精华内容
下载资源
问答
  • 社交网络

    2019-04-08 21:07:05
    社交网络 简介 在线社交网络已经改变了人们与互联网以及人与人之间的互动方式。它们极大地减少了维持本应逐渐消失的关系所需要的努力,并且为了解人类行为和过去从未为人所知的关系提供了窗口。仅Facebook,在当时或...

    社交网络

    简介

    在线社交网络已经改变了人们与互联网以及人与人之间的互动方式。它们极大地减少了维持本应逐渐消失的关系所需要的努力,并且为了解人类行为和过去从未为人所知的关系提供了窗口。仅Facebook,在当时或写作时,每月就有大约20亿活跃用户。

    Instagram、Twitter、Pinterest和谷歌+平均在4亿左右。世界上有一半以上的互联网用户正在使用某种类型的社交网络。在线社交网络的研究建立在对网络社区的研究的坚实基础之上,这些研究在互联网的早期解决了用户的互动问题,并一直持续到今天。

    从本质上说,社交网络是一种让人们通过在线媒体相互联系的技术。它有一种典型的机制,人们通过加好友、追随或类似的方式明确地创建社会关系。在早期的在线社交网络中,建立这些联系通常是核心目的,但现代网络通常将人们与他们的社交联系所发布的帖子和更新联系起来。在线社交网络也可以通过隐性互动来构建,比如讨论组中的帖子和回复,或者其他论坛中的提及。

    这种社交互动是通过基于计算机的技术媒介进行的,因此对在线社交网络的许多研究都属于人机交互(HCI)领域。因此,有一组广泛而多样的主题需要理解。在这一章中,我们将它们分为几个大类。社交网络提供的数据让研究人员通过网络分享的内容,更广泛地了解人类之间的互动和世界;使用社交网站这一现象本身就是用来研究的。社交网络平台存在设计问题,可视化可以帮助我们分析其中的数据。人们所做的可以让研究人员构建系统,改善各种平台上的交互。

    威力人机交互手册

    了解人类

    获取数十亿人的大量数据在人类历史上是前所未有的。因此,社交媒体作为一种技术,在理解人们以及他们的行为和相互之间的互动方面一直在改变。尽管社会科学家和心理学家在这一领域的工作越来越多,但许多人机交互研究人员已经迈出了将社会科学见解与社交网络数据相结合的第一步,以证明我们对人类的理解可以如何提高。

    HCI这一领域的关键实践之一是利用在线社交网络出现之前在社会科学中发展起来的见解和理论。同质性(即人们倾向于与与自己相似的人成为朋友)、社会资本、纽带强度和信任等概念都被映射到一个可以在网络环境中使用的上下文中。这遵循了HCI内部将现有理论引入HCI空间的悠久传统,追溯到将Fitts定律映射到图形用户界面的早期。在这一领域的人机交互研究通常可以分为两大类:一是关注人际关系和互动的研究,二是关注个人本身的研究。

    相互作用关系

    社会资本是一个处理社会关系产生的利益的概念。它包括诸如帮助、信任和支持之类的东西,人们通过帮助他人或共同利益来“赚取”这些资本。它可以被认为是一种权力,人们必须要求或接受他人的社会支持,通过其他良好的行为赢得他们的信任和支持。最终,它根植于人与人之间的社会关系中。

    这是在线社交网络中最早转变和研究的概念之一。早期的研究比较了青少年和成年人使用早期社交网站MySpace的方式,发现青少年有更多的朋友,而成年人有更强大的朋友。这被扩展到一项关于大学生使用Facebook以及这些关系对社会资本重要性的研究。研究甚至表明,基于在线社交网络的关系可以建立社会资本,尤其是在自尊心较低的年轻人中,否则他们可能难以建立重要的关系。

    联系强度是社交网络空间中另一个备受关注的社会学概念。由Granovetter(1973)推广开来的联系强度描述了两个人之间的亲密程度,通常用亲密度、为对方做的好事、在一起的时间和情感强度的组合来衡量。Gilbert和Karahalios(2009)通过分析两个人在Facebook上的个人资料和互动可以预测他们之间的联系强度。

