互联网上的集体注意力流研究

When information overloads, attention becomes an important and scarce resource. How collective attention allocates and shifts among information resources can be unraveled by the digital footprints of browsing and visiting behaviors of users. Collective attention does not only shape the digital ecosystem of the World Wide Web, but also reflects the succession and evolution of collective interests and demands of crowds. As a result, it becomes the first impulse of the WWW. This project will study how collective attention allocates, flows, and evolves on cyberspace based on attention flow network method and big data of human behaviors. We focus on three main topics: the patterns and evolution of WWW ecosystem, the predictions of online communities on future developments based on attention flow networks, and an individual model based on social recommendations. This project can not only help us to understand how collective attention and information resources interact, and the impact of social recommendations on information organization, but also can improve our ability to predict the success of an online community, the centrality and the popularity of a web-site, and help us to better manage and optimize the organization of information resources.

在如今这个信息过载的时代，注意力已成为一种首要的稀缺资源。互联网上，大量用户的访问、浏览行为数据忠实地记录了人类集体注意力的分配与转移。集体注意力流不仅塑造着互联网数字生态系统，更体现了人类群体的兴趣与需求的演变，因此成为了互联网世界的第一推动力。本项目拟采用注意力流网络的方法，基于人类行为大数据，研究人类集体注意力在信息空间中的分配、流动、演化的规律及其个体行为起源，并主要关注三个问题：互联网生态系统的形态与演化；运用注意力流网络预测互联网社区的发展；基于社会化推荐的个体模型。本项目研究可以帮助我们认识注意力与信息资源的互动的规律，理解人类行为模式、社会化推荐的影响，更可能指导我们进行网络社区发展预测、网站评估、流行度预测、信息资源的组织与优化，从而为互联网的健康有序发展提供理论基础。

随着大数据在互联网上的积累，人类的注意力变成为一种稀缺资源，因此理解人类注意力如何分布、聚集、移动等特性，以及如何从大规模网络化的数据中挖掘出有用信息和规律成为了关键性的问题。在本研究中，我们利用流网络和基于图的机器学习方法，开发了对大规模网络的表示、重构、分类的算法以及统计分析的手段，并针对人类线上和线下的大规模群体行为展开研究。本项目不仅提出了注意力流网络的表示学习算法，以及网络的重构、分类等算法，而且还发现了适用于线上和线下的大规模人类群体行为的普适统计模式：规模标度律。我们将开发的模型和算法应用于互联网上的集体注意力，分析万维网大尺度的注意力流分布情况，并研究了其动态演化情况，我们还将其应用于在线学习平台，并对课程进行评价。开发的基于图的表示、分类等机器学习方法还被广泛应用于城市、生物、国际贸易等多种不同的领域。