图解社交网络构建、信息扩散路径

简介:

我发现似乎没什么人真正了解社交网络是如何运作的,于是我决定写下这篇文章,以简明、不做作的方式阐明社交网络的内部运作原理(主要以LinkedIn领英为例)。

我想通过这篇文章为你提供一个理解社交网络的基本框架,并且你能据此向其他人讲解:社交网络是如何构建的?Influencer是什么?Lions是什么?信息是如何扩散的?为什么有的文章很热门,而有的文章却无人问津?

Social Networks Geography 社交网络地理


科学家们通常用一张成员之间的关系图来表示社交网络。


你也可以很容易地画出自己的社交网络图。请拿出一张白纸,首先画一个点表示自己,然后画出其他点表示和你关系近的人,之后给互相认识的人之间画上连线。

这就完成了!然后可以依次加上你朋友的朋友,朋友的朋友的朋友…..这图就越来越庞大了。


幸好我们生活在科技发达的21世纪,比如LinkedIn领英就可以提供工具帮你画出自己的社交网络,只需要几分钟而已,比你自己手工绘制快速有效多了。试试领英实验室的InMap吧。


我的InMap社交网络是这样的:


不得不说,第一眼看到这张图的时候,我就像首次踏上月球的宇航员一样新奇。看着这个陌生的新世界真是百感交集,既震惊又敬畏。回过神后,我迅速意识到这个形状奇怪的东西在一页之内就让我看到了我认识的人之间的联系,而我之前都从来没有注意过。


你也可以试试,这真的很神奇!


看看这个图的结构、层次,你很快就能在现代城市中找到类比:城中心(Center)、市郊(Outskirt)、公路和郊外(Suburbs)。

我用下面这个简图大致描述一个社交网络的通用结构:


城中心(Center)人员紧密,其外围是密度稍小的市郊(Outskirt);然后再往外,公路将分散的郊外(Suburbs)和主要网络区连接起来;而郊外又自己延伸分化成更小的个体,由小路连接起来。


你在谈论社交网络的时候就可以用上这个简易的模型。不过,要注意一个城市中心有所处地理位置清楚的定位,但是社交网络的中心是一个抽象的位置,一般是连接他人最密集的地方。


社交网络中的地图通过人际联系的密度衡量用户间距离,而不是物理上的位置。牢记这点。


大概知道社交网络上的地理之后,我们来看看人口结构。


Social Networks Demographics 社交网络的人口结构


社交网络里的居民和生活中的居民不是一个类型,但是你仍能找到相似之处。这两者都能基本划分为三个类别:神职人员(the clergy)、贵族(the nobility)、平民(the commoners)


这些人指的都是谁?


神职人员由所有的LinkedIn领英工作人员组成。他们维护这个网络,为整个网络设置规则,开发和推行新的系统。他们服务着领英上所有的教用户。目前领英拥有员工约 5,758 人!


贵族是由获得特殊权限的成员组成,他们在这个网络中人脉最广。他们就是所谓的Influencers。例如:理查德·布兰森(6,054,746 个粉丝),Deepak Chopra (3,188,426 粉丝),杰克·韦尔奇(3,158,157粉丝),比尔·盖茨 (2,374,231 粉丝),杰夫•韦纳(1,822,325 粉丝).....这些贵族们有多少人呢?活跃人数大概有300人。


而平民就是像你我这样的成员。到目前为止,领英约有3.13亿成员,其中有8400万是活跃用户。


你肯定会问,那什么是Lions呢?


Lions是一个特殊的类别,他们栖居在平民当中。他们通过在领英内尽可能多地连接其他用户而蓬勃发展。这些嗜好连接他人的"瘾君子"通常平均会有30,000个联系人,并会通过各种各样的方式与他人建立联系。


那他们都居住在什么地方呢?


