1、图网络数据在跟风拍摄中的实践与应用李健伟 生产数分techlead|数据分析师生产数分techlead李健伟KSIB-DA/DA-Product|01图网络基本概念概述图网络基本概念概述目录目录CONTENT|02网络数据在快手的应用现状网络数据在快手的应用现状03网络数据在跟风拍摄中的实践网络数据在跟风拍摄中的实践04利用传播网络关键节点形成频率错觉利用传播网络关键节点形成频率错觉图网络基本概念概述01|网络必要元素网络有两个最基本的组成部分：节点（nodes）和 边（edges）|网络必要元素现实世界的社交网络主要有小世界网络(Small-World Network)，无标度网络(Scal

2、e-Free Network)，和随机网络(Random Network)三种结构|中心节点在网络中扮演了重要的角色，如同维持整个网络生态的连接器一样。在不同的网络结构(场景)中，中心节点的定义可能会不尽相同，例如被众多邻居包围，拥有更多的边缘(edges),处于连接的重要路径上，通常可以用如下指标去衡量中心(Centrality Measures)：网络关键节点|网络关键节点三种常用的网络节点中心性度量指标：Degree Centrality(度中心性)、Betweenness Centrality(介数中心性)、Closeness Centrality(紧密中心性)度中心性度量度中心性度量

3、介数中心性紧密中心性|网络基本分类五种常见的网络类型：无向网络(Undirected Network)、有向网络(Directed Network)、加权网络(Weighted Network)、背书网络(Signed Network)、多边网络(Multi Network)|图网络应用图神经网络图网络因果推断(Pearl)网络中社区的挖掘网络数据在快手的应用02|社区的形成单个用户是散点，用户间通过“广义社交”形成关系对，这无数关系对交织在一起形成社交关系网，最后通过不同社交关系网的特性可以定义不同的社区。|关系网络-从无序到有序用户关系网错综复杂，看起来就像一张无序的大网，但是我们可以通过

4、LOUVAIN等社区网络算法，将无序网络转化为有序网络并挖掘出不同的社区。备注：图表数据均为随机生成用于演示，无实际业务含义|线下到线上的社区迁移社区31迁移的比较好，有大量的线下好友关系迁移至线上，我们可以给予这些关系做很多有意义的社交策略；社区7迁移的较差，这也体现了这一社群的一些特性，我们在实际业务中也做了一些差异化的迁移策略。备注：图表数据均为随机生成用于演示，无实际业务含义|社区策略不同社区用户具有差异化的行为，但是正如六度分隔理论，即使是不同社区的用户，也可以通过媒介用户(网络关键节点)与其他社群产生联系，进而对更大范围用户产生影响。备注：图表数据均为随机生成用于演示，无实际业务含

5、义网络数据在跟风拍摄中的实践03|什么是风，什么又是跟风风的必要条件：可(易)模仿、生产门槛低、有趣有料、符合大众品味；跟风：普通ugc和pgc作者能够基于所看到的视频，模仿视频的主题或风格，拍摄出类似的作品。|风的载体|网络中的关键节点超级传播节点：对网络影响最大的部分，既能直接影响大量的一度关系用户，又能影响其他的关键用户，需要定向重点维护；中心传播节点：对网络节点用户的影响最直接，但是影响的用户继续传递的概率较低；种子传播节点：自身的直接影响力较低，但是可以促进超级/中心节点用户继续生产并影响其他节点；低效传播节点：最普通的用户节点，基本无法影响其他用户跟拍；|关键节点策略促产策略“精准

6、制导”命中关键用户：特定召回和排序调权；荣誉激励任务体系；定向人工运营；|工具赋能业务营造“话题”除了算法分发侧的优化，运营的有效干预更为重要，因此高效的工具是平台“造风”的必要元素。爆款素材识别在快手的爆款素材识别在快手的 应用与实践应用与实践利用传播网络关键节点形成频率错觉04|何为频率错觉频率错觉，也被称为巴德尔-迈因霍夫现象或频率偏见，是一种认知偏见，即在第一次注意到某一事物后，有一种更频繁地注意到它的倾向，导致某人相信它有很高的频率（一种选择偏见）。当对某一事物的认识增加，造成它更经常出现的错觉时，就会发生频率错觉。说白了，频率错觉就是 你刚刚发现的一个概念或事物突然好像到处出现|生

7、活中的频率错觉由于普通人缺少上帝视角，因此我们对于很多事情发生概率的估计是基于自己的感知判断，此时得到的结论往往是有偏的，甚至是完全错误的，那么这些错误的认知从何而来呢？|视频创作中的频率错觉连续看完这三个视频，你会不会觉得这个视频风格很流行，有没有想跟拍的冲动？|频率错觉的影响人们在重复看到某种特定属性的内容后，会深刻影响其后续的行为，其追随“潮流”生产类似视频的概率大幅增加。备注：图表数据均为随机生成用于演示，无实际业务含义|频率错觉影响回到刚才讨论的问题，用户重复看到特定主题、玩法的视频后生产类似风格视频，此时我们能将该作品的生产归因到重复推荐导致用户形成频率错觉上吗?of course

8、 not！同主题作品分发次数(T)用户画像+行为特征+节假日等外部信息(X)用户是否跟拍(Y)|频率错觉影响及价值在做因果推断时，筛选混淆变量X是至关重要，这决定着我们能否将T（同素材作品重复分发次数）对Y的因果影响计算的更纯净。|基于DML计算频率错觉的影响我们使用双重机器学习模型（DML）计算频率错觉对用户生产的影响，在不同的地区，频率错觉均会显著提升用户的生产意愿。因果推断的概述详见金雅然老师的文章：因果推断与实验设计|如何形成频率错觉在验证了频率错觉有助于激励用户跟拍后，我们如何利用这一结论，让用户形成频率错觉呢？对超级传播节点作品加权取消特定主题内容的打散策略运营活动预热，增加用户印象产品功能上突出热门素材展示Q&A|