網(wǎng)絡(luò)嵌入視角下達(dá)成注意力經(jīng)濟(jì)的實(shí)證與仿真分析

唐四慧+陳鶴鑫

摘要：本文首先通過對豆瓣社區(qū)用戶的實(shí)際建邊行為的追溯，構(gòu)建了個體獲取知識的異質(zhì)樹狀網(wǎng)絡(luò)，然后從樹狀網(wǎng)絡(luò)結(jié)構(gòu)出發(fā)模擬了三個個體經(jīng)濟(jì)的網(wǎng)絡(luò)模型（DLA、DLCA、BA），用實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)得出與集體搜索效率相關(guān)的網(wǎng)絡(luò)屬性指標(biāo)。結(jié)果顯示BA模型是以犧牲“公平性”來獲得小的平均最短路徑，集體經(jīng)濟(jì)背后對應(yīng)的不是個體的經(jīng)濟(jì)?；贒LCA模型做了三個比對實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果證明在不同的“熟人”推薦策略下得到的網(wǎng)絡(luò)可以同時滿足個體經(jīng)濟(jì)和集體經(jīng)濟(jì)。在個體有限注意力條件下，異質(zhì)樹狀網(wǎng)絡(luò)是高效獲取知識的方式，在理論上為社區(qū)的建設(shè)提供了設(shè)計(jì)建議同時也將復(fù)雜網(wǎng)絡(luò)的研究貼近實(shí)際，用以指導(dǎo)個人經(jīng)濟(jì)有效的使用注意力。

關(guān)鍵詞：個體注意力經(jīng)濟(jì)；集體注意力經(jīng)濟(jì)；網(wǎng)絡(luò)優(yōu)化；異質(zhì)樹狀網(wǎng)絡(luò)

中圖分類號：C931文獻(xiàn)標(biāo)志碼：A文章編號：1009-055X（2016）06-0035-06

doi：10.19366/j.cnki.1009-055X.2016.06.006

諾貝爾獎獲得者赫伯特·西蒙（HerbertA.Simon）應(yīng)是注意力經(jīng)濟(jì)概念的最早提出者，在他的書中寫到：“在信息豐富的世界里，意味著某些東西是稀缺的。因?yàn)樾畔⑹秦S富的，那么稀缺的就是信息消費(fèi)的東西，這種東西就是消費(fèi)信息時接受者的注意力。因此我們在過載的數(shù)據(jù)中收集信息時，需要經(jīng)濟(jì)有效的安排我們的注意力?！盵1-2]

在互聯(lián)網(wǎng)的世界里，簡潔有效的收集信息的方法有兩種：一個是基于自己以往的經(jīng)驗(yàn)——朋友推薦的方法，另一個是基于陌生人的經(jīng)驗(yàn)——擇優(yōu)連接。[3]基于朋友推薦的方法就是去關(guān)注朋友關(guān)心的事務(wù)，既然是興趣相似的朋友，那么朋友去關(guān)注的東西總是有朋友的道理；擇優(yōu)連接的理由是關(guān)注大家都關(guān)注的東西總是沒錯，錯也是大家一起錯。這兩種高效的信息過濾方法聽起來都有各自的道理，那么大家都采用了相同的策略，群體是否會達(dá)成注意力經(jīng)濟(jì)；在時間維度上是否會經(jīng)濟(jì)？

