博客评论的人类行为动力学实证研究和建模
网络论坛人类行为动力学实证分析
龙源期刊网 网络论坛人类行为动力学实证分析作者：陈桂茸蔡皖东徐会杰杨先炬来源：《湖南大学学报·自然科学版》2013年第13期摘要：从帖子和用户两个角度对网络论坛的人类行为动力学特征进行实证统计和分析.对帖子属性的统计分析发现，帖子的回复次数、吸引的不同用户数均服从幂律分布，而帖子的浏览次数分布没有明显的规律性；帖子的浏览次数和回复次数之间存在明显的正相关性，且二者的比值大于等于10.对用户发帖、回帖行为的统计分析发现，用户发帖数、回帖数、回复的不同主帖数均服从幂律分布，说明网络论坛用户行为具有很强的异质性，大多数用户很少发帖或回帖，关注范围也比较小，只有少数活跃用户经常发帖或回帖，关注面非常广；还发现单个用户单日回帖数以及单个用户针对单个主帖的回复数也均服从幂律分布，存在少数用户在个别日子里发表大量回帖和少数用户针对少量主帖发表大量回帖的现象.这些结论对于在线用户行为建模具有重要的指导意义，也为网络舆情监控和网络水军发现提供了新的思路.关键词：人类动力学；用户行为；幂律分布；数据分析；在线网络论坛中图分类号：TP391.1 文献标识码：AEmpirical Analysis on Human Behavior Dynamics in Online ForumCHEN Gui-rong1， CAI Wan-dong1， XU Hui-jie1， YANG Xian-ju2（1. College of Computer， Northwestern Polytechnical Univ，Xi’an， Shaanxi 710072，China；2. Nanjing Military Region 73658 Forces， Nanjing， Jiangsu 210016， China）Abstract： This paper reported an empirical analysis on user behavior dynamics in online forum. The analysis results on the posts show that both the distribution of the reply number of posts and the distribution of different user number of posts follow power-law distributions with heavy tails， while the distribution of the browse number of posts has no laws. We observed positive correlation between browse number of posts and reply number of posts and the ratio of them is bigger than 10. The statistic results of the users' actions show that the post number， the reply number and the number of root posts which a user has posted replies all follow power-law distributions， which means that the user behaviors in online forums are heterogeneous， and most users post or reply rarely while few users post or reply frequently， and that most users have a small range of concerns while few users have a large range of concerns. We also observed that both the distribution of one-user one-day reply number and the distribution of one-user one-post reply number follow power-law distributions，which means that some people submit a large number of replies on a few of days or submit a large。
人类行为动力学研究综述
人类行为动力学研究综述人类行为动力学是研究人类行为及其动力学原因的学科领域。
它集合了多个学科的理论和研究方法，如心理学、社会学、经济学、工程学等，旨在深入了解人类行为背后的动力学原因，为制定政策和管理实践提供科学有效的基础。
人类行为动力学的重要研究领域包括：决策行为、合作与竞争、风险与不确定性、道德与公正、创新与创造力等。
这些领域涉及到的问题和现象非常复杂和多样，需要从多个维度进行分析和解释。
在决策行为方面，人类行为动力学研究人们在决策时所考虑的因素和决策模式。
这可以涵盖从基本的认知模式到文化因素、心理因素和社会因素的所有因素。
对于合作与竞争，人类行为动力学研究团队的重点是研究人们在博弈论中所表现出的行为，特别是逆水行舟和囚犯困境的行为。
这些行为研究在政策制定和商业管理等领域具有广泛的应用价值。
在风险和不确定性方面，人类行为动力学的研究关注人们在面对风险和不确定性时的决策行为。
许多经济情境中都涉及到风险和不确定性的因素，因此人类行为动力学的研究对于经济决策的分析和预测也十分重要。
道德与公正方面，人类行为动力学涉及人们如何评估道德、公正与不公正的情况以及在道德决策中哪些因素会产生影响。
对于创新与创造力方面的研究，人类行为动力学特别关注人们在创造新想法和解决问题时的思考和行动方式。
在这个领域里，人们的个性和思考方式差别很大，因此对于企业管理和创新政策的发展也有着重要的启示。
总之，人类行为动力学的研究领域和应用范围都非常广泛。
它不仅仅局限于理论和实验研究，也与社会实践和政策制定有着密切的关系。
随着计算机技术的发展和大数据的应用，人类行为动力学的研究方法将无法限制在实验室环境中，而将得到更加广泛的应用。
人类行为数据建模与分析
人类行为数据建模与分析人作为生物，它的行为受到自身因素与周围环境的影响。
在当今科技发展日新月异的时代，人类行为数据的采集、分析和利用，成为了一个备受关注的研究领域。
在这篇文章中，我将探究人类行为数据建模与分析的重要性，以及相关技术在工业和生活中的应用。
一、人类行为数据建模的重要性在人类行为数据建模中，最重要的因素是数据的准确性。
要量化人类行为数据，必须对数据进行收集。
通过大数据的方式进行采集会大大提高数据的覆盖范围和准确性。
此外，人们的行为不仅源于内因，还受到外界因素的影响。
当我们能够将外在因素如时间、地点、人物、事件等纳入分析模型中时，数据的准确性与有效性会得到显著提升。
然而，在建模中并不是所有的因素都是可预测的，例如人的情绪状态等。
因此，数据的收集在此时就变得至关重要。
