一条消息传不开，是没人遇见，还是遇见的人不想转？
论文名片｜Narisa Zhao、Guoqin Sui、Fan Yang，Effect of Heterogeneous Interest Similarity on the Spread of Information in Mobile Social Networks，Journal of the Physical Society of Japan 87, 064003（2018），2018 年 5 月 14 日在线发表。DOI:10.7566/JPSJ.87.064003。研究类型：随机传播模型、平均场近似与五条微博传播曲线拟合。
同一条新品消息，有人很喜欢，见到朋友就想分享；朋友可能兴趣相近，也可能只是礼貌地看一眼。即使两人碰面的机会一样，消息能不能继续传，也取决于发出和接收两边的选择。这个日常场景只为说明论文的机制，并非论文中的现场实验。
本文把“遇见”“愿意发”“愿意收”分开，并允许一部分人逐渐开始感兴趣、另一部分收到消息的人退出传播。模型结果提示，兴趣最明显地改变传播的起速和早期覆盖；等观察时间足够长，几组结果可能靠近。微博案例表明这套方程能拟合若干累计转发曲线，但尚不能据此证明现实传播中的兴趣因果机制。
先说结论
- 接触不等于传递。模型把发送者对消息的兴趣与双方兴趣相似度相乘，再与相遇过程结合。
- 典型的 1,000 节点模拟中，提高平均兴趣会显著提前扩散：覆盖 400 人所需时间，从低兴趣组约 30,930 秒降到高兴趣组约 7,932 秒。
- 累计收到消息的人数，与当前仍携带、能传播消息的人数不同。后者可以归零，而前者仍然很高。
- 五条微博的拟合误差报告为 3.81%—8.91%，但总人群规模参照最终转发量设置、部分参数由曲线拟合，并没有构成对陌生消息的独立前瞻预测。
有兴趣、收到消息、继续传播，是三种不同状态
论文把固定的 N 个节点分成四类：UI 是不感兴趣，US 是有兴趣但尚未收到消息，S 是已收到、可继续传播，D 是已收到后丢弃消息、不再传播。这里的 S 指 satisfied，不能按常见传染病模型把它误读为易感者。
图 1｜消息传播需要经过哪些门槛？
原图没有子图：从左到右，UI 以概率 p1 转为 US，US 接收到消息后以概率 p2 转为 S，S 以概率 p3 退出成为 D。D 是吸收状态，模型中不能再回来。来源：原论文 Fig. 1。
兴趣变化在这里有很具体的含义：未感兴趣的人以速率 ρ 进入有兴趣状态，携带消息的人以速率 μ 退出。每个节点的数值兴趣 xi 在一条短时消息的传播期间保持不变；变化的是状态，不是 xi 随时间不断漂移。模型也不允许从 US 返回 UI，或从 D 重新开始传播。因此，它刻画的是一种单向的生命周期，不能解释反复退热又复燃的全部过程。
相遇被设为泊松过程，相邻接触间隔服从指数分布；在 Δt 内相遇的概率为 1 − exp(−λΔt)。这是均匀接触假设，不是从这些用户的真实定位轨迹估计出的出行规律。论文虽讨论移动社交网络，但没有显式模拟城市道路或每个人的位置。
接触之后，谁愿意把消息交给谁？
xi 在 0 到 1 之间，越大表示越喜欢该消息。若发送者 l、接收者 g 的兴趣分别为 xl、xg，论文给定接触后成功传递概率：
P(l→g) = xl × [1 − |xl − xg|]。
第一项体现发送者对内容的兴趣，第二项体现双方兴趣接近程度。这两个作用由模型预先假设，后续模拟检验的是这些假设共同产生什么结果，而非从实验中独立发现这个乘法关系。
图 2｜平均兴趣较低或较高，模型里的人群是什么样？
（a）平均兴趣约 0.2 时，大多数节点兴趣较低，采用截断指数分布。（b）平均兴趣约 0.8 时，分布向高值集中，由 1 − xi 的截断指数分布构造。横轴是兴趣，纵轴是节点数；它们是设置出来的人群，不是调查测量。来源：原论文 Fig. 2。
因此，改变平均兴趣时，兴趣方差和两人相似度也一起变化。“内容吸引力”和“人与人相似度”并没有在这些实验中保持其他条件不变地分别随机操控。论文在所选分布族中认为内容兴趣的作用更强，这个结论不宜直接推广为现实中兴趣同质性始终不重要。
怎样从逐人随机过程得到一条总体曲线？
随机模型逐个判断相遇、传递和退出。平均场方程则用每种状态的期望人数描述整个系统，近似把节点间的状态与兴趣组合效应压缩为一个总体参数 β。