本章分為四部分，第一部分，分析兩組獨(dú)立的豆瓣用戶的關(guān)注行為、參加小組行為數(shù)據(jù)證實(shí)朋友推薦的方法普遍存在。提出個體獲取知識的樹狀網(wǎng)絡(luò)模型。第二部分，用DLA模型模擬這種樹狀網(wǎng)絡(luò)的生成過程，揭示網(wǎng)絡(luò)規(guī)模與知識獲取步數(shù)呈現(xiàn)非線性關(guān)系。進(jìn)一步用DLCA模型還原多人合作情景。用整體網(wǎng)絡(luò)指標(biāo)比較DLA、DLCA、擇優(yōu)連接模型的信息獲取效率。第三部分，以DLCA模型生成的網(wǎng)絡(luò)結(jié)構(gòu)作為Agent交互的基底，模擬三種知識尋找策略。通過最后的網(wǎng)絡(luò)的結(jié)構(gòu)評價這三種策略的經(jīng)濟(jì)性。第四部分，結(jié)合實(shí)證分析與仿真實(shí)驗(yàn)提出高效的知識獲取方式應(yīng)是一種多標(biāo)準(zhǔn)下的熟人推薦方式。它不僅可以達(dá)到個體搜索效率的最優(yōu)而且可以達(dá)到群體搜索效率的最優(yōu)。

一、基于豆瓣社區(qū)個體注意力經(jīng)濟(jì)的實(shí)證分析

（一）熟人推薦方式的存在

對于個體注意力經(jīng)濟(jì)的實(shí)驗(yàn)過程，包括樣本的確定，實(shí)驗(yàn)過程，實(shí)驗(yàn)平臺，數(shù)據(jù)分析方法我們在另外的文章中有詳細(xì)的論述[4-5]，這里只將與本文有關(guān)的過程和研究結(jié)論做一闡述。2008年10月要求2005級人力資源班學(xué)生在豆瓣網(wǎng)上建立小組，共建三個小組分別為：“貪吃蛇”“最愛港產(chǎn)片”和“時光影像”。時隔四年，這三個小組已不具成長性，小組中沒有新的內(nèi)容，新的成員或新的活動舉辦，但小組中有些成員一直在更新自己的主頁，分享自己的知識與讀書心得。我們?nèi)〕鲞@些有生命力的成員，對他們的網(wǎng)絡(luò)進(jìn)行分析，為什么要分析有生命力成員的原因在于我們認(rèn)為這些成員可以經(jīng)濟(jì)地使用自己的注意力，這種經(jīng)濟(jì)性讓這些成員保持了興趣。通過有生命力個體讀過書的時間序列與添加關(guān)注用戶的時間序列的相關(guān)分析，發(fā)現(xiàn)有生命力個體會通過自己讀過的書來找到關(guān)注的人。如表1所示。

接著分析有生命力個體與無生命力個體關(guān)注的人的時間序列與參加小組間的相關(guān)分析，發(fā)現(xiàn)有生命力的個體有通過關(guān)注的人去參加新小組的現(xiàn)象，而無生命力個體則相對較少用關(guān)系。如表2所示。

同時，為去除樣本對于分析結(jié)果的影響，我們采用整體抽樣的方法，抽取一個有生命力的小組——集智俱樂部小組，查看其用戶參加其他小組的信息，并分析小組組員參加小組時是否會用到以往連邊。如表3所示。

在前六個小組里，有五個小組是集智俱樂部的友情小組，只有最后一個邏輯小組不列在友情小組的集合中。從以上的數(shù)據(jù)分析中我們可以看到，在有生命力組員和小組中都有較大的比例是通過熟人推薦的方式進(jìn)行知識的搜索。

（二）個體知識獲取的樹狀網(wǎng)絡(luò)結(jié)構(gòu)

在對用戶行為分析后，發(fā)現(xiàn)在一個時點(diǎn)上看到的都是該用戶看了什么書、想看什么書、關(guān)注了什么人、參加了哪些小組，按傳統(tǒng)的網(wǎng)絡(luò)分析方法，這些均為該節(jié)點(diǎn)的度，計(jì)算指標(biāo)只有一個。但從時間序列連邊行為進(jìn)行觀察后發(fā)現(xiàn)，這些關(guān)系之間是有先后順序的，一些邊是來自于用戶原有一些邊的推薦，如果沒有時間序列數(shù)據(jù)的支撐，這些先后的順序就被隱藏了，我們分析時將這些形成過程按先后順序進(jìn)行恢復(fù)，用來顯示“度”以外的一些特性。用戶理性成邊的過程還原如圖1。