收集到的数据越多、越准确，就越能够拟合出准确的人类行为数学模型，并对未来预测与优化方案提供支持，这也是人类行为数据建模与分析所面临的挑战之一。
二、人类行为数据建模与分析的应用领域1. 商业应用领域商业领域也是人类行为数据建模与分析的重要应用领域之一。
例如，在零售业中，电子商务平台可以通过大数据分析来获得客户的购物习惯、消费能力等数据信息，来精准推荐产品和服务。
在传统的实体店中，也可以利用人类行为分析，来制定进货策略、组织促销活动和市场营销计划。
2. 工业应用领域在工业应用领域，人类行为数据建模和分析可以应用在生产流程和防灾领域，例如企业的生产安全管控、车辆的自动驾驶路线，都需要对环境和人类行为信息进行数学建模来制定最佳控制方法。
3. 社会发展领域人类行为数据建模和分析的另一个应用领域是社会发展领域。
例如，政府对居民的健康、教育、社会保障等问题都需要通过大数据分析的方式来研究，以制定更加精准的政策。
此外，人类行为分析还应用于许多其他领域，例如犯罪的预防与嫌疑人定位、健康管理、自然灾害预警等。
三、人类行为建模与分析的未来发展人类行为建模与分析的关键一环是数据采集与处理技术。
人类行为动力学研究综述
人类行为动力学研究综述人类行为动力学是一种实验室研究领域，用于了解如何自然的社会行为是通过影响和调节自身动机和认知方面的因素而产生的。
这种研究融合了心理学、社会学、经济学和生物学等多学科背景，从实验室实验到生活环境中以及部分社会和自然行为方面研究。
近年来，人类行为动力学取得了很多进展，下面将对这一领域的研究做一个综述。
首先，人类行为动力学研究表明，人类行为是由心理和认知因素引导的，而不是受环境影响的。
在实验室实验中，人们发现，个体的动机和行为受到其社会环境的影响，而这些动机的发展也会影响人的行为。
因此，研究人员可以通过探究实验参与者内部动机来解释他们的行为。
其次，人类行为动力学研究表明，环境对人类行为有重要影响。
研究人员发现，实验参与者在不同环境中表现出不同的行为。
例如，在一个教室环境中，学习表现有很大差异，而这种差异可能是由于不同环境中人们有不同的动机。
同时，研究表明，人们在遇到不同环境中不同问题时会表现出不同的认知行为，这些认知行为也是由于不同的动机。
此外，人类行为动力学还认为，个体对社会福利的反应也受到动机和认知的影响。
研究表明，实验参与者在不同动机条件下对社会福利的反应会有所不同。
同时，实验参与者在不同认知条件下也会有不同的行为反应。
这表明，当动机和认知水平不同时，实验参与者对社会福利的反应也会有所不同。
最后，人类行为动力学研究也表明，社会环境对人类行为有重要影响。
例如，在社会环境中，人们的行为可能受到社会因素的影响，如社会评价、社会刺激等，而这些因素也会影响人的动机和认知水平，从而影响其行为。
有时，社会环境会影响人们在某些情况下表现出的行为，而这些行为又会影响人们的动机和认知，从而导致自我调节失败。
综上所述，人类行为动力学研究表明，动机和认知是决定人类行为的最重要因素，而环境和社会环境也是影响人类行为的重要因素。
研究表明，如果要有效改变人类行为，需要对社会和自然环境进行有效的干预，以提高人们的动机水平和认知水平。
动力学模型在社会科学领域的应用研究
动力学模型在社会科学领域的应用研究概述动力学模型是一种用于描述系统随时间变化的数学模型。
在社会科学领域，动力学模型被广泛应用于研究社会系统、经济系统和人类行为等方面。
本文将就动力学模型在社会科学领域的应用进行探讨，从网络传播、政治学、经济学和社会行为学等方面分析其应用现状和发展趋势。
一、动力学模型在网络传播中的应用随着社交媒体的兴起，信息传播变得更加快速和广泛。
动力学模型在网络传播中的应用可以帮助我们理解信息的传播过程和规律。
例如，研究者可以利用动力学模型对社交网络中的信息传播进行建模，通过模拟不同的传播策略来预测信息在网络中的传播效果。
此外，动力学模型还可以用于分析网络中的信息瘟疫传播，从而为疫情防控提供决策支持。
二、动力学模型在政治学中的应用动力学模型在政治学中的应用主要集中在选举模拟、政策制定和决策分析等方面。
通过动力学模型，研究者可以模拟不同政治环境下选民的投票行为，从而预测选举结果和政策变化。
此外，动力学模型还可以用于分析政策制定的影响因素和政策的演化过程，帮助政策制定者更好地理解政策决策的动力学机制。
三、动力学模型在经济学中的应用动力学模型在经济学中的应用非常广泛，涉及到经济增长、消费行为、市场竞争和金融市场等方面。
例如，通过构建经济增长模型，研究者可以模拟经济增长的影响因素和动力机制，为经济政策制定提供科学依据。
另外，动力学模型还可以用于分析消费者的购买决策和市场竞争的演化，帮助企业制定更有效的市场策略。
此外，动力学模型在金融市场中的应用也非常重要，可以帮助投资者预测市场走势和风险。
四、动力学模型在社会行为学中的应用动力学模型在社会行为学中的应用涉及到社会网络、人类行为和群体行为等方面。
例如，通过动力学模型，研究者可以模拟社会网络中的人际关系和信息传播过程，帮助我们理解社会网络的形成和演化。
此外，动力学模型还可以用于分析人类行为的决策过程和演化机制，为社会行为的研究提供新的视角。
另外，动力学模型在群体行为中的应用也非常重要，可以帮助我们理解群体行为的动力学机制和演化规律。
银行客户到访的非泊松性
银行客户到访的非泊松性李超;郭进利【摘要】Through analyzing the real data of bank customers visiting in a bank outlet in 19 days,it was discovered that there were many forms of non-Poisson characters appearing in the data of bank customers visiting, such as inter-arrival time distribution of all customers in 19 days, total customers visiting in one day, customers visiting for personal banking business in 19 days and customers visiting for corporate banking business in 19 days. These characters were different from those in the hypothesis of queuing theory: the coming of customers could be well approximated by Poisson processes. These distributions denoted the pattern of bank customers visiting follows non-Poisson statistics or heavy tailed distribution. It is found that most of these distribution exponents are between 2 and 3. This result establishes the empirical foundation of new queuing theory with power-law inter-arrival time distribution, and also explores the analysis of bank queuing in further studies.