基于在线社会网络的病毒性营销传播机理研究

摘要：在线社会网络中的信息传播研究，已经吸引了来自情报科学、管理科学等多个学科领域的广泛关注，这其中病毒性营销又是研究热点之一。文章以此为视角，从社会网络中的信息传播、病毒性网络营销信息扩散机理等方面梳理与评述了这个领域内的前沿进展，并从技术与人文两个层面展望了病毒性营销未来的研究趋势与挑战。

关键字：情报科学　病毒性营销　社会网络分析　信息传播

中图分类号：　F713.3 文献标识码：　Ａ 文章编号：　1003-69３８（２０12）０6－0101-07

1　引言

信息的扩散与传播是人类社会的基本特征之一。进入21世纪以来，构建基于博客、微博、论坛等社会化媒体的在线社会网络，让数以百万计的人有机会在一个几年前根本无法想像的平台上创建并分享内容，包括观点、新闻转发和产品评论等形式，将对于人类的信息交流和传播产生深刻的影响。考虑到内容如此广泛的生产和消费，如何能够让一些信息脱颖而出，在社会化媒体中传播得更加深远而广泛；另一方面，如何阻止或限制一些不良信息在社会网络中进行传播、扩散，已经成为了热点研究领域，吸引了全球来自计算机工程、系统工程、物理学、管理科学等多个学术领域学者的广泛关注。

对于社会网络中信息传播和影响扩散的研究其实已经有很长的历史。最初的研究是关注影响传播在医学和农业方面的创新应用［1-2］。随后是聚焦于无标度网络及它们中的成员因特定主题形成的亲和力对信息传播产生的影响［3］。也有研究［4］将社会网络的结构与演化特性应用于疫情、舆情的防控评估与传播这一研究前沿做了较为全面的综述。

在商业应用方面，最为典型的是如何利用消费者的在线社会网络进行营销信息的扩散与传播，例如研究在线社会网络中病毒性营销的口碑扩散过程［5-6］。实际上病毒性营销的基本思想就是从社会网络中找到最具影响力的用户（用户群），以便激活一条“口口相传”所驱动的影响传播链条，这样就可以以较小的营销成本覆盖到较大范围的受众人群［7-8］。近些年来，基于在线社会网络的病毒性营销研究工作已经成为营销科学领域中的一个新热点。虽然这项研究工作尚处于起步阶段，但是在国内外已经涌现出不少高水平的研究成果，值得深入研究与分析。

本文将以病毒性网络营销为研究对象，梳理与归纳国内外社会网络中信息传播的重要研究成果，进而深入分析病毒性营销传播的最新方法与技术。这样可以将社会网络理论与营销科学研究结合起来，找出现有研究中的不足，为今后的研究提供参考借鉴。

2　社会网络中的影响扩散与信息传播

社会化网络中有关影响（Influence）扩散的内涵非常简单明了：当用户看到社会网络中的好友做某件事，那么他们也会受到影响跟着这么做（例如人们购买了一件东西，他们的朋友也很可能会去买）。这种影响力可能来自几个方面：　（1）这件事本身很有吸引力；（2）网络内的社会化联络［9］。这种来自社会网络内部的影响扩散可以应用于许多领域，最为典型的就是病毒性网络营销，还包括电子商务过程中的个性化推荐［10］和社会化网络中的Feed排序（Feed　Ranking）等［11］。此外，影响模式可以视为用户间的信任度，进一步用于计算大型网络和P2P系统中的信任传播问题［12］。

尽管前述的很多应用都是假设影响和信息传播是作为一个真实现象存在的，但是能否在真实的社会网络数据中找到相关的证据是一个值得研究的问题。Watts等［13-14］正是对“有影响力用户”这个概念提出挑战，但是他们同时也认为如果确实能找到一个足够大的种子集合（有影响力用户群体），那么病毒性营销战略仍然是非常有效的。Hill等［15］采用了一个样本匹配方法试图解决相似性度量与社会化信息扩散问题。其研究成果显示社会网络可以被用来查找一个有效的群体集合，并且能够容易地找到这个群体集合的邻居。这样如果缺乏社会化网络数据或是某个产品/服务采纳的相关数据的情况下，不需要社会网络影响分析也可以创建一种导向式的病毒化营销传播方法。

