最大化社交网络中的用户参与度：网络参与和资源共享的博弈论方法

我们提出了一个博弈论框架，用于建模和优化社交网络上合作活动中的用户参与度。传统扩散模型认为个体仅受其邻居影响，但经验证据表明，仅靠扩散无法完全解释网络演化，非扩散因素在网络增长中发挥着重要作用。我们将网络参与和资源共享建模为涉及有限理性玩家的策略博弈，以弥合分析模型与经验证据之间的差距。具体而言，我们采用对数线性学习（LLL），一种带噪声的最优响应，来捕捉玩家的决策策略。通过引入诸如 LLL 的随机决策模型，我们的框架将扩散与非扩散动力学整合到网络演化动力学中。通过均衡分析和模拟，我们证明了我们的模型与现有分析框架的理论预测以及各种初始网络配置下的经验观察相一致。我们的第二个贡献是一种用于选择锚节点以增强用户参与度的新方法。与现有方法相比，该方法允许系统设计者在更现实的信息需求约束下实时识别锚节点并计算其激励。所提出的方法通过将资源从影响较小的节点重新分配给影响较大的节点来适应不断变化的网络条件。此外，该方法对锚节点故障具有弹性，可确保网络参与的持续性和连续性。