基于节点态度的社交网络信息传播模型

为了揭示信息在社交网络中传播的内在规律,对社交网络的信息传播过程进行深入的研究,社交网络的信息传播过程除了受信息本身的吸引力和社交环境的影响,同时受节点对消息的态度的影响。然而,现有信息传播模型对节点态度考虑不足,不能体现节点态度的差异对信息传播所产生影响。本文结合传染病模型并考虑节点态度,提出了一种基于节点态度的社交网络信息传播模型,旨在分析节点态度对信息传播的影响,为研究社交网络的信息传播机理提供理论依据。首先,考虑到不同节点的态度及其变化规则的差异,从个体角度出发,基于节点行为定义了节点态度及其更新原则。其次,在传统传染病动力学SIRS模型基础上,结合信息传播与传染病感染扩散类似的传播机理,综合考虑节点态度对信息传播状态转移的影响,利用社会学习理论得到一种基于节点态度的社交网络传播模型。该模型能够分析节点态度对信息传播的影响,给出传播规则,并刻画信息传播的演化规律。最后,采用新浪微博的真实数据对本文的传播模型进行了仿真实验,仿真结果验证了节点态度影响着信息的传播,证明了本文所提模型能够更准确地描述信息传播规律,反映社交网络的信息传播过程。     

基于监督随机游走的有影响力用户发现算法

基于用户主题偏好的监督随机游走是当前热点研究之一。受微博文本稀疏性的影响,基于微博主题衡量用户影响力的研究较少。为研究某些领域的用户影响力强弱,文章提出一种基于监督随机游走的有影响力用户发现算法(TP-SRW)。通过研究微博用户自身的属性和微博文本的主题特征,构建基于用户交互信息的个体链接关系,并结合代表用户同质性的微博主题兴趣的相似性,构建有向加权网络模型。实验结果分析表明,在不同主题下挖掘高影响力用户,提出的TP-SRW算法和模型具有良好的性能。     

网络信息传播动力学研究

对网络传播机理建模是运用网络和实施控制的基础。针对Web信息传播系统特有的复杂性,借鉴社会物理学的基本思想,对网络状态进行了离散化定义,并根据单信息源传播与机械波类比特征的相似性,提出了一种网站传播影响强度模型,从微观层面模拟网民个体在瞬态时间点上与离散的网站个体交互时,网络传播系统各动力学因子对网民传播行为的动态影响力;在此基础上,采用蒙特卡罗法将该模型与基于Agent仿真模型的个体交互规则相结合,建立了Web信息传播仿真模型。模型的运行结果能很好与实证研究相互印证,为类似问题的建模提供了一种新的思路。     

一种基于话题传播的微博用户影响力分析方法

基于微博话题传播过程,提出了一种新的用户影响力分析方法.该方法首先结合微博信息传播机制,构建信息推送网和信息转发网;其次,基于上述网络建立话题传播网模型并提出CTDN构建算法;最后,以该模型为基础设计并实现了一种用户影响力排序算法TD-InfluenceRank,该算法在迭代计算用户影响力时通过考虑节点间的信息传播,使影响力更多地转移给关系密切的节点.实验结果表明,以TD-InfluenceRank算法为核心的用户影响力分析方法,能够有效提高话题传播中用户影响力分析的准确性.     

网络意见领袖对微博不实信息传播的影响

为了考察网络意见领袖对微博不实信息传播过程的影响,在传染病模型ISR的基础上进行改进,构建了考虑网络意见领袖的微博不实信息传播模型,利用Matlab软件进行数值仿真和结果分析.模拟结果表明:网络平均度和意见领袖对不实信息的传播力越大,不实信息的影响力越大;微博不实信息传播的持续时间随网络意见领袖的初始密度变化而变化.     

基于概率加权通信社区SIR模型及信息扩散预测方法研究

针对当前电信网如何有效刻画敏感信息传播特性及对信息扩散进行预测的难题,提出了基于概率加权通信社区信息传播模型及扩散范围预测方法,该模型基于复杂网络传播动力学,考虑了电信网通信社区中用户之间的关系紧密程度、不同的用户类型以及社区中结构等因素对于信息传播的影响.采用该模型并通过扩散过程推演方法进行仿真,仿真结果中可以准确得到各类个体随时间演化的变化趋势.     

基于Multiagent的社交网络舆情传播模型

为分析与预测社交网络中舆情传播过程和演化趋势,本文基于Multiagent分布式技术,建立了社交网络舆情传播模型,研究社交网络舆情传播方式,并根据Agent的行为和状态特性,对A-gent进行分类,分析Agent的属性特征,通过剖析Agent个体之间的交互微观行为,依据信息价值时效性、信息源覆盖率和信息关注度,对转发行...     