Anagnostopoulos等［16］开发出一种技术显示社会网络中的影响或许不是真实存在的，然而在标注行为中却存在一种实质性的社会化关联关系，但这并不属于影响传播。Aral等［17］将营销传播过程中的刺激因素：影响力和跟风效应（Effect　of　Homophily）进行了区分，并且他们观察到如果没有进行合理测度的话，前者或许会被高估。此外，不同的因素对于小段信息的传播影响力取决于正在传播的这段信息是什么类型（例如，一条新闻或是某个讨论话题）。

另一方面，许多学者通过对于在线社会网络数据进行分析、挖掘来获取一些病毒营销领域内的影响模式。

其中的一个领域主要是对博客以及微博进行了大量的分析研究。ADAR等［18］根据在线社会网络中典型的发帖行为，在一个话题的生命周期内将用户划分为四种类型。接下来他们基于传染病传播理论开发了一个新话题在博客之间转载的信息传播模型。同时他们还利用实际博客数据集对模型算法中的一些参数进行了实验验证，结果表明这个模型能够比较有效地识别出在热点话题传播过程中那些高效积极的用户（用户群）。Backstrom等［19］研究发现博主更倾向于加入一些他的朋友们所加入的组织，特别是如果这些朋友和自己属于一个小圈子。类似的研究还有Song等［10］，他们的研究表明博客更倾向转载那些其他博客已经转载的内容。Agarwal等［20］对于如何识别出具有传播影响力的博主进行了深入研究。在另一方面，Weng等［5］提出了一个话题敏感度型PageRank方法（Topic-sensitive　PageRank　Measure）来衡量Twitter中的影响力。这个方法是基于他们在收集到的数据集中所观察到的粉丝关系中出现的高度互惠，他们将此归因于跟风效应。

在另外一个领域中，Leskovec等［21-23］发现在社会网络中用户间关于书籍和电影的推荐过程中，影响传播是非常成功的。Cha等［24］分析了一些图片是如何通过Flickr社交网络流行传播开来的，并且阐述信息传播过程中社会化链接所发挥的作用。他们的研究表明大约超过50%的最受欢迎图片是通过社会化链接来传播的，这就实证了社会化链接是信息传播过程中的决定性途径。此外，与一般认为的口碑传播将会快速广泛传播不同，他们研究发现在线社会网络中信息传播仅限于那些与信息上传者近邻的用户，并且在每一个用户节点处将花费较长的时间。在另外一篇文献［15］中也支持这一假设：网络中的链接能够直接影响用户对于产品/服务的采纳决策。他们对一项通讯服务的采纳进行了实证分析，根据客户社会网络中的好友对某个新推出的营销方案所做出的决策，就可以以较高信度预测该客户是否也签约该项方案。

Aral等［25］对于一个产品营销推广中加入“病毒”特征后的效果进行了测度研究。他们总结病毒性产品营销的特征基本上有两种类型：（1）主动推送。这种方式包括通过便利方式可以主动邀请你的好友来使用某个产品。（2）自动广播。这种方式意味着无论你什么时候采用一个商品，都将自动提交一条更新或是发送一封Email，这样你的好友就会获知。Aral等［17］还列举出关于产品营销推广中采用病毒性特征的一些开放式研究问题。

Bakshy等［26］在社会网络，这个随时间动态演变、巨大、多人交互的虚拟世界背景下，实证研究了用户与用户之间的信息传递。基于好友行为所引发的采纳率变化，他们对社会化影响传播进行识别和建模，并且得出结论社会网络在内容采纳方面扮演着非常重要的角色。通过研究他们还发现了好友间的分享过程比起陌生人间的要更快一些。此外，一些用户在信息传播过程中发挥了更为积极的作用，但是这些用户与早期的采纳者有所区别。

Crandall等［27］基于维基百科的社会网络和Live　Journal编辑，分析了社会化影响与用户相似性之间的相互作用。他们认为在用户相似性与社会化影响之间确实存在一种反馈效应，并且社会化影响与用户自身兴趣以相对独立的方式对未来的行为产生影响。

最后，Lahiri等［28］发现有影响力的用户和影响传播过程本身都非常容易受到网络结构变化的影响。Bernardo等［29］对Twitter上的社交互动进行了研究，结果显示使用度的推动过程实际上是一个隐藏在朋友和粉丝之下的离散网络，这个过程中的大部分链接都是无意义的互动。