圖1中，在原有的網(wǎng)絡(luò)分析中只看到一個平面的一度的網(wǎng)絡(luò)結(jié)構(gòu)（圖中虛線部分表示的連線）。依據(jù)成邊的先后將該網(wǎng)絡(luò)層次化，成員A及成員B都看過書A，這樣通過讀過同一本書的關(guān)系形成的連邊1，成員A關(guān)注了成員B后，看到成員B讀過的書B，這時產(chǎn)生連邊2（通過推薦形成的邊，在圖中用虛線表示），表示自己也想讀這本書；同時成員A看到成員B參加了小組A，產(chǎn)生連邊3；成員A參加了小組A后發(fā)現(xiàn)小組A的友情小組B不錯，產(chǎn)生連邊4，成員A參加了小組B；接著成員A看到小組B收藏有書C，并對書C產(chǎn)生了興趣，產(chǎn)生連邊5。整個圖給出成員A形成自己網(wǎng)絡(luò)的先后順序，所有這些成邊由有生命力的用戶的時間序列相關(guān)性分析可以得出，這體現(xiàn)了成員A理性的一面。[5]

二、注意力經(jīng)濟(jì)達(dá)成的仿真建模

（一）樹狀網(wǎng)絡(luò)仿真模型

本文用有限擴(kuò)散凝聚（Diffusion-limitedaggregation）網(wǎng)絡(luò)模型來模擬樹狀過濾信息網(wǎng)絡(luò)的生成過程。[6]DLA最早來自于物理學(xué)的分形體研究，在這里將之映射為Agent搜索知識的過程，個體通過累積結(jié)成自己搜尋知識的樹狀網(wǎng)絡(luò)，如圖2所示。整個知識的搜索過程被分為兩個階段，首先是從圖2中黑色區(qū)域到達(dá)樹狀網(wǎng)絡(luò)，然后樹狀網(wǎng)絡(luò)中的邊緣知識由熟人推薦進(jìn)入中心點(diǎn)。在（200*200）的平面中心處置入種子，種子最早進(jìn)入網(wǎng)絡(luò)，實(shí)驗(yàn)中可理解為信息接收者，接著隨機(jī)放置另一個粒子（選擇范圍是4萬），可理解為接收者不知道的知識，粒子隨機(jī)游走（也可理解為擴(kuò)散，因?yàn)樗恢婪N子節(jié)點(diǎn)的具體位置），當(dāng)它運(yùn)動到種子旁邊時，停止行走，與種子建立連邊，這里演示的是粒子在找種子。因?yàn)檫\(yùn)動是相對的，也可理解為種子在找這個粒子。接著第二個粒子被釋放出來，也是隨機(jī)游走，當(dāng)它靠近種子或第一個粒子時，也停住不動，與它相鄰的那個粒子（種子或第一個粒子）建立連邊……如此反復(fù)，得到一個樹形結(jié)構(gòu)的網(wǎng)絡(luò)，圖2中A圖為粒子數(shù)為3000的樹形結(jié)構(gòu)的凝聚體，B圖顯示出新加入加點(diǎn)找尋到樹狀網(wǎng)絡(luò)所需要的步數(shù)，紅線為總搜索的平均步數(shù)。因?yàn)闃錉罹W(wǎng)絡(luò)達(dá)到3000個粒子時，其半徑只有113，相對于黑色區(qū)域的找尋步驟要小很多。