%通过分析某银行网点19天所有客户到访的真实记录,挖掘银行客户到访的间隔时间分布、单日客户到访间隔时间分布、细分客户到访间隔时间分布等统计特征,发现银行客户的到访蕴含着胖尾的统计规律,并不是先前排队论假设的泊松过程.统计结果显示,人类访问银行的行为具有明显偏离泊松分布的胖尾特性,幂指数在2～3的范围内.这一结果为针对幂律事件间隔分布的排队理论的建立奠定了实证基础,为下一步银行排队问题的分析作了探索.【期刊名称】《上海理工大学学报》【年(卷),期】2012(034)003【总页数】5页(P252-256)【关键词】人类动力学;幂律分布;排队论;间隔时间分布;阵发性【作者】李超;郭进利【作者单位】上海理工大学管理学院,上海 200093;上海理工大学管理学院,上海200093【正文语种】中文【中图分类】N941人每天要做很多事情，包括收发电子邮件、前往银行处理金融事务等.除了明显的每日或季节性周期以外，找到人类动力学的规律似乎是困难的.在过去的100年中，对人类行为的研究一直是社会学、心理学、经济学等学科共同关注的问题［1］，但人类自身的复杂性和多样性，对一切科学的尝试来说都是巨大的挑战.事实上，过去学科的绝大多数命题和结论都是定性描述［2］.早前的研究中，由于数据量比较小，且人类行为具有很多随机性，因此均假设人类行为的发生是随机和稳态的，即可以看作一个泊松过程.此模型中，对于某给定的个体，连续两次行为之间的间隔时间分布是一个指数分布［3］.Barabási等从记录人类活动历史的数据库中挖掘出人类行为的统计规律，发现人类行为所呈现出的规律并不与泊松过程一致：很长时间内可能了无一事，而这些长长的空白与空白之间则被阵发的密集活动所填充［4］，呈现胖尾分布，且幂指数大多分布在1～3之间.文献［5］给出评论时间间隔分布的实证研究，发现人们对于某个话题的兴趣逐渐消失，评论的时间间隔服从幂律分布，提出了一个兴趣逐渐消失的人类行为动力学模型.文献［6］对钱学森的邮件通讯记录进行了统计，统计结果表明其邮件回复时间间隔分布和写信时间间隔分布均具有幂律的胖尾规律，但已经超出了普适类的范围.文献［7］从群体和个人两个角度，分析借阅过程中图书的借阅时间和用户连续两次借阅或还回图书的时间间隔等统计特征，探寻群体行为与个体行为的关系.访问银行办理业务，是人的行为之一.近来，银行客户排队问题越来越受到各方的关注，国家监管部门和各家银行纷纷出台各种措施来缓解排队等候现象.然而，国内市场研究公司CTR于2007年进行的调查表明，排队问题在大多数银行仍普遍存在，国有四大行平均等候41min，而在5家股份制银行平均等候14min.为分析银行排队问题，文献［8］用蒙特卡洛模拟对银行柜台多服务器单队列（M／M／C）的服务状况进行了动态模拟，提出在不同的服务强度水平下，当到达速率不同时的服务对策，为改进商业银行客户服务水平提供参考.文献［9］利用银行叫号机实测队长系列排队数据，运用排队论所给出的改善银行排队状况的窗口设置设想与例证，可以作为银行排队管理改善的依据和一种简易可行的方法.目前大部分研究都用到了一个重要假设：银行客户到访是一个泊松过程.现有的研究还没有对银行客户到访间隔时间分布进行分析，本文根据某银行网点客户到达时间的真实记录，深入挖掘银行客户到访的时间间隔分布、细分客户到访的时间间隔分布、单日所有客户到访的时间间隔分布的统计特征，发现银行客户到访的时间间隔分布并非指数分布，而是满足阵发性的幂律分布.本文的发现有助于理解社会中人群到访的行为特征，为建立针对幂律事件间隔分布的排队理论奠定实证基础，具有重要的理论意义，同时为解决银行排队拥挤问题作出理论探索，具有一定的商业化潜力.由于社会中广泛存在类似于银行客户到访的顾客到达行为，结合原有针对社会系统的实证研究，这些统计结果暗示从复杂的人类行为中可以揭示普遍的规律，发现支配人类活动时间选择的机制，并获得控制和预测人类行为的能力.这必将具有重大的实用化潜力.1 数据来源与统计方法通过人工统计某月国内某银行网点大厅（营业时间为8：30～16：30，中午保留少量窗口，周末照常营业）叫号机吐出的每张小票的数据，以每个客户的真实到达时间为研究对象.该数据库中客户到访共10 403人次，客户所办业务可分成7类，分别用A（个人业务）、B（理财业务）、G（公司业务）、J（公司解现）、W （外币业务）、V（VIP客户）、T（领取吞卡）作为代表.记录每个客户所得小票的打印时间，精确到秒，以此作为到达时间，跨度为某月1日到19日.各个客户所办业务的详细资料如表1所示，比较大的数据量足够反映真实的统计规律.为简便起见，对幂律分布的判断分析用一元线性回归和最小二乘法得到拟合直线的斜率即幂指数.表1 19天中客户到达时间记录数据概况Tab.1 Records of customer arrivaltime in 19days记录编码编码含义访问量／人次平均每天访问量／人次A 个人业务7 239381 B 理财业务764 G 公司业务2 329122 J 公司解现1669 W 外币业务32017 V VIP贵宾854 T 领取吞卡18810 共计7种10 403547图1显示的是在19天的时间范围内每天各个时刻所有客户的访问量.由于一部分客户会在银行刚开门和马上要关门时进入大厅，因此统计8：00～17：00每小时的客户访问量.所有客户访问银行具有明显的规律性，每天的访问量曲线形状大致相同呈“M”形状，波峰和波谷出现在大致相同的时刻.其中，休息日的访问量要明显少于工作日.另外，银行访问还表现出明显的波动性.统计发现客户访问量的几个峰值出现在10：00～11：00、13：00～14：00两个时间段.显然，两个时间段是个人及公司前往银行办理事务的高峰期，也是人类一天中活动的活跃期.访问量的低谷出现在12：00～13：00的中午休息时间和16：00～17：00银行即将停止营业这一个时间段.这样的统计规律与客户工作生活的时间规律很好吻合.图1 19天内各个时刻的客户访问量Fig.1 Customer visits per hour in 19days为消除银行晚上不营业这一明显事实对客户到访间隔时间的影响，对数据作如下处理：第二天第一个客户的到访间隔时间将减去16h（银行从16：30到第二天8：30不营业）.由于一部分客户会在8：30之前进入大厅，若作差后的间隔时间小于0，则认为该客户的到达间隔时间为1s，这样多天的客户到访可以看成是一个连续的过程.经过对比，后文出现的概率分布图的趋势在数据处理前后都无明显改变.图2显示的是数据处理后，19天内所有客户到访间隔时间图，图中τ表示间隔时间.注意那些最长的像长钉一样扎在水平轴上的竖线，它们对应于那些很长的到访间隔时间（可以长达近2h）.这些最长的竖线是以周为周期出现的，并且都是出现在休息日的中午时间段，表明休息日中午几乎没有客户前往银行办理业务.而对比工作日中午银行仍有客户连续到访，但到访量相比每天的高峰时段要明显减少.进一步观察发现，在这些长钉一般竖线之间，都有几段很小的区域几乎贴着横轴，且以天为周期出现，这是每天早晨银行开门时客户集中点击叫号机打印小票的结果，并且只维持较短的时间.