基于在線社會網絡的病毒性營銷傳播機理研究

摘要：在線社會網絡中的信息傳播研究，已經吸引了來自情報科學、管理科學等多個學科領域的廣泛關注，這其中病毒性營銷又是研究熱點之一。文章以此為視角，從社會網絡中的信息傳播、病毒性網絡營銷信息擴散機理等方面梳理與評述了這個領域內的前沿進展，并從技術與人文兩個層面展望了病毒性營銷未來的研究趨勢與挑戰。

關鍵字：情報科學病毒性營銷社會網絡分析信息傳播

中圖分類號：F713.3 文獻標識碼：Ａ 文章編號：1003-69３８（２０12）０6－0101-07

1引言

信息的擴散與傳播是人類社會的基本特征之一。進入21世紀以來，構建基于博客、微博、論壇等社會化媒體的在線社會網絡，讓數以百萬計的人有機會在一個幾年前根本無法想像的平臺上創建并分享內容，包括觀點發布、新聞轉發和產品評論等形式，將對于人類的信息交流和傳播產生深刻的影響。考慮到內容如此廣泛的生產和消費，如何能夠讓一些信息脫穎而出，在社會化媒體中傳播得更加深遠而廣泛；另一方面，如何阻止或限制一些不良信息在社會網絡中進行傳播、擴散，已經成為了熱點研究領域，吸引了全球來自計算機工程、系統工程、物理學、管理科學等多個學術領域學者的廣泛關注。

對于社會網絡中信息傳播和影響擴散的研究其實已經有很長的歷史。最初的研究是關注影響傳播在醫學和農業方面的創新應用［1-2］。隨后是聚焦于無標度網絡及它們中的成員因特定主題形成的親和力對信息傳播產生的影響［3］。也有研究［4］將社會網絡的結構與演化特性應用于疫情、輿情的防控評估與傳播這一研究前沿做了較為全面的綜述。

在商業應用方面，最為典型的是如何利用消費者的在線社會網絡進行營銷信息的擴散與傳播，例如研究在線社會網絡中病毒性營銷的口碑擴散過程［5-6］。實際上病毒性營銷的基本思想就是從社會網絡中找到最具影響力的用戶（用戶群），以便激活一條“口口相傳”所驅動的影響傳播鏈條，這樣就可以以較小的營銷成本覆蓋到較大范圍的受眾人群［7-8］。近些年來，基于在線社會網絡的病毒性營銷研究工作已經成為營銷科學領域中的一個新熱點。雖然這項研究工作尚處于起步階段，但是在國內外已經涌現出不少高水平的研究成果，值得深入研究與分析。

本文將以病毒性網絡營銷為研究對象，梳理與歸納國內外社會網絡中信息傳播的重要研究成果，進而深入分析病毒性營銷傳播的最新方法與技術。這樣可以將社會網絡理論與營銷科學研究結合起來，找出現有研究中的不足，為今后的研究提供參考借鑒。

2社會網絡中的影響擴散與信息傳播

社會化網絡中有關影響（Influence）擴散的內涵非常簡單明了：當用戶看到社會網絡中的好友做某件事，那么他們也會受到影響跟著這么做（例如人們購買了一件東西，他們的朋友也很可能會去買）。這種影響力可能來自幾個方面：（1）這件事本身很有吸引力；（2）網絡內的社會化聯絡［9］。這種來自社會網絡內部的影響擴散可以應用于許多領域，最為典型的就是病毒性網絡營銷，還包括電子商務過程中的個性化推薦［10］和社會化網絡中的Feed排序（FeedRanking）等［11］。此外，影響模式可以視為用戶間的信任度，進一步用于計算大型網絡和P2P系統中的信任傳播問題［12］。

盡管前述的很多應用都是假設影響和信息傳播是作為一個真實現象存在的，但是能否在真實的社會網絡數據中找到相關的證據是一個值得研究的問題。Watts等［13-14］正是對“有影響力用戶”這個概念提出挑戰，但是他們同時也認為如果確實能找到一個足夠大的種子集合（有影響力用戶群體），那么病毒性營銷戰略仍然是非常有效的。Hill等［15］采用了一個樣本匹配方法試圖解決相似性度量與社會化信息擴散問題。其研究成果顯示社會網絡可以被用來查找一個有效的群體集合，并且能夠容易地找到這個群體集合的鄰居。這樣如果缺乏社會化網絡數據或是某個產品/服務采納的相關數據的情況下，不需要社會網絡影響分析也可以創建一種導向式的病毒化營銷傳播方法。

