网络动力学模型之信息级联

背景：“随大流”现象

当人们之间形成一个关系网络后，他们在行为和决策方面的相互影响就成为可能，如他人的意见、他人购买的产品、他人的行为立场、他人参与的活动、他人使用的技术等。在很多情况下，认母实际上是很理性地放弃自己的选择，而去跟随别人的选择。
这种情况下，学术上称之为**群集（herding）或信息级联（information cascading）**效应。
有趣的是，在级联效应中，个体模仿他人的行为并不是盲目的，相反，它是根据有限的信息合理推论的结果。当然，模仿也有可能是出于社会压力导致的顺从，与所谓的信息没有什么关系，有时不容易分辨这两种现象。

信息效应和直接受益效应

模仿别人有两种本质上不同的合理性理由：

• 信息效应：单纯是因为“从众”，即基于对别人行为的推断而做出决定；
• 直接受益：因为选择了和别人同样的行为会使自己产生一定的收益，其他人的行为会直接影响到你的回报，而不是间接地改变你的信息。

一个简单的群集实验

想象这个实验在一个教室里进行，由一群学生参加。实验者在教室前面放置一个装有3个小球的小罐；然后向大家宣布罐中有2个红色球和1个蓝色球的可能性是50%（多数红色，majority-red），有2个蓝色球和1个红色球的可能性也是50%（多数蓝色，majority-blue）。
现在，每个学生依次排成队来到讲台上，背着大家拿出一个球察看颜色，再放回去。然后让这个同学猜测罐中是“多数红色”还是“多数蓝色”，并向剩余同学公布他的猜测（为了保证其猜测是经过合理分析的，假设猜中的同学可以获得奖金奖励）。公开宣布是这个实验设置的关键，还没轮到自己去抓球的人看不到前面学生抓到的球的颜色，但是可以听到那些学生宣布的猜测结果。
这个过程将在所有的学生中进行，如果前面两个猜测都是“蓝色”，那么后面每个人都会同样猜测“蓝色”（“红色”同理）。

一个信息级联持有的特征是——人们都没有幻觉每个人都拿到一个蓝色的球，但是一旦前两个猜测都是“蓝色”的话，后面所有人宣布的猜测也就没有什么参考价值了。
因此，每个人的最佳策略是依靠那些少量的有参考价值的信息来做决定的。

以上设置尽管非常简略，但仍然能够体现出一些关于“信息级联”的一般原则：

1. 它表明这种级联非常容易发生（在我们的生活中），只需要满足适当的结构条件；
2. 它还展示了决策行为的怪异模式，一个群体中每个学生都会做出完全一致的推测，而且是发生再所有的人都是在很理性地做决定。
3. 它表明信息级联可能会导致非优化的结果：例如，假设罐中是多数红色，就有1/3的概率第一个学生抓到蓝色球，1/3的概率第2个学生抓到蓝色球；前两次都抓到蓝色球的概率是1/9。这个1/9的出错概率不会因更多的人参加而得到修正，因为在理性决策引导下，如果前面2个人猜蓝色，后面每个人都会跟着猜蓝色，无论这个群体有多大。
4. 尽管级联可能形成最终的一致，但从根本上它也是很脆弱的。比如，假设进行到50号和51号学生都拿到了红色球，他们向全班展示手中的小球来“迷惑”大家，这种情况下，级联就会被打破，因为52号学生抉择时，就拥有四种真实的信息可以参考：1、2号公布的颜色，以及50、51号公布的颜色。

贝叶斯规则：非确定性决策模型

条件概率和贝氏规则

作用：计算各种事件的概率，并利用这些概率对决策行为进行推论。
假设：一个很大的样本空间，其中每一个点都代表一种特定的随机结果。
1、贝叶斯规则（Bayese’s Rule）
$$P(A|B)=\frac{P(A)\ast P(B|A)}{P(B)}$$

• 条件概率
  （又称后验概率）就是事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为P(A|B)，读作“在B条件下A的概率”，
  
• 联合概率：
  表示两个事件共同发生的概率。A与B的联合概率表示为或者$$P(A,B)$$
• 边缘概率
  （又称先验概率）：是某个事件发生的概率。边缘概率是这样得到的：在联合概率中，把最终结果中那些不需要的事件通过合并成它们的全概率，而消去它们（对离散随机变量用求和得全概率，对连续随机变量用积分得全概率），这称为边缘化（marginalization），比如A的边缘概率表示为P(A)，B的边缘概率表示为P(B)。
  2、贝氏规则的应用：垃圾邮件过滤
  贝氏规则是第一代垃圾邮件过滤器的重要组成部分，当前仍然是许多垃圾邮件过滤器的基础组成部分之一。

假设你收到一封邮件，主题行包含“check this out”，这通常是垃圾邮件包含的短语。单凭这一信息，而没有检查发件人或邮件内容，这封邮件是垃圾邮件的概率有多大？
Solution：
这是一个条件概率的问题，是在寻求以下表达式的值：
$$P[是一个垃圾邮件|主题行包含“checkthisout”]$$

为方便起见，用“spam”表示”是一个垃圾邮件“，用”check this out“表示”主题行包含‘check this out’”。因此，我们希望得到以下表达式的值：
P[spam | "check this out"]

