DTM-SIR模型上信任机制对信息传播的影响

信任是连接人与人之间复杂社交关系的桥梁。通过网络分层机制将个体信任水平动态转变策略与社交网络上信息动态传播过程分层研究,从两个网络层节点独立传播和交互影响角度来研究个体信任水平博弈对信息传播过程的影响,改进了单层网路研究的局限性。两层网络节点符合层内独立传播、层间相互影响的规则。信任层节点的传播采用博弈演化动力学方法来处理,信息传播层节点传播则符合流行病动力学SIR传播模型,但其受信任层信任因子的影响。并且文中给出了DTM-SIR模型各层元素动态变化的具体分析过程,通过实例仿真表明信任层的引入对信息传播扩大化影响具有积极的意义。     

基于关系强度理论与反馈机制的信息传播动态网络表示

现有多数网络表示学习方法不能很好地贴合真实世界的信息传播网络,且无法对信息传播动态网络的时间特性与动力学演化特征进行有效建模。提出一种新的信息传播动态网络表示模型,基于关系强度将信息传播动态网络划分为关系网络与传播网络,并分别计算变化节点对的概率密度和邻接矩阵。通过更新节点注意力强度矩阵,聚合节点邻域变化信息,并融合节点邻域变化信息、自身历史信息以及外部影响因素,对信息传播动态网络进行归纳式表示学习。引入反馈机制,将最新的节点表示反馈到邻居节点,解决网络表示不及时的问题,提升网络表示性能。实验结果表明,与Know-Evolve、DyRep、LDG等模型相比,该模型的命中率和平均排名提升显著,与LDG模型相比,其时间效率在Social Evolution数据集和Github数据集上分别提升了91.8%、87.2%。     

时序阵发性对信息传播的影响

近年来,传播动力学是网络研究的一个热门话题,传统的信息传播都是在静态网络上进行研究的,但现实生活中许多网络是有时序的。到目前为止,已有很多学者针对时序阵发性对信息传播影响做了研究,结果表明对不同的数据集、不同的节点感染方式,阵发性对信息传播呈现的作用是不同的。针对此现象,通过构建DCW空模型消除原数据的阵发性特征,分析信息在原数据和空模型数据上的传播情况,以找到阵发性对传播呈现不同影响的原因。     

考虑时延和辟谣效应的谣言传播模型

针对网络中离线状态用户浏览信息存在延迟,辟谣信息可信度和辟谣者个体影响力存在差异的特点,本文基于传染病动力学的经典模型,建立基于时延机制和辟谣机制的新型谣言传播动力学模型.网络用户扩展为五大类,并引入辟谣函数表示其他类节点转化为辟谣节点的概率.利用微分动力学和再生矩阵谱半径方法,计算模型平衡点和基本再生数,通过理论推导和数值实验证明平衡点的存在性以及稳定性.对模型进行数值仿真实验,探究谣言的潜伏期、辟谣信息可信度和辟谣者个体影响力对网络谣言传播的影响,并与传统的谣言传播动力学模型对比.研究结果表明该模型能有效降低传谣者密度,缩短谣言存在的时间,较好地控制谣言的传播.最后从个人行为角度、危机管理角度和技术角度给出有效控制谣言传播的建议.     

改进的SCIR模型中社交网络信息传播研究

社交网络中用户转发是信息传播的重要渠道,研究用户转发模式和信息传播规律,将有利于在网络话题传播过程中进行监控和抑制。现有的建模研究中,存在模型通常缺少时效性,用户行为难以准确刻画的问题。因此,着重分析了社交网络用户行为模式,基于用户连接强度和邻居节点的影响改进了转发概率计算,其次在经典的传染病动力学SCIR模型中,引入在线和离线状态的节点,通过用户在线比率控制网络活跃度。仿真结果表明,该模型相较传统SCIR模型在信息传播过程中具有较好的稳定性和更高的覆盖率,节点属性变化走势更加接近真实网络,可以较好地模拟社交网络中的热点话题的传播规律。     

基于节点和信息特征的社会网络信息传播模型

随着在线社会网络的快速发展,越来越多的人开始利用微博或Twitter来传播信息或分享观点.研究社会网络中的信息传播规律对于意见领袖挖掘、舆情监控、品牌营销等有着重要意义.虽然有关社会网络中的信息传播模型已经得到广泛研究,但是影响网络中节点之间信息传播的因素有哪些,以及如何刻画信息传播过程,仍然是一个有待深入研究的重要内容.传统的传播模型及其扩展模型更多地从网络结构出发研究信息传播,很大程度上忽视了节点属性和信息内容的影响.从多个维度提取信息传播的特征,包括节点属性特征和信息内容特征,对节点间传播概率和传播延迟进行建模,提出一个细粒度的在线社会网络信息传播模型.利用随机梯度下降算法学习模型中的各个特征的权重.另外,针对模型的传播预测功能,在新浪微博真实数据集上进行了实验,结果表明,在预测准确率方面,所提出的模型要优于其他同类模型,如异步独立级联模型、NetRate模型.     