Anagnostopoulos等［16］開發出一種技術顯示社會網絡中的影響或許不是真實存在的，然而在標注行為中卻存在一種實質性的社會化關聯關系，但這并不屬于影響傳播。Aral等［17］將營銷傳播過程中的刺激因素：影響力和跟風效應（EffectofHomophily）進行了區分，并且他們觀察到如果沒有進行合理測度的話，前者或許會被高估。此外，不同的因素對于小段信息的傳播影響力取決于正在傳播的這段信息是什么類型（例如，一條新聞或是某個討論話題）。

另一方面，許多學者通過對于在線社會網絡數據進行分析、挖掘來獲取一些病毒營銷領域內的影響模式。

其中的一個領域主要是對博客以及微博進行了大量的分析研究。ADAR等［18］根據在線社會網絡中典型的發帖行為，在一個話題的生命周期內將用戶劃分為四種類型。接下來他們基于傳染病傳播理論開發了一個新話題在博客之間轉載的信息傳播模型。同時他們還利用實際博客數據集對模型算法中的一些參數進行了實驗驗證，結果表明這個模型能夠比較有效地識別出在熱點話題傳播過程中那些高效積極的用戶（用戶群）。Backstrom等［19］研究發現博主更傾向于加入一些他的朋友們所加入的組織，特別是如果這些朋友和自己屬于一個小圈子。類似的研究還有Song等［10］，他們的研究表明博客更傾向轉載那些其他博客已經轉載的內容。Agarwal等［20］對于如何識別出具有傳播影響力的博主進行了深入研究。在另一方面，Weng等［5］提出了一個話題敏感度型PageRank方法（Topic-sensitivePageRankMeasure）來衡量Twitter中的影響力。這個方法是基于他們在收集到的數據集中所觀察到的粉絲關系中出現的高度互惠，他們將此歸因于跟風效應。

在另外一個領域中，Leskovec等［21-23］發現在社會網絡中用戶間關于書籍和電影的推薦過程中，影響傳播是非常成功的。Cha等［24］分析了一些圖片是如何通過Flickr社交網絡流行傳播開來的，并且闡述信息傳播過程中社會化鏈接所發揮的作用。他們的研究表明大約超過50%的最受歡迎圖片是通過社會化鏈接來傳播的，這就實證了社會化鏈接是信息傳播過程中的決定性途徑。此外，與一般認為的口碑傳播將會快速廣泛傳播不同，他們研究發現在線社會網絡中信息傳播僅限于那些與信息上傳者近鄰的用戶，并且在每一個用戶節點處將花費較長的時間。在另外一篇文獻［15］中也支持這一假設：網絡中的鏈接能夠直接影響用戶對于產品/服務的采納決策。他們對一項通訊服務的采納進行了實證分析，根據客戶社會網絡中的好友對某個新推出的營銷方案所做出的決策，就可以以較高信度預測該客戶是否也簽約該項方案。

Aral等［25］對于一個產品營銷推廣中加入“病毒”特征后的效果進行了測度研究。他們總結病毒性產品營銷的特征基本上有兩種類型：（1）主動推送。這種方式包括通過便利方式可以主動邀請你的好友來使用某個產品。（2）自動廣播。這種方式意味著無論你什么時候采用一個商品，都將自動提交一條更新或是發送一封Email，這樣你的好友就會獲知。Aral等［17］還列舉出關于產品營銷推廣中采用病毒性特征的一些開放式研究問題。

Bakshy等［26］在社會網絡，這個隨時間動態演變、巨大、多人交互的虛擬世界背景下，實證研究了用戶與用戶之間的信息傳遞。基于好友行為所引發的采納率變化，他們對社會化影響傳播進行識別和建模，并且得出結論社會網絡在內容采納方面扮演著非常重要的角色。通過研究他們還發現了好友間的分享過程比起陌生人間的要更快一些。此外，一些用戶在信息傳播過程中發揮了更為積極的作用，但是這些用戶與早期的采納者有所區別。

