，并在出版物中恰当引用本报告。数据获取后，可通过解析网络文件中的关系三元组（自我用户ID、起始用户ID、目标用户ID）重建自我网络图结构，利用标签文件中的关系类别进行语义分析，并结合属性文件中的用户特征开展多维度的社交网络行为研究。

背景与挑战

背景概述

EgoNet-UIUC数据集由伊利诺伊大学厄巴纳-香槟分校的Rui Li与Kevin Chen-Chuan Chang于2013年创建，聚焦于自我中心网络（ego-network）的研究。在社会网络分析领域，自我中心网络以个体节点为核心，揭示其与邻居及邻居之间的关联结构，是理解社交关系微观动力学的重要工具。该数据集基于LinkedIn平台，通过在线研究招募种子用户及其邀请的参与者，收集了230个自我中心网络，涵盖约33K用户的多维属性（如位置、教育背景、工作经历）及283K关系（含15K经用户标注的关系类型，分为个人社群、工作与学校三大领域共11个类别）。其发布为自我网络研究提供了标准化基准，推动了社交关系语义分类与网络结构分析的进展。

当前挑战

EgoNet-UIUC面临的核心挑战包括：其一，领域问题层面，自我中心网络研究需解决关系语义的细粒度分类与稀疏性难题——用户间关系类型分布不均（如学校类占比超50%，而工作类仅少数），导致模型泛化困难；其二，构建过程中，数据采集依赖用户主动参与及邀请机制，可能引入样本偏差（如种子用户社交圈同质性），且基于LinkedIn API的爬取受限于平台隐私策略与数据时效性，2013年的静态快照难以反映动态演化；此外，用户属性与关系标签的匿名化处理虽保障隐私，却丢失了实体间可解释的上下文信息，增加了网络推断的复杂度。

常用场景

经典使用场景

EgoNet-UIUC作为自我中心网络研究的经典数据集，广泛应用于社交网络分析中个体节点及其邻域结构的微观探索。研究者利用该数据集中的230个自我网络、33K用户属性及283K关系标签，深入剖析以用户为中心的社交圈层特征，如关系类型分布（涵盖个人社区、工作与学校三大领域共11种语义类别）及网络拓扑属性。其典型使用场景包括自我网络的结构洞分析、关系强度量化及社区发现算法的验证，为理解个体在社交网络中的嵌入性提供了高颗粒度的数据支撑。

解决学术问题

该数据集解决了自我网络研究中长期存在的细粒度关系语义缺失问题，通过提供标注了11种关系类型的15K边标签，使得学者能够超越传统二元连接假设，探究关系异质性对网络动态演化的影响。它助力回答了诸如‘不同关系类型如何塑造个体信息传播路径’、‘职业与社交关系如何交织影响机会获取’等学术问题，推动了社会资本理论在计算社会科学中的实证检验，并成为评估关系分类模型与网络嵌入算法的基准资源。

实际应用

在实际应用中，EgoNet-UIUC为职业社交平台（如LinkedIn）的推荐系统优化提供了关键洞察。基于数据集中的关系类型与用户属性（教育、位置、职位），企业可设计更精准的人脉推荐算法，例如区分弱关系（如工作业务联系）与强关系（如学校同学）在求职信息扩散中的差异化作用。此外，该数据集还支持组织行为分析，帮助企业识别员工跨部门协作的隐性社交网络，从而优化团队配置与知识管理策略。

数据集最近研究

最新研究方向

在社交网络分析领域，EgoNet-UIUC作为首个大规模标注的自我中心网络数据集，正推动着关系语义理解与隐私保护技术的交叉前沿。该数据集收录了2013年从LinkedIn采集的230个自我网络，涵盖33K用户节点与283K条关系边，其中15K条关系被标注为11种语义类别（如校友、同事、社区等）。当前研究热点聚焦于利用该数据集训练图神经网络模型，以捕捉自我网络中关系类型的异质性模式，进而提升社交推荐与群体发现算法的精准度。与此同时，随着全球对数据隐私法规（如GDPR）的响应加强，基于EgoNet-UIUC的匿名化框架研究成为重要方向——研究者致力于在保留网络拓扑结构的前提下，通过差分隐私或生成对抗网络平衡数据效用与个体身份保护。该数据集不仅为理解职业社交网络中的多层次关系提供了基准，更成为检验隐私计算技术在实际社交图谱中有效性的关键测试床。

相关研究论文

• EgoNet-UIUC: A Dataset For Ego Network Research

  伊利诺伊大学厄巴纳-香槟分校计算机科学系 · 2013年