6、社交与内容网络共同演化的影响因素分析

社交与内容网络共同演化的影响因素分析

1. 研究背景与目标

在社交媒体环境中，社交网络和内容网络的共同演化是一个重要的研究领域。以往的研究多聚焦于单一方向的影响，而本次研究旨在明确探究基于 Twitter 和 Boards.ie 的社交网络环境下，社交和内容网络属性之间的纵向影响，同时关注双向影响以及自我影响检测。

2. 研究方法

2.1 时间序列建模

为了深入了解内容网络和社交网络的时间演变，我们采用了基于 Wang 和 Groth 工作的时间序列建模方法。具体应用了自回归模型来处理时间序列数据，该模型可定义为 AR(p)，其中参数 p 决定模型的阶数。在本研究中，我们使用了一个简单模型，独立计算每个变量，且仅包含上一个时间单位的值。首先聚焦于线性自回归模型，不过非线性模型可能更适合我们的分析，这将留待未来研究。模型计算出的具有统计显著性的系数能够确定变量之间随时间的影响关系。

2.2 多层回归模型

由于回归分析中的变量通常来自不同层次，多层回归模型是处理此类数据的合适方式。在我们的数据集中，具有层次嵌套结构，每天会重复测量不同属性，但这些值都属于不同个体。如果使用简单自回归模型，会忽略每个用户之间的差异，仅计算固定效应。而多层回归模型的优势在于，它在固定效应的基础上增加了随机效应，以考虑个体之间的差异。我们使用的多层自回归回归模型定义如下：
[x(t) {i,p} = a^T {i} x(t - 1) {p} + \epsilon(t) {i} + b^T_{i,p}x(t - 1) {p} + \epsilon(t) {i,p}