3　社会网络中传播最大化模型与方法

考虑到在一个社会化网络中，我们已经准确估计到了用户之间的互惠影响。现在假设在市场中一个新产品，为了更好地宣传推广这个产品，我们需要定位一个最初的用户群。营销传播最大化中的实质问题就是筛选出初始用户群，以便最终影响在线社会网络中最广泛的用户群体［30］。

最先从数据挖掘视角，研究影响传播和有影响力用户识别问题的是Domingos等［31］。在上述这篇文献中采用马尔可夫随机场（Markov　random　fields）来进行建模，并且给出一些启发式规则来选择要定位的客户群。马尔可夫随机场是一个无向图模型，基于一组随机变量来表示连接的分布。在网络的最后状态收敛为一组庞大的相互依赖的随机变量集合，借助马尔可夫随机场来进行建模，从而研究社会网络中影响传播问题。

Kempe等［32］采用离散最优化方法来解决这个问题。提出数学科学领域中的两个模型：线性阈值模型和独立级联模型，他们得到了一些近似值算法。Kempe等还进一步阐述对于前述的这两个传播模型，影响最大化问题实际上一个NP难题。他们还提出当已经存在多个节点对某个节点进行信息传播时，节点被激活的概率在降低，即系统具有了某种“饱和度”。

Leskovec等［33］从一个不同的视角—检测爆发（Outbreak　Detection）来研究信息传播问题，即如何在网络中选择一些节点来尽快检测到一个病毒的传播？他们给出了一个通用的方法。虽然这个方法比基本的贪婪算法在运算速度方面提高了近700倍，但是在算法扩展性方面依然面临一些问题。Chen等［34］对于贪婪算法的效率进行了改进，并且提出了一些新的启发式规则，这样产生的影响传播效果接近于贪婪算法，并且更加高效。Tang等［35］采用一个图形概率模型，建立了一个基于主题相互吸引的社会影响传播分析方法，并且设计出一个分布式学习算法来解决效率的问题。

Even-Dar等［36］基于所谓的选举模型来研究影响最大化的问题。选举模型是Clifford和Holley最早提出来的社会化网络中观点扩散的一个基本概率模型［37-38］。在选举模型中，社会化网络被抽象为一个自环无向图，在每个设定的时间步长，每一个用户节点随机地选择一个邻居并采纳他的观点。选举模型和阈值模型的相同点在于：一个人很可能会采纳他的大多数邻居所持有的观点，不同点在于选举模型可以允许用户改变观点。这就使得选举模型更适合于那些传播过程受人厌恶的一些场合（例如研究传染病的传播过程），并且这个模型还能够保证收敛于一个一致状态（或者每个人选择了新的行动方案A，或者是每个人选择了现有的行动方案B）。Even-Dar等［36］指出当网络中对于每个人的营销成本是相同的时候，很明显对于集合中度数最高的用户开展营销活动是最优方案；当不是这种情况下，他们也给出了一个多项式时间近似的解决方法。

选举模型的另外一个优势就是它能够很好地应用于一个完全竞争环境中的病毒性网络营销，这是下一节详述的内容。

Ienco等［39］介绍了meme排序问题。这里meme指的是在在线社会网络中通过相互模仿而流行的短信息或是微媒体，如思想、点子、行为、时尚、视频或音频片段等。这个问题实际上就是用户登录系统后，计算出哪k个meme排序靠前，然后展示给他们。最终的目标就是最大化网络的整体活跃度。这个问题在某种意义上来说其实是影响最大化问题的相反一面。后者，对于给定的一条信息，问题是如何识别出k个用户来启动传递使得传播的效果最大化。而在meme排序问题中，指定一个用户，我们想做的是如何为他挑选出k个meme，这样将尽可能提升整个系统的活力。

4　在线社会网络中的病毒性营销传播

随着互联网技术的不断发展，　社会网络类型也呈现多样化发展趋势，　随着网上参与群体的增多，　这种网络环境下形成的社会群体效应带来的价值越来越大。基于互联网的社会网络正在深刻改变着传统营销模式。首先，　它为客户关系管理提高了效率［40］，由传统的单向沟通变成了互动沟通，　而这为营销者们带来的直接利益就是大幅降低了营销成本。第二，　借助这些在线社会网络中的顾客群体，　企业开展网络营销将变得更加便利［41］。正是通过社会网络内信息的扩散传播，　为企业在不同市场环境中开展病毒性营销提供了渠道与策略［42］。病毒性营销已经成为营销科学领域内的研究热点之一，正如Watts和Peretti　［43］所陈述的：“它看起来就像是最后的免费午餐。”。