Crandall等［27］基于維基百科的社會網絡和LiveJournal編輯，分析了社會化影響與用戶相似性之間的相互作用。他們認為在用戶相似性與社會化影響之間確實存在一種反饋效應，并且社會化影響與用戶自身興趣以相對獨立的方式對未來的行為產生影響。

最后，Lahiri等［28］發現有影響力的用戶和影響傳播過程本身都非常容易受到網絡結構變化的影響。Bernardo等［29］對Twitter上的社交互動進行了研究，結果顯示使用度的推動過程實際上是一個隱藏在朋友和粉絲之下的離散網絡，這個過程中的大部分鏈接都是無意義的互動。

3社會網絡中傳播最大化模型與方法

考慮到在一個社會化網絡中，我們已經準確估計到了用戶之間的互惠影響。現在假設在市場中發布一個新產品，為了更好地宣傳推廣這個產品，我們需要定位一個最初的用戶群。營銷傳播最大化中的實質問題就是篩選出初始用戶群，以便最終影響在線社會網絡中最廣泛的用戶群體［30］。

最先從數據挖掘視角，研究影響傳播和有影響力用戶識別問題的是Domingos等［31］。在上述這篇文獻中采用馬爾可夫隨機場（Markovrandomfields）來進行建模，并且給出一些啟發式規則來選擇要定位的客戶群。馬爾可夫隨機場是一個無向圖模型，基于一組隨機變量來表示連接的分布。在網絡的最后狀態收斂為一組龐大的相互依賴的隨機變量集合，借助馬爾可夫隨機場來進行建模，從而研究社會網絡中影響傳播問題。

Kempe等［32］采用離散最優化方法來解決這個問題。提出數學科學領域中的兩個模型：線性閾值模型和獨立級聯模型，他們得到了一些近似值算法。Kempe等還進一步闡述對于前述的這兩個傳播模型，影響最大化問題實際上一個NP難題。他們還提出當已經存在多個節點對某個節點進行信息傳播時，節點被激活的概率在降低，即系統具有了某種“飽和度”。

Leskovec等［33］從一個不同的視角—檢測爆發（OutbreakDetection）來研究信息傳播問題，即如何在網絡中選擇一些節點來盡快檢測到一個病毒的傳播？他們給出了一個通用的方法。雖然這個方法比基本的貪婪算法在運算速度方面提高了近700倍，但是在算法擴展性方面依然面臨一些問題。Chen等［34］對于貪婪算法的效率進行了改進，并且提出了一些新的啟發式規則，這樣產生的影響傳播效果接近于貪婪算法，并且更加高效。Tang等［35］采用一個圖形概率模型，建立了一個基于主題相互吸引的社會影響傳播分析方法，并且設計出一個分布式學習算法來解決效率的問題。

Even-Dar等［36］基于所謂的選舉模型來研究影響最大化的問題。選舉模型是Clifford和Holley最早提出來的社會化網絡中觀點擴散的一個基本概率模型［37-38］。在選舉模型中，社會化網絡被抽象為一個自環無向圖，在每個設定的時間步長，每一個用戶節點隨機地選擇一個鄰居并采納他的觀點。選舉模型和閾值模型的相同點在于：一個人很可能會采納他的大多數鄰居所持有的觀點，不同點在于選舉模型可以允許用戶改變觀點。這就使得選舉模型更適合于那些傳播過程受人厭惡的一些場合（例如研究傳染病的傳播過程），并且這個模型還能夠保證收斂于一個一致狀態（或者每個人選擇了新的行動方案A，或者是每個人選擇了現有的行動方案B）。Even-Dar等［36］指出當網絡中對于每個人的營銷成本是相同的時候，很明顯對于集合中度數最高的用戶開展營銷活動是最優方案；當不是這種情況下，他們也給出了一個多項式時間近似的解決方法。

選舉模型的另外一個優勢就是它能夠很好地應用于一個完全競爭環境中的病毒性網絡營銷，這是下一節詳述的內容。

Ienco等［39］介紹了meme排序問題。這里meme指的是在在線社會網絡中通過相互模仿而流行的短信息或是微媒體，如思想、點子、行為、時尚、視頻或音頻片段等。這個問題實際上就是用戶登錄系統后，計算出哪k個meme排序靠前，然后展示給他們。最終的目標就是最大化網絡的整體活躍度。這個問題在某種意義上來說其實是影響最大化問題的相反一面。后者，對于給定的一條信息，問題是如何識別出k個用戶來啟動傳遞使得傳播的效果最大化。而在meme排序問題中，指定一個用戶，我們想做的是如何為他挑選出k個meme，這樣將盡可能提升整個系統的活力。

