49
个编辑
更改
跳到导航
跳到搜索
第977行：
第977行： − + − + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
→匹配生长模型
[math]\displaystyle D_i = b,T_i^{,\gamma}[/math] <ref name=":14" />
[math]\displaystyle D_i = b,T_i^{,\gamma}[/math] <ref name=":14" />
其中 [math]\displaystyle T_i[/math] 为节点流量，[math]\displaystyle D_i[/math] 为流失量，[math]\displaystyle \gamma[/math] 为'''耗散指数'''。多数论坛 [math]\displaystyle \gamma<1[/math]，表明热门帖能有效留住用户。论文指出 [math]\displaystyle \theta[/math] 与 [math]\displaystyle \gamma[/math] 之间存在负相关，并满足边界关系：
其中 [math]\displaystyle T_i[/math] 为节点流量，[math]\displaystyle D_i[/math] 为流失量，[math]\displaystyle \gamma[/math] 为耗散指数。多数论坛 [math]\displaystyle \gamma<1[/math]，表明热门帖能有效留住用户。论文指出 [math]\displaystyle \theta[/math] 与 [math]\displaystyle \gamma[/math] 之间存在负相关，并满足边界关系：
[math]\displaystyle (0<\gamma<1)\Rightarrow 1<\theta<1/\gamma;\quad (\gamma>1)\Rightarrow 1/\gamma<\theta<1.[/math] <ref name=":14" />
[math]\displaystyle (0<\gamma<1)\Rightarrow 1<\theta<1/\gamma;\quad (\gamma>1)\Rightarrow 1/\gamma<\theta<1.[/math] <ref name=":14" />
当 [math]\displaystyle \gamma[/math] 较小、耗散低时，论坛更具吸引力。研究还发现，“体育”“女性”等类贴吧具有高 [math]\displaystyle \theta[/math]、低 [math]\displaystyle \gamma[/math]，而“艺术”“动漫”等则相反。由此，[math]\displaystyle \theta[/math] 表征社区的长期锁定能力，[math]\displaystyle \gamma[/math] 则刻画其注意力耗散效率
当 [math]\displaystyle \gamma[/math] 较小、耗散低时，论坛更具吸引力。研究还发现，“体育”“女性”等类贴吧具有高 [math]\displaystyle \theta[/math]、低 [math]\displaystyle \gamma[/math]，而“艺术”“动漫”等则相反。由此，[math]\displaystyle \theta[/math] 表征社区的长期锁定能力，[math]\displaystyle \gamma[/math] 则刻画其注意力耗散效率。
=== 匹配生长模型 ===
=== 匹配生长模型 ===
张江等人提出了匹配生长模型（matching growth model），用于解释网络化系统（如城市、在线社区、合作网络）中普遍存在的超线性与次线性规模律。模型假设网络在 [math]\displaystyle d[/math] 维欧几里得空间内生长，每个新节点 [math]\displaystyle P[/math] 随机生成后，仅当与已有节点 [math]\displaystyle Q[/math] 的距离 [math]\displaystyle |x_P - x_Q| \le r[/math] 时才“存活”，并与其邻域内所有节点相连，从而形成局部密集、整体稀疏的空间结构。
模型揭示了两条基本幂律关系：
第一个是节点数与边数的超线性关系：
<nowiki>[math]\displaystyle E(t) \propto N(t)^{,\frac{d+2}{d+1}}[/math] </nowiki><ref name=":15">Zhang, J., Li, X., Wang, X., Wang, W.-X., & Wu, L. (2015). Scaling behaviours in the growth of networked systems and their geometric origins. ''Scientific Reports'', ''5''(1). <nowiki>https://doi.org/10.1038/srep09767</nowiki></ref>，说明交互或连接数随系统规模加速增长。
第二个是体积的次线性关系：
<nowiki>[math]\displaystyle V(t) \propto N(t)^{,\frac{d}{d+1}}[/math] </nowiki><ref name=":15" />，表示系统在扩张中变得更致密。
两者的指数完全由空间维度 [math]\displaystyle d[/math] 决定。例如在 [math]\displaystyle d=2[/math] 时，得到 [math]\displaystyle E\propto N^{4/3}[/math]、[math]\displaystyle V\propto N^{2/3}[/math]，与城市、在线社区实测结果高度一致。为考虑现实中的拥挤限制，作者引入参数 [math]\displaystyle \alpha[/math]，从而得到：
<nowiki>[math]\displaystyle E(t)\propto N(t)^{,1+\frac{1}{(1+\alpha)d}},\qquad</nowiki>
<nowiki>V(t)\propto N(t)^{,\frac{(1+\alpha)d}{1+(1+\alpha)d}}.[/math]</nowiki>
当 [math]\displaystyle \alpha[/math] 增大时，系统增长趋于线性。研究表明，超线性与次线性规律源于同一几何约束机制：活动密度增加压缩空间体积，从而使在线社区在增长中同时表现出交互加速与多样性减缓的“几何匹配”特征。
=== 挖雷模型 ===
=== 挖雷模型 ===
Fanqi Zeng，张江等人提出挖雷模型（interactive Lévy flight model），用于解释用户在“兴趣空间”中的集体迁移及其所产生的规模律。论文认为，在线社区中的每位用户的兴趣可被视作分布在二维欧几里得空间中的点，用户在不同主题间的跳转可模拟为挖雷模型(Lévy Flight) 随机游走。其步长分布满足幂律：
[math]\displaystyle P(l)\sim l^{-\lambda}[/math]
其中 [math]\displaystyle \lambda[/math] 描述用户兴趣广度：值越小，长距离跳转越频繁，表示兴趣更广泛。用户在活跃兴趣点之间移动，并以概率 [math]\displaystyle p[/math] 生成新的数字资源（帖子、评论等），从而通过“活跃节点”间接相互作用。
模型建立了注意力流网络，节点代表兴趣主题，边的权重表示用户在不同主题间的迁移频率。系统宏观变量，活动度 [math]\displaystyle A[/math]、兴趣多样性 [math]\displaystyle D[/math] 与转移多样性 [math]\displaystyle E[/math] 均随用户数 [math]\displaystyle N[/math] 呈幂律增长：
[math]\displaystyle A\propto N^{\alpha},\quad D\propto N^{\beta},\quad E\propto N^{\gamma}[/math]
其中 [math]\displaystyle \alpha>1[/math] 显示活动的超线性增长，而 [math]\displaystyle \beta<1[/math] 反映内容多样性的次线性扩展。此外，网络边数与节点数之间满足规律：
[math]\displaystyle E\propto D^{,\theta},\quad \theta\approx1.5.[/math]
模拟结果与百度贴吧、Stack Exchange 等实证数据高度一致，证明用户间的间接互动可自发产生与现实网络相同的幂律规模结构。参数 [math]\displaystyle \lambda[/math] 和 [math]\displaystyle p[/math] 可从观测指数中反推，分别反映用户兴趣跨度与内容生成倾向。该模型揭示了虚拟空间中人类行为的几何起源，为理解在线社区的增长、推荐机制与注意力分布提供了统一的理论框架。
== 复杂网络 ==
== 复杂网络 ==