科学网周涛博主对小作《 社会事件相关的微博分布特性 》发来评论: “ D. Sornette 的 PRL 和 PNAS~~ 就是分析这个问题 ~~ ” 。 十分感谢。 笔者看了周涛博主以前的博文:《 人类动力学研究较有代表性的 40 篇文献 》等,很是不错,看得出博主潜心读书,认真研究的精神和成就。 该博文里面介绍的文章中有: R. Crane, D. Sornette, Robust dynamic classes revealed by measuring the response function of a social system , PNAS 105 (2008) 15649 。由于时间原因,只是看了看摘要,等找到原文再细细阅读。不过从摘要里看出,他们研究对 YouTube 视频的访问现象,可归纳为 Poisson 过程。 R. Crane, D. Sornette, 的工作的确很是超前,会使对社交网络的研究有理论依据和参考作用。 微博是个新事物,尤其是新浪微博的流行,也只是 2009 年来的事情。而社交网络理论研究远远跟不上社会实践。 Carnegie Mellon University Silicon Valley 的 Jiang Zhu 和北京交大的Fei Xiong 等2011年在研究社交网络,特别是利用推特平台对大灾难信息预测一文( Statistically Modeling the Effectiveness of Disaster Information in Social Media ) ,对 Twitter中 的信息转发预测时,也使用泊松 分布过程来分析 Tweet 和 Retweet。 此文引用了加州大学洛杉矶分校 Ka Cheung Sia 等 2007 年 ICWSM 的对 RSS 信息反馈监控一文 ( Mon itoring RSS Feeds based on User Browsing Pattern ) , 使用泊松分布过程来分析点击模式。 不过,笔者团队从新浪微博 2009 年来的海量数据中研究微博分布特征。正是觉得泊松过程难以反映微博的一些分布现象。如小作中列出的本 · 拉登之死的消息在新浪微博上出现的强脉冲现象,以及新浪微博对房价讨论的正态分布现象等。显然易见,这都是不能简单使用泊松过程来描述的。 如果仅是画出微博数量的分布图,也许就是在科学网让大家看看热闹。但实质上会直接影响微博转发预测质量。这一些,笔者会在以后的博文中进一步阐述。特别是深入研究一些特定函数如脉冲型、三角或梯形、正态型和泼松型分布等对微博转发预测的影响。欢迎同行共同探讨。 再次感谢周涛博主发来的珍贵资料和友好讨论。 相关文章连接: 社会事件相关的微博分布特性 人类动力学研究较有代表性的 40 篇文献 Robust dynamic classes revealed by measuring the response function of a social system Statistically Modeling the Effectiveness of Disaster Information in Social Media Mon itoring RSS Feeds based on User Browsing Pattern