区块链社交网络信息传播模型的优化研究

区块链的出现使得社交网络信息传播的模式发生了改变,如用户信任度、信息传播的转发概率等。因此,在传统社交网络信息传播模型的基础上,通过对用户行为模式的着重分析,基于用户信任度和经济激励等影响因素优化了转发概率;新增了合约状态节点解释用户的理智性,基于此提出区块链社交网络信息传播模型。理论与仿真分析表明,该模型在区块链社交网络的信息传播过程中具有较好的稳定性和敏感性,节点属性变化走势更加接近真实网络,能够较好地模拟区块链环境下社交网络中信息的传播规律。     

在线社交网络中信息传播模式的特征分析

在线社交网络以其独特的传播优势,已成为一种流行的社交媒体平台。针对在线社交网络中信息传播模式的形式特点,结合传染病动力学原理,提出了在线社交网络中的信息传播模型。模型考虑了不同用户行为对传播机理的影响,并建立了不同用户节点的演化方程组,模拟了信息传播的过程,分析了不同类型的用户在网络中的行为特征以及影响信息传播的主要因素。实验结果表明：不同类型的用户在信息传播过程中有着特定的行为规律,信息不会无限制地传播,并在最终达到平稳状态,并且传播系数和免疫系数越大,信息传播达到稳态的速度就越快。     

基于行为分析的微博传播模型研究

随着微博的迅速兴起和其影响力的不断提高,提取微博信息传播特征和构建传播模型已成为了研究热点。针对用户转发行为,首先分析了信息传播机制;然后从影响用户转发行为的发布用户、接收用户、用户亲密度和信息时效性4个方面提取出8个特征因素进行建模;在借鉴传染病动力学SIR模型的基础上,引入用户行为分析和接触节点,提出基于用户行为分析的SCIR模型,并给出动力学方程;最后利用新浪微博真实转发数据验证模型的合理性。实验结果表明,考虑用户转发行为的8个影响因素,结合行为分析结果,能够较好地拟合信息传播过程。     

面向时间感知的微博传播模型研究

随着在线社交网络的快速发展,提取信息传播特征和构建传播模型已成为研究热点。针对传统微博网络传播模型未考虑用户的不完整阅读、潜伏期和直接免疫等行为难以准确识别免疫节点的缺陷,通过分析用户的行为特征,提出增加传播的个体分类和完善传播途径的微博网络传播算法(MSILR)。该算法可以使用户根据微博信息的传播特性及时获得、传播和屏蔽信息,根据模型反映的社会关系和在线社会行为完善社交网络的功能。以新浪微博为例,分析微博网络的传播机理和网络参数对信息传播过程的影响,完善动力学演化方程组,刻画信息传播过程随时间的演化规律。在真实微博网络数据集上进行测试,并与传统算法进行比较,实验结果表明了MSILR算法的有效性和可行性。     

在线社会网络用户的信息分享行为预测研究

在线社会网络中信息的传播路径包含着用户对内容、来源等的偏好信息,研究运用信息的传播路径来预测用户信息分享行为的方法。基于传播路径的信息过滤能力研究了信息在网络中的传播过程和信息传播路径的转换方法。运用基于关联规则的分类算法对在线社会网络中的信息分享行为进行预测。以新浪微博为例对微博用户的转发行为进行了预测,结果表明该方法对在线社会网络中的活跃用户的信息分享行为的预测具有较好的效果。     

信息传播中的用户转发选择预测

在线社会关系网络中,用户之间的关注关系网络承载着上层的信息传播,关注关系网络的结构影响着消息的可见度,并影响着信息传播过程的转发选择。以新浪微博为例,围绕信息传播中的多次暴露现象展开研究,结合用户关注关系网络的结构,探索信息传播过程中多次暴露情形下用户转发选择行为的模式和规律。针对信息传播中用户在多个暴露源下的转发选择预测问题,融合消息内容、网络结构、时序和交互历史等多方面因素,建模和预测用户转发选择。实验结果表明,新方法的预测准确率高达91.3%。     

一种基于用户距离改进的线性影响力传播模型

根据在线社交网络中用户的历史行为进行信息传播的预测是当前研究的热点之一,然而传统的传播模型仅解释了信息在社交网络中的传播规律,不具备信息传播预测能力。Jaewan Yang和Jwe Leskovec根据未激活的用户会受到激活用户的影响,提出了线性影响力模型LIM(Linear Influence Model),但是LIM模型在信息传播的过程中只考虑了时间因素,忽略了信息在传播过程中的空间因素,即用户间的相互关系。首先引入社交网络中用户间距离的度量,并结合距离的度量对LIM模型进行了改进,提出了基于距离正则化的LIM模型,即d-LIM模型。真实数据集上的对比实验表明,d-LIM模型能获得更准确的预测结果。     

