当n=18和m=37时，我们可以通过等式9和10轻松计算节点的网络信息遗产，如图2的右面板所示。从图2中的蓝曲线观察中可以推断出一个有趣的结果，即NIPi（d），即：对于固定的程度，NIPi的不同值的散射突出显示了相对于NIPi（d）执行不足的节点；而其他节点执行过度（例如，对于度3，节点R关闭到NIPi（3），而节点Q执行不足，而H执行过度）。还请注意，节点H超过了节点O，节点O的阶数为4，这意味着从节点H邻域派生的网络遗产与节点O的网络遗产相比具有更大的“价值”，这超出了其阶数。这是一种普遍现象，我们由此得出以下假设：由于网络遗产较高的节点与程度较高的节点相连，因此它们从大量信息中受益。从某种意义上讲，NIPi高于预期的节点使我们得出结论，与IPIn低于预期的节点相比，推荐系统基本上应该考虑对它们更感兴趣。换句话说，在许多情况下都是有意义的。关于这一指标和许多其他中心性指标的广泛讨论，请参阅Scott和Carrington（2011）或Newman（2018）。为了完整性，我们度量的计算复杂性取决于knn的计算，knn对应于大小为n的向量的大小为n的平方矩阵的乘积。众所周知，该计算是矩阵大小的多项式，即，它是一个O（n）。通过网络分析实现更有效的消费者导向170250005000750001 10 100 1000度频率图。

测试实例网络amazon0601的3度分布（x轴为对数刻度）。表1亚马逊实例网络的统计数据n mδhdi hdiσr NIPNamazon0302 262111 1234877 1.79·10-59.422 123.823 35.03 0.003 14.141amazon0312 400727 3200440 1.99·10-515.973 505.859 250.71-0.044 32.670亚马逊0505 410236 3356824 1.99·10-516.365 533.438 265.61-0.043 33.595亚马逊0601 403394 3387388 2.08·10-516.794 542.731 260.68-0.043 33.317NIP允许基于用户的邻居的集体效应来歧视用户。在第二个例子中，我们考虑了2003年在四个不同时刻从theAmazon网站中提取的一组实例。假设产品（节点）i与产品（节点）j共同购买，则构建实例，然后该图包含从i到j的链接。表1总结了此类实例的基本指标、密度以及hdi、hdi、方差、分类性和NIPN的值。由于网络几乎是中性的（即r接近0），NIPNI的计算是正确的，并且可以注意到它如何提高每个节点的信息遗产的数量，即使网络包含很少的链接，因为所有设施的密度约为10-图3显示amazon0601网络实例的度分布形状接近对数正态分布，表明存在集线器节点。在图4中，我们展示了Nipian的分布以及这些值如何与节点度呈正相关。因此，大多数度值较低的节点显示的网络信息遗产较低。

尽管如此，我们注意到NIPi值的分散性很强，如图4的插图所示，一些节点显示的N ipi高于预期，其他节点显示的N ipi较低。数据处理、网络分析和所有模拟均使用软件R（Team et al.，2013）和igraph软件包（Csardi et al.，2006）进行。网络密度定义为实际链路数除以潜在链路数n（n- 1)/2. 它可以假定值从0（空网络）到1（完整网络）。18雅各布·阿佩蒂，安东尼奥·伊瓦内拉菲。4 amazon0601网络中节点的NIP i值。插图显示了与度di相同的值≤ 100和红色点，坐标d=44，N IPi=192.61。还可以观察到，在按相同等级分组的一类节点中，有一些节点显示出不同的IP，更令人惊讶的是，通过比较这些等级，可以检测出等级较低的节点如何比等级较高的节点具有更高的Nipit。在这种意义上，图4中插图中的红点（对应于degreed=44和NIPi=192.61的节点）在网络继承性方面表现优异，显示出NIPigreater优于degreed=两倍的节点。7讨论和结论基于网络科学的特性，网络表示可以为那些目前使用数据而不知道利用此类资产可能带来的收益的公司提供设计上的竞争优势。为了解释公司如何从这一机会中获益，从中提取出比合理想象多得多的信息，我们使用了网络科学及其正式结构，从基于聚类和分类分析的局部愿景转变为全球愿景。