记 X 为仍能传播的人数期望，Y 为有兴趣未收到，Z 为未感兴趣，D 为已退出。式（16）的结构是：X 的增长来自接触项 λβXY/[N(N−1)]，减少来自 μX；Y 接收消息会减少，但又从 ρZ 得到补充；Z 以速率 ρ 衰减，D 以 μX 增长。全体人数保持 N 不变。
这里 β 汇总不同有向节点对的传递概率，和节点规模有关，并非某一个人的兴趣，也不是直接可以跨数据集比较的概率。实际微博部分使用 β 的标度与图示数量级未完全统一，复现应连同归一化方式核对，不能把两处数值直接代入同一方程。
图 3｜个体兴趣分布怎样进入总体方程？
原图没有子图，横轴为平均兴趣，纵轴为按式（9）汇总的 β，标有 10⁵ 数量级。曲线在设定分布下整体上升。它解释了参数如何变化，并不是由现实用户估计出的普遍关系。来源：原论文 Fig. 5。
为区分“当前传播”和“曾经覆盖”，论文采用累计覆盖 S(t) = X(t) + D(t)。这个 S(t) 是人数统计，与上面的 S-state 名称相近，却不是只数当前携带者。后面所有累计覆盖图都应按这一口径读。
方程能否重现同一套规则下的随机模拟？
典型设置为 N = 1,000，初始一人携带消息、199 人有兴趣但未收到、800 人不感兴趣，没有退出者；μ = 2×10⁻⁴、ρ = 10⁻⁴，时间单位为秒。Java 随机接触模拟与 MATLAB 常微分方程求解作比较，共运行 50 次模拟。
图 4｜把逐人过程平均化，会不会改变扩散曲线？
（a）接触率 λ = 2.8×10⁻⁵，（b）λ = 3.71×10⁻⁶。横轴为秒、纵轴为累计覆盖人数，不同颜色对应平均兴趣 0.2、0.5、0.8；实线为方程结果，符号为随机模拟。低接触率下不同兴趣组的起速差更明显。来源：原论文 Fig. 4。
报告的平均相对误差在高接触率下分别约为 3.19%、4.69%、5.12%，低接触率下约为 6.2%、3.48%、7.9%。这些数值支持平均场近似在测试设置下能接近相同机制的随机模型，不能当作现实信息传播的预测误差。
论文还给出基本再生数 R0 = λβ/[μ(N−1)]。它是在接收者都处于可接收状态附近得到的局部传播阈值，不是最后一共有多少人收到消息。
图 5｜提高兴趣，会降低模型启动传播所需的接触率吗？
原图没有子图，横轴为 λ，纵轴为第 150,000 秒的累计覆盖人数；红、紫、青对应平均兴趣 0.1、0.2、0.3。原图标出的 R0 约为 1 的接触率依次为 2.353×10⁻⁶、1.375×10⁻⁶、1.013×10⁻⁶。来源：原论文 Fig. 3。
R0 的式子里没有 ρ，不意味着改变开始感兴趣的速度永远无效。推导选取的是 Z = 0、Y = N 附近的状态；在真实有限时间的过程里，接收者能多快补充仍可能改变传播。这个区分对理解后面的敏感性分析很关键。
提高兴趣，改变的是早期速度还是最终人数？
后续比较主要固定较低接触率 λ = 3.71×10⁻⁶，其他条件沿用上面的典型设置。这样可以看到，在同样接触机会下，兴趣改变会怎样移动覆盖曲线。
图 6｜同样接触机会，哪一组更早收到消息？
原图没有子图，横轴为秒、纵轴为累计覆盖人数，四条线对应平均兴趣 0.2、0.3、0.5、0.8。兴趣较高的曲线更早上升，但到较晚时间，几组曲线间距缩小。来源：原论文 Fig. 6。
达到 400 人，也就是这 1,000 节点系统的 40% 覆盖，平均兴趣 0.2、0.5、0.8 所需时间分别约为 30,930、13,560、7,932 秒。这里比较的是同一模拟总体下达到同一覆盖水平的时间，不是实际微博平均传播时长。
图 7｜早期差别很大，为什么后来会看起来接近？
（a）横轴平均兴趣、纵轴累计覆盖，不同颜色为 5,000 到 150,000 秒的观察时点；观察得越久，达到较高覆盖所需的兴趣水平越低。（b）横轴时间、纵轴当前携带消息的人数 X，较高兴趣组更早出现高峰，最后各组都接近零。来源：原论文 Fig. 7。
两幅图合起来说明：当前没有人继续传播，并不表示消息只到过很少人；人们可能已经收到并退出。另一方面，低兴趣组在有限时间内可能明显落后，不能因为长时间后曲线接近，就说兴趣没有作用。
退热与新兴趣，哪一项更容易让传播停下？
图 8｜同样平均兴趣，退出快慢能否改变结果？
（a）横轴 μ 为退出速率、纵轴平均兴趣，颜色是第 150,000 秒累计覆盖；退出越快，通常覆盖越小，较高兴趣可以在部分参数区间抵消这一作用。（b）横轴 ρ 为开始感兴趣的速率，纵轴与颜色含义相同；在测试的 6×10⁻⁵ 到 10⁻³ 范围内，各兴趣组对 ρ 的变化相对不敏感。来源：原论文 Fig. 8。