在线社交网络中群体影响力的建模与分析

移动互联网技术的飞速发展,给社交网络平台带来了新的颠覆性的转变,也不断地改变着人们的生产、生活和交流方式.在线社交网络由于其特有的注册开放性、发布信息自由性、用户兴趣趋同性等特点,已经超越传统媒体,成为人们传播消息、获取新闻和接收实时信息的主要途径.同时,社交网络中用户之间的各种关系类型多样、相互交织、相互影响,促使用户生活在复杂的在线群体网络环境中,使得用户的在线行为时刻都受到所属的多种群体环境的影响作用.现有的针对在线群体环境影响的研究大多依据静态的、单一的网络结构对社交网络进行建模,而网络中通常存在多种类型的、动态的社会关系,较少研究能同时考虑多种类型的用户关系,建模社交网络中复杂环境下用户受到的影响作用.本文对用户所处的多类在线群体环境进行分析,挖掘用户所能感知的不同类型的群体环境,建模多维群体环境下用户所受的影响作用.首先,从用户间的社交关系类型出发,对在线社交网络中复杂的网络拓扑关系进行分类挖掘,分析用户可能感知的不同维度的在线群体环境,并提出静态群体环境和动态群体环境的定义和挖掘方法.其次,在不同的在线社交群体环境下,从宏观角度量化环境中用户所感知的群体结构特征,并从微观角度建模并模拟用户间的影响机制,提出了基于图注意力网络的融合多维在线群体环境的影响力模型.最后,以在线社交网络中用户的转发行为为例,研究多维群体环境影响下的用户行为模式,并在真实数据集上,基于群体影响力模型预测个体转发行为状态,验证模型的合理性和有效性.实验结果表明,本文提出的群体影响力模型能够更有效地描述在线社交网络中用户所属群体对用户的影响作用,并且在用户转发行为状态预测方面,比现有的群体影响力模型在综合评价指标F1值方面最高可以提升33％,在AUC值方面可提升16％.     

微博中转发行为的预测技术综述

在线社交网络中,微博平台的便捷性和开放性,给信息的传播和爆发提供了很大的便利。转发是微博平台上用户的重要行为,也是信息传播的关键机制。基于转发行为,分析一条推文是否被用户转发或者一段时间后的转发量,可以使我们更好地了解信息的传播特性,探索用户的行为与兴趣,以此推进信息推荐、预防突发事件和舆情监控等应用发展。该文较为系统地梳理了预测微博是否被转发及某段时间后的转发量这两方面的相关研究工作,着重阐述了基于用户、社交和内容特征的预测模型建立的过程并评价其预测性能,分析了微博转发行为的相关预测技术面临的挑战,展望了未来的可能研究方向。     

基于信息老化特征的微博传播模型研究

随着微博的迅速兴起,提取信息传播特征和构建传播模型已成为研究热点。针对用户转发行为,首先分析信息转发结构,提取信息老化特征;然后结合转发时效性,基于平均转发概率的递减规律提出SIR的改进模型;最后利用真实转发数据验证了模型的合理性。结果表明,考虑信息时效性和老化特征,能够较好地拟合信息传播过程。进一步,将利用该模型分析不同节点传播影响力,发现其分布服从无标度特征。     

基于PageRank的在线社交网络消息传播模型

经典的消息传播模型没有充分考虑在线社交网络的复杂性以及网络节点间的拓扑结构差异。针对这种情况,提出一种基于PageRank的在线社交网络的消息传播模型P-SIR。该模型利用节点的PageRank值作为节点权威度并考虑在线社交网络传播机理,刻画不同类型节点随着时间变化的状态演化关系,反映消息传播过程受到网络拓扑结构和传播机理的影响。该模型还考虑在线社交网络中影响消息传播过程中的一些实际因素,动态指定节点的权威度以适应非均质网络,并考虑外部社会加强效应。采用3种不同类型的网络模拟消息传播过程,通过仿真实验验证P-SIR模型可以有效反映在线社交网络中的消息传播过程。     

基于节点属性和信息价值的V-UKIR传播模型研究及仿真

为更有效地在网络中进行广告信息推广和谣言控制,针对真实社交网络信息传播的特点,对信息传播机制进行了研究。首先,在传统SIR模型的基础上,将节点状态分为未知、阅读、感染、免疫状态。然后,考虑节点自身属性的差别和不同信息在不同社区中的价值,定义了自适应节点状态转移概率函数,建立了更加符合社交网络真实传播特点的V-UKIR模型。最终,通过不同信息传播过程对比,验证了该模型的有效性。同时,通过在不同模型下的实际传播对比,证明了该模型在新浪微博和Twitter上有较好的信息推广和谣言控制效果。     