由此可以判断，银行客户到访会在很长时间都没有发生，也会有在短时间内阵发.图2 19天内所有客户到访间隔时间Fig.2 Inter－arrival time of total customers in 19days2 客户到访行为的统计特征银行业务是现代社会易于获取的服务，每个人都会隔一段时间访问银行.不同的人，访问银行的相隔时间会有不同的差异，有的人一天会访问好多次，有的人很长一段时间内都不会亲自访问银行.根据上文分析，一个网点接受该地区客户访问单位时间内的客户数量会有很大的涨落，类似情况也发生在客户到访的间隔时间上，有的时段一个客户也没有，而有的时段几秒钟就有一个客户到访.这些现象再次说明，人类的行为并不能被认为是一种泊松过程，而是大部分不同客户之间都有着某种共同的特性，经过研究，发现这种特性与泊松分布有很大的差异.本文将一段时间内所有客户或同一类型客户看成一个整体，考察客户到访银行的间隔时间统计特征，从而获得该网点客户访问银行的总体行为特征.2.1 所有客户到访间隔时间分布统计结果显示，银行客户到访的间隔时间分布满足P（τ）∝τ－α（α为幂指数），幂指数约为3，如图3所示.客户访问量的高峰一般出现在10：00～11：00、13：00～14：00点之间，访问量的低峰出现在12：00～13：00、16：00～17：00之间，这主要和该网点员工的工作时间与休息时间有关.大部分的客户到访间隔时间较短，像周末中午时间段出现很长的到访间隔时间是很少的，正是时间间隔的不均匀性造成了幂律分布的形成.图3 双对数坐标下所有银行客户到访的间隔时间分布Fig.3 Inter－arrival distribution of bank customers visiting in 19days under double logarithmic coordinates2.2 单日客户到访的间隔时间分布图4是某个休息日和某个工作日客户到访的间隔时间分布.统计结果显示，客户到访的间隔时间分布也符合幂律分布，而幂指数分别约为2.45和2.5.该休息日的客户访问量为417人次，其中个人业务392人次，公司业务3人次，其它22人次；该工作日的客户访问量为620人次，其中个人业务364人次，公司业务203人次，其它53人次.而休息日客户到访平均间隔时间为69s，工作日客户到访平均间隔时间为47s.休息日最大到访间隔时间为6 060s，工作日最大到访间隔时间为597s，两天最小到访间隔时间皆为1s.客户访问量、客户结构、客户到访平均间隔时间等都有较大差异，而幂指数十分相近.接着计算数据库中每一天的客户到访间隔时间分布，发现都近似服从幂律分布，而幂指数范围为2.3～2.5之间.休息日与工作日的幂指数并没有较大差异，这表明银行客户到访有着共同的特性，而且对于休息日、工作日并无差别，形成这种特性的机制还尚不清楚.图4 某个休息日和某个工作日客户到访的间隔时间分布Fig.4 Inter－arrival distributions of bank customers visiting on an off day and on a workingday3 细分客户到访行为的统计特征银行个人业务和公司业务具有很大的差别，那么个人业务客户和公司业务客户前往银行办理业务的行为是否还会保持着某种特有的性质，接下来本文分析细分客户到访行为的分布情况，见图5.由于数据量的关系无法对其它业务进行合理的分析，待今后能得到更多相关数据时再次讨论.细分客户到访的间隔时间分布是一种特定客户的分析（用户都是某银行网点的客户），每一类型的客户访问银行都受到很多因素的影响，例如工作时间、休息时间等.所以，可能和其他类型客户访问银行的情况在幂指数上存在一定的偏差，如退休职工办理个人业务时对于工作日或者休息日的选择并没有差异，而公司业务一般是在工作日前往银行办理，这种分析反映了社会某一个层面的人类活动特性.图5 19天内银行细分客户到访的间隔时间分布Fig.5 Inter－arrival distributions of customers visiting for personal banking business and for corporate banking business in 19days统计结果显示，个人业务客户到访的间隔时间分布服从幂律分布，幂指数约为3.1.公司业务客户到访的间隔时间分布服从幂律分布，幂指数约为2.9.这种差异可以从个人业务和公司业务的特点上解释.个人业务在总的业务量上占了约70%，银行开门后密集访问的客户群和银行当日歇业前最后一个客户都是个人业务客户，正是个人业务客户到访时间间隔的不均匀性使间隔时间分布出现了幂律.图6给出的个人业务客户到访间隔时间图，可以发现个人业务客户的间隔时间图与所有客户的间隔时间图的形状十分相似.那些长钉一般的竖线是由于个人业务客户在周末中午到访间隔时间较大造成的，这些竖线与图2中长钉般竖线的长度及出现的位置基本一致.而公司员工一般集中在工作日前往银行办理业务，很少会在休息日处理，除非有紧急事务，因此每逢周末都会出现相比个人业务客户更长的间隔时间（见图7）.正是由于个人业务客户和公司业务客户到访时间间隔的极不均匀性形成了幂律.图6 19天内个人业务客户到访间隔时间Fig.6 Inter－arrival time of customers visiting for personal banking business in 19days图7 19天内公司业务客户到访间隔时间Fig.7 Inter－arrival time of customers visiting for corporate banking business in 19days4 小结本文主要讨论银行客户的到访行为模式和个人业务客户、公司业务客户到访的间隔时间分布的统计特性.由分析结果可以得出银行客户到访的间隔时间分布、单日银行客户到访间隔时间分布、个人业务客户到访间隔时间分布、公司业务客户到访间隔分布都是满足P（τ）∝τ－α（α在2到3之间）的幂律分布.因此，有理由认为银行客户到访的时间间隔分布具有幂律特性.统计结果再次说明人类行为可能在很多个层面上都偏离泊松过程.这个发现为排队理论的创新奠定了实证基础，具有一定的意义，同时也为解决银行排队拥挤问题奠定了理论基础.就排队论视角而言，银行排队问题还牵涉客户等待时间、服务时间、队长等，后续工作将对这些问题进行研究.进而，将实证某高校财务事务排队系统和研究统计的时间单位对排队指标分布形状的影响.【相关文献】［1］曹杰.行为科学［M］.北京：科学技术文献出版社，1987.［2］李楠楠，周涛，张宁.人类动力学基本概念与实证分析［J］.复杂系统与复杂性科学，2008，5（2）：15－24.［3］ Haight F A.Handbook of the Poisson distribution［M］.New York：Wiley，1967. ［4］Barabási A L.The origin of bursts and heavy tails in human dynamics［J］.Nature，2005，435（7039）：207－211.［5］郭进利.博客评论的人类行为动力学实证研究和建模［J］.计算机应用研究，2011，28（4）：1422－1424.［6］李楠楠，张宁，周涛.人类通信模式中基于时间统计的实证研究［J］.复杂系统与复杂性科学，2008，5（3）：43－47.［7］樊超，郭进利.基于图书借阅的人类行为标度律分析［J］.图书情报工作，2010，54（1）：35－39.［8］颜薇娜.基于蒙特卡洛模拟的商业银行排队问题研究［J］.技术经济与管理，2009（1）：20－22.［9］杨米沙.银行排队系统数据分析及窗口设置优化研究［J］.武汉理工大学学报（信息与管理工程版），2008，30（4）：20－22.。