    在线社交网络中的信任关系受到了HCI研究者的广泛关注。推断两个有联系的个体之间信任的模型,特别是那些没有直接联系的个体之间的信任模型(例如,vestani, Massa, & Tiella, 2005;Golbeck, 2005;Ziegler & Lausen, 2005)得到了广泛的关注。本研究通过创建算法将HCI与人工智能连接起来,这些算法使用这些通过用户研究和分析理解的人类数据,构建自动检测信任迹象的算法。

    个体属性

    在使用人们在社交网站上分享的任何数据之前,有一个问题是他们分享的数据是否真实地反映了他们自己。毕竟,如果人们在撒谎,从这些网络中可能没有多少有意义的洞见。然而,研究表明,用户在他们的个人资料中本质上呈现了真实的自我。考虑到这一点,可以用人们选择共享的数据做很多事情。

    在线社交网络已经成为一个地方,通过执行超越他们明确分享的分析,可以更深入地了解个人用户。研究人员利用来自数千名用户的社交媒体资料的数据,建立模型,允许对任何给定的个人进行属性推断。特征是多样的,包括性取向、种族与宗教、政治偏好、人格特质、个人价值观、抑郁、PTSD等心理健康问题,即使一个帐户是垃圾邮件。这些算法可以在许多平台上工作——twitter、Facebook、Instagram、Pinterest等等—并使用许多不同类型的数据,包括个人资料照片、Facebook点赞、个人资料数据、用户写的文本等等。

    从科学的角度来看,这项研究令人兴奋,在一些个性化的界面应用程序中也很有用(下文将进一步讨论),但它也引起了人们对隐私的关注。如果有关个人和潜在敏感信息能够被自动检测到,即使用户明确选择将这些信息保密,许多个人隐私界限也会受到侵蚀。当结果推断可以被出售、用于目标广告,甚至用于招聘决策时,这就更加麻烦了。如何处理这些问题是一个备受争议的问题。

    通过社交网络信号了解世界

    事实上,世界上很多地方都是网络在线的,分享想法和评论日常生活意味着,把这些贴子合在一起,就能描绘出这个世界(或它的特定部分)在谈论什么,以及他们对此的感受。这激发了利用社交媒体了解世界的研究。

    预测选举结果一直是人们特别关注的焦点,欧洲和北美的研究都对其进行了分析。成功是喜忧参半的。虽然许多项目已经能够建立模型,但它们并不总是能够转移到其他选举或其他环境中,这方面还有许多工作要做。类似的技术也被用于其他未来的预测,包括预测Twitter帖子的票房收入和股市。

    社交网络,尤其是Twitter,已经被研究为突发新闻和热门话题的来源。HCI的研究集中在追踪个人事件是如何传播的,比如奥萨马·本·拉登的死亡。虽然大众媒体在社交网络平台上很受欢迎,但名人和其他有影响力的人物经常帮助传播新闻。这一点在研究波士顿马拉松爆炸案和其他恐怖主义事件的工作中得到了呼应,发现官方账户和媒体最可能获得关注,但最初的报道往往来自各种来源。

    研究自身的现象

    如何使用社交网络平台已经成为一个值得研究的话题。早期的工作只是简单地描述了这些地点和它们的动态,因为这种现象没有被很好地理解。然后,人机互动研究继续研究不同群体如何使用社交媒体平台。例如,大学教师、美国国会、学生、图书馆和进食障碍患者。

    人机交互研究人员也在研究人们如何使用各种平台。在Instagram上,研究着眼于照片内容。在Pinterest上,人们是如何管理照片的 以及谁在使用它。在Snapchat上,这种互动是短暂的。网站之间也有比较,比如Snapchat和Facebook之间的互动如何不同。

    了解人们如何使用技术确实是许多HCI研究的核心问题,随着社交网络技术的不断发展和演变,在这些主题上肯定会有更多的工作要做。

    信息可视化挑战

    社交媒体为信息可视化带来了许多独特的挑战(参见图34.1)。其中一些来自数据类型,包括社交图表,还有一些来自大小。作为一个有趣的大数据的主要来源,社交网站数据的可视化和分析可能会因为其规模而具有挑战性。
    在这里插入图片描述
    一个社交网络可视图的示例(来自Crnovrsanin, Muelder, Faris, Felmlee,Ma (2014))