我作了下图来表示:


从上图能看到,Influencers通常居住于城中心(拥有联系的密度最大),员工们则在市郊维持并活跃本地网络,Lions在郊区,你和我这样的平民也通常在郊区(联系人足够少的话也可能会在最外端边缘)。


这样我们大致明白了人口结构,下面我们来说说关系。


Social Networks Relationships社交网络中的关系


不同的人有不同的行为,据此让我们来回顾一下之前的三个分类:神职人员、贵族、平民。


神职人员(领英员工)通常在网络的背后默默服务,你很难看到关于他们的信息。他们会向特定几个居住在城中心的人物密切汇报。



贵族("Influencers")居住在城中心,他们拥有范围跨度最广泛的人脉,并由于其极多的联系人可以继续延伸向市郊和郊外。



平民(你和我)则常是在郊外的位置经营着我们由朋友和熟人组成的有限社交网络。我们大多局限在两到三个商业社区内(或者说是行业),并只能从身边扩展人脉。



最后是Lions,他们稍微有一点特殊,虽然他们的人脉可能很广,但也最杂。他们的很多联系人都处在整个网络的最外边缘,且关联性很差。这是Lions最主要的缺点之一,你虽然认识很多人,但是他们之间的关联太少。



到目前为止,你应该已经知道了一个社交网络的结构、有什么样的居民、他们之间的关系是什么。现在我们把这些内容结合在一起,组成“全局”。


Social Networks Dynamics 社交网络的动态性


上一节的内容稍有一点乏味,但是为了读懂接下来的内容还是必要的。依我的拙见,这是本文最有意思的一部分。


在前面我已经提到信息是如何在社交网络中推广传播的,但是你肯定还无法回答这些问题:信息是如何扩散的?为什么有的文章很热门,而有的文章则不?

我会同时解决这两个问题。


让我们首先来谈谈往下游的方向(即,从中心向边缘)


对一个"Influencer"来说,这就是信息扩散的典型方式。你肯定也发现了"Influencer"的文章经常置顶,而且他们似乎不会遇到任何阻力就可以不断的扩散他们的观点、文章、分享。



现在假设一个"Influencer"准备分享一个更新状态。


随着他点击鼠标,信息就涌向了网络,并首先在城中心扩散开来,然后一场火热的活动开始了。中心的人士相互扩散这条信息,接着社交网络里的市郊被激活,也开始相互扩散,然后照着这样的发展趋势,郊区很快也收到了这条信息。最后一阶段则是中心开始放缓,同时边缘却开始反响。


这就是信息如何顺着下游的方向传播的。


如果发布状态的人是你我这样靠近边缘的人呢?


那么这就全然不同了。你可能也注意到了,我故意选择了从中心到边缘这样的往下游的方向做说明,现在我会解释如果你往上游进发会发生什么。


你可能觉得这和游泳往上游差不多,那我就只能祝你好运了!和游泳不一样的是,在这里联系人密度是一个制约因素。


如果你向上游进发,会有两个不一样的结果。


首先,你的状态更新在本地周围扩散,然后被某个处于郊区的用户分享了,然后,有时候会有一些“神奇”的事情发生——你的状态被市郊的用户看上了,你就成功达到了中心。你完全无法想象之后会收到多少消息提示,你甚至还开始有了追随者。是的!处于中心的人士开始往下游扩散你的信息了!现在你就成了一个超级明星。


但是这真的只能是一个极少见的例外。



而另一种结果是,你往上游进发的道路遇到了阻碍!你的联系人可能忙、不感兴趣或者心情不好,没有扩散你的分享或文章。你状态的阅读量或评论量没有增加的趋势,然后这事就这么没下文了。