在模型模擬的情境為假如個體對一件事一無所知時，在沒有這種樹狀的信息獲取網(wǎng)絡(luò)時，尋找知識需要的步數(shù)是6個數(shù)量級，而有了樹狀信息獲取網(wǎng)絡(luò)后，這一尋找過程只要3個數(shù)量級的步數(shù)。B圖中，我們可以看出隨著樹狀結(jié)構(gòu)的不斷增大，搜索的平均步數(shù)逐漸下降（紅線部分）。A圖中，藍(lán)色節(jié)點(diǎn)為后1500個節(jié)點(diǎn)，這些節(jié)點(diǎn)可理解為新的知識，這些知識通常是先被樹最外面的分枝俘獲，只有極小數(shù)的藍(lán)色節(jié)點(diǎn)進(jìn)入樹狀結(jié)構(gòu)的內(nèi)部，實(shí)驗(yàn)中共產(chǎn)生粒子3016個，其中由粉色粒子捕獲的藍(lán)色粒子有290個，種子節(jié)點(diǎn)捕獲的藍(lán)色粒子數(shù)為0個，藍(lán)色節(jié)點(diǎn)捕獲的藍(lán)色粒子數(shù)為1226個，這一過程在物理學(xué)中被稱為屏蔽效應(yīng)，我們可以理解為，中心節(jié)點(diǎn)在獲得新的知識時，更多的來自于自己網(wǎng)絡(luò)中的其他節(jié)點(diǎn)，只有非常非常少的新知識（藍(lán)色節(jié)點(diǎn)）是自己直接俘獲的；同時也可理解為中心節(jié)點(diǎn)會屏蔽隨機(jī)進(jìn)入的藍(lán)色節(jié)點(diǎn)，網(wǎng)絡(luò)規(guī)模越大被屏蔽的可能性越大，過濾信息的效果越好。

（二）多人合作網(wǎng)絡(luò)的仿真模型

在現(xiàn)實(shí)生活中，找尋知識的動作不是單個個體獨(dú)自進(jìn)行的，而是很多個節(jié)點(diǎn)同時進(jìn)行，那么如果把DLA模型中的中心點(diǎn)放寬為多個，DLA模型就轉(zhuǎn)變?yōu)橛邢迶U(kuò)散集團(tuán)凝聚（DLCA）模型，在這個模型中中心粒子是多個。[6]與DLA不同的是DLCA模型中初始狀態(tài)是許多的單體粒子被放置在二維網(wǎng)絡(luò)中，所有粒子都處于隨機(jī)游走的狀態(tài)。當(dāng)相鄰的格點(diǎn)被隨機(jī)行走的粒子占據(jù)后，相鄰粒子形成一個聯(lián)合體，然后該聯(lián)合體作為一個單體再隨機(jī)運(yùn)動，這樣不斷地繼續(xù)下去，直到形成一個聯(lián)合體。如圖3所示。

網(wǎng)絡(luò)中Agent數(shù)為3000，粒子形成終態(tài)凝聚體只需1200多步少于DLA模型的3000步。這是一種與現(xiàn)實(shí)比較接近的多人搜尋知識過程，這個凝聚體比DLA模型的凝聚體要開放和松散些。

（三）擇優(yōu)連接仿真模型

新發(fā)表的文章更傾向于引用已被廣泛引用的重要文獻(xiàn)，新的網(wǎng)頁上的超文本鏈接更可能指向新浪、雅虎等著名的站點(diǎn)。在找尋知識的過程中，最省力的方式就是關(guān)注熱點(diǎn)，這些熱點(diǎn)通過吸引了很多人的注意力后再去獲得更多的關(guān)注。這種現(xiàn)象被稱為“富者更富（richgetricher）”或“馬太效應(yīng)（Matrheweffect）”，從信息接收者的角度來看這也是較省力的過濾信息的方式。為解釋這一現(xiàn)象，Barabási和Albert提出了BA模型，BA模型的兩個重要特性[7]：

（1）增長（growth）：指網(wǎng)絡(luò)的規(guī)模是不斷擴(kuò)大的，主要是指節(jié)點(diǎn)數(shù)量不斷擴(kuò)大。例如，每個月都會有大量的新的科研文章發(fā)表，而WWW上則每天都有大量新的網(wǎng)頁產(chǎn)生。

