“科 研”

ZJUSOM

在我们的日常生活中，有一个很常见的现象——“物以类聚，人与群分”。

比如，喜欢户外运动的人，身边往往有一群同样喜欢户外运动的朋友，你很难看见他会和喜欢宅在家的人做朋友。

这个现象在社会学中被描述为：社交网络中的朋友之间会表现出相似的属性和行为特征。

而对于发生这种现象的原因，有人说是因为同质性影响（志同道合），也有人说是因为同伴影响（近朱者赤，近墨者黑）。

图片来源：©千库网

众所周知，同伴影响是指个体受其网络中的临近个体（如朋友、同事、同行、领导、下属等）的影响，使个体变得与他们相似；而同质性影响是指相似的个体更容易建立社交关系。

所以就上述例子而言，他们到底是因为同质性影响（相似爱好）而更容易成为朋友，还是因为朋友之间的同伴影响，导致他们表现出相似的爱好？

这就好比“先有鸡还是先有蛋”的问题，似乎很难说清楚。也因此，同质性影响和同伴影响的区分，一直是相关社交网络分析尤其是社交关系因果性确定的一大难题。

而日前，浙江大学管理学院2017级博士生柳炎等学者在国际顶级期刊lNFORMS JOURNAL ON COMPUTING（管理学UTD24期刊之一）上发表的最新研究成果，创新性地解决了这一难题。

学生简介

柳炎，浙江大学管理学院2017级博士生，导师为浙江大学管理学院陈熹教授，主要研究方向为信息管理，具体研究兴趣为网络嵌入算法和基于网络嵌入的社交网络分析。

他们基于数据驱动

提出更准确的“区分方法”

在博士生柳炎等学者发表的题为“Distinguishing Homophily from Peer Influence Through Network Representation Learning”的论文中，他们提出了一种新的基于数据驱动的“准实验框架”，来区分同伴影响与同质性影响。该框架结合了潜在同质性识别和因果关系的推断。

文章发表截图

具体而言，该方法首先利用可扩展的网络嵌入算法，从社交网络中提取出保留节点多尺度结构信息的网络嵌入。然后，网络嵌入在准实验框架中对潜在趋同性进行控制，以实现因果推断。与过去的研究相比，他们的研究不仅控制了受影响个体的同质性影响，也控制了影响来源的同质性影响。通过仿真实验证明，他们所提出的方法对于同伴影响效应的估计，比现有的参数化方法和数据驱动方法更准确。在这之后，他们又将这种“准实验框架”应用于玩家在线游戏行为的实证研究中，结果表明，他们所提出的“准实验框架”相比基准模型拥有更好的拟合优度。

这项创新性研究

极具学术与应用价值

就学术价值而言，这项研究不仅证明了研究者可以利用社交网络的结构数据提炼出网络结构的嵌入式表征，这种嵌入式表征可以有效控制社交关系中的同质性，还成功区分了同质性影响和同伴影响，更精确地测定了两种不同影响的大小。

此外，博士生柳炎团队所提出的“准实验框架”可与当前更为先进的网络嵌入算法进行结合，以实现对同伴影响效应更精确的估计。

图片来源：©千库网

同时，这项研究的成果还可以应用于一些重要的商业领域。例如在线多人游戏、社交商务中，企业需要同时考虑同伴影响和消费者（玩家）自身的因素对其消费行为的影响，并科学测量两者各自的影响，才能更精准的制定相关的营销方案。

又如，在线多人游戏中，游戏运营公司在做客户分析之时，如果玩家的购买决定很大程度上取决于同伴活动，那么公司可以向拥有许多好友的玩家提供额外奖励，以鼓励他们购买游戏道具。

而如果同质性影响是购买的主要原因，那么公司应该直接向与付费用户具有相似属性和行为特征的未付费用户推广相应的游戏道具。

科研路漫漫

感恩导师鼓励

高质量的研究成果背后，往往是一个团队的共同努力。

此次与博士生柳炎合作开展研究的还有他的导师——浙江大学管理学院数据科学与管理工程学系主任陈熹教授，以及复旦大学管理学院信息管理与商业智能系系主任张诚教授。

采访中，博士生柳炎表达了对两位“前辈”的感恩，特别是导师陈熹教授。

“科研之路，道阻且长。在做科研的过程中，我有过迟迟没有产出高水平科研成果的焦虑。每当此时，陈熹老师总能给予我信心、鼓励与指导，告诉我‘坚持自己的研究是有价值的’，而最终也正如陈熹老师所说的一样。”

学者简介

陈熹，浙江大学管理学院教授，博士生导师。浙江大学管理学院数据科学与管理科学与工程系系主任。研究方向：信息系统、大数据分析、社交媒体与社会网络

采访最后，博士生柳炎也分享了自己的科研秘诀，那就是一定要有耐心与信心。他说，每次实验都是经验的积累，“精益求精，锲而不舍”是科研人该有的态度。

附：论文摘要

Peer influence and homophily are two entangled forces underlying social influences. However, distinguishing homophily from peer influence is diffificult, particularly when there is latent homophily caused by unobservable features. This paper proposes a novel data-driven framework that combines the advantages of latent homophily identifification and causal inference. Specififically, the approach fifirst utilizes scalable network representation learning algorithms to obtain node embeddings, which are extracted from social network structures. Then, the embeddings are used to control latent homophily in a quasi-experimental design for causal inference. The simulation experiments show that the proposed approach can estimate peer influence more accurately than existing parameterized approaches and data-driven methods. We applied the proposed framework in an empirical study of players\' online gaming behaviors. First, our approach can achieve improved model fitness for estimating peer influence in online games. Second, we discover a heterogeneous effect of peer influence: players with higher tenure and playing levels receive stronger peer influence. Finally, our results suggest that the homophily effect has a stronger influence on players\' behavior than peer influence.

温馨提示：查看论文原文，可点击文末左下角的“阅读原文”。编辑整理：段婷

素材提供：柳炎

审核：佟庆