来自：Liu-Thompkins, Yuping Liu, Michelle Rogerson. Rising to Stardom: An Empirical Investigation of the Diffusion of User-generated Content[J]. Journal of Interactive Marketing, 2012, 26(2):71-82.
收录于：Journal of International Marketing （SSCI），营销学期刊， 影响因子：5.026
关键字: User-generated content; Diffusion; Network analysis; Viral marketing; Hazard modeling
摘要：
随着在线用户生产内容的发展，市场也期待能更好地利用这一资源。理解这类内容的病毒式传播、进行流行度预测将很有意义。在本论文中，我们结合网络分析与扩散理论，研究在线用户生产内容的扩散。我们主要划分出三类影响扩散结果的要素：网络结构、内容特点以及作者特点。使用一种加权计分模型（a proportional rates model），分析YouTube上一组视频的扩散。我们的研究结果展现了：像较于拥有连接（connections）很广的订阅者，拥有一些朋友（friends）的订阅者会更有利于视频的传播。并且，在订阅者的网络连接结构和扩散速率之间存在曲线关系，且中等程度的连接情况下传播速率最高。就内容特点而言，我们发现教育或娱乐价值，而非视频质量影响着扩散传播。此外，我们发现，使用者评分而非内生性的内容质量对扩散传播产生影响。意料之中的是，我们也发线一个作者过去的成功影响到当前内容，那些来自更年轻作者的内容往往更流行。
在introduction中，作者谈到UGC内容对市场从业者的重要意义在于：首先，集智广益，通过UGC促进合作的成本低廉 (Tapscott 2007)，这助力了UGC的广泛传播和快速流行；其次，研究表明UGC的创作者更有可能成为重要的品牌推广者，他们与他人分享对产品和服务的观点 (Luetjens and Stanforth 2007)；由于这些创作者常常被视为我们中的一员，UGC营销比传统市场营销更具有影响力。
一些内容比另一些更有名？一些甚至只有一小圈朋友和发布者敝帚自珍。这是常让人疑惑的问题。但是在研究中，由于UGC内容的数量庞大，成为研究的主要难点之一。
# 问题重要，又很有困难！所以这是一个值得做的题！开始小结introduction~
#转折过渡词：Addressing this potential
点题：我们结合网络科学模型和社会网络分析对在线用户生产内容的病毒式扩散进行分析。
看看数据获取方法：
在2009年10月，抽取了包含140个视频样本。使用了构造周抽样方法（在总体中从不同的星期里随机抽取星期一至星期日的样本，并把这些样本构成 “一个周”，即构造周)，这是为了防止一周中特定日期不同带来的偏差。每一天，我们从YouTube上的当日新发布视频中抽取二十支纳入样本。对于每支视频，我们收集了发布者网络结构信息、过往经历和人口特征。之后，我们每天对这些视频进行追踪，持续两个月，历时2009年10月至12月。在这段时间里，一些视频被用户主动移除，一些视频因为版权违规被YouTube下架。这些视频分散在13个内容领域，依据的是YouTube的分区方法。其中三个最流行的分区分别是音乐、娱乐、人物日志；最冷门的分区是科技。下表展现了对于视频样本及其发布者的描述统计结果。
#变量包括：累计播放数、订阅数、订阅者平均网络规模、订阅者网络连通性、过往发布视频数、过往视频平均播放数、平台外播放数、作者年龄、作者性别。
#订阅者平均网络规模、订阅者网络连通性的计算方法是什么？
背景：
已有许多文章对新产品的扩散和建模做了详细综述 (Mahajan, Muller, and Bass 1990; Meade and Islam 2006; Muller, Peres, and Mahajan 2009)，本论文将把更多笔墨着力于网络属性于扩散效果的研究上。由于传染理论（contagion）在扩散过程中所发挥的重要作用，我们有理由将网络科学导向的研究纳入扩散传播分析。即使社会传染理论被认为是扩散的影响因素由来已久，Bass和Rogers均有相关论述，但是外显地结合网络属性与扩散传播模型的研究仍旧不多 (Valente 1995, 2005)。这一份是由于传统时期有关数据的难以获得。伴随社交网络的兴起，一些研究已然出现。例如，使用韩国社交网站数据 （Goldenberg et al. ，2009) 的研究将网络属性（个体拥有多少连接）纳入调整后的Bass的模型。他们发现，有良好连接的个体与他们达到的扩散速度、最终被认可的水平之间具有不成比例的关系。另一个研究（Katona, Zubcsek, and Sarvary ，2011) 考虑许多网络结构属性对一个中欧在线社交网络的影响。使用个体层面的风险模型（hazard model），他们确定这些网络因素对个体采纳可能性发生影响。
这篇论文有一个trick：
他所使用的网络连通性的定义并不同于网络科学中的连通性计算方式。
network size：我们将一维订阅者作为网络规模的度量方式
network connectivity 的依据：人们更有可能与有相似口味的人之间建立联系。网络科学理论中network connectivity 更接近 network density = 现存连接/最大连接。现有的研究发现，一种恰如其分的网络连接程度能够最好地促进传播过程(Watts 2003)。