    可视化网络本身的结构是一个挑战。图形可视化可以显示有用的洞见,以几千个节点和几万条低边作为上限。虽然这听起来可能很大,但在线社交网络的规模要比这大很多个数量级。为此目的设计了许多工具,其中最突出的两个是Gephi和NodeXL。人机交互研究人员还引入了分层组织图数据的技术,以简化大型网络,包括边缘聚合和节点层次结构。

    社交网络平台上共享的数据也有助于进行可视化分析。在Instagram上,日常节奏出现在照片的视觉分析中。从社交媒体文本中提取的词云允许对用户的共同话题进行可视化检查。由于如此多的社交媒体数据包含地理空间信息,将社交媒体和GIS数据结合成可视化也面临着挑战。

    界面中的社交网络

    在线社交网络也对HCI的界面产生了影响,尤其是通过使用数据来驱动个性化的界面元素。定向广告和内容个性化是利用社交网络数据的众所周知的功能。

    社会推荐系统是利用社会网络信息的最突出的HCI研究领域之一。推荐系统通常根据用户已知的偏好个性化内容。这可以基于项目相似性(即找到与用户喜欢的相似的项目)或用户相似性(即找到与用户喜欢的相似的人,并推荐他们喜欢的其他东西)。社交推荐人利用了这样一个事实,即人们往往与与自己有相同品味的人成为朋友,并利用社交关系找到用户可能感兴趣的商品。

    基于社交的推荐往往会增加互动。这些推荐在基于品味的领域(如音乐或电影)特别有用,当用户的品味远远超出标准时,它们通常可以提高推荐性能。

    传统的推荐系统倾向于推荐用户可能想要的书籍、电影、音乐和其他产品,而朋友推荐系统则推荐用户可能想要与之建立社交联系的人。现在,这些都是大多数在线社交网站中普遍存在的界面元素。这些可能依赖于与更经典的推荐系统类似的算法,但即使在在线社交网络的早期,它们也经常利用图结构来获得洞见。更新的朋友推荐方法正在利用移动设备和其他生活方式跟踪器提供的丰富数据源,为社交环境中的用户寻找潜在联系人。

    总结

    在线社交网络对人们与科技互动的方式产生了最为深远的影响。他们使数亿人在互联网上进行创作和互动成为可能。通过它们的使用,研究人员现在有了理解人和世界的新方法,有了自己感兴趣的一组广泛的技术,有了一组不断增长的数据,可以提供接口特性和个性化。

    然而,随着社交网络成为大多数人生活的重要组成部分,未来还有许多新的挑战,包括HCI社区将面临的挑战。隐私问题已经很重要,而且只会变得越来越重要。对社交网络数据的分析和使用可能是有用的,但也可能以人们永远不会赞同或同意的方式使用。目前,用户控制个人数据的能力有限,因此设计更好的界面、工具和技术来理解在线共享的隐私含义非常重要。

    网络骚扰也是一个已经渗透到大多数社交网络空间的问题。需要多种技术来解决这个问题,这样这些在线空间才能保持安全和有效的互动。

    除了这些迫在眉睫的问题,社交网络对于分析和应用现有理论来理解用户行为仍然是开放的。人类行为、思维和互动的全部范围现在每天都被记录下来,并以远远超出我们处理能力的数量分享。人机交互研究人员拥有丰富的数据,他们只需要考虑研究哪些方面,以及他们将使用哪些工具,就能继续产生关于人们如何与之互动以及如何通过这项技术进行互动的有趣见解。

    (作者有话说:这是一门专业课的翻译作业,只是一篇译文,原文在这里就不发出来了,主要了解一下社交网络的起源和发展,以及目前面临的问题,之后会发出对这篇文章的分析和看法。)

    展开全文
  • 复杂网络 社交网络eMarketer points to a pair of studies today that indicate that social networking isn’t quite as mainstream as we may often assume. A study by research firm Synovate that surveyed 13,...