网络科学属性对于解释复杂的系统动力学，以及了解信息在网络中的流动方式，以及考虑到目标节点与其邻域之间的关系，可以推断出多少信息，确实很有用。因此，我们利用了网络的特性，以了解平台如何使用数据来提高其在个人购买能力和潜在消费者指导实践方面的预测能力。依赖于网络的平台所利用的这种优势，可以通过测量它们的连接集作为一个整体来估计，这意味着消费者和/或被检查网络中的项目之间的链接。在这方面，通过网络分析19消费者，网络平台可以利用个人信息实现更有效的消费者导向。消费者，网络平台可以从网络配置中获得的一些属性中获益，提取单个节点上的数据（因此，在消费者或项目上），还可以捕获来自其连接模式的数据。为此，我们提出了一个额外的衡量标准，即与节点程度相关的衡量标准，同时考虑到节点连接的质量，以及假设用户与其邻居的关系。因此，我们开发了一个著名的网络科学概念，以建立一个新的分析质量度量。我们衡量了那些可能享受良好邻里带来的好处的用户，也就是拥有优越的连接集的用户，如何获得更好的信息。为了测试我们的度量的有效性，我们在四个Amazon的基准实例Amazon上进行了证明，特别是为其中一个提供了一些有趣的见解。事实上，这种措施的定义可以让平台实施双重战略。

与邻居的平均程度水平相比，检测节点是否表现过度或表现不足，可以将重点放在表现过度的节点上，通过基于其邻居质量的更准确推断，为其提供更精确的建议。反过来，对于性能不佳的节点，可以利用推荐系统为其提供更好的服务或服务，从而使这些节点接触到更高质量的节点，并在未来提出更高质量的推荐。这种方法的局限性主要与目前文献中缺乏能够证明上述假设的实证测试基准实例有关。然而，获得的初步结果为我们的研究问题提供了一个积极的答案，并且出现的数据属性，以及它们在相关经济现象方面的预期影响，表明了对该问题进行进一步研究的适宜性。ReferencesAcquisti A（2008）《身份管理、隐私和价格歧视》。IEEE安全与隐私6（2）：46–50Acquisti A、Taylor C、Wagman L（2016）《隐私经济学》。《经济文献杂志》54（2）：442–492Kerrof GA（1970）“柠檬”质量不确定性的市场和市场机制。《经济学季刊》84（3）：488–500Arpetti J（2018）Economia della privacy:una rassegna della letteratura（initalian）。Rivista di diritto dei media 2:267–297Arrow KJ（1958）《公共设施、态度、选择：评论说明》。《计量经济学：计量经济学学会杂志》第1-23页Bakshy E、Rosenn I、Marlow C、Adamic L（2012）《社会网络在信息融合中的作用》。摘自：第21届国际万维网会议记录，ACM，第519–52820页雅各布·阿佩蒂，安东尼奥·伊瓦内拉·巴拉巴西（2013）网络科学。

theRoyal学会哲学学报A：数学、物理和工程科学371（1987）：20120375Barabási AL（2016）网络科学。剑桥大学出版社Birke D（2013）《社交网络及其经济学：影响消费者选择》。John Wiley&Sonsbollobsás B（2013）《现代图论》，第184卷。Springer Science&BusinessMediaBreese JS、Heckerman D、Kadie C（2013）《协作过滤预测算法的实证分析》。技术代表、微软研究公司Briscoe B、Odlyzko A、Tilly B（2006）梅特卡夫定律是错误的。IEEE Spectrum43（7）：34–39Cabral LMB（2000）工业组织简介。麻省理工学院出版社Castillejo E、Almeida A、López de Ipina D（2012）《社交网络分析应用于推荐系统：缓解冷用户问题》。In：普适计算和环境智能国际会议，Springer，第306–313页，Catanzaro M，Bogu~náM，Pastor Satorras R（2005）无标度网络的产生。《物理评论》E 71（2）：027103Cerqueti R、Ferraro G、Iovanella A（2018a）通过间接社会联系衡量社区结构的新方法。专家系统与应用114:196–209Cerqueti R、Rotundo G、Ausloos M（2018b）研究交叉持股中的配置：联合copula熵方法。熵20（2）：134竞争与市场管理局-CMA（2015）《消费者数据的商业使用》报告了CMA的信息征集。技术代表、竞争与市场管理局、英国经济顾问委员会-CEA（2015）《大数据与差异定价》。技术代表，经济顾问委员会（CEA）-美国常驻联合国代表执行办公室，Nepusz T，et al.（2006）用于复杂网络研究的igraph软件包。