4在線社會網絡中的病毒性營銷傳播

隨著互聯網技術的不斷發展，社會網絡類型也呈現多樣化發展趨勢，隨著網上參與群體的增多，這種網絡環境下形成的社會群體效應帶來的價值越來越大。基于互聯網的社會網絡正在深刻改變著傳統營銷模式。首先，它為客戶關系管理提高了效率［40］，由傳統的單向溝通變成了互動溝通，而這為營銷者們帶來的直接利益就是大幅降低了營銷成本。第二，借助這些在線社會網絡中的顧客群體，企業開展網絡營銷將變得更加便利［41］。正是通過社會網絡內信息的擴散傳播，為企業在不同市場環境中開展病毒性營銷提供了渠道與策略［42］。病毒性營銷已經成為營銷科學領域內的研究熱點之一，正如Watts和Peretti［43］所陳述的：“它看起來就像是最后的免費午餐。”。

目前營銷信息在社會網絡中的傳播研究主要集中于基于圖論的一些方法。這些方法的基本思想就是將傳播過程假設為一個圖，圖中的節點代表用戶，邊上標出的值代表用戶行動受鄰居行為影響的概率值，然后再對一個目標函數進行優化。然而，外部環境中的其它一些因素也將會影響一個戰略的實施效果［44］。

在線社會網絡作為一個開放式的平臺，為消費者和企業提供了很多便利性，營銷者們試圖通過社會網絡，提升消費者的參與價值，將品牌信息整合到消費者的日常生活當中，根據消費者的自身價值（社會地位，日常活動，社交網絡等）進行精準營銷［45］。

Hartline等［30］提出了一個非常簡單，稱之為“influence-and-exploit”的營銷策略。他們認為在實踐領域中，收益最大化比起影響最大化是更為現實的一個目標，因此他們建議對用戶提供產品（服務）的先后次序加以考慮，包括價格的高低。比如先讓有影響力的用戶來買，盡管開始的時候給他的價格可能是比較低的。在他們的方法中，為一個選定的有影響力用戶集合免費發放某一產品，然后再隨機為剩下的用戶按照隨機的次序提供這個產品。目標是制定出最優價格，從每個用戶那里賺取到最多的利潤。

與此類似，Arthur等［46］提出了一個假設通過網絡進行促銷級聯傳播的模型。在這個模型中賣家可以利用產品價格和推薦獎勵來傳播營銷信息。基本思想是朋友之間的推薦（他們有一定的激勵措施）效果要遠好于通過廣告的直接營銷。這個級聯模型實際上是線性閾值和獨立級聯模型的一個擴展。

為了設計出實踐中更加有效的病毒營銷方案，應該充分利用記錄在行動日志中的相關信息來發現營銷傳播的真正機理。Goyal等［47-48］對日志進行挖掘找到一些頻繁影響模式，從而識別在一個在線社會網絡中的領導者們和他們的粉絲。Saito等［49］正式地給出了相似性最大化問題（LikelihoodMaximizationProblem），并提出了一個EM算法來解決這個問題。但是在每一迭代的過程中，與每條邊相關的影響概率值也將被更新，因此這個方法是不可擴展的。Goyal等［50］提出了多種影響概率模型，并且指出這些模型都滿足子模性，除了一個以外其余也都是遞增的，這對于效率計算是一個非常好的特性。他們還介紹了在這些模型中的時間維度，表明現有的時間獨立模型能夠以較小的誤差來預測一個用戶在什么時間執行一項行動。

Kim等［51］研究了社會網絡中的信息傳播如何被電子商務網站所利用，來輔助用戶的購買決策。同時他們也對社會網絡相關技術進行了歸納，并深入分析了利用在線社會網絡對于電子商務購買決策影響這一研究課題中的一些挑戰。

