558
个编辑
更改
跳到导航
跳到搜索
第5行：
第5行： + + + + + + − 而+
→社会网络
== 社会背景==
== 社会背景==
===社会网络===
===社会网络===
社会网络本质上是一类以“人—人关系”为节点和连边的复杂网络，通常具有关系异质、结构分层、社群显著和强弱连接并存等性质：一方面，不同个体在网络中的连接数、影响力和中介作用差异很大，往往会形成少数高连接度核心节点与大量普通节点并存的结构；另一方面，网络内部又会自然涌现出社群、圈层和层级，使信息传播呈现出局部聚集与跨群扩散并存的特点。结合上面的项目文本来看，传统社会网络分析主要关注“以人为节点的信息传播关系”，因此更适合刻画意见领袖、群体划分、互动结构和传播路径，但也容易受到信息复制、丢失和内容相关性弱刻画等限制。
与文中强调的“集体注意力流网络”相比，社会网络中的“信息流”通常不具备严格守恒性，因此难以像物质流、能量流那样直接建立流量平衡分析；同时，当用户规模极大时，以个体为节点的建模会带来很高的计算和存储成本。也正因如此，社会网络更擅长回答“谁影响谁、群体如何组织、传播如何跨社群扩散”这类问题，而对“注意力如何积聚、流转、耗散”以及内容生态的整体演化规律刻画相对不足。换言之，社会网络的核心性质可以概括为：以关系结构为中心、以群体分化为特征、以传播路径为重点，但在处理全媒体环境下的大规模内容—注意力动力学时需要与注意力流视角互补。
当前，针对海量用户行为的数据分析多基于社交网络结构，侧重于研究信息在其中的扩散特征。这类方法虽已取得一定成果，但由于信息在传播过程中可能出现丢失、复制或失真等现象，难以直接沿用描述物质与能量流动的物理学规律。传统的社会网络方法以人为节点，对信息辨识度低，信息内容的传播构成了节点之间的信息流动，但是不具备守恒性。而机器学习的方法只能获得相应的参数，可解释性低。
当前，针对海量用户行为的数据分析多基于社交网络结构，侧重于研究信息在其中的扩散特征。这类方法虽已取得一定成果，但由于信息在传播过程中可能出现丢失、复制或失真等现象，难以直接沿用描述物质与能量流动的物理学规律。传统的社会网络方法以人为节点，对信息辨识度低，信息内容的传播构成了节点之间的信息流动，但是不具备守恒性。而机器学习的方法只能获得相应的参数，可解释性低。
===信息流===
===信息流===