因此除了我们刚刚讨论的空间模型之外，最近也发现基于智能体的建模应用在社交网络研究。

论文是我和Forrest Stonedahl写的一篇文章，他在奥古斯塔那学院和Uri Wilensky，在西北大学Stonedahl是NetLogo语言的架构师。

在本文中，我们的兴趣是传染病通过网络传播的方式是什么。

在这方面还有一些其它的论文，但是我们想特别关注局部网络属性是否重要的问题。

所以你在这里看到的实际上是一个真实的Twitter网络的实现，我们通过API从Twitter数据中收集了1000个节点。

我们在网络中发现的是，如果我使用基于数据的建模进行了大量的模拟

通过这个网络，传染病传播速度最快，当试图通过很多人的朋友传播信息，但朋友间互不相识。

所以这些边界跨越的人可以通过整个网络传播信息。

福雷斯特还建立了一个很好的3D可视化，我现在来演示。

你看到的是紫色点想法的传播，就像我们所说的那样，收集的整个twitter网络中，这是1000个节点。

正如你所看到的，即使在Twitter的小样本中，个体也有明确的聚类。

如果能够找到所有这些集群的中心，然后通过所有集群中心传播，这个想法就能最快地传播。

如果只有一个群集，它就不起作用。

因此，在另一篇文章中，我参与了我们使用基于智能体的建模，我们使用智能体建模来尝试推断一个我们不知道属性的社会网络。

这里是基本的想法：我们收集了一些Facebook数据有关应用程序的。

我们知道每天安装应用程序的速度多快。

然后，我们试图模拟一堆不同的Facebook网络，因为它们会有这种应用程序。

我们试图弄清楚如何操纵底层网络的拓扑结构，这样做我们看到采用模式会产生什么影响。

我们尝试使用贝叶斯方法，哪种网络最有可能产生脸书应用程序中采用的模式。

有趣的是，我们想出了一个像模型这样的优先依赖，我们稍后会讨论，网络中最有可能的拓扑结构，密度相当低。

你可能会思考为什么它的密度很低呢？ 大家都知道脸书上的自己。

但事实上，在一定程度上，你信任应用程序推荐的人可能是一个很小的数量。

因此，网络的密度要比整个脸书网络低得多。

最近这是我和Manuel Chica的工作，Manuel Chica是西班牙研究者。

我们已经尝试理解如何使用基于智能体的建模来帮助管理人员做出他们关于口碑建立的决策。

我们称之为一个决策支持系统，这是一个术语，通常用于文献中，直接帮你做出决策。

那么我们所做的是，使用了以前在基于智能体的建模，病毒式营销和口碑方面的程序。

而且我们从大型多人在线游戏中获得了一些数据，我们期待采用内容，似乎通过网络传播。

然后，我们构建了一个模拟这种传播的模型，允许对模型的输入，以便管理者可以提出问题

“如果我想谈论高级会员或鼓励其它人成为高级会员，该在整个网络中做什么呢？”

在本节中，我向您介绍了这些定位策略决策的一些结果，也向您展示了实际使用的用户网络。

而这里又是网络，但是现在运行一些 - 在这种情况下，它实际上是真正的数据，不是基于智能体的建模，而是显示在这个网络中发生可能影响的连接。

我们觉得这是基于智能体的建模的强大新用途。 实际上正在使用该工具来帮助人们实施哪些政策，以及如何理解这些政策作出真正的决定。

我在过去的几次会谈中花费了一些时间，讨论了基于智能体的建模在非常复杂的设置中的应用，这两个方面都是空间模型和基于智能体的模型。

现在，这些并不是唯一的基于智能体的建模，还有更复杂和更有趣的见解。

但是，我知道的两个方面都很好，我花了一些时间来分享这两个方面。

我强烈建议您看看已经完成的大量研究，而且我也会使用Twitter来发布那些文章。

这将为您提供有关基于智能体的建模的复杂应用程序的更多的视角。

您还可以查看一些网站，人们发布了他们的模型，例如openabm.org和NetLogo modellings评论。

这将为您提供更多复杂的模型。

谢谢！