编者按：本文来自微信大众号“集智沙龙”（ID：swarma_org），作者 郭瑞东，审校 刘培源，修改 李倩雨，36氪经授权发布。

导语：信息爆破时代，注意力是个人最稀缺的资源。从获取信息的视点，多久刷一次朋友圈比较合理呢？问题很杂乱，近期一项研讨中，研讨者把交际媒体的运用问题，简化成了一个数学最优化问题，并给出了怎么“高效”刷朋友圈的一个主张：每次刷朋友圈，都请把新信息看完。

看过标题，点进本文，你预期从这篇文章中学到什么了？假如你要的是像42这样明晰的答复，那你肯定会绝望的。不如你改动等待，看看为何数学模型无法对这个问题给出一个明晰的答复。只要了解不或许性，才能对模型能处理的问题有更明晰的知道。

为什么你投入越来越多时刻在交际媒体上？

从BBS到朋友圈，从头条到知乎，这些渠道供给信息流的一起，也依托信息流中的广告盈余。每个交际媒体网站都等待着你在上面花更多时刻，只要这样，才会有更多时机点击广告。

关于一般的交际媒体用户来说，刷朋友圈的距离越久，堆集的新音讯越多，若是你还没来得及看完一切音讯，部分音讯就被你永久错过了，这使得交际媒体对咱们的招引力越来越强。Sean Parker 是交际网站 Napster 的创始人，还曾经是 Facebook公司的联合创始人兼首任总裁，他点评 Facebook 的设计便是为了运用人类软弱的那一面。

交际网络是否绑架了咱们心智？本年4月的Nature Communication的一篇文章指出，新的音讯不断竞争着有限的注意力，在团体层面，热点论题留存距离正在变短。集智沙龙曾做专文报导，介绍这项研讨。

而本年8月，在arixv上8月新出的论文How often should I access my online social networks? （我应该多久上一次在线交际媒体），尝试用数学建模的办法，来答复这个问题。本文将要点介绍这篇论文的中心工作和待改善的问题，并展望未来研讨的或许。

论文标题：

How often should I access my online social networks?

论文地址：

https://arxiv.org/abs/1908.04811

模型假定：交际媒体的5条根本规矩

怎么答复“多久刷一次朋友圈”的问题，取决于咱们怎样假定问题所在的环境，更取决于咱们对交际媒体的用户进行怎样的简化。这两个问题是整篇文章办法论的柱石，之后的研讨若想有所突破，也需求从这个根底动身。

实在国际的交际媒体纷繁杂乱，关于交际媒体渠道，研讨者做出了如下的简化假定：

1. 新内容的发作距离契合泊松散布（泊松散布描绘单位时刻内随机事情发作的次数的概率散布）

2. 交际媒体渠道会尽或许多地展现新发作的内容

3. 在短少新内容时，会展现旧的内容

关于交际媒体上的用户，研讨者也做出了假定：

用户每次改写时，最多只会看固定的K条新鲜事

每条新鲜事对用户的价值相同

需求阐明的是，研讨者关于交际媒体的假定是合理的，但关于用户的假定，则首要是为了简化模型，与实在状况有必定差异。

“刷朋友圈”模型：用户刷朋友圈收益，取决于新鲜事的多少

站在用户的立场上，应该多久刷一次朋友圈这个问题，是一个最优化问题——刷朋友圈的时刻距离多久，收益最大。

依据对用户的两条假定，能够导出关于用户来说，每次刷朋友圈的收益，当展现的新鲜事的数A小于K的时分是A，否则是K。

之后依据泊松散布，来判别在前次刷朋友之后的τ之后，发作的新鲜事条数是A的概率：

有了概率和收益，就能够求希望。研讨者对这个希望在泊松散布的各种或许状况下取全概率散布，就得出了本文提出的中心概念VOA（Value of access，即用户每次的“刷朋友圈收益”），即每次刷朋友圈取得的价值。

模型的树立：特例、极限与参数敏感度

特别状况是对实践的进一步简化。最简略的状况是，假定总是在固定的距离刷，这样多久刷一次就彻底取决于新鲜事更新的频率。更实在的假定是刷朋友圈的距离时刻呈指数散布，在这种状况下，从刷朋友圈中取得的收益如下式所示：

这儿的µ是指数散布的底数，代表每次刷朋友圈的距离均匀为1/u。由所以指数散布，因此在散布上会呈现长尾。即空闲时刷朋友圈的时刻隔短，繁忙时刷朋友圈的时刻距离会长一些，越是长时刻不刷的状况，呈现的概率也越低，这契合指数散布。

而极点状况意味着用户对交际媒体运用到了极致。首要当用户单次最大拜访信息数K为无量时，也便是用户会刷完一切的新鲜事，这时均匀来看，每个用户每次刷到的新鲜事数量便是λ/µ，其间λ是新鲜事发作对应的泊松散布的希望，1/µ是每次刷的均匀距离。

当新信息的发作速率趋向于无量大的时分，这时用户刷朋友圈的收益，就取决于他的单次最大拜访信息数K，即每次刷朋友圈时最多看几条新音讯。而当用户刷朋友圈的均匀距离趋近于无量大的时分，这时的收益也由K决议。