基于用户偏好特征的微博转发预测

在线社交网络为信息的传播提供了渠道,但同时也加快了不良信息的传播速度。针对真实场景下新浪微博社交网络中的转发现象,分析了微博网络中用户之间的相互影响关系,以及微博文本内容等特征对受众用户的影响,证明了这些信息对于预测微博转发序列的有效性。提出了一种综合微博用户偏好信息及关系信息的微博转发序列预测方法,该方法使用Transformer编码器分析了微博发布之后的早期转发序列,随后,使用注意力机制处理微博文本信息和其他信息对转发过程的影响,预测下一步可能会转发的用户。从真实社交网络中提取得到微博的转发序列,共涉及14 891位用户,使用提出的方法处理该数据集,实验结果表明,所提方法的概率排名TOP500的准确率达到71%,对比当前同类型预测方法,所提方法的性能提升了约10%。     

基于线性加权的微博影响力量化模型

针对当前社交网络中影响力量化多集中于用户维度,而缺乏对信息维度研究的问题,从微博信息入手,以线性加权模型为基础,提出一种结合评论数、转发数并引入转发地域分布信息的微博影响力量化模型(MIQM)。该模型综合考虑了群体对信息的关注度以及信息的扩散模式,并对影响力展开了全局和局部分析。实验结果表明,MIQM局部模型和评论率相关性达0.43,全局模型和转发数相关性达0.98,说明MIQM模型能反映单个微博的影响力,局部模型可突显关注度高的微博,全局模型能描述扩散性广的微博。     

一种用于图卷积网络的社交关系方向门控算法

针对社交网络用户态度分析任务中用户之间原有社交关系方向可能阻碍态度信息流动以及标签扩散的问题,提出了一种应用于半监督图卷积网络的社交关系方向门控算法.该算法首先在原有与逆向社交关系方向上分别进行图卷积运算,得到2种用户节点态度特征向量,然后利用门控机制对2种特征向量进行动态融合.扩展了态度信息传播路径的同时,还能够捕捉用户影响力差异,以自动选择态度信息的流动方向.在2个真实热点话题数据集上的实验结果表明,现有图卷积网络在加入该算法之后,其用户态度分析的准确率能够得到有效提升.     

新型单轴拉伸试样制备装置的研制及试验研究

针对当前社交网络中影响力量化多集中于用户维度,而缺乏对信息维度研究的问题,从微博信息入手,以线性加权模型为基础,提出一种结合评论数、转发数并引入转发地域分布信息的微博影响力量化模型(MIQM)。该模型综合考虑了群体对信息的关注度以及信息的扩散模式,并在地域维度对影响力展开了全局和局部分析。实验数据表明,MIQM局部模型和评论率模型相关性达0.43,全局模型和转发数模型相关性达0.98,说明MIQM模型能反应单个微博的影响力,局部模型可凸显关注度高的微博,全局模型能描述扩散性广的微博。     

在线社交超网络的信息全局传播模型

信息爆炸时代,在线社交网络作为信息传播的主要途径被广泛应用,但在线社交网络中信息传播的动态过程往往难以准确预测和防控。该文引入超图中的超边描述两个或两个以上个体之间复杂的社交关系,利用基于超网络动态演化模型构建在线社交超网络,并结合基于反应过程策略的SIS模型,对在线社交超网络中信息全局传播的动态过程进行理论分析和仿真实验。使用平均场理论得到超网络结构参数与传播率、恢复率之间的解析表达式,并通过仿真实验分析超网络规模、传播率、恢复率、超网络结构参数以及初始传播节点对信息全局传播的影响。进一步,对超网络和复杂网络结构下的信息全局传播过程进行了对比分析。研究结果有助于深层次理解在线社交网络中信息全局传播的传播规律及发展趋势,并为信息侦测和舆情控制等实际应用提供科学依据。     

基于PageRank的用户影响力评价改进算法

为了解决传统微博用户影响力评价算法全面性和客观性差的问题,通过对微博用户影响力的定义和影响因素进行分析,鉴于微博社区网络与web页面网络的拓扑结构有着天然相似性的特点,提出了一种基于PageRank的用户影响力评价改进算法(Self and Followers User Influence Rank)SF-UIR.运用用户追随者数、用户是否认证、用户微博的传播能力三个指标对用户自身影响因素进行了量化,改善了PageRank值对用户影响力评价客观性差的问题.采用权重因子将追随者对其所关注用户的影响力贡献值进行科学的量化分配,解决了追随者影响力等值传递的弊端.与四类主流算法的对比实验结果表明:SFUIR算法同时考虑了基于用户行为的自身影响因素和基于拓扑结构的追随者影响因素,能够有效地解决追随者数量排名算法中的"僵尸粉"干扰问题,能比平均转发数算法更真实地反映用户的影响力高低,能有效规避K-覆盖度算法中未考虑微博用户自身行为特征和将所有的追随者都一视同仁的严重缺陷,能极大地改进PageRank算法单纯依赖追随者数量和追随者质量的不足,从而能够更加全面、更加客观地反映微博用户的影响力.     

