论文研究-基于社交网络的信息传播模型分析.pdf

所需积分/C币:17 2019-07-22 22:20:52 1.38MB .PDF

随着社交网络的蓬勃发展,网络舆论的控制变得越来越重要。信息传播模型能够揭示信息传播的规律,从而达到对传播过程进行预测的目的,因此社交网络信息传播模型的研究具有重要意义。针对经典传染病模型的不足进行了分析,结合社交网络的网络拓扑特点,考虑了网络中用户的不同感染状态,引入感染用户的衰减函数,提出了适合社交网络的信息传播模型。在真实e-mail网络中进行模型仿真,对比分析了不同模型的结果,研究了模型中各个影响因子对传播过程的影响。结果表明,不同的模型参数反映了传播趋势的差异,模型反映出的传播规律更符合信息在现实网络中的传播过程。
2740· 计算机应用研究 第33卷 如果以网络中一个具体的用户A为研究对象,此用户与1.2.3感染状态用户衰减函数 其邻居用户的关系如图2所示。假设在传播过程中易感染状 在经典的SIR传播模型中,感染用户接触免疫用户,则以 态用户A接收到来自一个感染用户的信息而转换为感染状态一定概率转换为免疫状态,停止信息的传播行为。现有的一些 的概率恒定不变,设此概率为p(P反映了信息本身对用户的吸传搢模型沿用了这一机制。在社交网络中,免疫用户指不参加 引力,与很多因素有关,在文章中并不作研究,在本文中,P钗信息的转发传播的用户,即此类用户对整个传播过程已经不产 做0.5),此时用户A转换为感染用广的概率为 生影响。因此,结合社交网络的现实情况,免疫状态用广并不 1-(1-p)3 (2)能够使感染状态用户转换为兔疫用户,说明传统模型的这种机 制并不适合社交网络。研究发现信息存在一定的生命周期 信息在网终中的传播通常经历萌发、爆发、消亡的过程。造成 某条信息在网络中消亡的原因有很多,可能是因为用户对信息 A 的新鲜感消失,也有可能是由丁其他信息对前一条信息的传播 覆盖。Zhao等人引入了谣言传播者遗忘机制來代替传统模 图!网络用户状态转换图图2用户A与其邻居用户关系图型的接触转换机;另外文献[16]中考虑了信息的传播延迟 在均匀网络中,此概率可以表示为 并运用 Parato分布函数来作为传播者的退化函数。 λ=1-(1-p) i(1)*(k Parato分布函数源白意大利的瑞士经济学教授Ⅴ iIfrCdo 其中:i()表示网络中感染用户所占整个网络用户数的比例, Paret,刚被提出时很多经济学家用它对各种收入数据进行拟 h〉指网络节点平均度。 合研究分析;在后续的研究中, Pareto分布族的应用已经推厂 对于社交网络,网络的拓扑结构具有无标度特性,因此运到社会科学、经济科学、坏境科学等诸多领域并发挥了重要的 用式(3)中均匀网络的算法来进行用宀感染概率的分析呖显作用。本文的信息传播模型中引入广义 Pareto分布族中的Pa 不合理。由复杂网络理论可知,在无标度网络屮,如果用⊙(t) ato(I)分布函数作为感染用户衰减函数 表示在t时刻任意一条边与感染者连接的概率,则6(t)可用 d(n)=l、1 式(4)表达为 其中:α代表感染用户衰减的速度(a>0),α越大,衰减越快。 :(1)=2hP(k)i(t) 4)在木文模型中,从用户第一次接收到信息并转换为感染状态开 其中:k是节点度数,P(k)表示网络的度分布函数。根据不同始,随着传播层级n的增大,d(n)逐渐增大,当d(n)大于转换 网络度分度函数略有不同,但在无标度网络中,网络度分布基概率7(用户状态的变化分为转换或者保持原状两种情况,因 本服从幂律分布。结合式(3)和(4),将网络中某个易感染用此转换的概率为0.5,从而本文中r取0.5)时,感染用户转变 户被感染概率计算式写为 为免没状态。 A=1-(1-p)() 2数值模拟及结果分析 结合上述复杂网络知识,在本文模型中,针对不同用户分 类考虑了四种不同情况的感染概率A1、A2B1B32,将每种感染21模型仿真 概率分别定义如下: 在一个真实的e-mai网络中进行模型的仿真验证。在初 如果用户A为S状态,其转换为l。状态的概率为 始状态设置中,刚络中只存在两个感染状态用户,即l和l A1=1-(1-P) 其余节点全部为易感染用户。运用社会网络分析软件 gepi 如果用户A为S状态,其转换为Ⅰ4状态的概率为 画出网络拓扑图以及初始感染用户在用户中的位置如图3所 A2=1-(1-p)() (7)示。图3屮,红色点表示初始状态用户,绿色点表示初始l 如果用户A为1状态,其转换为1状态的慨率B1与式状态用户(见电子版)。该网络的基本特征数据如下:节点总 (7)相同;如果用户A为L1状态,其转换为,状态的概率B,与数量为1133,总边数为5451,平均度为9.62,最大度为71, 式(6)相同。式中,n代表信息在网络中的传播层级数即传播均聚类系数为0.254,平均路径长度为3606,网络直径为8。 深度(n>1)。 根据上述网络特征数据可以看出,该网络符合小世界网络的特 如前文传播机理所述,当每种感染概率的值满足相应的条征。网络中度k以及相应节点数(数据已进行归一化处理)的 件时,用户状态发生收变 部分数据如表1所示。 1.2.2信息忽略概率 表1节点度及相应归一化节点数 由于网络中用户的兴趣和知识背景等差异,对信息的感知k C.03700.03970.03170.0200.0176 能力和态度都不同。