    复杂网络 社交网络

    eMarketer points to a pair of studies today that indicate that social networking isn’t quite as mainstream as we may often assume. A study by research firm Synovate that surveyed 13,000 consumers in Brazil, Bulgaria, Canada, France, Germany, India, Indonesia, Japan, the Netherlands, Poland, Russia, Serbia, Slovakia, South Africa, Taiwan, the United Arab Emirates (UAE) and the US, found that 58% do not even know what social networking is. Further, only 26% are actually members of social networks.

    eMarketer指出,今天有两项研究表明,社交网络并不像我们通常认为的那样主流。 研究公司Synovate进行的一项研究对巴西,保加利亚,加拿大,法国,德国,印度,印度尼西亚,日本,荷兰,波兰,俄罗斯,塞尔维亚,斯洛伐克,南非,台湾,阿拉伯联合酋长国(UAE)的13,000名消费者进行了调查和美国发现58%的人甚至不知道什么是社交网络。 此外,实际上只有26%是社交网络的成员。

    In a separate study by Universal McCann in April, eMarketer points out that in none of the countries surveyed did a majority of the population use social networks — and in most places under 25% did. Though eMarketer predicts that nearly half of US Internet users will be on social networks by the end of this year — which would indicate some growth in the user base — that actually goes against what the Sybase study found.

    在4月环球麦肯环球公司(Universal McCann)进行的另一项研究中,eMarketer指出,在接受调查的国家中,没有一个大多数的人口使用社交网络-在大多数地方,不到25%的人口使用社交网络。 尽管eMarketer预测,到今年年底,将近一半的美国Internet用户将使用社交网络(这表明用户数量有所增长),这实际上与Sybase研究发现的情况背道而驰。

    36% of social network users that Sybase talked to said that they were losing interest in social networking, with the most social network fatigue showing up in web savvy nations like Japan, Canada, and the US.

    Sybase与之交谈的社交网络用户中有36%表示,他们对社交网络失去了兴趣,在日本,加拿大和美国等精通网络的国家中,社交网络最容易疲劳。

    Social networking blog Mashable points out that the survey only looked at users aged 18-65, which means that it ignored the teenagers who make up so much of the social networking population. They also note that with 58% of the world having never heard of social networking, there is a potentially untapped market for it.

    社交网络博客Mashable指出 ,该调查仅针对18-65岁的用户,这意味着该调查忽略了构成社交网络人口过多的青少年。 他们还指出,由于世界上58%的人从未听说过社交网络,因此有一个潜在的尚未开发的市场。

    But as we reported last month, even kids are starting to lose interest in social networking. A study of British youngsters between the ages of 13 and 17 by Logicalis in August found that 46% feel that social networking has become less important to them, and that they are using online social networks less frequently.

    但是正如我们上个月报道的那样,甚至孩子们也开始对社交网络失去兴趣。 Logicalis在8月份对13至17岁的英国年轻人进行的一项研究发现,有46%的人认为社交网络对他们的重要性下降,他们使用在线社交网络的频率降低了。

    We noted that in the British market, at least, 13-17 year olds make up a small subset of the total social networking population and speculated that once they reach the much larger 18-25 year old group (those in post secondary schools), social networking might become more attractive. The Sybase study indicates that those users too are souring on social networking though.

    我们注意到,在英国市场上,至少13-17岁的年轻人占社交网络总人口的一小部分,并推测一旦他们到达了更大的18-25岁的人群(中学后的年龄段),社交网络可能会变得更具吸引力。 Sybase的研究表明,这些用户也在社交网络上感到不适。

    Is social networking a fad? Or will social networks, like Charlene Li predicts become “like air” — so ubiquitous that everyone online uses them without even actually realizing it? Let us know your thoughts in the comments.

