558
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： + + − 随着信息爆炸时代的到来，信息本身存在着贬值、泛滥的可能性，相反，用户注意力逐渐成为稀缺资源，直接影响到流量的大小，对它的有效引导和利用具有重要的社会和商业价值代【1-4】。其流动模式与经济发展、社会运行及国家安全密切相关。如果只关注单一用户或网站（如电商），就会缺乏对整个互联网尺度上注意力流动的系统性分析，而系统性分析，恰是能提高整体分析效率，从更宏观角度关注互联网现象的关键。而用网络建模系统是一应用广泛且有效的方法。 − 随着移动互联网与社交媒体的普及，用户在各种媒体平台上的活动会留下大量数字足迹，这些行为数据通常以大规模、多维度形式被记录和存储。因此，如何从海量用户行为数据中提取本质规律，并以数据驱动的方式对复杂系统——尤其是面向大规模用户的全媒体传播行为——进行建模，已成为系统科学领域亟待解决的关键问题。 − 而集体注意力流网络是以内容资源为节点，用户在内容资源之间的流转行为构成节点之间的流动，具有守恒性和耗散性，可以为此项目提供研究理论基础。故本项目基于集体注意力流网络理论【5-10】，构建以内容资源为节点、用户行为为边的集体注意力流网络，旨在从宏观层面分析集体心智的分布特征，揭示注意力流动的结构性规律，为舆情管理、资源优化提供理论支持。+ − 注意力流网络模型具有深刻的理论意义。它旨在刻画用户“自由选择”的心理过程，正如顾客在商场中选择店铺与货架，个体的选择行为在表面上是独立的，但在心理层面存在“交叠”，从而形成宏观的“集体心智”与“集体注意力流”。该模型以网站或内容为节点，其重要性差异反映了用户的心理认知，使我们得以从系统整体视角分析“集体心智”。+ + + + + + + + + − 注意力流网络是一种典型的开放流网络，其与普通网络的主要区别在于引入了源节点与汇节点，用以表示传播系统的外部环境。从源节点到各内容节点的流量，表示用户从外部进入网络内部的流量，称为积聚流；而从各内容节点到汇节点的流量，则表示用户离开该内容并退出网络的流量，称为耗散流。+ + + + − − 已有研究【5-10】结合了网站链接拓扑与真实用户点击行为，提出了“流距离”概念，它能更真实地反映注意力流动的距离。在模型上，它引入了“源”和“汇”来构建开放流网络，以更全面地刻画用户行为的起止。此外，该研究通过将网站嵌入高维欧几里得空间，实现了对注意力流动的几何映射与可视化分析，并以印第安纳大学【6】的网络为例进行了展示。在数据层面，后续研究（如针对新闻网站Digg和百度贴吧的分析）【10】基于用户的实际点击流数据，构建了大规模点击流网络，为此类研究提供了实证基础。并且通过流距离中心性度量与随机游走图嵌入方法的对比，验证了模型在识别关键节点（如百度、QQ）的一致性【9】，证明其兼具结构重要性与流量表征能力。特别是在线学习【8】，现在相关内容已经被发表在了好几个顶刊。这个领域的顶看注意力的有效管理是影响学习成效的关键因素。在线学习资源虽然“免费”，但学习者需要付出注意力的代价，因此教学设计应考虑如何降低注意力成本，提升学习效率。 − 而现在，我们就要将类似的注意力流网络框架应用到央视的舆论周数据上，构建注意力流网络并探索其相关性质。 − ==理论背景== − ===点击流分析=== − ===开放流网络=== − ===集体注意力=== − ===集体注意力流网络=== + +
→背景
=背景=
=背景=
随着信息爆炸时代的到来，信息本身存在着贬值、泛滥的可能性，相反，用户注意力逐渐成为稀缺资源，直接影响到流量的大小，对它的有效引导和利用具有重要的社会和商业价值代【1-4】。其流动模式与经济发展、社会运行及国家安全密切相关。如果只关注单一用户或网站（如电商），就会缺乏对整个互联网尺度上注意力流动的系统性分析，而系统性分析，恰是能提高整体分析效率，从更宏观角度关注互联网现象的关键。而用网络建模系统是一应用广泛且有效的方法。
随着移动互联网与社交媒体的普及，用户在各种媒体平台上的活动会留下大量数字足迹，这些行为数据通常以大规模、多维度形式被记录和存储。因此，如何从海量用户行为数据中提取本质规律，并以数据驱动的方式对复杂系统——尤其是面向大规模用户的全媒体传播行为——进行建模，已成为系统科学领域亟待解决的关键问题。
== 社会背景==
== 社会背景==
===社会网络===
===社会网络===
