唔……建议改名为正常恋爱模拟器，这样更有讽刺的意味。
一个有趣的问题是，在一天内《情感反诈模拟器》就已经steam国区第一的情况下，即使把制作组的账号封禁了，也没有任何意义，此时的封禁，只会进一步强化模因传播，促进病毒式传播而已。
为什么这么说呢？
首先，我们要明白一点，什么是模因？
模因是通过模仿在人与人之间传播的思想、行为或风格，通常是为了传达模因所代表的特定现象、主题或意义。
那么如果将肥猫作为模因，那么该游戏制作组的行为也会成为一个模因——支持肥猫，能赚大钱，而后续如果把这个制作组的账号封禁了，只会继续加强模因的传播效果而已。
这个制作组肉身在香港，说明这个账号，就是弃子，吃了这个弃子，反而正中下怀。
那么，当封禁了这个账号后，会发生什么呢？
我们可以看看scientific reports在2013年8月的这篇文章，文章内容是病毒式传播和社区结构的关系。
实验使用Twitter 流媒体API收集了2012年3月24日至4月25日期间所有公开推文的10%样本。仅提取以英文撰写的推文。该数据集包含由14599240 位独立用户生成的121807378 条推文，这些推文至少包含10393465个主题标签中的一个。
实验应用Infomap31，一种成熟的算法来识别社群结构。为了确保结果的稳健性，我们使用另一种广泛使用但截然不同的社群检测方法——链接聚类进行相同的分析。结果相似。为了量化社区中的模因集中度和社会强化的强度，我们关注观察时间段内出现的新模因。新模因定义为上个月（2012年2月24日至3月23日）推文数量少于20条的模因。我们结果对标签过滤标准的敏感性测试可在SI中找到。
唔姆，如图所示，以上是社区结构在社会传染病传播中的重要性。(A)表示结构陷阱：密集的社群，外向链接较少，自然会阻碍信息流的传播。(B)表示社会强化：采用某个模因（黑色节点）的人会触发对其他人（红色节点）的多次曝光。在高聚类的情况下，任何额外的采用都可能比低聚类的情况产生更多的多次曝光，从而引发更多采用的连锁反应。(C)表示同质性：同一社群（相同颜色节点）中的人更有可能相似并采用相同的想法。(D) 表示基于推特用户分享#USA标签的转发的扩散结构。蓝色节点代表英语用户，红色节点代表阿拉伯语用户。节点大小和链接权重与转发活动成正比。(E) 表示推特用户分享#BBC和#FoxNews标签的社群结构。蓝色节点代表#BBC用户，红色节点代表#FoxNews用户，使用过这两个标签的用户为绿色。节点大小与使用（推文）活动成正比，链接代表相互关注关系。
为了检验和量化模因的传播模式，分析从推特（Twitter）收集的数据集。
唔姆，如图所示，以上是社区的模因集中度。结论很明显，社区内链接携带更多信息。其他数据集也报告了类似的结果。此外，通过将个体的关注点定义为针对同一社群中每个邻居的活动比例f↻，或针对不同社群中每个邻居的活动比例f↶，我们发现人们与同一社群的成员互动更多。
如果模因像复杂的传染病一样传播，我们预计社区内的交流和模因采用会更加集中。为了衡量这种影响，我们引入了四个基线模型。
唔姆，如图所示，以上是信息传播的基线模型。我们通过将经验数据与这些模型进行比较来估计对模因的捕获效应。
唔姆，如图所示，以上是社区中的模因集中度。通过绘制相对（A）使用优势、（B）采用优势、（C）使用熵和（D）采用熵，可以显示模因浓度随模因流行度变化的情况。结论很明显，非病毒性模因表现出与基线M3或M4相似（或更强）的集中性，这表明这些模因倾向于像复杂的传染病一样传播。
那么，我们可以认为，一个模因的高集中度暗示该模因仅对特定社群有吸引力，而低集中度则暗示其具有普遍吸引力，因此可以用来预测该模因的病毒式传播。
唔姆，如图所示，以上是从社区结构来看，两种截然不同的模因（病毒式与非病毒式）的演变。我们将每个社区表示为一个节点，其大小与该社区发布的推文数量成正比。社区的颜色代表该标签在社区中首次使用的时间。