目前营销信息在社会网络中的传播研究主要集中于基于图论的一些方法。这些方法的基本思想就是将传播过程假设为一个图，图中的节点代表用户，边上标出的值代表用户行动受邻居行为影响的概率值，然后再对一个目标函数进行优化。然而，外部环境中的其它一些因素也将会影响一个战略的实施效果［44］。

在线社会网络作为一个开放式的平台，为消费者和企业提供了很多便利性，营销者们试图通过社会网络，　提升消费者的参与价值，将品牌信息整合到消费者的日常生活当中，　根据消费者的自身价值（社会地位，日常活动，社交网络等）进行精准营销［45］。

Hartline等［30］提出了一个非常简单，称之为“influence-and-exploit”的营销策略。他们认为在实践领域中，收益最大化比起影响最大化是更为现实的一个目标，因此他们建议对用户提品（服务）的先后次序加以考虑，包括价格的高低。比如先让有影响力的用户来买，尽管开始的时候给他的价格可能是比较低的。在他们的方法中，为一个选定的有影响力用户集合免费发放某一产品，然后再随机为剩下的用户按照随机的次序提供这个产品。目标是制定出最优价格，从每个用户那里赚取到最多的利润。

与此类似，Arthur等［46］提出了一个假设通过网络进行促销级联传播的模型。在这个模型中卖家可以利用产品价格和推荐奖励来传播营销信息。基本思想是朋友之间的推荐（他们有一定的激励措施）效果要远好于通过广告的直接营销。这个级联模型实际上是线性阈值和独立级联模型的一个扩展。

为了设计出实践中更加有效的病毒营销方案，应该充分利用记录在行动日志中的相关信息来发现营销传播的真正机理。Goyal等［47-48］对日志进行挖掘找到一些频繁影响模式，从而识别在一个在线社会网络中的领导者们和他们的粉丝。Saito等［49］正式地给出了相似性最大化问题（Likelihood　Maximization　Problem），并提出了一个EM算法来解决这个问题。但是在每一迭代的过程中，与每条边相关的影响概率值也将被更新，因此这个方法是不可扩展的。Goyal等［50］提出了多种影响概率模型，并且指出这些模型都满足子模性，除了一个以外其余也都是递增的，这对于效率计算是一个非常好的特性。他们还介绍了在这些模型中的时间维度，表明现有的时间独立模型能够以较小的误差来预测一个用户在什么时间执行一项行动。

Kim等［51］研究了社会网络中的信息传播如何被电子商务网站所利用，来辅助用户的购买决策。同时他们也对社会网络相关技术进行了归纳，并深入分析了利用在线社会网络对于电子商务购买决策影响这一研究课题中的一些挑战。

基于Buzz推荐系统通过分析电子商务平台中的查询日志记录，来监测查询趋势中的一些热点。这些热点与新闻、供应商信息等外部实体相链接，以此发现当前的主流需求。Nguyen［52］以eBay电子商务平台为实例设计了一个简单的基于Buzz的推荐系统。这个系统的目标是基于一条buzz查询显示的一些推荐项目，力图增加用户的兴趣、改善网站的整体活力和黏度。Stephen等［53］在有关社会化商务的研究中发现销售者是否会获利并不取决于其在网络中的中心度，　而是与其在网络中的位置是否会提高消费者的可获得性有关。他们的研究还表明，　这种社会商业模式确实会为企业带来经济效益，　而且该网络结构的最大价值在于提高了消费者的浏览效率。如果要在该网络环境下开展有效营销不仅要丰富网络链接而且要注意减少浏览死角。

Kempe等［54］假设在市场上仅仅只有一个厂商推出一种产品，建立了病毒性营销模型。但是在现实市场环境里，往往存在多个相互竞争的厂商，分别推出多个具有可比性的产品。例如，在市场上就有佳能与尼康公司生产的数码相机。在这些相互竞争的产品中平均每个消费者几乎不可能选用2种以上。因此就互斥与竞争性产品而言，研究营销传播最大化的问题就更富有意义。在过去的研究工作中，两种产品间的竞争问题大多是基于经济模型视角，并且多集中于市场均衡理论。例如在一些文献［55-56］中采用一些独立于网络的属性来对一个市场中的两种技术传播进行建模研究。