网络论坛人类行为动力学实证分析
网络论坛人类行为动力学实证分析网络论坛是一个充满了人类行为的社交平台，人们在这里交流、分享和讨论各种话题。
网络论坛不仅是一种沟通工具，也是人类行为的一个研究对象。
本文将从行为动力学的角度对网络论坛人类行为进行实证分析。
首先，网络论坛是人们展示自我的平台。
人们在网络论坛上发布自己的观点、意见和经验，以此展示自己的知识、智慧和能力。
他们希望通过分享自己的见解，得到他人的认可和赞同。
这种自我展示的行为动力驱使着人们积极参与到网络论坛的讨论中。
其次，网络论坛是人们共同学习的场所。
人们在网络论坛上分享自己的学习经验、知识和技能，帮助他人解决问题和提供信息。
他们希望通过帮助他人来获得满足感和社交认可。
这种学习和帮助他人的行为动力促使着人们参与到网络论坛的学习和教育活动中。
再次，网络论坛是人们追求社交认可和归属感的平台。
人们在网络论坛上与他人交流、互动和建立关系，结交朋友和寻找同好。
他们希望通过网络论坛来获得他人的认可和赞赏，满足他们的社交需求。
这种追求社交认可和归属感的行为动力推动着人们积极参与到网络论坛的社交活动中。
此外，网络论坛是人们表达情感和释放压力的平台。
人们在网络论坛上表达自己的情感、感受和心情，倾诉内心的痛苦和困惑。
他们希望通过分享自己的情感来获得他人的理解和支持，减轻自己的负面情绪。
这种情感表达和释放压力的动力促使着人们积极参与到网络论坛的情感交流中。
最后，网络论坛是人们获取信息和娱乐的渠道。
人们在网络论坛上浏览新闻、获取资讯、追踪热门事件和参与娱乐活动。
他们希望通过网络论坛来满足自己获得信息和娱乐的需求。
这种获取信息和娱乐的动力驱使着人们积极使用网络论坛作为信息和娱乐的源泉。
综上所述，网络论坛人类行为动力学实证分析显示，人们参与网络论坛的行为动力包括自我展示、共同学习、追求社交认可和归属感、表达情感和释放压力以及获取信息和娱乐。
这些动力推动着人们积极参与到网络论坛的各种活动中，进而促进了网络论坛的繁荣和发展。
人群行为动力学模型及其应用研究
人群行为动力学模型及其应用研究近年来，人群行为动力学模型的研究引起了越来越多的关注。
这类模型旨在探究人群中个体的行为模式及其对整个群体行为的影响，可广泛应用于社会学、管理学、公共卫生学、安全预防等领域。
一、人群行为动力学模型的基本概念人群行为动力学模型是一种数学模型，通过对个体行为模式和群体行为模式的建立，分析个体行为和群体行为的相互作用过程，预测和控制人群行为的发展趋势。
其中，在人群行为动力学模型中，个体行为是指人们在特定情境下的行动方式，包括个体的动机、行为基础、行为目标等因素；群体行为则是指在一定空间区域和时间范围内，人群中个体行为的统计特征。
二、人群行为动力学模型的两类基本模型人群行为动力学模型根据研究对象和研究内容的不同，可分为两类基本模型：个体行为模型和群体行为模型。
1.个体行为模型个体行为模型主要研究个体行为，模拟个体的行为方式、决策和动机等因素，预测个体行为的结果。
个体行为模型多用于疾病传播、网络安全等领域。
常用的个体行为模型包括：(1)基于图形理论的模型：将行为视为图形节点之间边界条件的多体动力学问题，考虑个体的位置、转移、决策、意愿等方面因素，对基于图形理论的人群行为进行模拟。
(2)基于生命周期模型的模型：通过对不同阶段的个体状态、角色和随时间变化的行为模式进行分析，在此基础上预测个体行为的发展趋势。
2.群体行为模型群体行为模型主要研究群体行为模式，通过对人群中个体行为模式的统计特征进行分析，预测群体行为的发展趋势和结果。
群体行为模型在疫情预测、城市交通规划、危机管理等方面应用广泛。
常用的群体行为模型包括：(1)基于复杂网络的模型：通过对人群之间联系的网络分析，预测人群行为模式和结果。
(2)基于统计分析的模型：通过对人群中个体行为模式的统计特征进行分析，反映人群行为发展趋势。
三、人群行为动力学模型的应用1.疾病传播人群行为动力学模型可应用于疾病传播方面。
通过对人群中个体行为模式的分析，确定病毒传播的方式，预测疫情的传播趋势，采取精准的防控措施，有效地控制疾病的传播。
人类行为建模及其应用研究
人类行为建模及其应用研究人类行为建模是一个多学科交叉的研究领域，它综合运用心理学、计算机科学、工程学、统计学等多种学科，旨在对人类行为进行建模和分析，以此推动人工智能的发展。
它的应用领域非常广泛，在医疗、金融、教育、交通等许多领域都有着广泛的应用前景。
一、人类行为建模的研究方法人类行为建模的研究方法常用的有统计分析、模拟实验和神经影像等。
统计分析是将现有的数据进行分析，提取出数据间的规律和关系。
模拟实验是通过人工设计场景，让测试者进行操作来模拟人类行为。
神经影像研究是通过脑电波、磁共振等手段对测试者的大脑活动进行实时记录与分析。
二、人类行为建模的应用1.在医疗领域中，人类行为建模可用于自闭症、帕金森、抑郁症等疾病的诊断和治疗，提高医疗效率和诊疗水平。
2.在金融领域中，人类行为建模可用于财经预测分析、市场理论模型、股票投资的动态优化，推动金融科技的发展进程。
3.在教育领域中，人类行为建模可用于教育评估、智能诊断、推进“人人皆可学、时时皆可学”的智能化教育。
4.在交通领域中，人类行为建模可用于城市智慧交通、交通流量分析等，减少交通拥堵现象，提高交通效率。
三、面临的问题以及解决方案在人类行为建模领域，还存在许多挑战和问题。
其中一个重要的问题就是数据采集和标注难度。
采集和标注数据需要大量人力和物力成本，而且缺乏标准标注规范，导致数据质量不稳定。
另一个问题是对多模态数据的分析与模型融合。
不同模态数据的融合可以提供更加全面的信息，但是如何处理这些异构结构的数据仍然是一个未解决的问题。
针对这些问题，有一些解决方案已经被提出。
比如多学科交叉研究方案和技术创新方案。
在多学科交叉研究方面，建立学科交叉机制，增强交流合作，从多个角度解决问题。
在技术创新方面，则是通过新兴技术，如人工智能、区块链、集成电路等技术手段，不断提升数据处理效率和数据存储资源利用率。
四、未来发展趋势人类行为建模是一个充满发展机遇和前景的研究领域。
人类行为的动力学建模与分析研究
人类行为的动力学建模与分析研究人类的行为是一个多变而又复杂的过程，虽然每个人的行为都有独特之处，但是人类的行为是可以被描述、被模拟、被理解的。
行为学是一门跨学科学科，它研究人类如何行为、为什么行为、什么因素影响人类行为，以及如何在不同的情境下决策等问题。
而人类行为的动力学建模与分析研究，是行为学这门学科的重要领域之一。
本文旨在介绍人类行为的动力学模型及其应用，为读者提供深入了解人类行为的动态过程的知识。
