X上的帖子为何先慢后快：分数学物理神经网络把24小时拆成四段，记忆阶数从0.23升到0.99
核心概要
社交媒体的传播曲线过去要么被预设成固定的增长函数，要么假定历史影响以固定方式衰减。分数学物理神经网络把帖子互动速率写成“每帖传播潜力乘以一条共享增长律”，并用一个可学习的分数阶导数刻画历史记忆的强弱。在X的348条训练帖与86条测试帖上，把24小时窗口切成四段、每段单独训练后，模型在均方误差0.01以内重建了64%的留出轨迹，而九种经典基线中最好的Bass扩散为44%。
深度剖析
传播曲线的形状不再由研究者事先指定，而是由数据同时决定增长律的形式和帖子历史对后续互动的影响强度。 此前的增长曲线模型（logistic、Gompertz、Bass扩散）在看到数据前就固定函数形式，并且是一阶马尔可夫的，未来只依赖当前互动量；Hawkes类自激点过程虽然用上全部历史，却要预先指定影响衰减的核。 在X的348条训练帖上训练、86条测试帖上评估，按峰值互动量分层划分，曲线逐帖最大归一化后只比较形状；同一协议下九种经典基线一并拟合与评估。
模型把一条帖子的互动变化率写成该帖传播潜力与一条所有帖子共享的增长律的乘积，历史记忆则由分数阶导数承担。 分数阶导数是对普通导数的推广，它把整段先前轨迹按幂律核加权积分，阶数越小历史影响越强；这里阶数由数据学习，而不是事先设定。 在24个逐小时观测点的部署分辨率上，先用已知参数的合成轨迹验证阶数与增长律可被联合恢复；观测噪声下逐点残差会把阶数压向下界，改用把观测噪声传播过分数阶算子的全白化残差后恢复成功。
单一窗口无法同时描述一条帖子早期的高增长和晚期的衰减，把24小时切成四段并各配一套参数后，重建精度明显提高。 单窗口模型收敛到阶数0.23，意味着记忆极强，但它在留出集上不如一条从零到峰值的直线；四段模型得到的阶数依次为0.23、0.74、0.99、0.99。 四段模型在均方误差0.01以内重建64.0%的留出轨迹，Bass扩散为44.2%、Gompertz为34.9%；把经典增长曲线同样按四段分段拟合，最多只提升8.1个百分点，仍低于四段模型。
启示与展望
结论限定在X上经88个科技、AI/ML与创业类关键词检索到的帖子，采集窗口为2025年11月至2026年1月，最终使用348条训练帖和86条测试帖；评估只比较逐帖最大归一化后的曲线形状，不预测最终互动规模。
作者指出样本相对X每日新增帖量很小，且话题集中在科技与创业，其他话题可能有不同的传播动力学；X的推荐算法与其他平台不同并经常更新，参数只在采集窗口内成立。噪声最高时联合拟合会退化，作者将其归因于可吸收的噪声结构而非增益问题。