总结一下这个模型的要害参数，用户的单次最大拜访信息数K，新信息发作的希望除以用户改写的概率λ/µ，之后称为p，其意义是用户每次预期看到多少条新鲜事。

研讨者还重视了模型对这两个参数的敏感性，也便是哪个参数的改变，对咱们关怀的方针VOA（刷朋友圈收益）的影响更大。下图的纵轴是数值模仿中VOA的改变，左面不同的色彩代表不同的p值，右边代表的是不同的K值。

图例：不同参数下的刷朋友圈收益改变曲线

模型验证

之后研讨者用巴西大选期间30个媒体账号的Facebook信息流数据，来验证上述模型的假定是建立的。

文中列出的三组验证，第一组是拿信息流去在模仿环境下，用FIFO（最新进入的信息最早推送）来进行模仿，之后是拿网页的插件获取没有登录时下facebook的信息推送，与之比照的是通过插件，获取个人用户登录帐号后，通过facebook的过滤算法推送的成果，以阐明Facebook的信息流过滤对用户拜访价值的影响。

图例：用实在数据验证模型

左图是这段时刻内总共新产出的内容，横轴是以天核算的时刻轴，纵轴是总的推送数。能够看出这儿总的推送数加起来也就1000左右，实在算不上大数据研讨。

右图比较模型理论核算的VOA（用户每次刷朋友圈收益）的希望值，与通过Bot仿真的到实在的VOA。阐明通过参数调优模型，其核算出的希望能够反映实在状况。

批评性地来看，该研讨较好地构建了数学模型，但缺陷是模型验证有些粗糙。首要，验证数据很少，只来自一种交际媒体，并且会集在一个很特别的时刻段里，得出的定论也有些牵强。这篇文章需求用更很多的数据，且不是在大选这样特别时刻段的数据来做进一步的验证，更高一些的要求是要去比较不同渠道，例如 facebook 和 twitter 的数据，以验证模型能够反映各类型的交际网络。

文章指出，用来从交际媒体获取数据的插件分为两种，高频率的每十分钟调取一次，正常的每一小时调取一次。正是这个试验设计上的细微不同，导致了下面的不同。

图例：不同采样频率下的刷朋友圈价值改变曲线

这儿左右两图别离比较的是高频采样的和低频采样的Bot，横轴是K的值（用户单次最大拜访信息数），纵轴是实践的VOA（用户刷朋友圈价值），左右两图的距离不仅是数量上的，并且定论也不一致了。左图是赤色的和绿色的最接近，右图是赤色和蓝色的最接近，也便是说这篇文章的定论是和特定的研讨办法强绑定的，这是该研讨的局限性。

你应该多久刷一次朋友圈

有了要优化的方针VOA（用户刷朋友圈收益），以及需求调整的参数u，就能够答复在抱负状况下，刷朋友圈的最佳周期应该契合怎样的概率散布了。

这儿作者再引进一条假定：即每次刷朋友圈的本钱固定是1，也是一条新鲜事的收益。

这个假定也是比较抱负的，有意图地专注刷朋友圈，和在公交车上随意刷朋友圈，实践上是有必定不同的。

图例：最优刷朋友圈的均匀时刻随不同参数（k，λ）改变曲线

该图纵轴是最佳的拜访频率，不同的色彩代表不同的参数组合，横轴是不同的K值。横轴的K在超过了3之后，其值越大，最优的拜访次数也越小，不论新鲜事发作的频率是多少。

这契合日子知识，假如你每次刷朋友圈的时刻，只够看一两条新鲜事，那你最好频频的刷，但假如你每次能够会集一个很长的时刻，来看许多条新鲜事，那你应该削减你看新鲜事的频率。

这或许是这篇文章能给读者的最大启示，也便是要想少刷朋友圈，又不漏掉新鲜事，那就要让每次刷的时分多留一些时刻，不论有多少条，都看完。

注意力与信息流的未来

注意力经济是集智沙龙作品《走近2050》这本书中屡次呈现的概念，也是一个很招引眼球的论题。尽管说科学研讨自身是中立的，但科学家却能够有自己的好恶，研讨交际网络上的注意力争夺战，终究的意图是要协助企业和用户到达双赢。

相关阅览：

信息过载的时代，注意力才是你最稀缺的资源

Nature通讯：大规模团体注意力的加快动力学

以知乎为例，自从信息流改版之后，用户默许的推送流就从重视用户，变成了引荐问答和文章，这促成了一次天然的试验：研讨者能够去调查用户的拜访时长，拜访距离，点赞和保藏数是否因为改版而添加。更要害的是，能够判别用户是否因为引荐算法，阅览了更多和推送前不一样主题的内容，用户的阅览习气，例如均匀阅览文章的长短等是否也发作了改变。

这样的大数据研讨，能够阐明互联网公司的默许设定对用户的认知习气所发作的巨大影响，然后为承受信息流的终端用户指出改动方向。关于供给信息流的渠道，剖析不同战略对用户行为形成的影响，能够判别这样的改变是否在长时刻上对用户有利，而不是只剥削短期的点击率，然后导致终究用户丢失。