558
个编辑
更改
→马太效应
在此基础上，可以进一步沿半径方向对节点数量与流量进行累积分布分析，并对其进行归一化处理。结果表明，注意力流在空间中的分布呈现出显著的圈层不均衡结构：少量位于核心区域的节点吸纳了绝大部分流量，而大量处于外围的节点仅占据较小份额。
在此基础上，可以进一步沿半径方向对节点数量与流量进行累积分布分析，并对其进行归一化处理。结果表明，注意力流在空间中的分布呈现出显著的圈层不均衡结构：少量位于核心区域的节点吸纳了绝大部分流量，而大量处于外围的节点仅占据较小份额。
这一分布特征与典型的幂律或“二八型”结构相一致，尤其是在流量节点的累计分布上，实验结果表明，在节点数量累计分布在前20%的时候，流量累积分布已经达到80%，这就是明显的20%的集体注意力流网络节点占据了80%的集体注意力，反映出注意力资源在网络中的高度不均衡配置。为进一步量化这种不均衡性，可以引入基尼系数对节点数量与流量分布进行刻画。结果通常显著偏离均匀状态，表明无论在节点层面还是空间圈层层面，注意力均表现出明显的集中趋势。
从生成机制上看，这种不均衡并非仅由节点的静态属性所决定，而是注意力流在网络结构中动态演化的结果。位于核心区域的节点由于具有更高的可达性与路径汇聚能力，不仅更容易持续获得注意力输入，同时也更不易发生流失，从而在迭代过程中不断强化其结构优势。相应地，外围节点则更容易受到路径长度与连接约束的影响，其注意力积累能力相对受限。
从生成机制上看，这种不均衡并非仅由节点的静态属性所决定，而是注意力流在网络结构中动态演化的结果。位于核心区域的节点由于具有更高的可达性与路径汇聚能力，不仅更容易持续获得注意力输入，同时也更不易发生流失，从而在迭代过程中不断强化其结构优势。相应地，外围节点则更容易受到路径长度与连接约束的影响，其注意力积累能力相对受限。