    社交网络是一种时尚吗? 还是像夏琳·李(Charlene Li)预测的那样,社交网络会变得“像空气一样” —如此普遍,以至每个在线用户都没有真正意识到它们的使用? 在评论中让我们知道您的想法。

    翻译自: https://www.sitepoint.com/social-networking-not-quite-mainstream/

    复杂网络 社交网络

    展开全文
  • 在线社交网络是伴随着互联网技术发展产生的,它属于众多复杂网络中的一种。近年来,对于在线社交网络的研究不断深入,研究方向可以细分为网络拓扑特征的分析、虚拟社区划分算法的研究、传播动力学研究、网络采样与...
  • 大数据社交网络分析

    2018-03-17 19:13:44
    大数据 社交网络社交网络分析   基于社交关系、结构进行挖掘 例如:社区检测、链接预测、影响力分析等  社交内容挖掘   基于文本等内容数据进行挖掘 例如:摘要、关键词、情感分析等   上述二者可结合...
  • 社交网络算法

    2019-09-28 06:52:53
    社交网络算法 1、应用场景 在社交网络中社区圈子的识别 基于好友关系为用户推荐商品或内容 社交网络中人物影响力的计算 信息在社交网络上的传播模型 虚假信息和机器人账号的识别 基于社交网络信息对股市的...

    社交网络算法

    1、应用场景

    在社交网络中社区圈子的识别

    基于好友关系为用户推荐商品或内容

    社交网络中人物影响力的计算

    信息在社交网络上的传播模型

    虚假信息和机器人账号的识别

    基于社交网络信息对股市的预测

    互联网金融行业中的反欺诈模型

    2、社交网络算法的分析指标

    1)度(Degree)

    连接点活跃性的度量;与点相连的边的数目。在有向图中,以顶点A为起点记为出度(out degree)OD(A),以顶点A为终点入度(In degree)ID(A),则顶点A的度为D(A) = OD(A) + ID(A)。

    计算方法:

    g = Graph([(0,1), (0,2), (2,3), (3,4), (4,2), (2,5), (5,0), (6,3), (5,6)])

    g.degree()

     

    ecount = g.ecount()#统计边的数目

    vcount = g.vcount()#统计节点数目

    maxdegree = g.maxdegree()#最大度值

     

    2)紧密中心性(closness centrality)

    节点V到达其他节点的难易程度,也就是到其他所有节点距离的平均值的倒数。

     

     

    实现方法:

    ccvs = []

    for p in zip(g.vs, g.closeness()):

        ccvs.append({"name": p[0], ["name"], "cc": p[1]})

    sorted(ccvs, key=lambda k: k['cc'], reverse=True)[:10]

     

    3)介数中心性

    如果一个成员A位于其他成员的多条最短路径上,那么成员A的作用就比较大,也具有较大的介数中心性。

    本质:网络中包含成员B的所有最短路径条数占所有最短路径条数的百分比。

     

     

    计算步骤:

    1.计算每对节点(i,j)的最短路径(需要得到具体的路径)

    2. 对各节点判断v是否在最短路径下

    3. 累加经过v的最短路径条数

    btvs = []

    for p in zip(g.vs, g.betweenness()):

        btvs.append({"name": p[0]["name"], "bt": p[1]})

    sorted(btvs, key=lambda k: k['bt'], reverse=True)[:10]

     

    3、社区发现算法

    3.1 GN 算法

    边介数(betweenness):

    网络中经过该边的最短路径占所有最短路径的比例。

     

    GN算法计算步骤:

    1. 计算网络中所有边的介数

    2. 找到介数最高的边,并将它从网络中移除

    3. 重复以上步骤,直到每个节点就是一个社区为止。

     

     

    3.2 Louvain 算法

    Louvain算法是基于模块度的算法,其优化目标就是最大化整个社区网络结构的模块度。

     

    模块度

    它的物理含义是社区内节点的连边数与随机情况下节点的连边数之差,它可以衡量一个社区紧密程度的度量。因此模块度就可以作为优化函数优化社区的分类。

    计算方法如下:

     

     

    其中,Aij节点i和节点j之间边的权重,网络不是带权图时,所有边的权重可以看做是1;ki=∑jAij表示所有与节点i相连的边的权重之和(度数);ci表示节点i所属的社区;m=∑ijAij表示所有边的权重之和(边的数目), 取值范围:[-1/2, 1)。

     

    公式中Aij−=Aij−ki,节点j连接到任意一个节点的概率是现在节点i有ki的度数,因此在随机情况下节点i与j的边为.