基于Buzz推薦系統通過分析電子商務平臺中的查詢日志記錄，來監測查詢趨勢中的一些熱點。這些熱點與新聞、供應商信息等外部實體相鏈接，以此發現當前的主流需求。Nguyen［52］以eBay電子商務平臺為實例設計了一個簡單的基于Buzz的推薦系統。這個系統的目標是基于一條buzz查詢顯示的一些推薦項目，力圖增加用戶的興趣、改善網站的整體活力和黏度。Stephen等［53］在有關社會化商務的研究中發現銷售者是否會獲利并不取決于其在網絡中的中心度，而是與其在網絡中的位置是否會提高消費者的可獲得性有關。他們的研究還表明，這種社會商業模式確實會為企業帶來經濟效益，而且該網絡結構的最大價值在于提高了消費者的瀏覽效率。如果要在該網絡環境下開展有效營銷不僅要豐富網絡鏈接而且要注意減少瀏覽死角。

Kempe等［54］假設在市場上僅僅只有一個廠商推出一種產品，建立了病毒性營銷模型。但是在現實市場環境里，往往存在多個相互競爭的廠商，分別推出多個具有可比性的產品。例如，在市場上就有佳能與尼康公司生產的數碼相機。在這些相互競爭的產品中平均每個消費者幾乎不可能選用2種以上。因此就互斥與競爭性產品而言，研究營銷傳播最大化的問題就更富有意義。在過去的研究工作中，兩種產品間的競爭問題大多是基于經濟模型視角，并且多集中于市場均衡理論。例如在一些文獻［55-56］中采用一些獨立于網絡的屬性來對一個市場中的兩種技術傳播進行建模研究。

Carnes等［57］從追隨者的視角研究了存在競爭性的在線社會網絡中營銷傳播最大化算法問題。基本思路是：當一家廠商作為追隨者推出一個新產品，而此時在市場中已經有一個與之相互競爭的產品，追隨者直到推出自己產品的那一刻開始才讓自己的競爭對手有所察覺。他們假設這個廠商有固定的預算來選定目標消費者，并且清楚知道競爭對手先期已經獲得了什么樣的客戶群，在此基礎上他們提出了兩個可供選擇的模型：基于距離模型（Distance-basedModel）和波浪傳播模型（WavePropagationModel）。如果網絡中沒有競爭性的話，這兩個模型可以簡化為獨立級聯模型。他們還指出對于這兩個模型進行影響最大化決策分析是一個NP難題，但是相關的影響函數是非負、單調和子模的。這樣他們得出結論，盡管一家廠商的競爭對手有更為豐厚的營銷預算，但也還是能夠獲得較大的市場份額。Jansen等［58］則審視了Twitter作為口頭廣告的機制。他們研究了一些特定的品牌和產品，并檢查了消息發布的結構以及用戶情感的變化。Galuba等［59］提出了一個病毒營銷傳播模式，根據過往用戶的歷史信息預測他們可能將推送哪些營銷鏈接。

5研究趨勢與挑戰

網絡信息化是未來的發展趨勢，互聯網技術也正在由Web2.0逐漸向Web3.0時代轉變，伴隨著科技的日新月異，人們可以更加便利地利用網絡自由溝通交流。可以預計，網絡環境下的客戶組成的社會網絡也將會越來越深刻地影響營銷科學領域。本文從營銷科學視角，對社會網絡中信息傳播與影響擴散研究中的一些模型、方法、技術進行了評述。但是在線社會網絡與營銷科學的交叉與滲透剛剛起步，仍然存在許多挑戰。這些挑戰一方面來自技術層面，一方面來自人文社會層面。

5.1技術層面的挑戰

（1）網絡動態性。早期關于社會網絡中信息傳播的研究工作主要是基于靜態網絡分析。但是網絡在不斷演化中，從營銷科學的視角來說，企業的營銷工作如何能夠快速響應網絡的動態變化是非常關鍵的［60］。有關這個方面的研究還在起步階段，所以面向動態網絡構建營銷傳播模型還需要大量的研究工作，這樣才能更好理解網絡的演化是如何影響營銷信息傳播的。

（2）營銷傳播中的骨干用戶確定。從技術角度來看，這些挑戰包括：精確的用戶建模和精確的評價方法。

（3）更為精準的營銷傳播模型。開發出更為精確的傳播模型對于社會網絡環境下有效開展網絡營銷活動至關重要。盡管在這個方向上已經有一些研究成果見諸報道，但是迄今為止這仍然是我們知之甚少的一個領域：為什么某些信息傳播而有些不傳播；對于影響效果的度量仍然是一個困難（這些難題大部分是由于社會網絡數據總是局部的）。而且營銷傳播模型的成功應用也取決于許多難于量化的外部因素。