Carnes等［57］从追随者的视角研究了存在竞争性的在线社会网络中营销传播最大化算法问题。基本思路是：当一家厂商作为追随者推出一个新产品，而此时在市场中已经有一个与之相互竞争的产品，追随者直到推出自己产品的那一刻开始才让自己的竞争对手有所察觉。他们假设这个厂商有固定的预算来选定目标消费者，并且清楚知道竞争对手先期已经获得了什么样的客户群，在此基础上他们提出了两个可供选择的模型：基于距离模型（Distance-based　Model）和波浪传播模型（Wave　Propagation　Model）。如果网络中没有竞争性的话，这两个模型可以简化为独立级联模型。他们还指出对于这两个模型进行影响最大化决策分析是一个NP难题，但是相关的影响函数是非负、单调和子模的。这样他们得出结论，尽管一家厂商的竞争对手有更为丰厚的营销预算，但也还是能够获得较大的市场份额。Jansen等［58］则审视了Twitter作为口头广告的机制。他们研究了一些特定的品牌和产品，并检查了消息的结构以及用户情感的变化。Galuba等［59］提出了一个病毒营销传播模式，根据过往用户的历史信息预测他们可能将推送哪些营销链接。

5　研究趋势与挑战

网络信息化是未来的发展趋势，　互联网技术也正在由Web2.0逐渐向Web3.0时代转变，　伴随着科技的日新月异，人们可以更加便利地利用网络自由沟通交流。可以预计，网络环境下的客户组成的社会网络也将会越来越深刻地影响营销科学领域。本文从营销科学视角，对社会网络中信息传播与影响扩散研究中的一些模型、方法、技术进行了评述。但是在线社会网络与营销科学的交叉与渗透刚刚起步，仍然存在许多挑战。这些挑战一方面来自技术层面，一方面来自人文社会层面。

5.1　技术层面的挑战

（1）网络动态性。早期关于社会网络中信息传播的研究工作主要是基于静态网络分析。但是网络在不断演化中，从营销科学的视角来说，企业的营销工作如何能够快速响应网络的动态变化是非常关键的［60］。有关这个方面的研究还在起步阶段，所以面向动态网络构建营销传播模型还需要大量的研究工作，这样才能更好理解网络的演化是如何影响营销信息传播的。

（2）营销传播中的骨干用户确定。从技术角度来看，这些挑战包括：精确的用户建模和精确的评价方法。

（3）更为精准的营销传播模型。开发出更为精确的传播模型对于社会网络环境下有效开展网络营销活动至关重要。尽管在这个方向上已经有一些研究成果见诸报道，但是迄今为止这仍然是我们知之甚少的一个领域：为什么某些信息传播而有些不传播；对于影响效果的度量仍然是一个困难（这些难题大部分是由于社会网络数据总是局部的）。而且营销传播模型的成功应用也取决于许多难于量化的外部因素。

（4）评估。在许多情况下，很难从原则上给出一个评估标准。与之类似，社会网络分析技术对于营销效果的影响虽然可以从某一方面进行评估（例如从财务方面），但是如果牵扯到太多的人和外部因素，就没有办法从一个实验的结果进行简单概括，这样就不能够制定出一个评估标准参照执行。

5.2　人文社会层面的挑战

在线社会网络中的信息传播从根本上说是一个多学科交叉的研究领域。正如前述，在这个领域里，针对很多问题的解决方法大都是把这些问题抽象为图，病毒性网络营销也不例外。这些工具在应用中必须正视人在其中发挥的重要作用，这些包括：

（1）文化因素。当文化可以被视为一个因素，如何去量化这个因素并将它与算法以及系统的设计相结合是一个挑战。

（2）法律问题。就数据保护而言，不同国家甚至是不同行业间的法律都是不同的。有些国家的法律相对来说严格一些，有些则相对宽松。

（3）社会网络中的结构分析。尽管在很多的应用中链接都是显性定义的，但是在一些问题中，仍然首先需要考虑一条链接的组成以及如何解释这条的链接（例如两个人的Email联络频率和联络类型是否暗含友谊），而且需要考虑到什么样层次的网络或是子网络，什么层次的可以直接忽略。

参考文献：

［1］COLEMAN，　J.，etal.　Medical　Innovations；A　Diffusion　Study［M］.Bobbs　Merrill，　1966.