     

    δ(ci, cj)将所有的节点都限制在一个社区中,另一个重点是ki和kj都是包括与其他社区相连的边数,因此是在随机情况下节点i和节点j的边数。

     

    基于模块度的社区发现算法,都是以最大化模块度Q为目标。

     

     

     

    算法思想

    Louvain算法的思想很简单:

     

    1)将图中的每个节点看成一个独立的社区,次数社区的数目与节点个数相同;

     

    2)对每个节点i,依次尝试把节点i分配到其每个邻居节点所在的社区,计算分配前与分配后的模块度变化Delta Q,并记录Delta Q最大的那个邻居节点,如果maxDelta Q>0,则把节点i分配Delta Q最大的那个邻居节点所在的社区,否则保持不变;

     

    3)重复2),直到所有节点的所属社区不再变化;

     

    4)对图进行压缩,将所有在同一个社区的节点压缩成一个新节点,社区内节点之间的边的权重转化为新节点的环的权重,社区间的边权重转化为新节点间的边权重;

     

    5)重复1)直到整个图的模块度不再发生变化。

     

    使用图来表示算法的过程:

     

     

     

     

    3.3 LPA与SLPA

    LPA算法思想:

    1. 初始化每个节点,并赋予唯一标签

    2. 根据邻居节点最常见的标签更新每个节点的标签

    3. 最终收敛后标签一致的节点属于同一社区

     

    SLPA算法思想:

    SLPA是LPA的扩展。

    1. 给每个节点设置一个list存储历史标签

    2. 每个speaker节点带概率选择自己标签列表中标签传播给listener节点。(两个节点互为邻居节点)

    3. 节点将最热门的标签更新到标签列表中

    4. 使用阀值去除低频标签,产出标签一致的节点为社区。

     

    转载于:https://www.cnblogs.com/yongfuxue/p/10039202.html

    展开全文
  • 实践社交网络分析

    2018-11-15 20:36:21
    介绍了社交网络分析中的理论,并给出了许多具体的案例
  • 社交网络中备受关注的通话社交网络为研究对象,对其社团结构进行分析。提出一种基于模糊综合评判分析通话社交网络权重的方法,并改进CNM算法进行社团划分。初步演示了通话社交网络的演化规律,为深入研究通话社交...
  • 一、传统社交网络控制用户数据目前的社交网络是中心化的结构,由用户创造内容,由社交网站设定规则、存储内容、分发内容等。用户之间的交互通过中心化的社交来网络实现,利用社交网络...


    一、传统社交网络控制用户数据

    目前的社交网络是中心化的结构,由用户创造内容,由社交网站设定规则、存储内容、分发内容等。用户之间的交互通过中心化的社交来网络实现,利用社交网络进行人际关系的沟通与维护、获取朋友动态、热点内容等信息,而作为服务提供方的社交网络则掌握了用户产生的数据,并通过分析这些数据,进行精准的广告推荐,从而获益。

    本来无可厚非,但这也引起了一部分用户的不满,尤其是对自己的隐私安全敏感的用户。

    二、区块链社交网络的萌芽

    为了让社交网络控制权从中心化的公司(如facebook\snapchat\twitter\linkedin等)转向个人,创业者想到了区块链的技术,试图通过区块链实现由中心化向去中心化的转变。

    全新的社交媒体平台开始萌芽了:利用区块链分布式技术构建平台,让用户自己控制数据。如何理解区块链社交网络?区块链从技术上,它是一个分布式账本的解决方案,不可篡改记录,保证了真实可信。但是对于普通用户而言,它本质上就是一个可信任的无中介网络平台。而运用到社交网络上,就是可信任的点对点的对等社交平台。

    以色列特拉维夫有一家名为Synereo的公司,试图挑战中心化社交网络现状,挑战的方式就是通过区块链技术,形成点对点网络。Synereo社交网络跟Facebook和Twitter刚好相反,一是无法记录、存储任何个人信息,二是不会向用户推送精准广告。Synereo社交网络允许用户在自己设备上运行节点接入网络,节点与节点之间实时互连,用户信息以加密形式存储在网络节点上,形成一个分布云。按照区块链技术,数据是冗余存储,数据只有掌握了秘钥的人才能查看。网络会向做出存储和算力贡献的用户提供补偿。此外,也会向创建和维护内容的用户提供奖励。

