唔……本来中午去看这篇文章时还在想对方的智商应该不至于低到这种程度，然后晚上我的关注者告诉我这篇文章被下架了，其实下架了才是对《正常恋爱模拟器》处理的最优解，说明这方面相关的专业人员开始上号了。
为什么这么说呢？首先我们先弄清楚第一个问题：封禁制作组的账号，有用吗？答案很明显是否定的。
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，而且持续多日的情况下，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。
那么病毒式传播的核心逻辑是什么呢？是弱关系。
什么是弱关系？弱连接也是一种人际关系，从社交互动的频率来看，人际关系可以简单划分为强连接和弱连接。强连接就是和此人亲密的朋友，搭档或者客户，彼此人生的交集很多，产生的互动机会也多，但是两人之间的社交范围很小，这里的范围指代距离或者空间范围。相反，弱连接的接受对象可能很多，社交空间很广，但是交流互动几率很少，造成这种现象存在的因素和时间、精力或者利益相关性有关。
当拥有桥接性纽带的人使用互联网等传播媒介时，他们能够增强教育社区成员的能力，并根据需要组织集体行动。与群体之间缺乏桥接关系的人相比，跨群体关系较弱（桥接关系）的人拥有更高的社区参与度、公民意识和集体效能。此外，与缺乏桥接关系的重度互联网用户相比，拥有桥接关系的重度互联网用户拥有更高的社交参与度，更倾向于将互联网用于社交目的，并且自上网以来参加了更多本地会议和活动。[2]
那么我们可以思考第二个问题——今天这篇正面报道，对于降低游戏的传播热度，有用吗？答案也很明显是否定的。
因为无论是负面报道，还是正面报道，传播的核心都是央视这种大媒体，那么无形中就起到了弱关系传播里的核心节点的作用。她们认为群众看到这篇正面报道，会认为“啊啊啊啊央妈认可了游戏太好了！可以高枕无忧了！”，但实际上很多人想的是“什么？这个游戏被迫改名了？那更得助力传播了！”
关于负面情绪传播的特点，我们可以看看arxiv在2020年5月的这篇文章，里面说的是负面情绪和社交网络结构之间的关系。
实验中收集了92176位用户在2014年9月至2015年3月期间发布的11753609条推文，其中包括这些用户的以下网络。通过训练的贝叶斯分类器，该数据集中的每条情绪化推文都被自动分类为表达喜悦、愤怒、厌恶或悲伤。然而，在文章中，只关注愤怒和喜悦，因为厌恶和悲伤传染的可能性很小 。然后，在社交网络中相应地调查结构偏好，该社交网络由大约100000个主题组成。
唔姆，如图所示，以上是。数据集中所有情感转发的三个不同指标的平均值。第一个指标是共同好友的比例，第二个指标是互惠性，第三个指标是微博中平局两端之间的转推次数，称为转推强度。愤怒的较低指标表明，在传染中，愤怒通过比快乐更弱的纽带传播。
弱纽带在社交网络的扩散中起着至关重要的作用，特别是通过桥接不同的集群来打破由孤立社区造成的局部陷阱。
具有四个社区的微博网络样本快照中的情绪传染。带有更多愤怒转发的链接是橙色的;否则，它们为绿色。可以看出，与快乐相比，愤怒更喜欢连接不同社区的更脆弱的纽带。左侧的两个社区被愤怒所主导;因此，他们的大部分信息在社区之间传播。相比之下，右侧两个以欢乐为主的社区的情绪倾向于在社区内部扩散。
除此之外，为了全面了解传染倾向和联系强度在情绪传播动力学中的作用，可以从微博的无向下图中建立了一个模型来模拟这种扩散。在这个模型中，受到经典的易感感染 （SIR） 模型的启发，首先随机选择一个具有某种情绪的种子来点燃传播，然后，其他没有情绪的易感节点会被感染并获得与种子相同的情感状态。任何具有受感染邻居的易感节点si都会被感染的概率为：
p=\gamma w_{i s}^\alpha / \sum_n w_{i n}^\alpha
其中γ≥0反映了传染倾向，α控制了关系强度偏好。具体来说，γ越大，表明情绪的传染性更强，而α<0会优先选择弱纽带来传播情绪，而强纽带更有可能在的时候α>0被选中，并α=0会导致随机选择扩散路径。
唔姆，如图所示，以上是微博中第一个受感染的 50 个节点的快照。结论很明显，与强联系相比，采用弱联系作为扩散路径可以提高情绪渗透其他网络成分的机会，从而产生大直径和备用结构。同时，γ越大，意味着更多的邻居将被感染，从而导致社区密集。通过明确定义情绪传播的速度和覆盖率。
唔姆，如图所示，以上是来自现实在线通信爆发的证据。结论很明显，在a图中，愤怒传播的速度最快，而且速度也超过了b图中喜悦的速度。[3]
那么我们可以量化一下，这个游戏在制作组被迫改名时，传播效果经历了第一次大爆发，在今天正面报道发出时，经历了第二次小爆发，而且累加的热度会持续非常久。归根结底，正面情绪和负面情绪都带有强度，所以最后都能催生出带有情绪的弱传播。
参考
- ^Weng, L., Menczer, F. & Ahn, YY. Virality Prediction and Community Structure in Social Networks. Sci Rep 3, 2522 (2013). https://doi.org/10.1038/srep02522
- ^Kavanaugh, A., Reese, D.D., Carroll, J.M., Rosson, M.B. (2003). Weak Ties in Networked Communities. In: Huysman, M., Wenger, E., Wulf, V. (eds) Communities and Technologies. Springer, Dordrecht. https://doi.org/10.1007/978-94-017-0115-0_14
- ^Fan, Rui, Ke Xu, and Jichang Zhao. "Weak ties strengthen anger contagion in social media." arXiv preprint arXiv:2005.01924 (2020).