［2］VALENTE，　T.　Network　Models　of　the　Diffusion　of　Innovations［M］.Hampton　Press，　1955.

［3］周涛等.社会网络分析及其在舆情和疫情防控中的应用［J］.系统工程学报，　2010，　25（6）：742-754.

［4］Fang　Wu，etal.　Information　Flow　in　Social　Groups［J］.　Physica　A，2004，（337）：327-335.

［5］Jianshu　Weng，etal.　TwitterRank；　finding　topic-sensitive　influential　twitterers［C］.　WSDM，　2010.

［6］GOLDENBERG，　J.，etal.　Talk　of　the　network；　A　complex　systems　look　at　the　underlying　process　of　word-of-mouth［J］.　Market.　Lett.　2001，12（3）：211-223.

［7］WORTMAN，　J.　Viral　marketing　and　the　diffusion　of　trends　on　social　networks［R］.　Tech.　rep.　MS-CIS-08-19，　University　of　Pennsylvania，　2008.

［8］EASLEY，　D.　，KLEINBERG，　J.　Networks，　Crowds，　and　Markets；　Reasoning　about　a　Highly　Connected　World［M］.　Cambridge　University　Press，　2010.

［9］FRIEDKIN，　N.　E.　A　Structural　Theory　of　Social　Influence［M］.　Cambridge　University　Press，　1998.

［10］SONG，　X.，etal.　Information　flow　modeling　based　on　diffusion　rate　for　prediction　and　ranking［C］.Proceedings　of　the　16th　International　Conference　on　World　Wide　Web　（WWW’07），　2007.

［11］SAMPER，Ｊ．Ｊ．，etal.RSS　feed　ranking　system　that　implicitly　learns　user　preferences［EB/OL］．［2012-09-07］．http：//arxivorg/abs/03/0610019.

［12］TAHERIAN，　M.，　etal.　Trust　inference　in　web-based　social　networks　using　resistive　networks［C］.Proceedings　of　the　3rd　International　Conference　on　Internet　and　Web　Applications　and　Services　（ICIW’08），　2008.

［13］WATTS，　D.　AND　DODDS，　P.　Influential，　networks，　and　public　opinion　formation［J］.Consum.Res，2007，34（4）：441-458.

［14］WATTS，　D.　Challenging　the　influential　hypothesis［J］.　WOMMA　Measuring　Word　of　Mouth，2007，（3）：201-211..

［15］HILL，S.，etal.　Network-Based　marketing；　Identifying　likely　adopters　via　consumer　networks［J］.Statist.Sci.，2006，21（2）：256-276.

［16］ANAGNOSTOPOULOS，　A.，etal.　Influence　and　correlation　in　social　networks［C］.Proceedings　of　the　14th　ACM　SIGKDD　International　Conference　on　Knowledge　Discovery　and　Data　Mining，　2008.

［17］ARAL，　S.Identifying　social　influence；　A　comment　on　opinion　leadership　and　social　contagion　in　new　product　diffusion［J］.Marketing　Science，2011，30（2）：217-223.

［18］ADAR，　E.，　ADAMIC，　L.　A.　Tracking　information　epidemics　in　blogspace［C］．Proceedings　of　the　IEEE/WIC/ACM　International　Conference　on　Web　Intelligence　（WI’05），　2005.

［19］BACKSTROM，　L.，etal.　Group　formation　in　large　social　networks；　Membership，　growth，　and　evolution［C］．　Proceedings　of　the　12th　ACM　SIGKDD　International　Conference　on　Knowledge　Discovery　and　Data　Mining，　2006.

［20］AGARWAL，　N.，　etal.　Identifying　the　influential　bloggers　in　a　community　［C］．Proceedings　of　the　1st　International　Conference　on　Web　Search　and　Web　Data　Mining，（WSDM’08）；2008.

［2１］LESKOVEC，　J.，etal.　The　dynamics　of　viral　marketing［J］.　ACM　Trans.　Web，　2007，（1）：1.

［2２］LESKOVEC，J.，etal.Graph　evolution；Densification　and　shrinking　diameters［J］.　ACM　Trans.　Knowl.　Discov.　Data，　2007，1（2）：187-202.

