社交网络的兴起带动了新一轮数据挖掘（DataMining）热潮。但当今人们进行的社交网络数据分析无外乎发掘新的朋友关系、社会各界领袖人物和个人好友建议等方面，这些都是只考虑了静态因素。假如人们在进行社交网络的数据分析的时候把“时空”变化这一动态因素也考虑进来的话，除了原始的好友链接和人际关系之外，我们会发现什么新的东西呢？

　　据国外媒体读写网的消息，明尼苏达大学空间数据（spatial data）科学家沙市·谢卡尔（Shashi Shekhar）和其研究助理戴夫·奥利弗 （Dev Oliver）的发表的最新论文《时空社交网络的计算模型：一种时间聚合的图形法》（Computational Modeling of Spatio-temporal Social Networks: A Time-Aggregated Graph Approach）中对此议题进行了研究——假如新的因素，尤其是随时空变化而产生的变化因素，被考虑进来的话，那么社交网络分析就能发现更多的信息，如一些领袖的兴起和衰落、随时间变化而变化的信任以及特定网络社区人群的迁移和流动等。读写网负责内容的副董事长兼联合编辑马歇尔·帕特里克（Marshall Kirkpatrick）在自己的文章中评论道：“这是非常有价值的信息，而社交网络才刚刚开始涉及这个方面。”

　　谢卡尔和奥利弗在论文中提到，像地理空间、旅游时间表和昼夜循环周期（diurnal cycle）等这些约束条件，都在我们对社交网络的分析中起着重要的作用。也就是说，如果我们不注意时空因素对我们生活的影响，只看到“谁是谁”、“谁在谈论什么”这些的话，那么我们对这个世界的理解就是混沌不清的。

　　这个模型显示的是随时间变化的信任网络中人际关系的变化，从中你能看到彼此的关系——谁认识谁（F,Friend）、谁不认识谁(V,Vistor)。如果单单只看1和10两个图的话，你可能觉得在这个信任网络里人际关系的发展有点夸张；但是如果你从1到10依次看下去的话，就会发现并不是这样。相反，随着时间变化，你能看到在这个特殊的网络里的人际关系是如何展开的，在这种理解之下的社交网络的理解就丰富多了。

　　比如图中的N3，处于这个四方人际关系中的最底端。从图中我们可以看到，与别人比起来，N3与其他成员从陌生人（Vistor）到好友（Friend）所花费的时间最长。而N2则处于这个关系中的最顶端，他看起来很具有亲和力，能快而有效地形成人际关系。

　　社交网络分析服务已经看到了人们彼此间互动方式的不同及其如何发生影响，但这仍是一个新兴的领域。埃里克·彼得森（Eric Peterson）是专业Twitter数据分析服务Twitalyzer的创始人，他说：“我们从Twitalyzer在会议、展会和一些社会事件期间对Twitter的分析数据中看到，时空影响明显存在。”

　　艾琳·伯比奇（Eileen Burbidge）是Skype的前产品经理，现为伦敦一家天使基金的投资人，她认为“时空”因素非常有价值。她说：“以LinkedIn为例。我通常在上边查看我的社交网络里谁认识谁，但也经常通过查看别人的工作历史来了解他们的联系人，以确认一个特定的联系是否是在某个特定的时空点建立的。将这种能力引入到社交网络数据分析中来是非常有价值的，因为时空会给社会关系的形成提供巨大的背景及其相关因素。”

　　这种复杂的社交网络数据分析服务很可能会成为将来服务商及其用户都十分渴望的东西，但要真正做到并不容易。谢卡尔和奥利弗说，这需要一个中心角色以供模型计算，这个角色不仅仅需要提供巨大的不断增长的数据量，还需要用以解决出现在时空维度上的新的社交问题。