（2）擇優(yōu)連接（preferentialattachment）：指新增節(jié)點(diǎn)更傾向于與那些具有較高連接度的“大”節(jié)點(diǎn)相連。通過這兩個建邊規(guī)則構(gòu)建了一個BA網(wǎng)絡(luò)，網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)為2397個，與DLCA模型相似擇優(yōu)連接也是基于多個個體的選擇進(jìn)行結(jié)網(wǎng)的過程，不過個體的判斷是基于他人的行為來連入網(wǎng)絡(luò)，DLCA模型則基于自己的積累，如果與自己相連的人找到了粒子自己也就算找到了。如圖4所示。

（四）三個網(wǎng)絡(luò)與集體注意力經(jīng)濟(jì)相關(guān)的網(wǎng)絡(luò)統(tǒng)計(jì)數(shù)據(jù)

在BA、DLA及DLCA模型中，討論了個體搜尋信息的方式，以及單個個體和多個個體行動形成的網(wǎng)絡(luò)，經(jīng)過一段時間后，對這些行為形成的網(wǎng)絡(luò)進(jìn)行整體性能的分析，用以發(fā)現(xiàn)這些網(wǎng)絡(luò)是否能達(dá)成集體注意力經(jīng)濟(jì)。具體如表4所示。

表4中，在網(wǎng)絡(luò)中如果我們采用隨機(jī)游走的方式去找尋知識，那么搜索效率與網(wǎng)絡(luò)的平均路徑長度正相關(guān)的[8]，從這一結(jié)論可以看出BA模型具有優(yōu)勢，因?yàn)樵撃Ｐ偷钠骄窂介L度只有7.5，DLA模型其次，DLCA模型最弱。再來看網(wǎng)絡(luò)的這種搜索特性是如何達(dá)成的，BA模型中節(jié)點(diǎn)度的差異性最大，節(jié)點(diǎn)度之間差了三個數(shù)量級，標(biāo)準(zhǔn)差為3.6，而DLA模型節(jié)點(diǎn)間的度數(shù)差別不大，最大的也只有5，最小的為1，標(biāo)準(zhǔn)差為0.79。與DLA模型相比BA模型犧牲了3個數(shù)量級的節(jié)點(diǎn)差異性換回了1個數(shù)量級的平均路徑長度，因此從經(jīng)濟(jì)的角度來看DLA模型要有優(yōu)勢。從個體的角度來看，在BA模型中介數(shù)中心性最大的和接近中心性最小的點(diǎn)都是度最大的點(diǎn)1。而在DLA和DLCA模型中，介數(shù)中心性最大和接近中心性最小的點(diǎn)不是度數(shù)最大的，這兩個點(diǎn)的度數(shù)均為3，在DLA模型中也不是種子節(jié)點(diǎn)。從這里我們可以看到在網(wǎng)絡(luò)DLA和DLCA模型中，個體通過較少的關(guān)注達(dá)到了好的效果（介數(shù)中心性最大和接近中心性最?。?，這就是我們要實(shí)現(xiàn)的個體注意力經(jīng)濟(jì)。

三、個體與集體注意力經(jīng)濟(jì)達(dá)成的仿真實(shí)驗(yàn)

通過實(shí)證分析，我們知道個體在進(jìn)行選擇的時候會通過熟人推薦的方式，或者是擇優(yōu)連接的方式，我們把這兩種目前來看經(jīng)濟(jì)的方式加載到模擬現(xiàn)實(shí)網(wǎng)絡(luò)的DLCA模型上，讓個體通過這兩種方式去搜尋知識，然后再比較經(jīng)過一段時間的累積后這兩種方式在集體注意力經(jīng)濟(jì)的表現(xiàn)上是否有差異。實(shí)驗(yàn)參數(shù)的設(shè)定是依據(jù)DLA模型中個體嘗試的次數(shù)，我們在DLA模型上做了100次模擬，計(jì)算出初始種子的連邊（出度）平均數(shù)為4。在DLCA模型上讓每個Agent做均值為2的嘗試，這樣的嘗試按熟人推薦的方式和擇優(yōu)的方式去連邊，然后再比較整體網(wǎng)絡(luò)與搜索相關(guān)的指標(biāo)。實(shí)驗(yàn)中DLCA_1模型是隨機(jī)選擇前向鏈接的鄰居的前向鄰居進(jìn)行連邊；DLCA_2模型是如果沒有前向鏈接的鄰居的鄰居時，則隨機(jī)選擇一個節(jié)點(diǎn)進(jìn)行連邊；DLCA_3模型是如果沒有前向鏈接的鄰居的鄰居時，則擇優(yōu)連邊。如表5所示。