InterJournal，Complex Systems 1695（5）：1–9D\'Agostino G，Scala A，Zlati'cV，Caldarelli G（2012）无标度网络中类似差异过程的稳健性和分类性。EPL（EurophysicsLetters）97（6）：68006Erd"os P，Gallai T（1960）具有指定顶点度的图（匈牙利语）。Matematikai Lapok 11:265–274Ezrachi A，Stucke ME（2016a）行为歧视的兴起。《欧洲竞争法评论》，ECLR 37（12）：485–492Ezrachi A，Stucke ME（2016b），《虚拟竞争：算法驱动经济的前景与风险》。哈佛大学PressFeld SL（1991）为什么你的朋友比你有更多的朋友。《美国社会学杂志》96（6）：1464–1477Firdaus S，Uddin MA（2015）《聚类算法和复杂性分析调查》。《国际计算机科学杂志》第12期（2）：62–85通过网络分析更有效地引导消费者21Fuller CS（2018）《隐私法》作为价格控制。《欧洲法律与经济杂志》45（2）：225–250Fuller CS（2019）数字隐私市场失败了吗？公共选择180（3-4）：353–381格拉蒂F、比利亚尔迪B、佩特罗尼A、佩特罗尼G、费拉罗G（2019）避免知识泄漏的框架：从工程到订单公司的证据。知识管理研究与实践17（3）：340–352Gertz JD（2002），《被窃取的人格：金融服务中的消费者利益》。圣地亚哥L Rev 39:943Gilder G（1993）《梅特卡夫的法律与遗产》。《福布斯ASAP》13:1993Hakimi SL（1962）关于整数集作为线性图顶点度数的可实现性。《工业和应用数学学会杂志》10（3）：496–506Hannak A、Soeller G、Lazer D、Mislove A、Wilson C（2014）衡量电子商务网站上的价格歧视和指导。

摘自：2014年互联网测量会议记录-IMC’14，ACMPress，纽约，纽约，美国，305–318Jentzsch N（2017）《个人数据的二次使用：福利分析》。《欧洲法律与经济杂志》44（1）：165–192Kahneman D，Tversky A（1986）《理性选择与决策框架》。《商业杂志》59（4）：251–278 Kamishima T，Akaho S（2011）《个性化定价推荐系统》。摘自：第二届推荐系统信息异质性和融合国际研讨会论文集-HetRec’11，ACM出版社，美国纽约州纽约市，第57–64Katarya R页，Verma OP（2016）一个使用粒子群优化技术增强的协作推荐系统。多媒体工具和应用75（15）：9225–9239Konstas I，Stathopoulos V，Jose JM（2009），关于社交网络和协作推荐。摘自：第32届国际ACM信息检索研究与开发会议论文集，ACM，pp195–202Kr"amer A，Kalka R（2017），数字中断如何改变定价策略和价格模型。In：Phantom Ex Machina，Springer，第87–103Kshetri N页（2014年），《大数据对隐私、安全和消费者福利的影响》。电信政策38（11）：1134–1145Lam CP，Goeksel M（2010）《利用社交网络进行协作过滤的系统和方法》。美国专利7689452Leskovec J，Adamic LA，Huberman BA（2007）《病毒营销的动态》。ACM网络交易（TWEB）1（1）：1–39 Levin J（2011）《互联网市场经济学》。技术代表，国家经济研究局，剑桥，MALinden G，Smith B，York J（2003）亚马逊。com建议：项目到项目协作过滤。IEEE Internet Computing 7（1）：76–80Liu F，Lee HJ（2010）。利用社交网络信息提高协作过滤性能。