［2３］LESKOVEC，　J.，　etal.　Patterns　of　influence　in　a　recommendation　network［C］．Proceedings　of　the　10th　Pacific-Asia　Conference　on　Knowledge　Discovery　and　Data　Mining　（PAKDD’06），２００６.

［2４］CHA，　M.，etal.　A　measurement-driven　analysis　of　information　propagation　in　the　flickr　social　network［C］．Proceedings　of　the　18th　International　Conference　on　World　Wide　Web　（WWW’09），2009.

［2５］ARAL，　S.，etal.　Distinguishing　influence-based　contagion　from　homophily　driven　diffusion　in　dynamic　networks［J］.　Proc.　Nat.　Acad.　Sci.　2009，　106（51）：21544-21549.

［2６］BAKSHY，　E.，　etal.　Social　influence　and　the　diffusion　of　user-created　content［C］．Proceedings　10th　ACM　Conference　on　Electronic　Commerce　（EC’09），2009.

［2７］CRANDALL，etal.　Feedback　effects　between　similarity　and　social　influence　in　online　communities［C］．Proceedings　of　the　14th　ACM　SIGKDD　International　Conference　on　Knowledge　Discovery　and　Data　Mining　（KDD’08），2008.

［２８］LAHIRI，　M.，etal.　The　impact　of　structural　changes　on　predictions　of　diffusion　in　networks［C］.Workshops　Proceedings　of　the　8th　IEEE　International　Conference　on　Data　Mining　（Workshops　of　ICDM’08），2008.

［２９］Bernardo　A.　Huberman，etal.　Social　networks　that　matter；　Twitter　under　the　microscope［Ｊ］.　First　Monday，２００９，14（1）：１-９.

［3０］HARTLINE，　J.　D.，etal.　Optimal　marketing　strategies　over　social　networks　［C］．Proceedings　of　the　17th　International　Conference　on　World　Wide　Web　（WWW’08），　2008.

［3１］P.　Domingos，　M.　Richardson.　Mining　the　network　value　of　customers［C］．SIGKDD，　2001.

［3２］Kempe　D.，etal.　Influential　Nodes　in　a　Diffusion　Model　for　Social　Networks［C］．Proceedings　of　the　32nd　International　Colloquium　on　Automata，　Languages　and　Programming　（　ICALP），　2005：1127-1138.

［3３］LESKOVEC，　J.，　etal.　Cost-Effective　outbreak　detection　in　networks［C］．Proceedings　of　the　13th　ACM　SIG

KDD　International　Conference　on　Knowledge　Discovery　and　Data　Mining　（KDD’07），2007.

［3４］CHEN，　W.，etal.　Efficient　influence　maximization　in　social　networks［C］．Proceedings　of　the　15th　ACM　SIGKDD　International　Conference　on　Knowledge　Discovery　and　Data　Mining　（KDD’09），2009.

［3５］TANG，　J.，etal.　Social　influence　analysis　in　large-scale　networks［C］．Proceedings　of　the　15th　ACMSIGKDD　International　Conference　on　Knowledge　Discovery　and　DataMining，2009.

［3６］EVEN-DAR，etal.　A　note　on　maximizing　the　spread　of　influence　in　social　networks［C］．Proceedings　of　the　3rd　International　Workshop　on　Internet　and　Network　Economics，　2007.

［3７］CLIFFORD，　P.　AND　SUDBURY，　A.　A　model　for　spatial　conflict［J］.　Biometrika，　1973，60（3）：581-588.

［３８］HOLLEY，　R.　AND　LIGGETT，　T.　Ergodic　theorems　for　weakly　interacting　infinite　systems　and　the　voter　model［J］.　Ann.　Probab，1975，（3）：　643-663.

［39］IENCO，　D.，etal.　The　meme　ranking　problem；　Maximizing　microblogging　virality［C］．Proceedings　of　the　SI

ASP　Workshop　at　IEEE　International　Conference　on　Data　Mining　（ICDM’10），2010.

［4０］Gillin　Paul.　Social　networks　transform　marketing［J］.B　to　B，　2008，93（6）：110-115.

［4１］Kahlow，　Aaron.　How　social　networks　can　enhance　e-mail　marketing　［J］.　B　to　B，2008，93（9）：312-316.