實(shí)驗(yàn)后，我們看到僅通過熟人推薦的方式并不能使得網(wǎng)絡(luò)的直徑變小，它與DLCA模型還是在同一個數(shù)量級，網(wǎng)絡(luò)的特性還是與DLCA模型的特性一樣。但有了隨機(jī)連邊后，則網(wǎng)絡(luò)的結(jié)構(gòu)發(fā)生了很大的變化，網(wǎng)絡(luò)的直徑只有9.2，其他特性與DLCA相似，網(wǎng)絡(luò)三種指標(biāo)中的介數(shù)中心性改為另一個點(diǎn)2459，它的度數(shù)僅為5。加了擇優(yōu)機(jī)制后，網(wǎng)絡(luò)的集聚系數(shù)雖然很大，但網(wǎng)絡(luò)還是回歸到擇優(yōu)模型的那種網(wǎng)絡(luò)結(jié)構(gòu)，具有中心性的節(jié)點(diǎn)也是度數(shù)最大的節(jié)點(diǎn)，節(jié)點(diǎn)與節(jié)點(diǎn)度數(shù)的差異更大了，網(wǎng)絡(luò)中心勢比前兩個網(wǎng)絡(luò)高3個數(shù)量級，但它的網(wǎng)絡(luò)直徑與DLCA_2模型的卻是在同一個數(shù)量級。

四、結(jié)論

人與人之間的關(guān)系起到的主要作用就是過濾信息，在豐富信息的世界里這是一種高效率獲取信息的方式，因此個體可以把多次注意力作用在同一個對象或相關(guān)對象后沉淀、固化為關(guān)系，通過這些關(guān)系去經(jīng)濟(jì)有效地找尋自己需要的信息，是否通過個體經(jīng)濟(jì)的方式就能達(dá)成集體的經(jīng)濟(jì)，在網(wǎng)絡(luò)優(yōu)化的過程中仍需要研究。在BA的擇優(yōu)模型中，通過擇優(yōu)度最大的點(diǎn)占據(jù)了網(wǎng)絡(luò)的介數(shù)中心性和接近中心性，該點(diǎn)也為此付出了比一般節(jié)點(diǎn)高3至4個數(shù)量級的連邊代價，而在WS的小世界模型中個體的連邊數(shù)是均勻分布的，但這個網(wǎng)絡(luò)的網(wǎng)絡(luò)直徑卻與BA模型是同一數(shù)量級，Watts在文章中給出的解釋是熟人推薦與隨機(jī)連接的方式共存造成了這一經(jīng)濟(jì)現(xiàn)象[9，10]，但如果個體習(xí)慣了熟人推薦方式然后還會有隨機(jī)連邊方式就不太符合人類行為一致性的解釋。在本文中，我們通過實(shí)證研究得出個體有通過熟人推薦的方式進(jìn)行過濾信息的行為，在解釋模型中的隨機(jī)連邊方式時，我們采用另一維度的解釋來描述這一現(xiàn)象，如人們會通過書來找人，通過人來找小組，通過小組來找書，擴(kuò)充了“熟人”的定義。本文中將人、書及小組看成不同的維度，在某一維度下某一行為是隨機(jī)的，但在另一維度下卻是“熟人”推薦。通過不同維度的熟人推薦方式的仿真實(shí)驗(yàn)，看到無論在個體還是在群體上過濾信息都可以達(dá)到經(jīng)濟(jì)的效果。通過多維度下的熟人推薦實(shí)現(xiàn)了個體經(jīng)濟(jì)性與集體經(jīng)濟(jì)的一致達(dá)成，這是以往的網(wǎng)絡(luò)研究中沒有發(fā)現(xiàn)的。在實(shí)際應(yīng)用的設(shè)計(jì)時，可以設(shè)計(jì)多個關(guān)注點(diǎn)比如豆瓣社區(qū)中的書籍、音樂等，或者是將用戶分成不同的興趣小組，這樣在做熟人推薦方式時可以達(dá)到集體經(jīng)濟(jì)。從復(fù)雜網(wǎng)絡(luò)研究的角度來看，改變了原來仿真過程通過調(diào)整參數(shù)的實(shí)驗(yàn)范式，而是先從實(shí)際出發(fā)，依據(jù)實(shí)際個體中的行為方式來進(jìn)行實(shí)驗(yàn)的設(shè)計(jì)進(jìn)而回歸到實(shí)際系統(tǒng)設(shè)計(jì)的建議，在論證環(huán)節(jié)上要更完善、更合理。本文的仿真實(shí)驗(yàn)中的規(guī)則還可以做的更細(xì)致些，比如在隨機(jī)連邊時的概率、方式都可以再精確些，這是以后研究的方向。

