很多人只是阐述了剧方对货拉拉的态度充满了傲慢，但并未说明为什么会出现各大网站评分暴跌这种现象。
我来补充一下原因吧——微博是现在最主流（论文抽取数据什么的基本上都是从微博出发）的平台，剧方在制定策略时，必然会做好针对这种情况的预案，但由于他们太过陷入饭圈思维，导致对群众的严重低估，所以导致预案出现重大失误，出现了“各大网站评分暴跌”这种现象。
我们先看看主演：
唔呣，主体以流量明星为主，以王秀竹为例，她演出的一部电视剧是《三生三世十里桃花》。就像这样：
为什么要动用流量明星呢？其实就是让流量明星的真人活粉和社交机器人担任防御的作用。
以2020年nature上刊登的一篇论文为例，我简单说明一下饭圈的主体——流量明星粉丝和社交机器人的机制。
论文的题目，Exploring the construction and infiltration strategies of social bots in sina microblog，讲述的就是微博社交机器人构建及渗透策略。
其中，构建主要包括数据采集、语料库准备、社交机器人构建和节点渗透三个部分。首先构建一批爬虫，爬取微博和新闻中的个人信息、社交关系、微博和评论，形成信息库。然后，基于这个信息库，利用模式匹配、深度学习等技术，准备好要发布的个人资料、评论和微博的词汇库。最后是一个社交机器人控制软件，通过命令和这个语料库构建社交机器人，并控制它们按照预设的渗透策略进行活动，如图所示。
研究人员通过使用带有词汇嵌入的LSTM（Long short-term memory）作为情感分类器来区分正面和负面评论，然后使用Char-RNN（character recurrent neural network，可以在给定一系列先前字符的情况下预测下一个字符的一种循环神经网络）作为文本生成模型来生成正面评论。在训练情感分类器之后，我们用它来过滤掉用于训练文本生成模型的正面评论。Char-RNN 模型如图 3所示。该模型由两个LSTM 层和一个密集层组成。
使用softmax函数作为激活函数来生成评论。同时引入softmax函数的温度参数T来控制采样过程中的随机性，从而产生更多不同的评论。T是温度参数。T越小，生成的评论越趋同，同样，T越大，生成的评论的相异性会越高。
\begin{aligned} P(y_{i}|(y_{1},\ldots ,y_{i-1}))=S(z_{i})= \frac{e^{z_{i}/T}}{\sum _{j=1}^{C}e^{z_{j}/T}}, i=1,2,\ldots ,C. \end{aligned}
唔呣，公式如上，以下为爆炸事件在不同温度下生成的评论。
社交机器人需要执行的两种日常操作。这两种类型是：用于发布和阅读微博的社交互动动作（SI 动作） ；用于改变 OSN 结构的社会结构动作（SS 动作）。
如图所示，这是社交机器人采用的策略分布。粉色、蓝色和紫色网格代表不同主题组中的社交机器人，即技术、新闻和游戏。这些网格中的数字代表社交机器人 ID。白色网格代表不同的策略，相应列或行中的社交机器人使用这些策略执行活动。
影响社交机器人渗透性能的另一个潜在因素是目标社交用户的集合。因此，研究人员设置了以下两种策略来探索新浪微博 OSN 中的用户是否属实：一半的社交机器人只关注对共同话题感兴趣的用户；其他人随机跟随其他用户。
唔呣，以下为结论部分：
社交机器人可以实现以下两个目标： (a) 逃避新浪微博防御机制的检测；(b) 在新浪微博中获得一定的知名度和影响力。
虽然并非所有社交机器人都直接相互交互，但它们都有共同的追随者将它们连接起来，形成一个小而密的节点。这非常有利于信息传播和舆论引导，因为社交机器人发布的微博会在这个小而密的节点中快速、重复地传播。
在42天的实验期间，社交机器人关注者数量的累积分布。可以看到，社交机器人已经获得了从20到110不等的粉丝数。很明显，在短短的42天内，所有社交机器人的粉丝都超过了20人，50%的社交机器人获得了超过50人的粉丝。是真实用户关注者的平均数量。
这是社交机器人关注者中未认证用户和已认证用户的比例。认证关注者比例达到14.53%。更重要的是，在社交机器人获得的所有关注者中，有89个认证者拥有超过10000名关注者，这意味着社交机器人发布的一条微博有89万用户看到的可能性。
以下为不同性别、活动水平、关注策略和发布策略的社交机器人的渗透能力，以及第 7、14、21 和 28 天不同策略下社交机器人关注者数量的概率分布。
总体而言，当社交机器人的性别设定为女性时，它们拥有更多的关注者。具体量化如图所示：
关注、点赞、评论、转发都能使社交机器人获得关注者和影响力，但关注最能促进社交机器人获得关注者，也是影响力获取的最大推动力，其次是评论动作和转发动作。而且，点赞行为对影响力获取没有显着影响。
而且关注关注者的关注者比其他策略的渗透能力要好，这证明了回声室里的高度同质性，即个人在社交网络中与相似的人联系和联系的倾向，使得节点里的社交机器人更具影响力。
这就是回声室的雏形。由大量社交机器人构成的账号处于中心，由少量社交机器人构成的账号处于边缘。不同论文给出的回声室模型基本上都符合这一点：
回声室，进可根据回声室的大小，不同程度扩大新闻的传播速度，退可充当防御，比如当反对者的意见进入回声室时，社交机器人通过一致的声音淹没反对者的意见。
所以这次也一样，剧方需要流量明星的回声室来担任防御。
但，我为什么说出现重大失误了呢？因为这次群众的目标，至始至终只有剧方，你问群众这部剧的主演是谁，他们可能十个里都不一定有人知道是成毅主演。
回声室的中心是成毅，粉丝也好，社交机器人也好，都遵循“只专注成毅”的防御机制。一般情况下，当饭圈互撕时，一旦出现反对者，往往会连剧带演员一起刷差评，所以防御机制一般情况下都有用。但这次不一样，由于成毅并未成为攻击目标，群众的声讨对象非常一致地瞄准了剧方，所以回声室解除，出现了各大网站评分暴跌的现象。
至于结论嘛，我就用一句话作为结尾吧：
当初给肖战的评价竟然还有效，也算是很生动形象了。
参考：Wenxian Wang, Xingshu Chen, Shuyu Jiang, Haizhou Wang, Mingyong Yin & Peiming Wang；Exploring the construction and infiltration strategies of social bots in sina microblog；Scientific Reports volume 10, Article number: 19821 (2020)