一、人类行为的动力学模型动力学模型是指研究和描述系统运动规律的数学模型，它可以用来模拟时间和关系的变化，以及对系统未来状态进行预测。
人类的行为同样可以被建模为动态系统，研究其变化规律。
人类行为的动力学模型包括三个方面，即行为驱动、行为变化和行为结果。
行为驱动代表着行为的起源和原因，包括心理和生理驱动等；行为变化代表着行为的变化趋势和时间规律；行为结果则代表着行为的效果和结果。
在此基础上，人类行为的动力学模型就可以建立起来。
在建立人类行为的动力学模型时，需要考虑许多因素。
其中，心理因素和环境因素是两个非常重要的方面。
例如，人类在不同的情境下会做出不同的决策，这与其所处环境及其内在的心理状态有关。
因此，建立一个准确的模型需要深入地理解人类行为的心理动机和环境因素。
二、人类行为的动力学分析人类行为的动力学分析是研究和分析人类行为的变化规律的过程。
它可以帮助我们了解人类的行为，发现行为规律和趋势，预测未来发展趋势，以及探索行为的动因和影响。
在动力学分析中，最基本的是行为的变化趋势和时间规律的研究。
例如，分析人类在某一活动中的交互模式、时间分配比例等，可以了解到人类在行为中的习惯和规律。
同时，还可以通过行为变化来推测其主观感受和心理变化。
除了行为的动态变化外，人类行为的动力学分析还需要考虑影响和因素。
这些影响和因素包括环境、心理、认知和社会等。
在很多情况下，这些因素之间互相作用，影响人类行为的变化，因此需要对它们进行全面的分析和研究。
人类行为建模及其应用
人类行为建模及其应用一、引言人类行为建模是指将人类行为进行量化、描述和理解，并将其转化为计算机可识别的模型和算法的一种方法。
它是人机交互和人机智能领域中最重要的研究方向之一。
人类行为建模的研究已经涉及了心理学、计算机科学、机器学习、人工智能、社会学等多个学科领域。
本文将介绍人类行为建模的基本概念、模型类型以及应用，以期能够有助于读者深入了解和掌握这一领域的技术和应用。
二、人类行为建模的基本概念1. 人类行为模型人类行为模型是指将人类行为进行抽象与建模，将人类行为转换为计算机可识别的形式。
人类行为模型可以帮助我们更好地研究人类行为的规律和特点，进而提供更加准确和智能的人机交互服务。
2. 人类行为数据人类行为数据是指通过各种传感器、记录设备、问卷调查等技术手段获取的人类行为的实时或离线数据。
这些数据可以作为人类行为建模的原始数据，帮助我们更好地进行建模和预测。
典型的人类行为数据包括语音、动作、社交网络、购物等相关数据。
3. 人类行为建模人类行为建模是指将人类行为数据进行分析、分类、聚类等处理，建立出数学模型以预测、识别和控制人类行为，以进一步提升人机智能和人机交互的质量。
三、人类行为建模的模型类型1. 基于规则的模型基于规则的模型是测试一个人行为是否符合某种规则的经典方法。
该方法有助于指导人机交互的开发和调整。
比如，我们可以使用基于规则的方法来设置语音识别系统的触发条件和响应规则，以便更好地与人类用户进行语音交互。
2. 基于贝叶斯网络的模型基于贝叶斯网络的模型是使用概率论方法来对人类行为建模。
该方法充分考虑了人类行为事件的随机性和复杂性，帮助我们更好的进行人类行为推理、分类、识别等操作。
基于贝叶斯网络的模型已经被广泛应用在人类行为预测、智能诊断等方面。
3. 基于深度学习的模型基于深度学习的模型是使用神经网络等技术对人类行为进行建模和预测。
该模型使用大量标注数据进行训练，包括视频数据、语音数据、人体动作数据等。
人类行为研究中的行为轨迹数据分析与行为建模
人类行为研究中的行为轨迹数据分析与行为建模人类行为研究是一门跨学科的研究领域，旨在理解和解释人类的行为模式、决策过程和社会互动。
随着科技的发展和数据的积累，行为轨迹数据分析和行为建模成为了人类行为研究中的重要工具和方法。
本文将探讨行为轨迹数据分析和行为建模在人类行为研究中的应用和意义。
一、行为轨迹数据分析行为轨迹数据是指记录个体在时间和空间上的行为活动的数据。
这些数据可以通过各种传感器、移动设备和社交媒体等渠道获取。
行为轨迹数据分析旨在从大量的数据中提取有用的信息和模式，以揭示人类行为的规律和特征。
1. 数据采集与预处理行为轨迹数据的采集需要依赖于各种传感器和设备。
例如，GPS可以用于获取个体的位置信息，手机应用程序可以记录用户的点击和浏览行为，社交媒体平台可以追踪用户的互动和分享行为。
在数据采集之后，还需要对数据进行预处理，包括数据清洗、去噪和标准化等步骤，以确保数据的准确性和一致性。
2. 轨迹分析与可视化行为轨迹数据的分析可以通过多种方法进行，包括聚类分析、序列模式挖掘和时空关联规则挖掘等。
聚类分析可以将相似的轨迹归为一类，以揭示不同行为模式之间的差异和联系。
序列模式挖掘可以发现行为轨迹中的频繁序列，从而了解人类行为的常见模式和规律。
时空关联规则挖掘可以揭示行为轨迹之间的时空关系，例如某个地点的人流量与时间的关系。
此外，可视化技术也可以用于将行为轨迹数据以图形化的方式展示，使研究者更直观地理解和分析数据。
二、行为建模行为建模是指通过对行为轨迹数据的分析和建模，构建出描述和预测人类行为的模型。
行为建模可以帮助研究者深入理解人类行为的动机和决策过程，为决策制定和社会政策提供科学依据。
1. 行为模式识别行为模式识别是行为建模的关键步骤之一。
通过对行为轨迹数据的分析，可以识别出不同的行为模式和类型。
例如，在城市交通研究中，可以通过分析车辆的行驶轨迹，识别出不同的交通拥堵模式和交通流量模式。
在社交网络研究中，可以通过分析用户的互动行为，识别出不同的社交网络模式和用户行为模式。
人类行为建模与行为分析研究
人类行为建模与行为分析研究人类行为是研究人类科学的一个重要方面，它涉及到人类在各种情境下和环境中的行为规律。
为了全面了解人们的行为特征和行为模式，需要借助行为建模和行为分析的方法。
该领域的研究逐渐受到国内外学界的广泛关注，学术界和产业界也日益重视这方面的研究。
行为建模是指通过观察和分析人们的行为，建立数学模型或描述性模型。
运用行为建模的方法，可以揭示人类行为的规律，帮助研究人员更好地理解人们的行为特征和模式。
在人类行为建模中，常用的模型有层次分析模型、系统动力学模型和人工神经网络模型等。
这些模型可以通过数学工具对数据进行处理，建立出量化的模型，去描述人们在特定情境下的行为过程。
层次分析模型是一种多目标和复杂决策问题的分析方法，是在对因素的权重进行定量分析之后，针对人们的行为特征建立的模型。
该模型大大提高了决策的准确性，可以用于客观地比较不同策略或决策的优劣，并且在市场分析和战略决策等方面也有广泛应用。
系统动力学模型是一种动态的、定量的行为模型，基于系统思维和系统动力学理论，通过扩展传统的控制科学方法，可以更好地解释人们在不同情况下的行为和决策。
系统动力学模型具有很强的适应性，可以适用于各种领域，不仅在学术研究，而且在公共政策制定、企业战略分析等方面也有重要作用。
人工神经网络模型是一种仿生模型，模拟了人类神经系统中神经元之间的相互作用，能够预测、分类和识别人类行为的特征。
该模型不仅可以建立模式识别和分类模型，还可以学习未知的关联性和规律性，因此在行为分析和随机控制等方面有广泛的应用。
与行为建模相比，行为分析更强调实证研究，强调对人类行为的现象学、描述和统计分析。
它采用定量分析的方法进行数据处理，通过对大量数据的分析，建立出客观真实的人类行为规律。