对于社交网络,用户对信息的忽略可有很 h 多方面的原因,可能是用户不在线没有浏览到信息,或者用户 n(h)0.01850.01320.01410.01050.0105 对信息不感兴趣不参与转发传播,也可能由于用户活跃度不高 通过对度k与其相应的节点数进行分析可以发现,两者 不经常参与转发信息等。在本文模型中,在用广社会性方面不满足 作重点研究,因此通过设置个信息忽略阈值来判断用户是否 参与信息的传播,从而揭示用户对待信息的态度影响整个信息其中:h为节点度数;n(k)是网络中度为k的节点数;r是取值 传播过程的变化规律。当信息忽略概率值大于阈值时,用户A1.35~1.37间的固定参数。由此可知,此网络的度分布具有 从易感染状态转换为免疫状态,不参与信息的传播。 幂律分布的特点。 第9期 黄宏程,等:基于杜交网络的信息传播模型分析 2741 在日前关于信息传播模型的研究中、并没有考虑到感染用户在一定程度上加快了信息在网络中的传播速度,但是一旦它 户的不同言论倾向,如SIR传播模型、文献[11~13,16]中提出们成为免疫用户,同样对信息传播速度有很大影响。信息在社 的模型。以文献[16]为例,文章沿用了SIR模型中将用户分交网络中的传播与现实社会网络类似,一些中心重要节点往往 为未知者、传播者和免疫者三类的思想,考虑了用户的免疫力具有较大的社会影响力,知名人士发布的信息、观点更能得到 变化以及外部社会加强对传播的影响等因素,构建∫基亍在线大众的认可,从而引导舆论方向,造成较大的社会影响,本文模 社交网络的消息传播模型(υSR)。在本文模型的数值仿真型的仿舆结果较好圯体现了这一特性。 中,通过设置初始感染用户,研究网络中各类状态用户的数量 D=1.D=3 随着传播层级数的变化情况。本文、SR以及DSIR模型的仿 D2=23D,=13 D=30.D=30 真结果如图4~6所示。从图4可以看出,易感染状态用户数00 33221 D=40,D,=40 D=52,D,=71 量初期呈现出较快的下降趋势,在一定阶段后趋于一个定值; 两种感染状态用户数量在初始阶段快速增长,当达到最大值后 逐渐衰减,呈现固定的生命周期,最后趋向于零;免疫用户数量 l234567891011213 SR模型DSR模型本文模型 传播层级数 则是保持增加的趋势。从图4~6的对比可以看出,本文模型 图7三种模型感染 佟8S状态用户数量 状态用户峰值对比图 随传播层级数变化图 由于定义了不同状态的感染用户,所以在仿真结果中存在两类 感染用户的数量曲线,比起另外两个模型更能体现出网络中信 D=L.D,=3 息传播趋势的多样性。另外,在实际社交网络的信息传播过程 D=23,D=13 D=1.D=3 =30D=i0 中信息的发布初期传播速度并不会极其迅速,而在爆发时网20 一D=23,D=13 1-D5D=71 络中的易感染用户会很快收到信息并发生状态转变,因此易感 D=30 染用户的曲线变化应该是先平缓而后突然下降,形成一个陡峭 -D=52.D=71 下滑的趋势,本文模型中易感染(S类)用户的减少趋势正是符 0"2345678101132345678910 传播层级数 传播层级数 合这点。但在SIR模型中,曲线的变化直平缓减少,并没 图9R状态用户数量 图10L状态用户数量 随传播昃级数变化图 随传播层级数变化图 有出现骤减的情况。三种模型感染状态用户峰倌对比如图7 2.2.2信息忽略阈值不同的情况 所示。从图7可以看出,传播过程中感染用户(I类)的峰值本 信息忽略慨率反映了网络屮的用户对信息的感知和用户 文模型较 SIR D-SIR模型更高,说明信息在网络中的覆盖面越活跃度,此概率越大,代表用户活跃度较低或对信息不感兴趣 。特此说明,由于木文模型将感染用户分为两类,所以感染选择不参与转发评论的概率越大。在本文模型中,通过随机生 用户总数量为两类感染用户数量相加。 成一个信息忽略概率来反映用户的上线概率和信息感知度,并 设置相应的信息忽略阈值。R状态用户数量随传播层级数变 1000 化如图12所示。从图12可以看出,信息忽略阈值越大,用户 -忽略信息的概率越小,转换为免疫用户的概率舨小,从而免疫 400 200 节点的增加速度越慢。图13反映的是信息传播结束后,随着 信息忽略阈值的不同,网络中易感染用户中未被感染过的数量 2345678910111213 传播层级数 变化。从图13中可以看出,信息忽略阈值越大,信息越不容易 图3网络拓扑及 图4本文模型各类 初始感染用户位置 状态用户的数量变化 被忽略,用户被感染的概率越大,在整个传播过程中被感染过 的节点越多,因此刈络中最终未被感染过的用户越少。 100 D=1,D=3 D=23.D=13 12345678910111213 12345678910 =52.门=7l 传播层级数 传播层级数 U=0.90 图5SR模型各类状态 图6D-S模型各类状态 用户的数量变化 用户的数量变化 12345678910111213 l234567891011213 传潘层级数 传播层级数 2.2不同影响因子对比分析 图11J状态用户数量 图12R状态用户数量 随传播层级数变化 随传播层级数变化 2.2.1初始感染用户不同的情况 2.2.3感染用户衰减遠度不同的情况 S、R状态用户数量随传播层级数变化如图8,9所示。当 信息在网络中的传播通常具有一定的生命周期,而信息的 仿真设置不同的初始感染用户时,从图8.9可以看出,当初始传播与感染用户的数量有着密切联系,因此本文模型引入感染 感染用户的度较大时,信息在整个网络中的传播速度较快,网用户衰减函数来表征信息传播的衰退直至消亡。