    通过这样的方式,它建立了跟传统社交网络完全不同的运作模式:把用户资料和信息的控制权归还给个人,并为有贡献的用户提供激励。这样的模式一是保证了个人数据安全,二是通过系统机制刺激大家做更多的贡献。网络在这个时候,不再是中央枢纽,而是单纯的平台,一个用户完全可以点对点进行交互的平台。

    这就是Synereo的创始人Dor Konforty 一直强调的,要创建一个“不通过收割用户信息进行变现的社交网络” 。用户之间的交互,比如发消息、发文章、发图片、发视频,都是点对点进行,用户还可以发布收费的内容,并通过AMP(本地加密货币)收费。AMP是一种替代币。

    去中心化的社交媒体平台还有Steemit,Yours。其中Yours更加专注,想做基于比特币的内容创造者社交媒体平台。它的口号是很简单:你负责创造或发现好内容,Yours负责帮你赚钱变现。(Yours is a way to earn money by creating or discovering good content. )Yours的开发者StevenMckie曾在博客中写到:互联网自身就是网络,Yours的点对点网络是基于互联网这个大的网络,它可以让所有其他网络内容变现。Yours平台把内容控制权完全交给用户自己,用户可以创建频道,获得创作收入。跟Syner使用替代币AMP不同,Yours的变现货币采用了成熟的比特币。

    三、未来会怎么演化?

    区块链的技术让沉寂的社交媒体创业开始有了新的希望。原来的社交媒体,主要是在交互层面的创新,比如twitter的广播式的信息发布,snapchat的阅后即焚等。但今天的基于点对点的社交网络提供了一个新的思路。它能够成长成为主流社交网络吗?

    Synereo的CEO Dor  Konforty对区块链社交网络的未来非常乐观。他认为由于区块链社交网络的对等性,用户可以更自由,更放松,更随心所欲,比中心化的平台更有优势。

    有一个很重要的场景就是信息的分层化。因为所有的用户都是点对点网络,用户可以创建基于个人需求的不同身份的社交群组。比如同事、父母、同学、兴趣等不同的身份网络。这样不用担心自己昨晚聚会照片会让父母或者公司领导看到。谁可以看,谁不可以看操作非常方便。

    在可以预见的未来,点对点的社交网络对一些用户有很强的吸引力,比如对个人信息隐私安全要求高、对商业化广告反感的用户。尤其是当用户深入了解到Facebook和Twitter这些社交网络对于他们个人数据的使用方式,通过分析用户偏好来推送广告等。他们对于由自己控制,通过分布式网络来掌控个人的信息和内容的需求会越来越强烈。

    但如果,大多数用户,尤其是年轻用户对于隐私和商业化持开放态度,那么,区块链社交网络会面临瓶颈。用户需求、使用场景才是驱动它发展的关键,技术是满足需求的重要手段。另外,在原来的平台上已经形成了惯性,让用户转移的成本也非常高。

    即使点对点社交网络希望通过奖励措施来驱动发展,比如Steemit用户在成功发布内容后可以获得社区的加密货币Steem dolloars,跟美元挂钩的加密数字货币。Synereo的机制是奖励给任何有贡献的人,包括开发代码、创造内容,甚至包括传播内容的人。这一套激励措施逻辑很完美,照顾到了各个贡献者,但最终能否发展成为大的场景,不取决于这个激励体系,而是核心的 需求本身:是不是更高效,更有意思的社交网络。

    总言之,基于区块链的社交网络本质上就是去中介化,打破现有社交网络的规则。区块链社交网络的前景取决于用户对这个中介化是否介意,用户对中心化控制、安全、隐私是不是真心介意,如果大多数人并不介意,那么,区块链社交网络本质上很难在短期内有所作为。如果很介意,那么革命就要来了。一切取决于社会价值的变化,技术的变迁会起到加速或者延缓作用。


    (蓝狐笔记皆为原创,如若转载,请联系)

    展开全文
  • 介绍如何将微信、微博这类图结构的社交网络数据使用邻接列表进行描述,并且最终存储为结构化的关系表。利用 SQL 语句中的 JOIN 连接查询、通用表表达式的递归查询等功能对其进行分析,发行其中隐藏的社交关系。 这些...
  • 社交网络PPT模板.pptx