常用的分析方法有过程追踪分析、聚类分析和回归分析等。
过程追踪分析是指通过对事件序列化分析，揭示人类行为的历史发展和变化模式，从而识别行为规律。
由于该方法可以考察人们的过去和现在行为特征，因此对预测未来行为也有很大的帮助，被广泛用于金融市场、健康管理和社会科学等场合。
人类行为的动力学模拟与预测研究
人类行为的动力学模拟与预测研究在过去的几十年中，人类社会发生了巨大的变化，这些变化带来了世界上许多问题。
人们对未来的不确定性感到担忧，因为许多问题并没有人们想象的那么简单。
然而，对于人类行为的动力学模拟和预测研究，似乎已经成为解决这些问题的关键。
什么是人类行为的动力学模拟研究？人类行为的动力学模拟和预测研究是一种从数量学上分析人们行为的方法。
一般来说，它涵盖多种计算模型和理论，这些模型和理论用于预测人类行为在不同情景下所表现出的各种特点。
这种研究方法基于一种称为“动力学”的概念，这个概念是物理学的一个重要分支，它被用于描述和预测物体的运动。
人类行为的动力学模拟研究可以分为三个主要步骤：1.数据收集这个步骤包括收集关于人类行为的所有相关信息。
这可能包括统计数据、个人经验和观察研究等。
这些数据将被用作建立模型和预测人类行为的驱动力。
2.模型的构建在收集和分析数据之后，研究者将建立一种数学模型，用于描述人类行为的各个组成部分，例如个人选择和社会互动。
这些模型的目的是帮助研究者预测人类行为在不同情况下所展现出的各种特点。
3.模型的模拟和预测最后，研究者将使用建立的模型来模拟人类行为，并预测涉及到的相关结果。
这有助于评估模型的效果，并为未来的预测提供基础。
目前，人类行为的动力学模拟和预测研究正在在许多领域得到广泛的应用。
以下几个领域是重要的应用领域之一。
市场和商业人类行为的动力学模拟和预测研究可以用于市场和商业方面。
通过建立模型，研究者可以预测不同种类的消费者将如何选择和采取不同的行动。
这些预测可以帮助企业了解市场行为，从而制定更好的市场营销策略。
交通及城市规划利用人类行为的动力学模拟和预测研究，可以研究城市规划、公共交通和交通拥堵等方面。
通过模拟研究，可以确定不同类型的驾驶员所采取的不同决策，并将这些信息用于设计更加高效和可持续的城市和交通系统。
这些模型同样可以用于各种类型的风险评估和决策制定。
疾病传播人类行为的动力学模拟和预测研究可以用于研究疾病的传播。
人类行为建模与预测技术的研究
人类行为建模与预测技术的研究一、引言人类行为建模与预测技术是一种新兴的交叉学科，涵盖计算机科学、数学、心理学、社会学、人类学等多个领域。
通过分析人类行为数据，提取相关特征并构建模型，从而能够预测人类在未来的行为，对于推动社会、经济、医疗等领域的发展都具有重要意义。
二、人类行为建模技术1、数据预处理技术在进行人类行为建模时，需要收集大量的行为数据，例如人类的移动轨迹、社交网络使用数据、媒体偏好等。
由于这些数据具有噪声、缺失值等问题，因此需要对其进行预处理。
常用的预处理技术包括数据清洗、特征选择和降维等。
2、特征提取技术提取关键特征是人类行为建模的重要步骤。
通过分析数据中的变化模式和规律，提取出与目标行为相关的特征。
目前，常用的特征提取方法包括时间序列分析、机器学习算法和深度学习等。
3、模型构建技术在从大量人类行为数据中提取出关键特征之后，需要构建预测模型。
常用的模型包括传统统计模型、机器学习模型和深度学习模型等。
选择合适的预测模型需要考虑数据量、特征维度和计算复杂度等因素。
三、人类行为预测技术1、社会行为预测社会行为预测是人类行为建模与预测技术中的重要研究方向。
通过分析社会网络、交往轨迹和言语交流等数据，可以预测人类社会行为的发展趋势和变化。
这些预测结果可以应用于电子商务、社会政策和网络安全等领域。
2、个体行为预测个体行为预测是人类行为建模与预测技术中的另一重要方向。
通过分析个体的生理、生物和心理数据，可以预测个体未来可能产生的行为。
这些预测结果可以应用于医疗、健康管理和教育等领域。
四、人类行为建模与预测技术的应用1、航空运输通过人类行为建模和预测技术，可以预测乘客的行为，例如乘客的旅游偏好、时间点和出行路线。
这些预测结果可以帮助航空公司设计更加舒适和高效的舱位布局和服务，加强品牌塑造和市场竞争。
2、智能交通通过人类行为建模和预测技术，可以预测汽车、自行车和行人等独立个体的行动路线和交通模式。
这些预测结果可以帮助城市交通管理部门优化交通流量，减少交通拥堵，提高道路安全性。
校园网论坛评论的人类动力学分析研究
象， 从 而研讨解析校 园网论坛人 的行 为特征 。
方 小妹 ，葛 璞 ， 谢 超 ，陈世 豪
（ 中国民航大学 计算机学院 ， 天津 ３ ０ ０ ３ ０ ０ ）
摘 要： 基于校 园网论坛评论 的数据统计 ， 从群体层面和个体层面深入挖掘学生用户在校园网论 坛上活动行为 的时间间隔分 布的 统计特性 ， 以及给出学生群体兴趣度消失模 型的实证研 究。研究发现 ， 论坛 整体评论 时间间隔以及用户 个体活动 时间隔服从幂律 分布 ， 学生群体兴趣度消失模型中 ， 学生群体对 于某个话题 的兴趣逐渐消失 ， 评论的时 间间隔服从幂率分 布 ， 且对 于比较敏感 的话
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｂａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｄ ａ ｔ ａ ｓ ｔ ａ ｔ ｉ ｓ ｔ ｉ ｃ ｓ ｏ ｆ ｔ ｈ ｅ ｃ ａ ｍｐ ｕ ｓ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｆ ｏ ｒ ｕ ｍ． ｔ ｈ ｅ ｓ ｔ ａ ｔ ｉ ｓ ｔ ｉ ｃ ａ ｌ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｉ ｒ ｓ ｔ ｉ ｃ ｓ ｏ ｆ ｔ ｈ ｅ ｔ ｉ ｍｅ ｉ ｎ ｔ ｅ ｒ ｖ ａ ｌ ｄ ｉ ｓ ｔ ｉ ｒ ｂ ｕ ｔ ｉ ｏ ｎ ｏ ｆ ｓ ｔ ｕ ｄ ｅ ｎ ｔ ｂ ｅ ｈ ａ ｖ ｉ ｏ ｒ ｉ ｎ ｔ ｈ ｅ ｃ ａ ｍｐ ｕ ｓ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｏｒ ｆ ｕ ｍ ａ ｒ ｅ ｅ ｘ ｐ ｌ ｏ ｒ ｅ ｄ ｆ ｒ ｏ ｍ ｔ ｈ ｅ ｇ ｒ ｏ ｕ ｐ ｌ ｅ ｖ ｅ ｌ ａ ｎ ｄ ｔ ｈ ｅ ｉ ｎ ｄ ｉ ｖ ｉ ｄ ｕ ａ ｌ ｌ ｅ ｖ ｅ ｌ ，ａ ｎ ｄ ｔ ｈ ｅ ｅ ｍｐ ｉ ｒ ｉ ｃ ｌ ａ ｓ ｔ ｕ ｄ ｙ ｏ ｆ ｔ ｈ ｅ ｄ ｉ ｓ ａ ｐ ｐ ｅ ａ ｒ ａ ｎ ｃ ｅ ｍｏ ｄ ｅ ｌ ｏ ｆ ｓ ｔ ｕ ｄ ｅ ｎ ｔ ｇ ｒ ｏ ｕ ｐ ｉ ｎ ｔ ｅ ｒ ｅ ｓ ｔ ｉ ｓ ｇ ｉ ｖ ｅ ｎ ． Ｉ ｔ ｉ ｓ ｆ ｏ ｕ ｎ ｄ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｏ ｖ ｅ ｒ ａ ｌ ｌ ｃ ｏ ｍｍｅ ｎ ｔ ｔ ｉ ｍｅ
博客评论行为动机因素实证研究
On Motivation Factors of Blog Comments： An