（4）評估。在許多情況下，很難從原則上給出一個評估標準。與之類似，社會網絡分析技術對于營銷效果的影響雖然可以從某一方面進行評估（例如從財務方面），但是如果牽扯到太多的人和外部因素，就沒有辦法從一個實驗的結果進行簡單概括，這樣就不能夠制定出一個評估標準參照執行。

5.2人文社會層面的挑戰

在線社會網絡中的信息傳播從根本上說是一個多學科交叉的研究領域。正如前述，在這個領域里，針對很多問題的解決方法大都是把這些問題抽象為圖，病毒性網絡營銷也不例外。這些工具在應用中必須正視人在其中發揮的重要作用，這些包括：

（1）文化因素。當文化可以被視為一個因素，如何去量化這個因素并將它與算法以及系統的設計相結合是一個挑戰。

（2）法律問題。就數據保護而言，不同國家甚至是不同行業間的法律都是不同的。有些國家的法律相對來說嚴格一些，有些則相對寬松。

（3）社會網絡中的結構分析。盡管在很多的應用中鏈接都是顯性定義的，但是在一些問題中，仍然首先需要考慮一條鏈接的組成以及如何解釋這條的鏈接（例如兩個人的Email聯絡頻率和聯絡類型是否暗含友誼），而且需要考慮到什么樣層次的網絡或是子網絡，什么層次的可以直接忽略。

參考文獻：

［1］COLEMAN，J.，etal.MedicalInnovations；ADiffusionStudy［M］.BobbsMerrill，1966.

［2］VALENTE，T.NetworkModelsoftheDiffusionofInnovations［M］.HamptonPress，1955.

［3］周濤等.社會網絡分析及其在輿情和疫情防控中的應用［J］.系統工程學報，2010，25（6）：742-754.

［4］FangWu，etal.InformationFlowinSocialGroups［J］.PhysicaA，2004，（337）：327-335.

［5］JianshuWeng，etal.TwitterRank；findingtopic-sensitiveinfluentialtwitterers［C］.WSDM，2010.

［6］GOLDENBERG，J.，etal.Talkofthenetwork；Acomplexsystemslookattheunderlyingprocessofword-of-mouth［J］.Market.Lett.2001，12（3）：211-223.

［7］WORTMAN，J.Viralmarketingandthediffusionoftrendsonsocialnetworks［R］.Tech.rep.MS-CIS-08-19，UniversityofPennsylvania，2008.

［8］EASLEY，D.，KLEINBERG，J.Networks，Crowds，andMarkets；ReasoningaboutaHighlyConnectedWorld［M］.CambridgeUniversityPress，2010.

［9］FRIEDKIN，N.E.AStructuralTheoryofSocialInfluence［M］.CambridgeUniversityPress，1998.

［10］SONG，X.，etal.Informationflowmodelingbasedondiffusionrateforpredictionandranking［C］.Proceedingsofthe16thInternationalConferenceonWorldWideWeb（WWW07），2007.

［11］SAMPER，Ｊ．Ｊ．，etal.RSSfeedrankingsystemthatimplicitlylearnsuserpreferences［EB/OL］．［2012-09-07］．http：//arxivorg/abs/03/0610019.

［12］TAHERIAN，M.，etal.Trustinferenceinweb-basedsocialnetworksusingresistivenetworks［C］.Proceedingsofthe3rdInternationalConferenceonInternetandWebApplicationsandServices（ICIW08），2008.

［13］WATTS，D.ANDDODDS，P.Influential，networks，andpublicopinionformation［J］.Consum.Res，2007，34（4）：441-458.

［14］WATTS，D.Challengingtheinfluentialhypothesis［J］.WOMMAMeasuringWordofMouth，2007，（3）：201-211..

［15］HILL，S.，etal.Network-Basedmarketing；Identifyinglikelyadoptersviaconsumernetworks［J］.Statist.Sci.，2006，21（2）：256-276.

［16］ANAGNOSTOPOULOS，A.，etal.Influenceandcorrelationinsocialnetworks［C］.Proceedingsofthe14thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining，2008.

［17］ARAL，S.Identifyingsocialinfluence；Acommentonopinionleadershipandsocialcontagioninnewproductdiffusion［J］.MarketingScience，2011，30（2）：217-223.