在这么长的观察窗口与给定 ρ 范围内，不感兴趣者已经有足够时间转入可接收状态，因此（b）不能被推广成“培养兴趣的速度不影响传播”。对更短窗口或更低 ρ，需要重新计算。
五条微博，能验证到哪一层？
现实案例包含华为、Vivo、电影、音乐、新闻五条消息。华为例子在 2017 年 5 月 26 日 17:00 至次日 8:00 收集到 2,088 名转发用户。兴趣得分来自个人标签、兴趣主页标签与是否关注发布者，把与消息主题相交的特征数除以用户特征总数。它是标签构造的代理量，不是用户自报的真实心理兴趣。
图 9｜代理兴趣得分与累计转发，能否同时被模型描述？
（a）2,088 名转发用户的兴趣得分直方图，低得分人数较多；（b）蓝虚线为累计实际传播，红实线为模型曲线，横轴为秒。两条曲线相近，主要说明拟合形状吻合。来源：原论文 Fig. 9。
模型设 N = 2,100，参照最终数据规模；初始设 425 名有兴趣未接收者，对应已观察到的转发用户中关注发布者的人数；一名消息源，其余 1,674 人为不感兴趣者。μ、ρ、λ 难以直接测量，因此使用前 600 条实际数据调参，使误差控制在 5% 内；全曲线报告误差为 3.81%。
这不构成完全独立的预测：标签和初始关注者来自最终已转发的人群，总体 N 也参照最终规模，未观测到、看过但未转发的人并没有以同样方式进入样本。即使只用前一段曲线调参，其他设定仍可能包含事后信息。
图 10｜换几种消息内容，曲线拟合是否仍然可行？
（a）Vivo 研发中心消息，（b）电影预告，（c）电影主题曲，（d）新闻日历。各图横轴为秒、纵轴为累计人数，蓝虚线为实际、红实线为模型；各条消息分别设定规模和拟合速率。来源：原论文 Fig. 10。
| 消息 | 观察到的转发人数 | 设定 N | 报告误差 |
|---|---|---|---|
| 华为 | 2,088 | 2,100 | 3.81% |
| Vivo | 2,539 | 2,600 | 8.91% |
| 电影 | 3,355 | 3,400 | 8.44% |
| 音乐 | 1,566 | 1,600 | 4.81% |
| 新闻 | 3,184 | 3,200 | 4.08% |
其余四组数字来自 Table I。它们显示多条累计曲线可以被模型描述，但没有无兴趣模型、其他扩散模型的同条件比较，也未报告跨消息共享参数的外部验证。因此，误差小于 9% 不能直接换算为“至少 91% 的预测准确率”。
还有一个跨场景边界：理论部分把接触理解为移动节点的相遇，微博转发却可发生在远距离用户之间。用同一个 λ 拟合总体曲线，并未证明微博中存在同样的近距离接触过程。
这篇论文最有用的启发是什么？
它把一条常被合并的传播链拆开：相遇、发送意愿、接收意愿、进入兴趣状态和退出状态，可能分别改变传播。它也清楚展示，同样的最终覆盖数字，可能藏着很不一样的早期速度。
解释力度仍受建模假设限制。固定的兴趣数值、均匀泊松接触、平均场近似和单向状态转换，都简化了真实社交网络。五条微博的曲线拟合没有唯一识别这些机制，真实网络结构、推荐曝光、重复接触与节点位置仍可能重要。更适合把它视为可检验的机制模型，而不是已经验证的传播干预处方。
一句话总结
在这套模型中，消息遇到谁与双方是否愿意传递共同决定扩散，兴趣尤其改变早期速度；现实微博曲线的拟合支持模型可描述数据，却不足以确认兴趣机制或独立预测能力。
核心来源
- 正式论文 DOI 与期刊入口：全部十张主图、式（1）—（22）、五条案例与 Table I。
作者介绍
Narisa Zhao、Guoqin Sui、Fan Yang 均署名大连理工大学系统工程研究所。Guoqin Sui 为论文所标通讯联系人。原文未列逐人贡献分工，故不进一步推定各自负责的实验、分析或写作任务。
延伸思考：同样的最终转发量，不一定需要同样的解释
以下是 AI 基于论文结果所作的延伸，不属于原论文结论。
两条消息最后都转发一千次，一条可能靠短时高度集中的兴趣迅速完成，另一条可能靠长时间持续曝光缓慢累积。若只拟合最终人数，很容易把这两种过程压缩成同一个“传播效果好”。
一个更有区分力的检验，是在预先划定、尚未转发的用户总体中分别测量曝光、是否愿意接收和是否继续分享，事先冻结人口规模与兴趣指标，再只用早期数据预测后半段曲线。若引入两种兴趣相似度后，跨消息的时间预测也稳定改善，才更接近证明这些变量提供了可迁移的信息，而不只是增加可调参数。