此外，假设收到的所有邮件中40%是垃圾邮件，其余60%是你想要接收的邮件。此外，假设1%的垃圾邮件在主题行中包含短语“check this out"，有0.4%的非垃圾邮件也在主题行中包含这个短语。因此，可以得到以下概率值：
$$P[spam]=0.4$$
$$P["checkthisout"|spam]=0.01$$
$$P["checkthisout"|notspam]=0.004$$
运用贝叶斯规则，可得：
$$P[spam|"checkthisout"]=\frac{P["checkthisout"|spam]\ast P[spam]}{P["checkthisout"]}$$
因此，只需要计算$P["checkthisout"]$的概率值即可得所求；即需要计算短语"check this out在所有邮件中的发生概率，有：
$$P["checkthisout"]=P[spam]\ast P["checkthisout"|spam]+P[notspam]\ast P["checkthisout"|notspam]=0.4\times 0.01+0.6\times 0.004=0.064$$
带入以上数值，得到：
$$P[spam|"checkthisout"]=\frac{0.004}{0.0064}=0.625$$

上述分析和计算结果说明，当采用了短语"check this out"作为鉴别信息时，识别这封邮件为垃圾邮件的概率将高于原始概率统计0.4.
因此，我们可以将主题行中出现这个短语看成是一个弱信号，为我们提供该邮件是否为垃圾邮件的证据。
在实践中，检测每一封邮件多种不同的信号，包括邮件的正文、邮件的主题、发送者的属性（你是否认识他们？他们的邮件地址有什么特点？）、邮件服务的属性，以及一些其他的特征。

在群集实验中运用贝氏规则

首先注意到每个学生的抉择本质上是取决于一个条件概率：当听到别人的猜测后，每个学生都试图估算出小罐是“多数蓝色“还是”多数红色“的条件概率 。
为了最大限度赢得猜中的机会（即假设每一个试验者都是绝对理性的），如果以下表达式成立，就应该猜多数蓝色：
$$Pr[majority-blue|看到或听到的颜色]>1/2$$
即，猜测的结果（多数蓝色）发生的可能性是基于已有的信息（看到或听到的颜色）来得到的；否则，猜多数红色。如果两个条件概率都恰好是0.5，那么猜什么都无所谓了。
下面给出在实验开始之前已经存在的设置情况。
（1）首先，小罐是多数蓝色还是多数红色的先验概率都是1/2：
$$Pr[majority-blue]=Pr[majority-red]=\frac{1}{2}$$
（2）而且，基于两种小罐小球的组成情况：
$$Pr[blue|majority-blue]=Pr[red|majority-red]=\frac{1}{2}$$

第1个学生拿到1个篮球

他需要确定$Pr[majority-blue|blue]$的发生概率，即需要根据其当前看到的颜色——blue，来判断小罐中是多数蓝色还是多数红色?
这里，我们使用“贝氏规则”来计算其发生概率，验证理性者做出选择的概率：
$$Pr[mojority-blue|blue]=\frac{Pr[majority-blue]\ast Pr[blue|majority-blue]}{Pr[blue]}$$
其中，分子部分为$1/2\ast 2/3=1/3$，对于分母部分，分析拿到蓝球有2种情况：
（1）小罐是多数红色；（2）小罐是多数蓝色：
$$Pr[blue]=Pr[majority-blue]\ast Pr[blue|majority-blue]+Pr[majority-red]Pr[blue|majority-red]=1/2\ast 2/3+1/2\ast 1/3=\frac{1}{2}$$
即，可以看作从6个球中（3个红色，3个蓝色）任意取1个球取出来是蓝色或者是红色的概率都是相等的。
因此，就可以得到：
$$Pr[majority-blue|blue]=\frac{1/3}{1/2}=\frac{2}{3}$$
因为这个条件概率大于1/2，因此，当第1个同学拿到蓝球时，他应该猜测是多数蓝色。

注意：除了能够提供猜测的最终抉择之外，贝氏规则还可以提供这个猜测准确的概率为2/3.

假设前面2个同学都猜测蓝色，而第3个同学拿到了一个红色球

前面2个同学都传递了真实的信息（即拿到什么颜色的球，就猜测为多数什么颜色），因此第3个同学实际上掌握了三次抓球的结果：蓝色、蓝色、红色。他希望根据以下表达式的值：
$$Pr[majority-blue|blue,blue,red]$$
来进行猜测，利用贝氏规则，有：
$$Pr[majority-blue|blue,blue,red]=\frac{Pr[majority-blue]\ast Pr[blue,blue,red|majority-blue]}{Pr[blue,blue,red]}$$
分子很容易得到，是$$1/2\ast （2/3\ast 2/3\ast 1/3）=\frac{2}{27}$$
对于分母$Pr[blue,blue,red]$，我们同样考虑在2种小罐（多数蓝色和多数红色）种的发生概率：
$$Pr[blue,blue,red]=Pr[majority-blue]\times Pr[blue,blue,red|majority-blue]+Pr[majority-red]\times Pr[blue,blue,red|majority-red]=1/2\ast 2/3\ast 2/3\ast 1/3+1/2\ast 1/3\ast 1/3\ast 2/3=\frac{6}{54}=\frac{1}{9}$$
因此，可以得到结果为：
$$Pr[majority-blue|blue,blue,red]=\frac{2/27}{1/9}=\frac{2}{3}$$
因此，第3个同学的猜测结果为：多数蓝色。
这就证实了第1节中的推断，如果前面连续2个同学都猜测同样的结果，则第3个同学应该忽略掉他自己看到的结果（抓到的红色球），赞同他已经听到的前面2个猜测（蓝色）。
最后，一旦这3次抓球活动已经发生，所有接下来的学生将拥有和第三个同学同样的信息，因此运行相同的计算过程，结果将形成一个后续全部选择**蓝色** 的信息级联。