ln、l状态用 络中易感染用户接收到消息以及被感染的速度也就越快,因此广数量随传播层级数变化如图14、15所示。从图14和15可 易感染用户的数量下速度越快,免疫用户的增加速度也越以看出,衰减速度越大,网络中感染用户的活时间越短,即信 快。、L状态用户数量随传播层级数变化如图10、11所示。息的牛命周期也越短,用户从感染状态转换为免疫状态的速度 对于感染状态用户,如图10、11所示,两种感染用户的数量增越快。矸究衰减速度与传播层级数的关系,衰减速度越大,感 加速度和初始感染用户的度数成正比关系,当感染用户生命周染用户停止信息传播的速度越快,信息传播结束越早,从而传 期结束时转变为免疫用户。在社交网络中,一些度数较高的用播的层级数也越少,图16则是呈现这一特性。 2742 计算机应用研究 第33卷 [2]王莉,程苏渏,沈华伟,等,生线社会网络共演化的结构推断与预 →e=0.26 c=0.28 泱[J].计算机研究与发展,2013,50(12):2492-2503 0Uo 最终S状态用户数 0.68 [3』腾讯科技. Facebook月户总数达到22亿人占全球总人口1/3 EB/OL].(2014-07-25)[2015-06-01].htt://tech.qq.com/a/ 20140725/000288.ht 、5 13579111315171921 [4]许丹,卒翔,江小帜.复杂网络理论在互联网病毒传播研究中的应 信息忽略网值 播层级数 用[J].复杂系统与复杂性科学,2004,1(3):10-26 图13最终S状态用户薮量 图14L状态用户数量 随信息忽略阈值变化 随传播层级数变化 [5 Newman M E J. 'The structure and function of complex networks[J] 0 S| AM Review,2003,45(2):167-256 e=0.26 [6〗张发,夺璐,宣慧玉.传染病传播模型综述[冂].系统工捏理论与实 P=0≤0 -传播层级数 践,2011,31(9):1736-1744 200 [7] Woo I, Son I, Chen H. An SIR model for violent topic diffusion in so- 10 cial media[ C]//Proc of IEEE International Conference on Intelli ce and security In 13579111315171921 传播昃级数 感染用尸衰减速率 [8 Woo J, Chen H. An event-driven SIR model for topic diffusion in Web 图15状态月广数量 图16传音层级数貊感染 用户装减速率变化 forums[ c//Proc of lEEE' International Conference on Intelligence 缒传播层级数变化 and Security Informatics. 2012: 108-113 3结束语 [91 Gong Yongwang, Song Y urong, Jiang Guoping Epidemic spreading in e-free netwo 本文结合信息在社交网络中的传播特征,提出了一种基于 Chinese Physics B, 2012, 21(1): 41-45 社交网终的信息传播模型,并对该模型进行分析。本文通过定[0 I Wang Hui, Deng lin, Xie Fei,ata. A new rumor propagation model 义模型的传播规则,结合无标度网络理论,建立传播动力学微 on SNS structure[C]//Proc of IEEE International Conference on Granular Computing 2012: 499-503 分方程组,并且考忐了模型屮各个重要参数的影响,使建立的 模型更符合社交网络的特点。最后遥过在真实的网络中进行[11]王辉,韩江洪,邓林,等.基于移动社交周络的谣言传播动力学研 究[J].物理学报,2013,62(11):98-109 模型仿頁并与不同模型进行对比,分析了模型中不同参数对整 「2]张彦超,刘云,张海峰,等.基于在线社交闷络的信息传播模型 个传播过程的影响。仿真结果表明,初始感染用户的度数越 [J].物理学报,2011,60(5):60-66 大,信息在內络中传播速度越快;信息忽略國值越大,信息被忽「131 Borge-Holthoefer J, Meloni s, Concalves b,ctaL. Emergence of 略的概率越小,网络中被感染的用广越多;感染用广衰减速度 nfluential spreaders in modified rumor models[ J. Journal of Statis- 越快,信息生命周期越短,传播结束越早。本文所建立的模型 tical PhysIcs,2013,151(1-2):383-393 更加符合信息在真实社交网终屮的传播趋势和过程,为网终信14] Garys,KmrS. Modeling and analyzing information diffusion heha 息传播的进一步研究打下了基础。山于本文的传播模型是基 viour of social networks[ C//Proc of International Conference on I 于网络拓扑固定不变的情况,而在社交网终中,网络拓扑可能 sues& Challenges in Intelligent Compuling Techniques. 