Empirical Research
作者： 张辉 徐晓林
作者机构： 华中科技大学公共管理学院,武汉430074
出版物刊名： 情报杂志
页码： 107-109页
年卷期： 2013年 第11期
主题词： 博客评论 动机因素 社区参与 情感交流 消磨时间
摘要：博客评论已成为博客研究领域的一个新兴议题。
但对博客评论行为动机的研究尚少。
基于使用与满足理论，构建博客评论动机模型，研究博客评论动机因素。
对200个样本数据进行回归分析，结果表明，社区参与、情感交流、娱乐和消磨时间对博客评论行为具有积极影响。
QQ群消息中的人类行为动力学研究
QQ群消息中的人类行为动力学研究
罗芳;杨建梅;李志宏
【期刊名称】《华南理工大学学报（社会科学版）》
【年(卷),期】2011(013)004
【摘要】近年来，Albert Barabasi等通过实证研究发现：人类行为发生的间隔时间并不都符合？白松分布，有的服从幂律分布，并提出了两个普适类。
本文通过对QQ群上6000多条发言消息的记录进行统计分析，发现QQ群发言时间间隔服从广延指数分布（SED），SED指数为0．2和0．15。
这与Barabasi的研究有一定区别，通过查阅文献初步判断是由于qq在线聊天主要是由兴趣和互动驱动的，不同于Barabasi所研究的人类优先行为的动力学。
【总页数】6页(P14-19)
【作者】罗芳;杨建梅;李志宏
【作者单位】华南理工大学工商管理学院,广东广州510640;华南理工大学工商管理学院,广东广州510640;华南理工大学广州学院,广东广州510800;华南理工大学工商管理学院,广东广州510640
【正文语种】中文
【中图分类】N94
【相关文献】
1.人类行为动力学研究综述 [J], 樊超;郭进利;韩筱璞;汪秉宏
2.人类行为动力学研究 [J], 韩筱璞;汪秉宏;周涛
3.Android开源社区的人类行为动力学研究 [J], 罗伟平;杨建梅
4.公共英语多模态教学中基于QQ群的远程学习者学习行为与需求分析研究——以"管理英语3"课程为例 [J], 王建春;李芳;李琼
5.理性的困惑:金融决策中的人类行为分析——兼“行为金融学”简述 [J], 马兴;于新生
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第２ ８卷 第 ４期
２１ ０ １年 ４ 月
计 算 机 应 用 研 究
Ａｐ ｉａ ｉｎ Ｒｅ ｅ ｒ ｈ ｏ ｍｐｕ ｅ ｓ ｐｌｃ ｔｏ ｓ ａ ｃ ｆＣｏ ｔ ｒ
Ｖ０． ８ Ｎ ． １２ ｏ ４
Ａｐ ． ０１ ｒ２ １
博 客 评 论 的 人 类 行 为 动 力 学 实证 研 究 和 建 模 木
ｃ ｍｍｅ ｔ ｎ Ｂｌ ｇ ｐ ｓｓ ｏ ｎ ｓ ｏ ｏ ｏ ｔ
ＧＵＯ Ｊｎ ｌ ｉ — ｉ
（ ｕｉ ｓ Ｓｈｏ， ｎｖｒｔ ｏ ｈ ｎｈ ｉｏ ｃ ｎｅ＆ Ｔｃｎｌ ｙ Ｓ ａｇ ａ ２０ ９ ，Ｃ ｉａ Ｂ ｓ ｅｓ ｃｏｌ Ｕ ｉ ｓｙ ｆＳ ａｇ ａｆｒ ｉ ｃ ｎ ｅ ｉ Ｓｅ ｅｈｏｏ ， ｈａ ｈ ｉ ００ ３ ｈｎ ） ｇ
齐次 Ｐｉ ｏ 过程对模型进行严格分析 ， ｏ ｓｎ ｓ 获得事件的时间间隔分布的解析表达式。结果表明， 该模型的时间间隔
服 从幂律 分布 ， 幂律指数 由两个参数调 节 ， 范 围在 区间（ ， ） 理论 预测和 实证结果相 吻合 。 其 １ 中，
关键词 ：人类动 力 学； ｏｓｏ Ｐ ｉ ｎ过程 ； ｓ 幂律 分布 ； 客帖子评 论 博 中图分类 号 ：Ｎ ４ ９１ 文献标 志码 ：Ａ 文章编 号 ：１０ — ６ ５ ２ １ ）４ １２ —３ ０ １ ３９ （０ １ ０ — ４ ２ ０
ｉｕｒｄ ｎ ｍｉｓ ｏ ｏ ｏ ｙ ａ ｃ ｆｃ ｍｍｅ ｔ ｎ Ｂｌｇ ｐ ｓｓ ｎｓ ｏ ｏ ｏ ｔ ．
Ｋｅ ｙ ｗｏｒ ｄｓ： ｈｕ ｎ ｄｙ ｍｉｓ Ｐ ｉｓ ｎ ｐ ｏ ｅ ｓ；ｐ ｗｅ —ａ ｄ ｓｒｂｕｉ ｎ；ｃ ｍｍｅ ｔ ｎ Ｂｌｇ ｐ ｓｓ ｍａ ｎａ ｃ ； ｏｓ ｏ ｒ ｃ ｓ ｏ ｒｌｗ ｉｔｉ ｔｏ ｏ ｎ理 工大 学 管理 学院 工 业工程研究所 ， 海 ２ ０ ９ ） 上 ０ ０ ３ 摘 要 ：基 于网上博客评 论的数据 统计 ， 出评论 时间 间隔分布 的 实证 研 究 ， 给 发现人 们 对 于某个话 题 的兴趣逐
渐消 失， 评论 的 时间间隔服从 幂律 分布 。根 据这 个特征 ， 出了一 个兴趣 逐渐 消失的人类行 为动 力学模型 ， 提 用非
ｔｉｕｉｎ ｗ ｓａｐ ｗｅ ｗ．Ａ ｃ ｒｉｇｔ ｉ ｆａｕｅ， ｈｓｐ ｐ ｒｐｏ ｏｅ ｄ ｌ ｉ ｒｄ ａｌ ｅ ａｉｇｉｔｒｓ．Ｇａｅａｒ — ｒ ｔ ａ ｏ ｒｌ ｂ ｏ ａ ｃ ｏｄｎ ｏｔ ｓ ｅ ｔｒ ｔｉ ａ ｅ ｒｐ ｓｄａｍｏ ｅ ｔ ｇａ ｕ ｌ ｄ ｃ ｙｎ ｎｅｅｔ ｈ ｗ ｈ ｙ ｖ ｉ ｇ
ｏ ｏ ｓ ａ ｌｓｓｏ ｈｅｍｏ ｅ ｏ ｈｏ ｇｅ ｅ ｕ ｉｓ ｎ ｐｒｃ ｓｅ ｎ ｂ ａｎ ｄａｎａ ａ ｙｉ ｘ ｒ ｓｉｎ ｏ ｎｅ ｖ ｌｄｉｔｉ ｕ ｒ ｕ ｎａｙ ｉ ｎ ｔ ｄ ｌｂｙｎ ｎ— ｍｏ ｎ ｏ ｓＰｏｓ ｏ ｏ ｅ ｓ ｓａ ｄ ｏ ｔｉ ｅ ｎ ｌｔｃ ｅ ｐ ｅ ｓｏ ｆｔ ｉ ｔｒ ａ ｓｒｂ — ｈｅ ｔｏ ｉｎ．Ｔｈ ｎ ｌｓｓｉ ｉａｅ ｈ ｔｔ ｉ ｎ ｅ ａ ｅｗｅ ｎ ｔ ｏ ｓ ｃ ｔｖ ｖ ｎ ｓ￣ ｌ ｗｓｔ ｅｐｏ ｒｌｗ ｉｔ ｂ ｉｎ ｗｉｈ ａｔ ｎ ｅ ａ ａｙ ｉ ｎｄｃ ｔｓｔ ａ ｈｅｔｍｅ ｉｔｒ ｌｂ ｔ ｅ ｗｏ ｃ ｎ ｅ ｕ ｉｅ ｅ ｅ ｔ ｖ ｌ ｈ ｗｅ —ａ ｄｓｒ ｕｔ ｔ ｕ — ｏ ｉ ｏ
ｍｅ ｔ ｒｉａ—ｉ ｎｅｖｌｄｓ ｉｕｉｎ ｏ ｎ ｈ ｔｐ ｏ ｌ ｎｅｅｔｄｉ ｏ ｕ ｊｃｓｇａ ｕ ｌ ｉａ ｐ ａ ｎ ｈ ｎｅｖ ｌ ｉ ｎ ｒ ｌ ｍｅｉｔｒａ ｉｔｂ ｔ ．Ｆ ｕ ｄ ｔａ ｅ ｐｅｉｔｒｓ ｎｓｍｅｓｂｅｔ ｒｄ ａｌ ｄｓｐ ｅ ｒａｄ ｔｅｉｔｒａ ｓ ａ ｖ ｔ ｒ ｏ ｅ ｙ ｄ—
ｔ ｅ ｅ ｉｉａ ｅ ｕ ｔ ｌ，ｏ ｅ ｉｇ ａ ｐ ｒ ｘｍａｅｙ ｐ ｗｅ —ａ ｆｒ ．Ｔｈ ｄ ｌｐ ｏ ｉｅ ｈ ｏｅ ｉａ ａ ｉ ｏ ｕｍａ ｅ ｖ ｈ ｍｐ ｒｃ ｌｒ ｓ ｌｓ ｗｅｌ ｂ ｙｎ ｎ ａ ｐ ｏ ｉ ｔｌ ｏ ｒｌｗ ｏ ｍ ｅ ｍｏ ｅ ｒ ｖｄ ｓａ ｔｅ ｒｔｃ ｌｂ ｓｓｆｒｈ ｎ ｂ ｈａ —
ａ ｌ ｅ ｐ ｎ ｎ ， ｈｃ ａ ｅ ｏ ｔ ｌ ｄｂ ｅｍ ｄ ｌ ａａ ｅｅ ｎ ｔ ｖｌ １ ＋∞ ） Ｔ ｅ ｎ ｌ ｉ ｌ ｅｕ ｒ ｓ ｉ ｂｅ ｘ ｏ ｅ ｔ ｗ ｉ ｃ ｎｂ ｎｒ ｌ ｙｔ ｏ ｅ ｐ ｒｍ ｔ ｓ ｄｉ ｉ ｉ ｅ ａ （ ， ｈ ｃ ｏｅ ｈ ｒ ａ ｓｎ ｎ ｒ ． ｈ ａ ｔ ａ ｒｓｌａ ｅ ｔ ａ ｙｃ ｔｇ ｅ ｗ ｈ
ｄ ｉ１ ． ９ ９ｊｉ ｎ １０ — ６ ５ ２ １ ．４ ０ ２ ｏ：０ ３ ６ ／．ｓ ．０ １３ ９ ．０ １０ ．６ ｓ
Ｅｍｐ ｒｃ ｌｓｕ ｙ ａ ｄ ｍｏ ｅｉｇ ｏ ｕ ｎ ｂ ｈ ｖｏ ｒｄ ｎ ｍｉｓｏ ｉｉａ ｔ ｄ ｎ ｄ ｌｎ ｆｈ ｍａ ｅ ａ ｉｕ ｙ ａ ｃ ｆ