是的朋友,这就是最常见的情况。


社交网络可能一开始看起来极其复杂,极其随机,但是只要有合适的框架就能轻松理解了。


我希望你现在可以回答我在文章开头列出的那些难题了,并且希望你对社交网络的运行能有一个更好的理解。


原文发布时间为:2015-01-15

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关文章
|
1月前
|
机器学习/深度学习 计算机视觉
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 MobileViTv1高效的信息编码与融合模块,获取局部和全局信息
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 MobileViTv1高效的信息编码与融合模块,获取局部和全局信息
182 62
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 MobileViTv1高效的信息编码与融合模块,获取局部和全局信息
|
7天前
|
JavaScript 算法 前端开发
JS数组操作方法全景图,全网最全构建完整知识网络!js数组操作方法全集(实现筛选转换、随机排序洗牌算法、复杂数据处理统计等情景详解,附大量源码和易错点解析)
这些方法提供了对数组的全面操作,包括搜索、遍历、转换和聚合等。通过分为原地操作方法、非原地操作方法和其他方法便于您理解和记忆,并熟悉他们各自的使用方法与使用范围。详细的案例与进阶使用,方便您理解数组操作的底层原理。链式调用的几个案例,让您玩转数组操作。 只有锻炼思维才能可持续地解决问题,只有思维才是真正值得学习和分享的核心要素。如果这篇博客能给您带来一点帮助,麻烦您点个赞支持一下,还可以收藏起来以备不时之需,有疑问和错误欢迎在评论区指出~
|
1月前
|
机器学习/深度学习 自然语言处理 计算机视觉
RT-DETR改进策略【Backbone/主干网络】| CVPR 2024 替换骨干网络为 RMT,增强空间信息的感知能力
RT-DETR改进策略【Backbone/主干网络】| CVPR 2024 替换骨干网络为 RMT,增强空间信息的感知能力
88 13
RT-DETR改进策略【Backbone/主干网络】| CVPR 2024 替换骨干网络为 RMT,增强空间信息的感知能力
|
21天前
|
云安全 人工智能 安全
构建云上安全共同体 | 阿里云亮相2024年(第十三届)电信和互联网行业网络安全年会
构建云上安全共同体 | 阿里云亮相2024年(第十三届)电信和互联网行业网络安全年会
|
1月前
|
计算机视觉
RT-DETR改进策略【卷积层】| CGblock 内容引导网络 利用不同层次信息,提高多类别分类能力 (含二次创新)
RT-DETR改进策略【卷积层】| CGblock 内容引导网络 利用不同层次信息,提高多类别分类能力 (含二次创新)
60 5
RT-DETR改进策略【卷积层】| CGblock 内容引导网络 利用不同层次信息,提高多类别分类能力 (含二次创新)
|
1月前
|
机器学习/深度学习 计算机视觉
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 MobileViTv1高效的信息编码与融合模块,获取局部和全局信息
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 MobileViTv1高效的信息编码与融合模块,获取局部和全局信息
80 9
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 MobileViTv1高效的信息编码与融合模块,获取局部和全局信息
|
19天前
|
人工智能 运维 API
云栖大会 | Terraform从入门到实践:快速构建你的第一张业务网络
云栖大会 | Terraform从入门到实践:快速构建你的第一张业务网络
|
22天前
|
云安全 人工智能 安全
阿里云网络安全体系解析:如何构建数字时代的"安全盾牌"
在数字经济时代,阿里云作为亚太地区最大的云服务提供商,构建了行业领先的网络安全体系。本文解析其网络安全架构的三大核心维度:基础架构安全、核心技术防护和安全管理体系。通过技术创新与体系化防御,阿里云为企业数字化转型提供坚实的安全屏障,确保数据安全与业务连续性。案例显示,某金融客户借助阿里云成功拦截3200万次攻击,降低运维成本40%,响应时间缩短至8分钟。未来,阿里云将继续推进自适应安全架构,助力企业提升核心竞争力。
|
1月前
|
Shell 网络架构 计算机视觉
YOLOv11改进策略【模型轻量化】| ShufflenetV2,通过通道划分构建高效网络
YOLOv11改进策略【模型轻量化】| ShufflenetV2,通过通道划分构建高效网络
90 14
|
1月前
|
Shell 网络架构 计算机视觉
RT-DETR改进策略【模型轻量化】| ShufflenetV2,通过通道划分构建高效网络
RT-DETR改进策略【模型轻量化】| ShufflenetV2,通过通道划分构建高效网络
42 5

热门文章

最新文章