基于改进SIR的正负面网络舆情信息传播模型与仿真

针对网络舆情传播过程中正负面信息共存的问题,在SIR模型的基础上,引入正面信息澄清者C,构建正负面信息同时传播的SCIR模型,并考虑首页效应和网民异质性,借助多智能体仿真技术对舆情的传播过程进行模拟仿真.仿真结果表明,SCIR模型比SIR模型更吻合现实网络中舆情的传播;第三方机构利用首页发表的声明可信程度越高,越有利于舆情控制,但存在阈值;首页效应对正负面信息的传播具有两面性,网民异质性和正负面信息传播率均对正负面信息竞争结果有显著影响.     

社交网络中用户隐私推理与保护研究综述

如今微博和Twitter等社交网络平台被广泛地用于交流、创建在线社区并进行社交活动。用户所发布的内容可以被推理出大量隐私信息,这导致社交网络中针对用户的隐私推理技术的兴起。利用用户的文本内容及在线行为等知识可以对用户进行推理攻击,社交关系推理和属性推理是对社交网络用户隐私的两种基本攻击。针对推理攻击保护机制和方法的研究也在日益增加,对隐私推理和保护技术相关的研究和文献进行了分类并总结,最后进行了探讨和展望。     

基于SRank的社交网络影响力分析

针对社交网络中用户影响力的评价问题,提出了一种基于SRank的评价算法。基于从社交网络中收集的大规模数据集,结合最近社会学理论研究成果分析PageRank及其改进算法应用于此场景中的不足。在此基础上总结社交网络中信息传播的规律,将用户与社交网络的关系强度定义为用户的人缘值,用来表示用户作为粉丝的信息再传播能力。然后提出了一个通过预测用户信息传播能力大小来分析和度量用户影响力的SRank用户影响力模型。在同样的数据集下相对于PageRank及其改进算法,SRank用户影响力模型获得了更好的影响力预测结果。基于大规模数据的实验结果表明,提出的方法是较为有效的。     

在线社会网络的网络结构和信息传播研究综述

随着在线社会网络的大规模应用和普及, 亟需对在线社会网络进行深入研究分析。在线社会网络的网络结构和信息传播研究是该领域中的两大研究热点和关键问题。网络结构包括关键节点、网络关系以及社团的挖掘, 通过对网络结构的分析可以掌握被分析网络中存在的社团、节点之间的关系以及关键节点等, 而这种分析对于国家及时掌握在线社会网络的舆情、公司广告在网络上投放策略的制定都具有极大的帮助。对在线社会网络信息传播的研究主要有信息传播动力模型、信息传播源和路径的发现与描绘、信息传播的最大化和最小化等, 通过对在线社会网络信息传播的研究, 人们可以对在线社会网络信息传播的影响进行预测和干预, 从而可以将信息传播的影响按照有利的方向引导。综述了在线社会网络的网络结构和信息传播的研究现状, 并对这两方面的主要研究方法及技术的优势和不足以及适用场合进行了对比分析。     

融合社交网络用户自身属性的信息传播数学建模与舆情演化分析

针对传统的社交网络信息传播模型极少将用户属性和信息特征这两个因素纳入到信息传播模型研究中的不足,该文提出了一种基于用户自身属性的信息传播模型。首先该文抽取用户影响力、用户态度、用户年龄、信息能量、信息价值等特征并构建交互规则;其次,根据这些特征建立信息传播的数学模型,模拟社交网络舆情演化过程;最后,为验证模型的有效性,开展了与真实事件的实证分析对比实验。实验结果表明: 仿真结构与真实数据的相似度大于0.97,因而该模型符合社交网络舆情信息传播的特性,能够较为准确地描述社交网络中的舆情传播过程。     

结合重要节点信任传播的社会化推荐算法

融合社交信息的推荐算法有效缓解了推荐算法中的数据稀疏性问题和冷启动问题,近年来受到极大的关注。但社交信息依然存在数据稀疏性问题,而且社交网络提供的二值数据无法衡量不同用户间的信任程度。针对这些问题,利用重启随机游走算法获取社交网络中的重要节点。提出重要节点信任传播算法建立重要节点和其他用户节点之间的信任关系,同时利用节点的结构信息进一步量化用户间的信任权重,以得到更精确的推荐结果。在三个公开数据集上的实验表明,结合重要节点信任传播的社会化推荐算法（INTP-Rec）丰富了社交信息,有效地提高了推荐算法的准确率和召回率。