社交网络对我们的生活影响越来越大：它们在信息传播、新技术应用、舆论创造和形成等方面发挥着关键作用。2020年，Twitter用户每天发送5亿条推文，通过Instagram发布超过8000万张图片。这些基于UGC的定向在线平台对社会产生了巨大影响，社交网络用户获得的信息和受众远远超出了他们现实生活中的朋友。在此过程中，一些用户迅速走红，成为所谓的“网红”。这些拥有众多追随者的“网红”的社会影响力不容小觑，深刻地影响了消费者和企业在市场上的行为。2017年，超过70%的美国公司聘请了Instagram影响者来推广他们的产品。网红是如何产生的？其背后的机制究竟是什么？这些问题引起了越来越多学者的关注。论文链接：https://www.nature.com/articles/s41467-021-27089-8.pdf近日，由北京大学和瑞士苏黎世联邦理工学院牵头的研究团队从社交网络的角度对社交网络进行了研究。数学模型。分析了“网红”的产生机制，即“网红”的产生和用户的关注度。本文刊登于最近一期的《自然·通信》。与2000年代蓬勃发展的Facebook和LinkedIn相比，当今最流行的平台，如Twitter、Instagram或TikTok，还显示出一些其他鲜明的特征。最明显的区别之一是，这些新的在线社交平台是有向网络，即不需要相互同意，也可以根据算法推荐建立关系。新的影响者是如何产生的？直观上，质量好的UGC更容易吸引用户，情感价值更高，更容易成为“网红”。但研究表明，除少数模型外，其他领域对“网红”规模效应的研究更多侧重于社会经济方面，忽视了UGC的影响。之前解释网红诞生机制的模型是基于“优先依恋”模型。但这种“富者愈富”的理论并不能证明新的Instagram影响者的崛起是合理的，其中许多人在成功之前相对不为人知。“内容为王”：生成更高质量的内容文章提出了一种简单但可预测的网络形成机制，将功利主义原则与UGC质量相结合。该研究假设用户有共同的兴趣并将他们与定义他们的UGC质量的属性相关联。为了定义基于UGC的形成过程，研究人员收集了Twitter数据集，分析了连接时间序列，发现证据表明影响者的形成源于个人对更优质UGC的持续搜索，与追随者的兴趣存在“一致性”，也就是网红和粉丝的利益同质化。粉丝数量可以看作是网红UGC质量的代理。代理按UGC质量的降序编号。agent1被认为是最高质量的UGC，agent2第二，依此类推。对于智能体i，计算新连接的排名（在排名中）高于先前连接的中位数的概率。研究结果与假设一致。根据对被关注可能性的评估，关注者总是在寻找UGC质量更好的影响者。研究数据与纯随机结果（浅蓝色）之间的统计显着差异。齐普夫定律齐普夫定律（Zipf'slaw）是哈佛大学语言学家乔治·金斯利·齐普夫于1949年发表的实验定律。可以表示为：在自然语言语料库中，一个词的出现频率与其在频率表中的排名成反比。因此，频率最高的词出现的频率大约是频率第二高的词的两倍，频率第二高的词出现的频率是频率第四高的词的两倍。实验表明，本研究中的模型也遵循这一比例定律。网红粉丝的“重叠”也是分析两个网红被同一个第三用户关注的概率的一个有趣问题。换句话说，目标是研究不同代理的粉丝集之间的相似性。这种相似性揭示了粉丝之间存在共同的兴趣。为了验证模型，研究人员在流行的在线游戏平台Twitch上收集了三个数据集，并成功验证了模型的正确性。这表明本文中的模型尽管形式简单，但却衍生出几个影响“网红”崛起的现实世界属性。如上图所示，代理粉丝在前15个节点中的重叠结果与验证数据集进行对比。面板a当10^5代理达到平衡时从模拟获得的平均数值结果。图b来自与国际象棋类别相关的Twitch数据集结果。未来方向许多当今最流行的在线社交网络在很大程度上都基于UGC。本文分析了基于UGC的在线社交网络的几个宏观特征。此外，由于其简单性，该模型可以在不同的方向上扩展，例如通过考虑不同的更新规则和社会学激励来丰富。另一种可能性是引入多维质量属性来解决多重利益的可能性。该模型还可以适应不断增长的网络形成模型，其中用户在不同时间加入，研究一些影响者的兴衰。理想情况下，这些研究可以与不同平台的实证分析相结合，例如在新一代中占主导地位的Instagram或TikTok。未来，关于推荐系统在社交媒体平台上的作用及其对用户行为的影响的初步结果可能会进一步扩大。用户行为与平台机制之间的相互作用是一个广泛的、尚未探索的研究方向，可能会进一步阐明数字大趋势对我们社会的影响。
