在线社交系统中发现者的识别与建模

个体的动力学对于理解社会系统的演化至关重要。大多数现有模型假设，从社交网络到电子商务等不同系统中的个体都倾向于已经流行的事物。我们开发了一个解析的感知时间框架，该框架表明，当个体在在线社交系统中做出选择（例如购买哪件商品）时，有一小部分个体在流行事物真正变得流行之前很久就能持续成功地发现它们。我们认为，这些我们称之为发现者的用户，与先前已知的意见领袖、影响者和创新者存在根本差异。我们使用所提出的框架证明发现者广泛存在于各类系统中。一旦被识别，它们可用于预测事物的未来成功。我们提出了一个网络模型，该模型再现了在真实数据中观察到的发现模式。此外，该模型生成的数据对经典排序算法提出了根本性挑战，这些算法忽略了链接创建的时间，从而无法在数据中区分发现者和普通用户。我们的结果为社会系统中精细时间模式的定性和定量研究打开了大门，并对网络建模和算法设计具有深远意义。