參考文獻(xiàn)：

[1]SIMONHA.DesigningOrganizationsforanInformation-RichWorld[M].Maryland：JohnsHopkinsUniversityPress，1991.

[2]SimonHA.TheSciencesoftheArtificial[M].3rded.Cambridge，MA：TheMITPress，1996.

[3]LANHAMR.TheEconomicsofAttention：StyleandSubstanceintheAgeofInformation[M].Chicago：UniversityofChicagoPress，2006.

[4]唐四慧，楊建梅.兩種交互式信息傳播網(wǎng)絡(luò)的傳播模型比較研究[J].科學(xué)學(xué)研究，2008，26（3）：476-479.

[5]唐四慧.異質(zhì)復(fù)雜信息網(wǎng)絡(luò)上的搜索路徑研究[J].華南理工大學(xué)學(xué)報（社科版），2011，13（4）：8-13.

[6]費(fèi)孝通.鄉(xiāng)土中國[M].北京：人民出版社，2008.

[7]張濟(jì)忠.分形[M].北京：清華大學(xué)出版社，1995.

[8]BARABSIAL，ALBERTR.Emergenceofscalinginrandomnetworks[J].Science.1999，286：509-512.

[9]REAGANSR，MCEVILYB.Networkstructureandknowledgetransfer：theeffectsofcohesionandrange[J].Administrativesciencequarterly，2003，48：240-267.

[10]DODDSPS.ROBYM，WATTSDJ.Anexperimentalstudyofsearchinglobalsocialnetworks[J].Science，2003，301：827-829.

[11]WATTSDJ，DODDSPS，NEWMANMEJ.Identityandsearchinsocialnetworks[J].Science，2002，296：1302-1305.

[12]NEWMANMEJ.Thestructureandfunctionofcomplexnetworks[J].SIAMReview，2003，42（2）：167-256.

[13]羅家德.社會網(wǎng)分析講義[M].2版.北京：社會科學(xué)文獻(xiàn)出版社，2010.

Abstract：Thispapershowsthat，basedontheretrospectoftheactualmakeedgebehaviorofDoubanusers，aheterogeneoustreenetworkofindividualsacquiringknowledgeisconstructed，andthenthreeindividualeconomicnetworkmodels（DLA，DLCA，BA）aremade.TheresultsindicatethattheBAmodelsacrificesfairnesstogetasmallaverageshortestpath.ThreecomparisonexperimentsbasedonDLCAwereconducted，andtheresultsprovethatthenetworkofdifferentacquaintancesrecommendedcanreachboththeindividualeconomyandcollectiveeconomy.Underconditionsoflimitedindividualattention，theheterogeneoustreenetworkisefficienttoobtainknowledge.

KeyWords：individualattentioneconomic；collectiveattentioneconomy；networkoptimization；heterogeneoustreenetwork

（責(zé)任編輯：潘江曼鄧澤輝）