幂律不是质量分布:注意力预算如何把『可见度』编码成『权威』
【锚点】这一讲只钉一个判断:【在引用/推荐/关注网络里,幂律度分布通常不是【质量】的直接测量,而是【有限注意力预算】与【局部可见度采样】共同制造的路径依赖结果;把高连接数当质量,会把采样优势误读为能力优势。】
【显式】Barabási 与 Albert(Nature, 1999)的 BA 模型给出一个最小机制:新节点加入时连 m 条边,选择已有节点 i 的概率正比于当前度 k_i。取 m=1,度分布渐近为 P(k)∼k{-3};Newman(2004)等对引用/协作网的观察也常落在 2–3 附近。
【隐式】把选择概率写成 p_i ∝ k_iα q_iβ 时,α 是可见度权重,β 是质量权重。当 α>β,网络会优先放大已经被看见的节点。行为经济学里的 salience/anchoring 正是这个不等式:人不是从全体候选中做最优搜索,而是从容易被注意到的样本里做启发式选择。
【细微】可检验点:若把引用数据按发布年份、领域规模、初始曝光分层,再重估度分布,早期节点的优势若明显收缩,说明原幂律里有年龄/曝光偏差。【待验证点】在 m=1、N=104 的模拟中,让前 1% 节点初始曝光 +10%,比较最终 top1% 度占比;若占比显著高于质量均匀模型,说明可见度噪声可以制造头部集中。
【极难发现】更隐蔽的是【测量闭环】:我们用度定义权威,再用权威生成度。信息论上,观测到的度是质量 q 与曝光噪声 u 的混合信号;若把 k_obs 当作 q 的先验,等于把信道噪声重新编码进先验,I(k_obs;q) 会被 u 压低,而系统却把它当作 I(q;q)。
【流程节点链路】有限注意力预算(起点)→ 局部可见度采样(中间节点)→ 度增长正反馈(中间节点)→ 幂律度分布与质量信号稀释(终点)
最后留一个可辩论问题:如果把“被引用多”换成“被引用早”,你会如何设计一个去偏的引用网络统计量,使它在 α>β 时仍能识别真实质量?







0 Comments