世界很小:你和任何陌生人之间只隔着 3.57 个人

简介:

关于社会关系网络有个著名的 6 度空间理论(亦称为小世界现象):即你和任何一个陌生人之间所间隔的人不会超过六个,也就是说,最多通过五个中间人你就能够认识任何一个陌生人。这个理论说明,虽然世界很大,但其实也很小。小到最多通过 5 个人你就能认识任何一个陌生人。但是在有了互联网以后,世界变得更小了,根据 Facebook 的研究数据,人和人之间平均间隔实际上只有 3.57。


这是社交巨头 Facebook 的核心数据科学团队在对 Facebook 的朋友图谱数据进行分析后得出的结论。更确切地说,这是 15.9 亿 Facebook 用户之间的平均关系间隔。


这当然是一个非常令人震惊的数字,茫茫人海中任何人之间的平均社会关系距离并不会超过 4!如果我们把 0.57 忽略不计的话(因为 0.57 个人在实践上是没有办法操作的),这意味着整整把原来的 6 度空间又降低了 1 半—至少你跟你的偶像的关系又可以拉近一半了,这会让那些经常喜欢跟明星首富领袖攀关系的人更加感觉良好:起码以前介绍时说 XXX 是我朋友的朋友的朋友的朋友的朋友的朋友现在介绍起来已经没那么拗口了。


那 Facebook 是怎么统计这种社会关系的呢?Facebook 计算社会关系的基础是朋友关系。如果 A 是 B 的 Facebook 好友,B 又是 C 的 Facebook 好友,则可以认为 A 可以通过 B 认识 C,A 与 C 之间的间隔就是 1。这种关系理论上很简单,但是实际统计起来却非常有挑战。不妨设想一下,如果 A、B、C 各有 100 个朋友,为了确定 A 与 C 之间的关系需要进行的运算将达到 100*100*100=100 万。而这还只是一个简单的模型,考虑到近 16 亿人的关系运算,这个计算量是非常庞大的。


不过 Facebook 团队并没有采用穷尽计算的方法,而是利用了 Flajolet-Martin 算法来估算每个人从某个来源能够认识到的新人的数量。最终统计出 Facebook 用户之间的平均间隔区间为 2.7 到 4.7 之间,而中位数为 3.57。其中 Facebook CEO 扎克伯格的间隔数为 3.17,Facebook COO Sheryl Sandberg 的间隔数为 2.92。


扎克伯格近日预测到 2030年 时 Facebook 的用户将达 50 亿(联合国预测届时全球人口将达 85 亿),不知道到时候这个关系数字又会怎样呢?好担心我会拉后腿啊(首先,你得有一个 Facebook 账号)。

◆ ◆ 

有人说通过 6 个人可以结识世上所有人

Facebook 得意地笑了


作者|吴 垠


早年在社交网络纷纷冒头时,曾有个时髦的词:“六度空间”,意思是一个人想认识另一个人,最多只要 6 个人介绍就能认识到他。六度空间又名六度分割,是 1929 年匈牙利作者卡林西提出的一个猜想。事实上随着通讯进步,人与人的距离已经大幅缩短,“六度人脉”早已过时。那么现在的世界是几度空间呢?


Facebook 说:在我这平均是 3.5 度。另外扎克伯格 3.17,桑德伯格 2.92。


2 月 4 日,FB 官方博客发文称,在 16 亿用户的社交网络中,大部分用户的“分离度”在 2.9-4.2 之间,总体平均值为 3.57,美国用户的平均值是 3.46。翻译成人话,只需 3-4 次介绍你就能与其余所有人建立联系。


官博还提到 2011 年的一则类似研究,当时 FB 用户数大概是 7 亿多,算出的分离度是 3.74,对比最新的 3.57,FB 网内用户的连接程度提高了 5%。



原文发布时间为:2016-02-10

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
|
前端开发 JavaScript 算法
三分钟深入了解threejs的常见面试知识点
三分钟深入了解threejs的常见面试知识点
1425 0
|
机器学习/深度学习 人工智能 监控
高质量人体检测与行人识别数据集-千张标注图片全解析已标注(目标检测任务数据集)分享
在计算机视觉和人工智能的发展浪潮中,人体检测与行人识别 是一个极具应用价值和研究意义的方向。从智能监控到自动驾驶,从智慧城市到公共安全,人体检测数据集的质量与规模往往直接决定了算法模型的性能。本文将围绕一个包含 上千张图片、已完成划分与标注 的 人体检测、行人识别数据集 展开介绍,帮助研究者和开发者快速了解该数据集的特点、优势及其适用场景。
|
存储 Java
Java实现贪吃蛇大作战小游戏(完整教程+源码)额外实现积分和变速功能(下)
文章目录 1 开发环境及游戏展示 1.1 游戏主界面 1.2 移动界面 1.3 奖励界面 1.4 F加速功能界面 1.5 死亡界面 2 需求分析 3 系统设计 3.1 系统总体功能设计 3.2 系统总体流程设计 4 功能设计 4.1 贪吃蛇移动及加速功能设计 4.2 贪吃蛇吃食物加速及死亡判定功能的设计 4.2.1 贪吃蛇吃食物加速功能的设计 4.2.2 贪吃蛇死亡判定功能的设计 4.3 贪吃蛇主动加速功能的设计 4.4 贪吃蛇奖励机制功能的设计 5 项目结构与项目实现 5.1 项目结构及类间关系 5.2 项目完整源码 5.2.1 Images类
1233 148
|
Python
深入理解 Python 中的异步操作:async 和 await
Python 的异步编程通过 `async` 和 `await` 关键字处理 I/O 密集型任务,如网络请求和文件读写,显著提高性能。`async` 定义异步函数,返回 awaitable 对象;`await` 用于等待这些对象完成。本文介绍异步编程基础、`async` 和 `await` 的用法、常见模式(并发任务、异常处理、异步上下文管理器)及实战案例(如使用 aiohttp 进行异步网络请求),帮助你高效利用系统资源并提升程序性能。
1304 7
|
存储 数据处理 数据中心
1U和2U服务器应如何正确选择?各有什么优缺点?
标准机架式服务器以U为高度单位,1U和2U服务器各有优缺点。1U服务器体积小、性价比高,但扩展性和散热性较差;2U服务器扩展性好、散热佳、稳定性强,但托管费用较高。不同高度的服务器适用于不同的业务场景,选择时需根据具体需求决定。未来数据中心将根据业务特性选择合适的服务器类型,而非统一采用2U服务器。
452 2
|
机器学习/深度学习 人工智能 分布式计算
阿里云人工智能平台PAI论文入选OSDI '24
阿里云人工智能平台PAI的论文《Llumnix: Dynamic Scheduling for Large Language Model Serving》被OSDI '24录用。论文通过对大语言模型(LLM)推理请求的动态调度,大幅提升了推理服务质量和性价比。
|
机器学习/深度学习 人工智能 自动驾驶
深入理解深度学习中的卷积神经网络(CNN)
【10月更文挑战第18天】深入理解深度学习中的卷积神经网络(CNN)
562 0
|
网络协议
|
JavaScript Java 测试技术
基于SpringBoot+Vue的高校学生奖学金评定系统的详细设计和实现(源码+lw+部署文档+讲解等)
基于SpringBoot+Vue的高校学生奖学金评定系统的详细设计和实现(源码+lw+部署文档+讲解等)
226 1
|
网络协议 算法 开发者
如何实现网络同步?
【5月更文挑战第3天】如何实现网络同步?
544 9