一些有意思的研究
个人觉得这本书写得很有意思
- 分析细致，比同类书籍要强（比如Outliers, The Cultural Code），这是因为作者学术出身的缘故
- 讲了许多新的故事，也涉及了许多新的研究，对我来说很新鲜
- 不足之处是图表几乎没有。其实可以都放上来，会更好懂一些
建议先看作者在NYU的讲座。有图，会更好懂一些
视频: https://www.youtube.com/watch?v=6XyTZY6S5NE
网站: https://www.barabasilab.com/
书篇幅不长，一个周末能看完。对大部分人，案例和分析都算有趣，算是近几年同类书中的最佳了，推荐试试。不过，我倒觉得具体的law没什么，更喜欢背后的研究，其思路、方法都值得学习
一、什么是成功？
拿体育来说，是打球的水平很高、拿了冠军，还是挣了很多钱？还是这些都叫成功？
这本书最好的地方，就是做了区分和定义
- Performance（水平）：表现的水平，比如打球水平很高
- Success（成功）： 大众对于Performance的反映（Perception of performance），比如因为打球而获得的关注
即把成功定义成了社会化现象，而不是个人体验。因此，有了2个道理
- 如果水平能客观衡量，那么可依靠水平成功。比如网球、跑步，第一就是第一，大家也会因此关注冠军。反之，则依赖社会评价。比如艺术品，需逐渐受到认可、成功也是逐步的，因为其水平难以直接衡量（比如书中说的Fountain，下图，值几百万美金）（书中Law 1）
- 水平是有限度的，会出现难以区分的情况（比如酒的比赛、钢琴比赛），成功、冠军只有一个，但并不是其他的水平就差很多（书中Law 2）
也就是说，如果自己的工作水平无法直观体现（e.g. 介于体育和艺术之间），那要多和network中的节点互动，把自己的价值传播出去（e.g. 介绍自己的作品）。自己觉得自己NB是没有用的，因为没法衡量
反过来，豆瓣和IMDB用评分量化电影好坏，让人们更易感知，好电影也就能更易体现、获得成功了
二、有意思的研究
(1) 社会化评分的影响
场景：
- 音乐App里的排行榜一般按下载量、播放量排序，是否会出现排在前面的是因为大家都只听前面几首，而导致一些好歌上不去？而且还有水军、黑军刷榜，以及新歌入榜的情况
- 商品打分影响：比如豆瓣评分、Amazon评分，是否会有后来的人看到之前的高/低分，跟着打高/低分？也就是跟风打分的情况
对于第1个场景，https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0121934 做了研究，把歌的属性细分成了吸引力（根据名字、乐队而选择播放的概率）、质量、可见性（根据在榜单中的位置而不同），然后提出了优化的排序方法，能解决这种“马太效应”，让好的歌曲得到更多流量
对于第2个场景，https://www.liebertpub.com/doi/10.1089/big.2014.0063 做了研究，能把一个产品评分的内在评分（也就是和本身质量相关的）算出来，区分跟风的打分情况（下图）
这些研究我觉得很有意思，比如豆瓣/Amazon的评分，有多少是跟风打分的情况？看到别人说好、差，也跟着说烧脑、烂片？能怎么获得电影的内在评分？
又比如排行榜优化。比如豆瓣评论（书评、影评）的排序，我觉得可以改成最大化"有用"的增长速度，而不是按总票排序。因为豆瓣的本质是个人化的，是人与人之间的对话，所以应该尽量鼓励大家发东西，而不是只让头部的人拿到"有用"，后面发的就看不到了。微博、知乎是信息分发渠道，其培养头部帐号是合理的，但豆瓣未必
(2) 人们如何认知一篇论文的主要贡献者？
一篇论文的作者现在很多，人们是如何认知当中谁是主要作者的？
https://www.pnas.org/content/111/34/12325 给出了一个算法，基于共同引用文章计算每个人的贡献量，并且用诺贝尔颁奖的结果做了验证，是用network science做的非常酷的一件事
(3) 科学家何时做出其最重要的工作（生涯早期 vs, 晚期）？
是不是早期做的研究更有水平、影响更高，因为年轻时更有创新力，到老了就不行了？
这是作者的研究，做一个很酷的可视化 http://scienceofsuccess.barabasilab.com/ （上图），文章在 http://science.sciencemag.org/content/354/6312/aaf5239 通过分析各领域几千位科学家文章的引用数据，发现最高水平文章的出现是随机的（如下图，最高影响文章的出现前后几乎没有差别）
此外，作者给出了 s=Q*r （每篇文章引用数=执行力*idea的质量），是怎么得到的，可靠吗？
其实是观察s的分布符合lognormal分布（上图），然后猜想由Q*r相乘（lognormal一般都涉及乘法）。假设Q恒定不变，并验证通过了。所以，这个公式只是作者的一个假设，只是一种可能合理的组合，但未必称得上law （我觉得都有点循环论证，先假设Q不变，然后再论证Q不变.....）
不过，为什么Q不变呢？难道随着科学家经验的增加，执行、研究的水平真的没有长进？
我觉得可能之一，是作者用的数据是截断的。用的是发过20年文章的科学家，前期quit的研究人员都不算。下图是用的科学家“最高影响数”的构成，可以看到low impact (0-10区间) 很少。如果把quit的放进去，会变成熟悉的power law分布，大量的“炮灰”集中在底部 (0, 10) 区间
这2者的差距是显著的，很多人就是因为无法持续做出好成果而退出学界。能持续做下去的，其实都是很厉害的科学家了。对他们而言，他们的水平一直都很高，相较于他们最NB的成果，未必能观察到前后研究水平的差别了
最后
- 我最喜欢是书中涉及的研究，因为都是data science. 相关背景的同学，可以读读、学习里面的思路（大过年的我居然在看畅销书里的论文....）
- 书中涉及了很多国人的研究，期待他们能讲讲自己的研究成果
关键词：数据分析、专家