专家系统与应用37（7）：4772–22雅格布·阿佩蒂，安东尼奥·伊奥瓦内拉鲁J，吴D，毛M，王W，张G（2015）《推荐系统应用开发：调查》。决策支持系统74:12–32LüL，Medo M，Yeung CH，Zhang YC，Zhang ZK，Zhou T（2012）推荐系统。《物理报告》519（1）：1–49马杜雷拉A、登·哈托格F、布曼H、巴肯N（2013）《梅特卡夫定律的实证验证：互联网使用模式如何随时间变化》。信息经济与政策25（4）：246–256Mattioli D（2012）在orbitz上，mac用户转向了价格更高的酒店。《华尔街日报》23:2012Mavlanova T，Benbunan Fich R，Koufaris M（2012）《在线商务中的信号理论和信息不对称》。信息与管理49（5）：240–247梅特卡夫B（2013）《以太网40年后的梅特卡夫定律》。《计算机》46（12）：26–31 Mikians J、Gyarmati L、Erramilli V、Laoutaris N（2012）检测互联网上的价格和搜索歧视。摘自：第11届acm网络热门话题研讨会论文集，acm，第79–84页Mobasher B，Dai H，Luo T，Nakagawa M（2001），提高匿名网络使用数据的协作过滤效果。摘自：IJCAI 2001年网络个性化智能技术研讨会论文集（ITWP01），第53–61页纽曼M（2018）网络。牛津大学出版社Newman ME（2002）《网络中的分类混合》。物理评论信函89（20）：208701Newman ME（2003）《复杂网络的结构和功能》。SIAMreview 45（2）：167–256Nguyen AT，Denos N，Berrut C（2007年），通过基于规则的归纳法改进基于冷用户数据的新用户推荐。摘自：2007年ACM推荐系统会议记录，ACM，第121-128Pagallo U页（2014年）Il diritto nell\'etádell\'informazione:Il riposizionamento tecnologico degli Ordinationi giuridici tra Completissitásociale，lotta per Il poteree tutela dei diritti（意大利语）。G

GiappichelliPage L、Brin S、Motwani R、Winograd T（1999）《pagerank引文排名：给网络带来秩序》。技术代表，斯坦福大学信息实验室牧师Satorras R，Vázquez A，Vespignani A（2001）《互联网的动态和相关特性》。《物理评论快报》（Physical review letters）87（25）：2587001Paterek A（2007），改进了用于协作过滤的正则化奇异值分解。摘自：KDD cup and workshop会议录，第2007卷，第5–8Peel L页，Larremore DB，Clauset A（2017）《网络中元数据和社区检测的基本事实》。《科学进步》3（5）：e1602548Reed DP（1999），这是一个超越梅特卡夫定律的指数，暗指社区建设的力量。《语境》杂志2（1）Regner T，Riener G（2017）《隐私是宝贵的：在互联网上提升隐私以增加收入的尝试》。《经济学杂志》&通过网络分析实现更有效的消费者导向23管理策略26（2）：318–336Resnick P，Varian HR（1997）推荐系统。《theACM通信》40（3）：56–58 Rotundo G，D\'Arcangelis AM（2014）《公司网络：意大利股市市场集中度分析》。质量与数量48（4）：1893–1910萨瓦尔B、卡里皮斯G、康斯坦J、里德尔J（2001）基于项目的协作过滤推荐算法。摘自：第十届国际万维网会议记录，ACM，第285-295页Scott J，Carrington PJ（2011）《SAGE社交网络分析手册》。SAGE publicationsShiller BR（2014）《使用大数据的一级价格歧视》。技术代表，Brandeis UniverisityShiller BR（2015年），从广泛的消费者跟踪中估算预订价格。布兰代斯大学经济学系H（1955）理性选择的行为模型。《经济学季刊》69（1）：99–118Simon HA（1990）有限理性。

《效用与概率》，Springer，第15–18Swann GP页（2002年），《网络效应的函数形式》。信息经济学与政策14（3）：417–429团队RC，et al.（2013）R：统计计算语言与环境。澳大利亚维也纳《经济学人》（2010）点击寻找黄金。互联网公司如何利用网络上的数据。《经济学人》——关于管理信息的特别报告蔡JY，Egelman S，Cranor L，Acquisti A（2011）《在线隐私信息对购买行为的影响：一项实验研究》。信息系统研究22（2）：254–268Van Hove L（2016）《测试梅特卡夫定律：陷阱和可能性》。信息经济学与政策37:67–76Wang XF，Chen G（2003）《复杂网络：小世界、无标度和超越》。IEEE circuits and systems magazine 3（1）：6–20Xu R，Wunsch DC（2005）群集算法调查。IEEE Transactionon Neural Networks 16（3）：645–678Xue GR，Lin C，Yang Q，Xi W，Zeng HJ，Yu Y，Chen Z（2005）使用基于聚类的平滑的可伸缩协同过滤。摘自：《第28届国际ACM SIGIR信息检索研究与开发会议论文集》，ACM，第114-121Zhang XZ，Liu JJ，Xu ZW（2015）页，腾讯和facebook数据验证梅特卡夫定律。《计算机科学与技术杂志》30（2）：246–251Zhao Q，Zhang Y，Zhang Y，Friedman D（2016）基于多产品效用最大化的建议。技术代表，WZB讨论文件Zhou W，Duan W，Piramuthu S（2014）《隐式和显式社交网络板块的社交网络矩阵》。决策支持系统68:89–97