［18］ADAR，E.，ADAMIC，L.A.Trackinginformationepidemicsinblogspace［C］．ProceedingsoftheIEEE/WIC/ACMInternationalConferenceonWebIntelligence（WI05），2005.

［19］BACKSTROM，L.，etal.Groupformationinlargesocialnetworks；Membership，growth，andevolution［C］．Proceedingsofthe12thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining，2006.

［20］AGARWAL，N.，etal.Identifyingtheinfluentialbloggersinacommunity［C］．Proceedingsofthe1stInternationalConferenceonWebSearchandWebDataMining，（WSDM08）；2008.

［2１］LESKOVEC，J.，etal.Thedynamicsofviralmarketing［J］.ACMTrans.Web，2007，（1）：1.

［2２］LESKOVEC，J.，etal.Graphevolution；Densificationandshrinkingdiameters［J］.ACMTrans.Knowl.Discov.Data，2007，1（2）：187-202.

［2３］LESKOVEC，J.，etal.Patternsofinfluenceinarecommendationnetwork［C］．Proceedingsofthe10thPacific-AsiaConferenceonKnowledgeDiscoveryandDataMining（PAKDD06），２００６.

［2４］CHA，M.，etal.Ameasurement-drivenanalysisofinformationpropagationintheflickrsocialnetwork［C］．Proceedingsofthe18thInternationalConferenceonWorldWideWeb（WWW09），2009.

［2５］ARAL，S.，etal.Distinguishinginfluence-basedcontagionfromhomophilydrivendiffusionindynamicnetworks［J］.Proc.Nat.Acad.Sci.2009，106（51）：21544-21549.

［2６］BAKSHY，E.，etal.Socialinfluenceandthediffusionofuser-createdcontent［C］．Proceedings10thACMConferenceonElectronicCommerce（EC09），2009.

［2７］CRANDALL，etal.Feedbackeffectsbetweensimilarityandsocialinfluenceinonlinecommunities［C］．Proceedingsofthe14thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining（KDD08），2008.

［２８］LAHIRI，M.，etal.Theimpactofstructuralchangesonpredictionsofdiffusioninnetworks［C］.WorkshopsProceedingsofthe8thIEEEInternationalConferenceonDataMining（WorkshopsofICDM08），2008.

［２９］BernardoA.Huberman，etal.Socialnetworksthatmatter；Twitterunderthemicroscope［Ｊ］.FirstMonday，２００９，14（1）：１-９.

［3０］HARTLINE，J.D.，etal.Optimalmarketingstrategiesoversocialnetworks［C］．Proceedingsofthe17thInternationalConferenceonWorldWideWeb（WWW08），2008.

［3１］P.Domingos，M.Richardson.Miningthenetworkvalueofcustomers［C］．SIGKDD，2001.

［3２］KempeD.，etal.InfluentialNodesinaDiffusionModelforSocialNetworks［C］．Proceedingsofthe32ndInternationalColloquiumonAutomata，LanguagesandProgramming（ICALP），2005：1127-1138.

［3３］LESKOVEC，J.，etal.Cost-Effectiveoutbreakdetectioninnetworks［C］．Proceedingsofthe13thACMSIG

KDDInternationalConferenceonKnowledgeDiscoveryandDataMining（KDD07），2007.

［3４］CHEN，W.，etal.Efficientinfluencemaximizationinsocialnetworks［C］．Proceedingsofthe15thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining（KDD09），2009.

［3５］TANG，J.，etal.Socialinfluenceanalysisinlarge-scalenetworks［C］．Proceedingsofthe15thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining，2009.

［3６］EVEN-DAR，etal.Anoteonmaximizingthespreadofinfluenceinsocialnetworks［C］．Proceedingsofthe3rdInternationalWorkshoponInternetandNetworkEconomics，2007.

［3７］CLIFFORD，P.ANDSUDBURY，A.Amodelforspatialconflict［J］.Biometrika，1973，60（3）：581-588.

［３８］HOLLEY，R.ANDLIGGETT，T.Ergodictheoremsforweaklyinteractinginfinitesystemsandthevotermodel［J］.Ann.Probab，1975，（3）：643-663.

