社交网络分析的核心是对用户之间的关系、互动行为进行量化统计和挖掘，MySQL作为成熟的关系型数据库，凭借稳定的事务支持和高效的查询能力，非常适合存储和处理社交网络的结构化数据。通过合理的数据建模和针对性的SQL查询，我们可以实现好友关系梳理、互动热度统计、潜在好友推荐等常见分析需求。
社交网络数据建模
社交网络的核心数据包含用户基础信息、用户之间的关系、用户互动行为三类，我们需要设计对应的表结构来存储这些数据。
核心表结构设计
首先创建用户基础信息表，存储用户的基本属性：
-- 用户基础信息表
CREATE TABLE user_info (
user_id INT PRIMARY KEY AUTO_INCREMENT COMMENT '用户ID',
user_name VARCHAR(50) NOT NULL COMMENT '用户昵称',
register_time DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '注册时间',
INDEX idx_register_time (register_time)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='用户基础信息表';
接下来创建用户关系表，存储用户之间的关注、好友等关系，这里以双向好友关系为例：
-- 用户关系表，存储双向好友关系
CREATE TABLE user_relation (
relation_id INT PRIMARY KEY AUTO_INCREMENT COMMENT '关系ID',
user_id INT NOT NULL COMMENT '用户ID',
friend_id INT NOT NULL COMMENT '好友用户ID',
create_time DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '建立关系时间',
-- 联合唯一索引，避免重复的好友关系
UNIQUE KEY uk_user_friend (user_id, friend_id),
INDEX idx_friend_id (friend_id),
-- 外键关联用户表，保证数据一致性
FOREIGN KEY fk_user_id (user_id) REFERENCES user_info(user_id) ON DELETE CASCADE,
FOREIGN KEY fk_friend_id (friend_id) REFERENCES user_info(user_id) ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='用户好友关系表';
最后创建用户互动行为表，存储点赞、评论、转发等互动数据：
-- 用户互动行为表
CREATE TABLE user_interaction (
interaction_id INT PRIMARY KEY AUTO_INCREMENT COMMENT '互动ID',
from_user_id INT NOT NULL COMMENT '发起互动的用户ID',
to_user_id INT NOT NULL COMMENT '接收互动的用户ID',
interaction_type TINYINT NOT NULL COMMENT '互动类型：1点赞 2评论 3转发',
content TEXT COMMENT '互动内容，评论时有效',
create_time DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '互动时间',
INDEX idx_from_user (from_user_id),
INDEX idx_to_user (to_user_id),
INDEX idx_create_time (create_time),
FOREIGN KEY fk_from_user (from_user_id) REFERENCES user_info(user_id) ON DELETE CASCADE,
FOREIGN KEY fk_to_user (to_user_id) REFERENCES user_info(user_id) ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='用户互动行为表';
常见社交网络分析场景实现
查询用户的好友列表
查询指定用户的所有好友，只需要从user_relation表中匹配对应用户ID即可：
-- 查询用户ID为1的所有好友
SELECT
u.user_id,
u.user_name,
r.create_time AS become_friend_time
FROM user_relation r
INNER JOIN user_info u ON r.friend_id = u.user_id
WHERE r.user_id = 1
ORDER BY r.create_time DESC;
统计用户互动热度排名
统计近30天内被互动次数最多的用户，用于发现活跃用户或者热门用户：
-- 统计近30天被互动次数最多的前10名用户
SELECT
u.user_id,
u.user_name,
COUNT(i.interaction_id) AS interaction_count
FROM user_interaction i
INNER JOIN user_info u ON i.to_user_id = u.user_id
WHERE i.create_time >= DATE_SUB(CURDATE(), INTERVAL 30 DAY)
GROUP BY u.user_id, u.user_name
ORDER BY interaction_count DESC
LIMIT 10;
潜在好友推荐
基于好友的好友推荐逻辑，即推荐用户的好友的好友，同时排除已经是好友的用户：
-- 为用户ID为1推荐潜在好友，推荐好友的好友
SELECT
u.user_id,
u.user_name,
COUNT(DISTINCT r2.user_id) AS common_friend_count
FROM user_relation r1
INNER JOIN user_relation r2 ON r1.friend_id = r2.user_id
INNER JOIN user_info u ON r2.friend_id = u.user_id
-- 排除已经是好友的用户
LEFT JOIN user_relation r3 ON r3.user_id = 1 AND r3.friend_id = r2.friend_id
WHERE r1.user_id = 1
AND r2.friend_id != 1
AND r3.relation_id IS NULL
GROUP BY u.user_id, u.user_name
ORDER BY common_friend_count DESC
LIMIT 10;
共同好友数量统计
查询两个用户之间的共同好友数量，用于评估用户之间的关联度：
-- 查询用户1和用户2的共同好友数量
SELECT COUNT(DISTINCT r1.friend_id) AS common_friend_count
FROM user_relation r1
INNER JOIN user_relation r2 ON r1.friend_id = r2.friend_id
WHERE r1.user_id = 1
AND r2.user_id = 2;
分析性能优化建议
当社交网络数据量增长到千万级以上时，需要做对应的优化保证查询效率：
- 为关系表和互动表的常用查询字段建立合适的索引，比如用户ID、时间字段的联合索引
- 对于高频的聚合查询，可以建立汇总表定期更新数据，避免每次查询都做全表扫描
- 如果关系查询场景较多，可以考虑将双向关系拆分为两条记录存储，减少查询时的关联操作
- 定期清理过期的互动数据，或者将历史数据归档到冷存储，减少主表的数据量
注意事项
在进行社交网络分析时，需要注意数据隐私保护，用户关系、互动数据都属于敏感信息，存储和查询时都需要做好权限控制，避免数据泄露。另外如果涉及复杂的图计算需求，比如社群发现、最短路径计算，MySQL的处理效率会低于专门的图数据库，此时可以结合图数据库一起使用，MySQL负责存储基础数据，图数据库负责复杂分析计算。