基于中心性的干预对象选择

网络就像一张地图，展示人们以及他们之间的联系。中心性根据每个人在这张地图上的位置，帮助你判断可以先接触谁。最佳的起始人群还取决于影响如何传播，以及这些人能影响到的人是否重叠。画出你的三位联系人，标出每个人可能影响到谁。

中心性启发式方法是一类经验法则，根据人们在网络中的位置来选择对象。这篇论文将两种选人方式与影响力最大化方法进行了比较：选择连接数较多的人，或选择到其他人平均距离较小的人。这些基于网络结构的排名可以帮助你快速筛选候选人，但不等于找到了预期传播范围最大的起始人群。[1]

影响力最大化有一个不同且明确的目标：选出固定数量的初始采用者，让预期的最终采用人数最多。这里的“预期”，是指在指定的传播过程中，对各种可能结果取平均值。这种方法会把起始人群作为一个整体来评估，而不是假定把那些各自很突出的人放在一起就是最佳选择。[1]

论文评估了几种明确的数学模型，用来描述采用行为如何沿着人与人的联系传播。模型会对传播过程作出假设；在这些假设下得出的结果，并不是在预测每个真实的人都会这样行动。作者证明了几类模型下的近似保证，也就是近似方法与最优结果之间差距的理论界限。将基于模型的对象选择方法用于实际干预时，你需要留意这些保证的适用范围。[1]

来看一个纯属假设的例子：一种工具沿着地图上的箭头，在三个村庄之间传播。假设每个收到工具的人都会采用它，并沿着每一条向外的箭头继续传递。市长只能影响到村庄A，医生只能影响到村庄B，商人则能影响到三个村庄里的每个人。在这些假设下，从商人开始就能让所有人都接触到工具。如果传递不再确定会成功，或者箭头发生变化，就需要重新评估这个结论；仅仅因为某个人连接了不同群体，还不足以认定他就是最佳选择。

论文中的贪心方法每次为起始人群增加一个人，选择的是在已选人员的基础上，能带来最多额外预期传播的人。这样就能考虑到影响范围的重叠。论文针对指定模型证明了算法的表现界限，也报告了计算实验，但这两者都不能保证实际干预会成功。应用时，可以先在合理的传播假设下比较不同候选人群，再投入有限的资源。[1]

• 理论与目标：Kempe、Kleinberg和Tardos将影响力最大化定义为：在指定的扩散模型下，选择固定数量的初始采用者，使最终采用人数的期望值最大。他们证明，求出精确的最优解是NP难问题。NP难是计算难度的一种分类，并不意味着无法找到有用的近似解。[1]
• 理论与保证：论文使用基于次模函数的分析框架，证明一种自然的贪心策略在几类扩散模型下，可以得到效果至少达到最优值约63%的解。这是针对特定模型的近似保证，并不是对所有传播过程或实际推广活动的保证。[1]
• 计算证据：论文报告了在大型合作网络上使用扩散模型进行的实验，其中作者的近似算法优于基于度中心性和距离中心性的启发式方法。这些结果来自对网络数据进行的扩散建模，并不是通过干预人们的采用行为而观察到的效果。所提供的摘录没有报告与介数中心性的比较。[1]

这些理论保证针对的是指定模型、预算和影响力参数下的预期传播范围。它们不承诺每次模拟运行都会得到相同结果，也不能证明实际推广活动会有效。基本模型假设初始采用者已被激活，且采用状态会持续；真实行为可能不符合这些假设。从这一设定中可以得到的实践建议是：检查网络和传播规则是否符合你计划开展的干预。村庄例子只是一个假设性的说明，并非实证证据；这篇文献也没有确立阻止疾病传播或选择疫苗接种对象的规则。