社会类的信息的功能一句话来概括就是用来说明你和你的交际圈是怎样互相连接的，并解释此类链接的本质和其所以来的情感因素。很多人以为 Facebook 这类网站就包括了一个人的社会信息，其实这是个远大于社交的概念。在一个理想的语境运算情景下，社会信息可以解释和演示个体之间有意识和无意识的互动。比如一定的服务和软件可以将两个陌生人带到一起；也可以是两个共有一个朋友的个体之间的互动。

利用平台和服务全面调动和充分利用是发挥出这类信息最大潜力的必须条件。另一方面来说，对个体的信仰、行为和兴趣的理解也是发掘社会信息有效价值的前提之一。

个体信息 – 你的信仰，性格和价值观

个体类信息包括你的信仰，你看待世界的角度和你的性格。这类属性使得每个人都是独一无二的存在，这与社会类信息解释个体之间共性的特点正好相反。由于这类信息的高度概念化和抽象化，对个体类信息的收集和利用之法尚在开发之中。

考虑到心理学尚且在解释个体特性方面进展缓慢，以计算机数据形式记录和分析此类信息的技术停滞不前也就不难理解了。但是改变的迹象也不是没有。以Proust.com为例， 一个社交行业里较新的玩家，他们以普鲁斯特问卷的方式从用户处收集极其私人的生活细节和个人信仰等信息。大多数情况下人们是不情愿在如此公开的社交网络上透露此类信息的。

一个更成功的例子就是 Evernote，以易用和安全做卖点的 Evernote 已经有相当大的用户群， 这些用户正用这款软件记录着包括消费记录和心理活动等隐秘信息。但是从这里信息中提取数据言在 NSA 的眼中还是个灰色区域，我们需要一个全新的解决方案来发掘出其中的价值。

兴趣信息 – 你的品味和偏好

兴趣类信息围绕在一系列互相关联的事物存在，不同个体间重叠的兴趣爱好也在此列。不少公司已经在此领域进行投资；Twiiter 就正自信地走在这条路上，他们坚信能将各种话题之间的联系绘制出来。

但是这种应用的范围还是非常的有限。例如像Goodreads.com这样的在线书店虽然可以根据公开的口味偏好向你推荐你可可能感兴趣的书籍，但这还比较勉强，因为对那些未公开的、更贴近你真实兴趣的信息进行解读非常重要，但对他们来说还是大难题。他们还无法搞清楚好奇心会对你的选择做出怎样的影响，更别提从你的阅读中分析出其它方面的兴趣了，比如餐厅和度假地点等。

行为信息 – 最容易分析的部分

行为部分的信息是最易于记录的。如上文所述，无所不在的感应器和计算机担当了这项任务，当然这也包括了自我报告机制。机械的计算机难以对你的兴趣做出准确预测，与此不同，行为类信息的记录和分析对计算机来说轻而易举。试想你对朋友说想要去中国度假，但是事实上欧洲从来都是你的唯一选择。一个聪明的旅行类应用会十分明智地为你推荐巴黎或柏林的旅行折扣，而不是傻傻地告诉中国的商家正在做怎样的活动。行为类的数据在某种程度上为 Google 搜索、Netflix、Amazon、iTunes Genius、Nike+、FourSquare 和 FitBit 等“数字量化自我”服务提供了基础。在和其它三方面的数据充分混合后，这类数据能为行为解密做出有效注解。

合适的时候，语境运算会是你最得力助手

这四类信息间的链接将是发挥它们最大潜力的关键，正是相互间的关联使它们产生共鸣。最新的产品如 Google 的 Now 和 Glass， Highlig.ht 以及 Siri 都在试图开拓这条途径。Xerox PARC 的梦想家们早在 1973 年便开发鼠标和图形计算技术，但却无法将这些领先之处作为长期的竞争优势保持下去，同样地，现在去说哪种平台或应用将会成功还为时过早。成功将建立在很多有趣的失败经验上。