    2019-09-25 17:11:15
    社交网络PPT模板.pptx,图中有两双手,手指上都画了表情符号,手指上面有社交常用符号的标志。颜色以蓝色为主,适用于社交网络、交友、营销推广等。
  • 社交网络影响力最大化

    万次阅读 2018-03-23 22:26:36
    1、社交网络概述 2、影响力最大化问题分类 3、社交网络影响力最大化作用 4、传播模型 4.1独立级联模型(Independent Cascade Model)简称 IC 模型 4.2线性阈值模型(Linear Threshold Model)简称LT模型 社交...
  • 资源名称:使用Python分析社交网络数据内容简介: 在线社交网站为人们提供了一个构建社会关系网络和互动的平台。 每一个人和组织都可以通过社交网站互动、 获取信息并发出自 己的声音,因而吸引 了众多的使用者。 ...
  • 社交网络时代下的网络营销 在计算机、互联网等技术不断发展背景下,各大社交平台逐渐涌现出来,在为人们日常生活提供极大便利的同时,各大企业也嗅到社交网络蕴含的无限商机,尤其是在开展产品销售时,可以充分利用...
  • 7.1 社交网络概述;7.1 社交网络概述;7.1 社交网络概述;7.1 社交网络概述;7.1 社交网络概述;7.2 社交网络分析;7.2 社交网络分析;7.2 社交网络分析;7.2 社交网络分析;7.2 社交网络分析;7.2 社交网络分析;7.3 社交网络;...
  • 社交网络,对每个人是熟悉而又陌生的。每个人都可以说出个一二三,因为人是社会的动物,每个人都有自己的社交圈子即社交网络。然而,就社交网络的应用尤其是移动互联网社交应用而言,尽管创业团队不停地涌现,或...
  • 社交网络研究An annual study of British youths between the ages of 13 and 17 by Logicalis found that social network use is on the decline. The study found that 78% of British youngsters using social ...
  • 社交网络看成图社交网络的基本概念: 社区(community):是指具有非同寻常的强连通性的节点子集,其中节点可以是构成网络的人或者其他实体。 局部性(locality):是指社交网络的节点和边趋向于聚为社区的这种...
  • Flickr社交网络数据集

    2019-01-02 20:03:23
    Flickr是用户分享图片和视屏的社交网络,在此数据集中,每一个节点都是Flickr中的用户,每一条边都是用户之间的好友关系。另外,每一个节点都有标签,用于标识用户的兴趣小组
  • Twitter的社交网络连接数据集,包含Twitter当中的用户转发关系。可以用于社交网络数据分析研究
  • 针对社交网络的隐私安全问题,提出了一种新的社交网络隐私保护方案。首先设计了带陷门的属性加密算法,由属性权威机构与数据属主协同完成用户私钥的生成与分发,有效降低了数据属主的密钥管理代价。然后,通过令牌树...
  • 利用社交网络数据

    千次阅读 2018-06-09 15:15:34
    基于社交网络的推荐可以很好模拟现实社会,因此本文简单介绍下如何利用社交网络数据进行个性化推荐。一般获取社交网络数据的途径有电子邮件、用户注册信息、用户的位置数据、论坛和讨论组、即时聊天工具和社交网站...
  • 后来有人根据这种理论,创立了面向社交网络的互联网服务,通过“熟人的熟人”来进行网络社交拓展; 平台功能: 1.2.1 互动手段:即时信息,电子邮件,电信核心网和VAS服务(电话,短信) 1.2.2 自...
  • 10 社交网络

    2017-01-18 10:43:56
    10 社交网络10.2 社交网络的聚类分析10.2.1 社交网络的距离量度10.2.2 标准的聚类方法点分配法: * 假设用k-means 算法聚类, 选k=2, 随机选一个点,以这个点创建一个类,在选择一个离他最远的点作为另一个类,这个...
  • 腾讯研究院-社交网络斋戒实验报告 主观幸福感的量化分析 、社交斋戒对情绪的负面影响

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 14,202
精华内容 5,680
关键字:

社交网络