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(Monitoring 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

     Monitoring RSS Feeds based on User Browsing Pattern

转载本文请联系原作者获取授权，同时请注明本文来自李伟钢科学网博客。
链接地址：https://blog.sciencenet.cn/blog-652078-580830.html

上一篇：全球百家空港 北京流量第二
下一篇：科学网青博大赛数据花絮