我们研究了一般社交网络上学习模型的（完美贝叶斯）均衡。 每个人都会收到关于世界潜在状态的信号，观察随机生成的个人邻域过去的行为，并选择两种可能的行为之一。 生成邻域的随机过程定义了网络拓扑（社交网络）。 文献中广泛研究了每个人观察所有过去行为的特殊情况。 我们刻画了任意随机和确定性社交网络的纯策略均衡，并刻画了渐近学习的条件|即，随着社交网络变大，个人收敛（概率）采取正确的条件行动。 我们表明，当私人信念是无界的（意味着隐含的似然比是无界的）时，只要观察中有一些最小的扩展，就会有渐进学习。 我们的主要定理表明，当每个人从最近的过去观察另一个人的概率随着社交网络变大而收敛到一个时，无限的私人信念就足以确保渐近学习。 因此，该定理确立了，在私人信念无限的情况下，几乎所有合理的社交网络中都会有渐进学习。 我们还表明，对于大多数网络拓扑，当私人信念有界时，不会有渐进学习。 此外，与观察到所有过去动作的特殊情况相反，即使在某些随机网络拓扑中存在有界信念，渐进学习也是可能的。