为了标记病毒式传播的模因，我们根据推文数量或采用者数量对数据集中的所有模因进行排名，并定义一个百分位阈值。θT或 θU的阈值表示，如果一个模因在多于 θT% 的推文中被提及，或被多于 θU% 的模因采用，则该模因被视为病毒式传播。[1]
那么回到这个问题，我们可以得出这样一个有趣的结论：一个模因的高集中度暗示该模因仅对特定社群有吸引力，而低集中度则暗示其具有普遍吸引力，因此可以用来预测该模因的病毒式传播。
什么意思呢？举个例子，假设现在某个大媒体下场辟谣说“知乎用户思辩不是樱小路露娜，系造谣”，那么反而能让“温柔的思辩姐姐是樱小路露娜”这一事实进行更加全面的扩散，因为此时这件事的传播核心由我换成了大媒体。
那么这件事也是一样的道理，下场把这个游戏的制作组全网封禁，再一次让这件事的传播中心由游戏制作组变成了自己，而且“正常恋爱”由于过于戏剧化，本身就是一个非常有扩散能力的模因，最后变成病毒式传播。
除此之外，我们还可以看看Science在2010年9月的这篇文章，
什么是集群网络呢？负载平衡集群由两个或多个计算系统（也称为节点）组成。网络的工作负载分散在这些节点上，以提高网络的计算性能。从用户的角度来看，节点充当一个计算机系统。
高可用性集群网络是两个或更多计算节点，可在硬件或软件故障的情况下提供冗余。它也称为故障转移集群。当一个计算系统发生故障时，它的操作被转移到冗余节点，以提供持续的计算服务。唔呣，实验的示意图如图所示，其中左图为集群网络，右图为以小世界网络为例子的随机网络：
这其实就是把节点的影响力分散开来，不采用由若干个大节点和无数个小节点组成的社交网络，也不采用随机网络，以确保每个节点的影响力最大化。而且还有一个好处，即使一个节点发生故障（对应即使微博一个你们懂的营销号被禁言，也可以迅速转移到其他节点）。
实验在每一对中，参与者被随机分配到聚类格子网络或相应的随机网络 。这产生了 12 个独立的扩散过程。扩散通过选择一个随机的“种子节点”启动，该节点向其网络邻居发送信号，鼓励他们采取与健康相关的行为，即注册健康论坛网站 。每当参与者采取该行为时，都会向她的健康伙伴发送消息，邀请他们采取该行为。如果参与者有多个采取该行为的健康伙伴，那么她将收到多个信号，每个邻居一个。采取该行为的邻居越多，参与者收到的强化信号就越多。每个社交网络成员做出的采取决策顺序提供了该行为在人群中传播的精确时间序列。
唔呣，如图所示，以上是时间序列显示了健康行为的采纳在聚类格子网络（实心黑色圆圈）和随机网络（空心三角形）中的传播情况。与随机网络（通过空心三角形表示）相比，信息通常会在集群网络（通过实心黑色圆圈表示）中传播到更大比例的人口。平均而言，该信息在集群网络里的传播比例达到了53.77%，而只有 38.26%的人在随机网络里接收了信息，而且集群网络中的平均扩散速率比随机条件快四倍以上。
而且重复的冗余信号也能显着增加被采用的可能性，来自多个节点的信息使参与者更愿意采用这种行为。唔呣，如图所示，通过将接收到一个社交信号后的采用可能性与接收第二、第三和第四个强化信号的节点增加的采用可能性进行了比较，与仅收到一个信号相比，参与者在收到第二个信号后采用的可能性明显更高，接收第三个信号也显着增加了采用的可能性。
一个信号的接受率与从2~5个信号的接受率的比较如图所示：
虽然只有不到15%的接收到一个信号的参与者回访了论坛，但超过30%的接收到两个信号的参与者进行了回访，40%的接收到三个信号的参与者至少进行了一次回访。
也就是说，结论很简单，随机网络，也就是具有许多聚类和高度分离的网络对于行为和信息扩散的效果将低于通过连接局部冗余关系，以提供跨社会空间捷径的网络当参与者从社交网络中的多个邻居获得社会强化时，个体采纳行为的可能性要大得多。与相应的随机网络相比，这种行为在聚集格子网络中传播得更远、更快。[2]
那么综上所述，我们能得出结论，在每一次下场时，不论做出什么决策，那么最后都会将这件事的传播关系由仅限于几个群体的强关系传播扩散到涉及整个社交平台的弱关系传播，此时容易变成病毒式传播。那么如果我是决策者，要怎么做呢？最优解自然是多上几个娱乐圈的热点，冲淡这个游戏，在特别是微博上的热度，而不是最简单粗暴的全网封禁。