基于双向连接的微博集中度和传播影响的实证分析

识别复杂网络中最有影响力的节点对于信息的传播和控制具有重要意义。 我们从新浪微博收集实际数据，并基于双向“关注”建立两个用户关系网络。 通过分析网络拓扑的统计特征，我们发现它们每个都有一个很小的世界且无标度。 此外，我们描述了四个网络集中度指标，包括节点度，紧密度，中间度和k-Core。 通过对四中心度量分布的实证分析，发现节点度服从分段幂律分布。 中间差异最显着； 两个网络都具有重要的层次结构，但并非所有度数较高的节点都具有较大的k-Core值； 所有节点的中心性指标之间存在很强的相关性，但是在度值较高的节点中，这种相关性会减弱。 这两个网络通过基于传染病动态的SIR信息传播模型来模拟信息传播过程。 仿真结果表明，不同初始选择个体对信息传播的范围和速度有不同的影响。 我们发现，紧密度和k-Core可以比其他指标更准确地表示网络位置的核心，这有助于我们识别信息传播网络中的有影响力的节点。