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。
而
===信息流===
===信息流===
===点击流分析===
===开放流网络===
注意力流网络是一种典型的开放流网络，其与普通网络的主要区别在于引入了源节点与汇节点，用以表示传播系统的外部环境。从源节点到各内容节点的流量，表示用户从外部进入网络内部的流量，称为积聚流；而从各内容节点到汇节点的流量，则表示用户离开该内容并退出网络的流量，称为耗散流。
===集体注意力===
注意力流网络分析方法的关键特征在于：它将内容资源（如网页、文件、新闻、帖子、视频）视为节点【6】，并将海量用户在这些内容之间的行为转移，视为资源节点上的一种流动，这种流动被称为集体注意力流。与信息流动不同，集体注意力流具有明显的守恒与耗散特性，这与自然界中的物质流、能量流十分相似，因而可以借助物质流与能量流的相关分析思路，来研究大规模的集体注意力流动。
注意力流网络分析方法的关键特征在于：它将内容资源（如网页、文件、新闻、帖子、视频）视为节点【6】，并将海量用户在这些内容之间的行为转移，视为资源节点上的一种流动，这种流动被称为集体注意力流。与信息流动不同，集体注意力流具有明显的守恒与耗散特性，这与自然界中的物质流、能量流十分相似，因而可以借助物质流与能量流的相关分析思路，来研究大规模的集体注意力流动。
===集体注意力流网络===
集体注意力流网络是以内容资源为节点，用户在内容资源之间的流转行为构成节点之间的流动，具有守恒性和耗散性，可以为此项目提供研究理论基础。故本项目基于集体注意力流网络理论【5-10】，构建以内容资源为节点、用户行为为边的集体注意力流网络，旨在从宏观层面分析集体心智的分布特征，揭示注意力流动的结构性规律，为舆情管理、资源优化提供理论支持。
守恒性体现在用户浏览行为中：同一时间，用户通常只能将较多注意力集中于一个内容资源；而在不同时刻，用户通过注意力在不同资源间的跳转实现转移。因此，从内容资源的角度观察，海量用户的跳转行为构成了注意力的守恒流动。这在注意力流网络中表现为网络流量的平衡——每个节点的流入总量（含积聚流）等于流出总量（含耗散流）。
守恒性体现在用户浏览行为中：同一时间，用户通常只能将较多注意力集中于一个内容资源；而在不同时刻，用户通过注意力在不同资源间的跳转实现转移。因此，从内容资源的角度观察，海量用户的跳转行为构成了注意力的守恒流动。这在注意力流网络中表现为网络流量的平衡——每个节点的流入总量（含积聚流）等于流出总量（含耗散流）。
耗散性则表现为：用户在多个资源间跳转时，从每个节点退出的概率（即耗散流占总流量的比例）往往较高，并随跳转次数增加而上升——这是因为用户注意力的消耗需要付出一定的心理能量。
耗散性则表现为：用户在多个资源间跳转时，从每个节点退出的概率（即耗散流占总流量的比例）往往较高，并随跳转次数增加而上升——这是因为用户注意力的消耗需要付出一定的心理能量。
注意力流的耗散性会导致数字资源的访问量分布呈现金字塔结构，类似于生态系统中的营养级分布。其中，吸引大量注意力的资源类似生态系统的生产者，位于金字塔底端；而需多次跳转才能访问、仅获少量注意力的资源，则类似消费者，位于金字塔顶端。因此，数字资源在整个网络中的位置至关重要。
注意力流的耗散性会导致数字资源的访问量分布呈现金字塔结构，类似于生态系统中的营养级分布。其中，吸引大量注意力的资源类似生态系统的生产者，位于金字塔底端；而需多次跳转才能访问、仅获少量注意力的资源，则类似消费者，位于金字塔顶端。因此，数字资源在整个网络中的位置至关重要。
以上两条关键特性使得我们可以将整个内容媒体平台视为一个复杂且相互依赖的生态系统。注意力流不仅是贯穿该系统的核心，甚至可被视为推动内容生态系统演进的重要动力。
以上两条关键特性使得我们可以将整个内容媒体平台视为一个复杂且相互依赖的生态系统。注意力流不仅是贯穿该系统的核心，甚至可被视为推动内容生态系统演进的重要动力。
====自由选择====
====自由选择====
====集体心智====
====集体心智====
注意力流网络模型具有深刻的理论意义。它旨在刻画用户“自由选择”的心理过程，正如顾客在商场中选择店铺与货架，个体的选择行为在表面上是独立的，但在心理层面存在“交叠”，从而形成宏观的“集体心智”与“集体注意力流”。该模型以网站或内容为节点，其重要性差异反映了用户的心理认知，使我们得以从系统整体视角分析“集体心智”。
=注意力流网络=
=注意力流网络=
==构建==
==构建==