流感疫情出现后微博网民行为实证研究

针对微博用户间显性社交关系和实际互动频率不一致的现象,借鉴语义网络中描述本体的符号化思想,构建了一个由5类实体对象组成的微博信息流形式化模型,并用符号语言对新浪微博用户在2010年7月至2013年8月谈论流感疫情时涌现的信息扩散网络的提取过程进行了形式化描述。信息扩散网络的网络密度、聚类系数和网络直径等拓扑属性的测量结果显示:参与者互动网络具有无标度和小世界特性,微博空间的互动群体较为松散,而且构建的形式化符号体系可清楚描述用户关系、用户互动行为和信息扩散过程等信息传播时空信息。     

基于粒子群优化算法的社交网络可视化

为了使用户快捷、清晰地发现及研究微博用户之间的关系,提出基于粒子群优化(PSO)算法的微博数据可视化方法.根据用户在微博中的影响力将用户分为n层,以此来表示用户在网络中对信息的传播影响力的等级.基于数据的关联关系对数据进行子群划分;基于粒子群优化算法,设计目标函数,使粒子群优化算法适应社交网络的布局要求.为了进一步增强可视化效果,降低视觉复杂度,采用曲线代替直线,应用传输函数设置不透明度以及交互的可视化技术.实验结果表明,该方法可以形成清晰的可视化结果,以便更好地分析微博用户之间的关系.     

微博社区演进及信息传播建模分析研究

在真实的微博在线社区网络演进过程中,个体节点间新连接的生成,不仅与个体的节点连接度有关,还与个体节点的吸引力衰变性有关,并存在一定的随机性。针对这种情况,综合考虑个体节点连接度、吸引力衰减性、随机性对在线社区网络演化的影响,提出一个BA模型的改进模型BA*来建模微博社区。结合SIR传播模式,研究了BA*模型的信息传播现象。结果证明,BA*模型更适合分析微博在线社区网络的演进与信息传播。     

针对信息生产力的微博用户分类

该文研究用户分类对微博信息生产力的影响。首先通过用户发布微博的数量将用户分类,将微博的转发次数、评论次数与赞次数等作为微博的影响力大小判定因素,然后根据微博用户所发微博的平均影响力分析各类用户中用户影响力的分布情况,结合营销模型,以便增强用户在微博平台上的生产力。     

社交网络假消息辟谣作用机理

研究真实社交网络环境下假消息辟谣作用机理. 提出评估辟谣效果的方法及探究影响辟谣效果的因素. 基于已有研究成果与假设,总结出8个影响辟谣效果的因素,如原假消息内容占比、是否包含谣言文字警示、是否解释原因、用户影响力等. 使用情感分析和微博社交上下文,评估辟谣微博的辟谣效果. 利用统计学方法,检验预设影响因素与辟谣效果间的关系. 基于新冠疫情相关的辟谣微博数据开展实验,实验分析表明,辟谣信息中原假消息内容占比和辟谣效果呈负相关,解释原因与辟谣效果呈正相关. 提出尽量少地提及原假消息、应解释原假消息错误的原因等6条辟谣建议,为社交网络假消息辟谣提供指导.     

微博社区中用户行为特征及其机理研究

基于微博数据的实证分析表明,微博用户发布微博的数量及时间间隔均服从幂律分布。通过分析微博用户之间的社会网络关系与用户行为之间的联系,发现微博消息数量的分布幂指数与用户互动指数呈反向关系,且随着互动指数的升高,幂指数的下降趋缓。在排除用户之间的评论、转发行为的影响后,个体用户发微博的时间间隔分布幂指数与用户互动指数呈正相关关系。基于上述实证分析,引入用户间评论转发行为、用户间的社会网络关系作为微博用户行为的驱动因素,提出了一种基于社会关系的动力学模型,模型仿真结果与实际数据一致。     

基于部分路径的社交网络信息源定位方法

随着微博、微信等在线社交网络的快速发展,社交网络上的不实信息呈现爆发式的传播,往往会引起严重的后果,如何寻找谣言等不实信息在社交网络中的传播源头具有重要的应用意义。该文提出一种面向在线社交网络的信息源点定位方法,与现有的基于观察点的定位方法不同,该方法考虑了传播过程中信息普遍带有的部分传播路径,并以此重构传播过程,修正传播子图,从而更准确地定位信息源点。在模型网络及实际网络上进行实验,说明了该算法的有效性。