春节前夕，2014年1月28日，巴西利亚大学TransLab团队的一篇文章：在线社交网络内动态群组的查询（Querying dynamic communities in online social networks）[1]在浙大学报（英文版C - Journal of Zhejiang University-SCIENCE C - Computers & Electronics）第15（2）期网络版刊出，该文中文摘要附后。

   浙大学报分A、B、C三种版本，均属SCI收录期刊，以纸质出版为主，同时在线发布。据该期刊编辑翟自洋老师（科学网博主）介绍，他们赶在28号的春节放假前将最后版本交给浙大印刷厂印制。如果要等到纸质期刊到读者手里，将会是二月中旬后的事情了。然而在网络时代的今天，他们于当天下班前把本期文章在线发布，作者、读者和编者都可以在第一时间先睹为快。

   由于TransLab团队的一个研究方向是社交网络，本博也喜欢研究与网站有关的这些个事情。我们文章在上线后几天内的点击量和下载量不是很高，例如至31号这4天的访问量累计60人次， 下载量为23人次， 参见网站www.zju.edu.cn/jzus/current.php，要说这也是正常现象。

   到了2月3号， 在午间休息时又看看文章在网络传播情况，发现对该文的下载量上升了十倍，达到235人次。图1给出该期刊上线9天后8篇文章的访问量和下载量统计结果，平均数分别为：访问量168人次，下载量162人次。

图1， 浙大学报（英文版C）15-2期上线9天后8篇文章的访问量和下载量。

截图来自：http://www.zju.edu.cn/jzus/current.php

   该期间我们团队并没有将文章连接推送到任何论坛或电邮群组。对此问题思索中，就查了查本人在Google Scholar上的文献收录单，果然不出所料，Google Scholar 刚刚收录了该文，并直接附上浙大学报发表的PDF下载网址连接， 参见图2。由此可见，Google Scholar对开放期刊是促进支持的。这也是该类期刊在网络上成功展示的重要资源。

图2 Google Scholar 对文章的收录，给出浙大学报的下载连接

   有趣的是，当时学报网站显示对该文的访问量仅为60人次和下载量不匹配。也就是2月4号，本博把文章资料放到自己的ResearchGate 网页上，结果第二天看到访问量已增达130余人次。这一点，还不能肯定就是ResearchGate的效果，但这个较成功的科学人网站对网络传播会有所帮助的吧。社交网络的事情，往往很难说清楚，不少问题都值得深究。

   为便于比较，又看了看本博担任主编的英文开放期刊《社交网络 - Social Networking》2014年第1期的文章下载情况。该期由科学出版社于1月23号刊出，共发表7篇文章，上线15天内平均下载量为116人次。看来《社交网络》这个新期刊还是不能与张月红老师精心主编的《浙大学报》相比。但仅以单文下载量的一项指标看，特别值得提及的是本期《社交网络》中，来自美国和巴西DataGenno Interactive Research 公司的Ruchita Gujarathi 和Fabricio F. Costa一文：The Impact of Online Networks and Big Data in Life Sciences [2]，在15天内的下载量达410次。

   以上分析再次说明，很难说传统的、普通水平的纸质期刊能在十天内会有近200位读者阅读。只有在网络普及的今天，高质新颖的学术文献在开放期刊上是大有作为的。我们期待着《浙大学报》和《社交网络》等开放期刊更上一层楼。

附：浙大学报（英文版C ）“在线社交网络内动态群组的查询”一文的中文摘要

Querying dynamic communities in online social networks

Li Weigang, Edans F. O. Sandes, Jianya Zheng, Alba C. M. A. de Melo, Lorna Uden

http://www.zju.edu.cn/jzus/article.php?doi=10.1631/jzus.C1300281

   （中文摘要）本文研究在线社交网络的动态群组形成的在线即时、信息突发和传播迅速等特点，指出在大数据环境下及时发现有用的群组内的信息，是本专业一项富有挑战性的工作。文中引用描述用户关系的逻辑模型(Follow Model, 简称粉丝模型)，结合文章映射和化简(MapReduce)概念，探讨映射关注和化简粉丝(MapFollowee & ReduceFollower)机制在Hadoop系统联机实现的算法。文章介绍的粉丝模型（Follow Model）的各类函数把微博用户关系简洁和准确地描述出来，同时具备以下三个特点：反对称与对称性、可扩展性和可组合性，这些特性的灵活应用，形成本文提出的两大类查询算法：反对称关系查询算法（Reverse relation）和高阶关系查询算法（High-order relation）。

   该文研究在线社交网络，特别是Twitter和新浪微博平台的动态群组形成机理，提出描述用户间关系的逻辑模型，即粉丝模型。将此模型结合映射和化简理念，提出对这些动态群组信息查询的并行算法。特别是通过对Twitter平台内两个群组信息查询的实际检验，展示大数据环境下本文算法的有效性。

   参考文献：

    [1] Li Weigang, Edens F. O. Sandes, Zheng Jianya, A. C. M. A. de Melo, Lorna Uden, (2014) Querying dynamic communities in online social networks. J ZHEJIANG U-SCI C, v. 15, p. 81-90. http://www.zju.edu.cn/jzus/article.php?doi=10.1631/jzus.C1300281

    [2] R.  Gujarathi, and F. Costa (2014) The Impact of Online Networks and Big Data in Life Sciences. Social Networking, 3, 58-64. doi: 10.4236/sn.2014.31007. http://www.scirp.org/journal/sn/