［39］IENCO，D.，etal.Thememerankingproblem；Maximizingmicrobloggingvirality［C］．ProceedingsoftheSI

ASPWorkshopatIEEEInternationalConferenceonDataMining（ICDM10），2010.

［4０］GillinPaul.Socialnetworkstransformmarketing［J］.BtoB，2008，93（6）：110-115.

［4１］Kahlow，Aaron.Howsocialnetworkscanenhancee-mailmarketing［J］.BtoB，2008，93（9）：312-316.

［4２］SubramaniMani，BalajiRajagopalan.Knowledge-sharingandinfluenceinonlinesocialnetworksviaviralmarketing［J］.CommunicationoftheACM，2003，46（12）：４５-52.

［4３］WATTS，D.，PERETTI，J.Viralmarketingfortherealworld［R］.HarvardBus.Rev，2007：22-23.

［4４］ARAL，S.，VANALSTYNE，M.W.Networks，informationandbrokerage；Thediversity-bandwidthtradeoff［Ｒ］.SSRNeLibrary，2010.

［4５］MartinKen，IvanTodorov.Howwilldigitalplatformsbeharnessedin2010andhowwilltheychangethewaypeopleinteractwithbrands［J］.Journalofinteractiveadvertising，2010，10（2）：32-40.

［4６］ARTHUR，W.B.Competingtechnologies，increasingreturns，andlock-inbyhistoricalevents［J］.Econ.J.，1989，（99）：394-400.

［4７］GOYAL，A.，etal.Discoveringleadersfromcommunityactions［C］.ProceedingsoftheACMConferenceonInformationandKnowledgeManagement（CIKM08），2008.

［４８］GOYAL，A.，etal.Gurumine；Apatternminingsystemfordiscoveringleadersandtribes［C］.Proceedingsofthe25thIEEEInternationalConferenceonDataEngineering（ICDE09），2009.

［４９］SAITO，K.，etal.Predictionofinformationdiffusionprobabili-tiesforindependentcascademodel［C］.Proceedingsofthe12thInternationalConferenceonKnowledge-BasedIntelligent，2008.

［5０］GOYAL，A.，etal.Learninginfluenceprobabilitiesinsocialnetworks［C］.Proceedingsofthe3rdACMInternationalConferenceonWebSearchandDataMining（WSDM10），2010.

［5１］KIM，etal.Impactofsocialinfluenceine-commercedecisionmaking［C］.Proceedingsofthe9thInternationalConferenceonElectronicCommerce；TheWirelessWorldofElectronicCommerce，2007.

［5２］NGUYEN，etal.softwaresystemforbuzz-basedrecommendations［C］.Proceedingsofthe14thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining.ACM，NewYork，2008：1093-1096.

［5３］StephenAndrewT，OlivierToubia.Derivingvaluefromsocialcommercenetworks［J］.JournalofMarketingResearch，2010，XLVⅡ：215-228.

［5４］KEMPE，D.，etal.Maximizingthespreadofinfluencethroughasocialnetwork［C］.Proceedingsofthe9thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining，2003.

［5５］ARTHUR，D.，etal.Pricingstrategiesforviralmarketingonsocialnetworks［C］.Proceedingsofthe5thInternationalWorkshoponInternetandNetworkEconomics（WINE09），2009，101-112.

［5６］DAVID，P.A.TechnicalChoice，InnovationandEconomicGrowth［M］.Cambridge：CambridgeUniversityPress，1975.

［5７］CARNES，T.，etal.Maximizinginfluenceinacompetitivesocialnetwork；Afollowersperspective［C］．Proceedingsofthe9thInternationalConferenceonElectronicCommerce（ICEC07），2007.

［５８］B.Jansen，M.etal.Twitterpower；Tweetsaselectronicwordofmouth［J］.JournaloftheAmericanSocietyforInformationScienceandTechnology，2009，0（11）：2169-2188.

［５９］Galuba，W.，etal.WolfgangKellererOuttweetingtheTwitterers-PredictingInformationCascadesinMicroblogs［C］．3rdWorkshoponOnlineSocialNetworks（WOSN），2010.

［60］ChristopheV.D.B.Opportunitiesandchallengesinstudyingcustomnetwork［M］.NewYork：Routledge，2010.

作者簡介：朱志國（1977-），男，博士，東北財經大學管理科學與工程學院副教授，研究方向：Web數據挖掘，社會網絡分析，病毒性網絡營銷。