2014: 566- 在信息传播过程中发生局部变化,所以下一阶段将是在网络变 572 化的情况下进一步研究自适应网络拓扑变化的信息传播模型 15 Zhao I aijun, Xie Wanlin, Gao H O, et al. A rumor spreading model with variable forgetting rate[ J|. Physica A: Statistical Mechanics 参考文就 its Applications,2013,392(23):6146-6154. Ll」孙芮.Wc2.0的含义、特征与应用研究LJ」现代情报,2006,26「161蒙在桥,傅秀芬.基于社交网络的动态消息传模型「J.计算机 (2):69-70 应月,2014,34(7):1960-1963 (上接第2734页) um.2005:8 L6 Nazir B, Ilasbullah ll. Dynamic sleep scheduling for minimizing delay [11] Yang S H, I'seng H W,Wu E H K, et al. Utilization based duty cyele in wireless sensor network[ C// Proc of Saudi International Electro- tuning MAC protocol for wireless sensor networks[C]//Proc of IEEE nics, Communications and Photonics Conference 2011: 1-5 Global Telecommunications Conference. 2005. 3262 [7 Ye Wei, Heidemann J, Estrin D An energy-efficient MAC protocol fo [12 Saravanakumar R, Susila S G, Raja An energy efficient cluster based wireless sensor networks[ C//Proe of the 2 1 st Annual Joint Confer node scheduling protocol for wireless sensor networks C//Proc of ence of the IEEE Computer and Communications Societies. 2002 the loth Ieee International Conferenee on Solid-State and Integrated 1567-1576. Circuit Technology. 2010: 2053-2057 13 Sasikala V, Nadu C T Cluster based sleep wakeup scheduling tech [8 Armstrong T. Wake-up based power management in multi-hop wirele nique for WSN J|. International Journal of Computer Applica networks[D].[S.1.]: University of Toronto, 2005: 238 tions,2013.72(8):15-22 19] Deng Jing, IIan Y S, Ileinzelman W B, et al. Scheduling sleeping 14] Shah G, Akan O B Cognitive adaptive medium access control in cog- nodes in high density cluster based sensor networks JI. Mobile Net nitive radio sensor networks[J]. IEEE Trans on Vehicular Techno forks and Applications, 2005, 10(6): 825-835 ogy,2015,64(2):757767 L 10] Zheng Tao, Radhakrishnan S, Sarangan V PMAC: an adaptive energy- 15] Heinzelman W B, Chandrakasan A P, Balakrishnan H. An application efficient MAC protocol for wireless sensor networks[ C|//Proc of the specific protocol architecture for wireless microsensor networks[ J] 19th IEEE International Parallel and Distributed Processing Symposi- IEEE Trans an Wireless Communications, 2002. 1(4): G60-670

...展开详情
img

关注 私信 TA的资源

上传资源赚积分,得勋章
相关内容推荐