变量 01 / 时间节律
一周 168 小时的沟通分布
星期 × 小时的消息量矩阵。颜色越深，沟通强度越高；凌晨列显示作息偏移。
变量 02 / 情绪基线
月度情绪极性曲线
逐月消息情感均值（0=负面，1=正面）；阴影带表示 ±1 标准差。
变量 03 / 响应速度
不同会话的回复延迟
活跃会话的回复中位数（深色）与 P90（浅色），单位为分钟。
变量 04 / 语言漂移
高频词的季度变化
高频词随季度变化。“会议”的上升，对应学习和工作角色的改变。
变量 05 / 语用习惯
高频短语分布
常用短语按频次缩放。语言习惯在长期数据中形成稳定特征。
变量 06 / 日内结构
24 小时消息钟面
用极坐标显示一天内的消息分布；半径与消息量成比例。
变量 07 / 年度总量
年度消息量曲线
每年发出的文本消息量。曲线反映沟通渠道和生活阶段的迁移。
编年史 08 / 身份变化
标志词构成的个人编年史
每万条本人消息中标志词的出现频次。“论文”曲线的上升，标记从本科生到研究生的角色转移。
编年史 09 / 作息偏移
凌晨消息占比
每年 0-4 点消息占比，用于观察夜间沟通强度的变化。
编年史 10 / 表达方式
年度高频表情
每年使用最多的三个微信表情，展示情绪表达习惯如何变化。
变量 11 / 撤回行为
消息撤回的时间分布
319 次撤回事件的聚合分析，不读取被撤回内容，只观察时长和时段。
关系 12 / 统计层 × 语义层
双向情绪曲线与异常解释
展示与单个联系人之间的双向月度情感极性。统计层先发现异常，语义层再解释异常，形成分层机制的现场示例。
我 → 挚友 A
挚友 A → 我
月消息量（对数刻度）
语义归因示例 输出形态
▸ 异常检测数字来自真实计算；归因文本展示真实输出形态。本地模型只读取异常月份窗口，原始数据不出本机。
关系 13 / 网络结构
群聊互动网络
基于 @、引用和相邻发言构建互动网络。节点大小表示发言量，连线粗细表示互动强度。
- 课题组呈星型结构：信息经由少数枢纽节点中转，接近 hub-and-spoke 形态。
- 兴趣社群呈网状结构：成员之间互动密集，中心性较弱。
- 同一套图谱方法可迁移到企业微信或 Slack，用于团队协作网络诊断。
关系 14 / 强度排序
关系强度 Top 10
综合消息总量与时间衰减后的关系强度分。
关系 15 / 发起比例
互动发起方向
观察谁在主动维持联系：左侧青绿色为我发出，右侧灰色为对方发出。
▸ 若发起比例长期 > 0.6，说明互动明显由单方维持。
关系 16 / 关系衰减
长期沉默关系
筛出曾经高频互动、近期长期沉默的联系人，用数据提示关系衰减。