［4２］Subramani　Mani，　Balaji　Rajagopalan.　Knowledge-sharing　and　influence　in　online　social　networks　via　viral　marketing［J］.　Communication　of　the　ACM，　2003，46（12）：４５-52.

［4３］WATTS，　D.，　PERETTI，　J.　Viral　marketing　for　the　real　world　［R］.　Harvard　Bus.　Rev，　2007：22-23.

［4４］ARAL，　S.，VAN　ALSTYNE，　M.　W.　Networks，　information　and　brokerage；　The　diversity-bandwidth　tradeoff［Ｒ］.　SSRN　eLibrary，　2010.

［4５］Martin　Ken，　Ivan　Todorov.　How　will　digital　platforms　be　harnessed　in　2010　and　how　will　they　change　the　way　people　interact　with　brands［J］.　Journal　of　interactive　advertising，2010，10（2）：32-40.

［4６］ARTHUR，　W.　B.　Competing　technologies，　increasing　returns，　and　lock-in　by　historical　events［J］.　Econ.　J.，1989，　（99）：394-400.

［4７］GOYAL，　A.，etal.　Discovering　leaders　from　community　actions［C］.Proceedings　of　the　ACM　Conference　on　Information　and　Knowledge　Management（CIKM’08），2008.

［４８］GOYAL，　A.，etal.　Gurumine；　A　pattern　mining　system　for　discovering　leaders　and　tribes［C］.Proceedings　of　the　25th　IEEE　International　Conference　on　Data　Engineering　（ICDE’09），2009.

［４９］SAITO，　K.，etal.Prediction　of　information　diffusion　probabili-ties　for　independent　cascade　model［C］.Proceedings　of　the　12th　International　Conference　on　Knowledge-Based　Intelligent，2008.

［5０］GOYAL，　A.，etal.　Learning　influence　probabilities　in　social　networks［C］.Proceedings　of　the　3rd　ACM　International　Conference　on　Web　Search　and　Data　Mining　（WSDM’10），2010.

［5１］KIM，etal.Impact　of　social　influence　in　e-commerce　decision　making［C］.Proceedings　of　the　9th　International　Conference　on　Electronic　Commerce；　The　Wireless　World　of　Electronic　Commerce，　2007.

［5２］NGUYEN，etal.　software　system　for　buzz-based　recommendations［C］.Proceedings　of　the　14th　ACM　SIGKDD　International　Conference　on　Knowledge　Discovery　and　Data　Mining.　ACM，　New　York，　2008：1093-1096.

［5３］Stephen　Andrew　T，　Olivier　Toubia.　Deriving　value　from　social　commerce　networks［J］.Journal　of　Marketing　Research，　2010，　XLVⅡ：215-228.

［5４］KEMPE，　D.，etal.　Maximizing　the　spread　of　influence　through　a　social　network［C］.Proceedings　of　the　9th　ACM　SIGKDD　International　Conference　on　Knowledge　Discovery　and　Data　Mining，2003.

［5５］ARTHUR，　D.，etal.　Pricing　strategies　for　viral　marketing　on　social　networks［C］.Proceedings　of　the　5th　International　Workshop　on　Internet　and　Network　Economics　（WINE’09），2009，　101-112.

［5６］DAVID，　P.　A.　Technical　Choice，　Innovation　and　Economic　Growth［M］.　Cambridge：Cambridge　University　Press，1975.

［5７］CARNES，　T.，etal.　Maximizing　influence　in　a　competitive　social　network；　A　follower’s　perspective［C］．Proceedings　of　the　9th　International　Conference　on　Electronic　Commerce　（ICEC’07），　2007.

［５８］B.　Jansen，　M.　etal.　Twitter　power；　Tweets　as　electronic　word　of　mouth　［J］.　Journal　of　the　American　Society　for　Information　Science　and　Technology，　2009，0（11）：2169-2188.

［５９］Galuba，W.，　etal.　Wolfgang　Kellerer　Outtweeting　the　Twitterers-Predicting　Information　Cascades　in　Microblogs［C］．3rd　Workshop　on　Online　Social　Networks（WOSN），　2010.

［60］Christophe　V.D.B.Opportunities　and　challenges　in　studying　custom　network［M］.New　York：　Routledge，　2010.

作者简介：朱志国（1977-　），男，博士，东北财经大学管理科学与工程学院副教授，研究方向：Web数据挖掘，社会网络分析，病毒性网络营销。