企业营销网络上的传播动力学特性

为了理解和解释企业营销网络上的传播机制,针对企业营销网络上的传播行为和网络拓扑结构特点,在SIR模型基础上,引入节点传播率指数和边权指数,建立企业营销网络上传播动力学模型,解析推导了企业营销网络上的传播临界值,并进行仿真分析。仿真结果表明,节点传播率指数和边权指数越大,传播临界值越小,越利于产品及产品相关信息的传播。最后,从减小传播临界值和提高实际传播率两个方面对企业营销提出了几点建议。     

社会网络中基于核函数的信息传播模型

摘 要: 传统的社会网络信息传播模型假设整个网络结构是已知的,并在已知的网络上分析信息的动态传播,然而实际的社会网络往往是不完全的。为了研究信息在不完全社会网络上的信息传播,本文提出了一种基于核函数的信息传播模型。首先,根据信息传播在社会网络中的级联关系将网络中的节点映射为到连续的特征空间,并通过节点间的距离反应节点的传播顺序。其次,将信息在网络中的传播描述为特征空间中的能量扩散过程,并采用随机梯度下降法进行优化求解。最后,将信息的内容加入到目标特征空间中,并给出了相应的核函数。实验表明,本文提出的信息传播模型与相关的模型相比较不仅可以弥补社会网络的不完全性,还具有更高的预测性能。     

基于SCIR的微博舆情话题传播模型研究

微博是舆情话题传播的重要渠道,研究微博网络中的舆情话题传播机制,将有利于对舆情话题的传播过程进行分析与监控,而传统的网络信息传播模型却无法真实地描述微博网络中的舆情话题传播机制。针对以上问题,分析了微博网络中的信息互动模式及舆情话题的传播特点,以传染病动力学中的SIR模型为基础,通过引入一个新的节点状态--接触状态,构建了基于SCIR（Susceptible Contacted Infected Removed）的微博网络舆情话题传播模型。仿真结果表明,该模型可以很好地描述微博网络中的舆情话题传播规律。     

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。     

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。     

基于局域信息的社交网络信息传播模型

针对传统传播模型更适用于均匀网络而无法有效应用于现实非均匀无标度社交网络的问题,提出一种基于用户局域信息的社交网络信息传播模型。模型中考虑了无标度网络中用户间拓扑特征差异和用户影响力不同对信息传播的影响,根据节点周边邻居节点的感染情况和权威性计算感染概率,模拟现实社交网络中的信息传播情况。通过在采集的真实微博网络数据上进行仿真实验,结果表明该模型较传统的SIR模型更能体现社交网络中信息传播的快速性与范围的广泛性;同时,通过调整模型中的相关参数,验证了相关管控措施对传播效果的影响。     

基于最大后验估计的谣言源定位器

随着互联网的普及,信息能够通过互联网以极快的速度被传播给大众。但同时,一些虚假信息比如谣言也借助网络的级联效应泛滥成灾,因此如何在传播网络中快速准确地确定谣言传播源成为一个亟待解决的问题。文章针对社交网络提出了一种谣言源定位的方法,与现有的基于最大后验(Maximum-a-posteriori,MAP)概率估计的方法不同,该方法首先考虑全局和局部感染点、非感染点的影响,使用效果更优的MAP先验概率估计(Prior Probability Estimation,PPE)计算方式。然后基于最小生成树贪心算法来稀疏化社交网络,让MAP中的似然估计(Likelihood Estimation,LE)计算更符合真实的传播结构。最后,采用新的MAP值来估计传播网络中节点为传播源的可能性,从而更准确地定位谣言源点。将所提方法与现有的几种方法分别在模型网络和真实网络中进行了对比,实验结果表明,所提方法优于现有的谣言源定位方法。     

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。     

基于情感的社会网传播模型及影响最大化算法研究

针对社会网传播领域的影响最大化问题的研究，将节点本身具备的情感对事件传播的影响力进行了忽略，提出了基于情感的社会网传播模型（Emotion Independent Cascade model，E-IC），关于E-IC模型重点强调了情感影响的最大化基本问题（Influence Maximization Problem based on Emotion，IMPE），在传播整个进程中，融合了用户位置的计算值、后置情感的计算值以及交互概率值。论证并确认基于情感的社会网传播模型问题就是NP-hard问题，并给出近似算法EMS-Greedy。在训练集上调整模型参数，使得传播过程更符合传播规律，通过大规模真实数据集上的实验验证了E-IC模型的有效性。与其他模型相比，E-IC模型在传播范围上扩大了7%左右。     

基于多特征信息传播模型的微博意见领袖挖掘

在线社交网络中的意见领袖通常是指在社交网络的信息传播中具有较大社会影响力的个体。针对当前意见领袖挖掘方法中只考虑社交网络的拓扑结构和节点的个体属性,缺乏信息传播中交互特征的问题,该文提出了基于扩展独立级联模型,并融入网络结构特征、个体属性和行为特征的意见领袖挖掘模型(extended independent cascade, EIC)。该模型以个体属性、个体在信息传播过程中的交互行为建立加权的传播网络,利用改进的CELF(cost effective lazy forward)算法,挖掘网络中影响力较大的个体。通过实验验证,在意见领袖的扩展核心率指标上,该算法优于拓扑结构类算法,且具有较好的稳定性,同时并未降低意见领袖的传播范围。     

基于概率转移矩阵的社会网络影响最大化算法

现有近似求解影响最大化算法的时间复杂度较高,为此,提出一种扩展的线性阈值模型及其概率转移矩阵,给出该模型的传播过程及规则,设计基于概率转移矩阵的影响最大化算法,并利用贪心方法寻找到k个最具影响的节点。该算法通过矩阵乘积的方法得到,时刻节点之间的影响概率,无需在每个时刻计算所有非活跃节点的边际效益,从而在较短时间内提高运行时的效率,使得在规模较大的社会网络中被影响的节点最多且信息传播范围最广。仿真实验结果表明,在大规模社会网络中,该算法对社会网络节点的影响范围广且时间复杂度低。     

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MRLT模型多关系社交网络影响力最大化研究

社交网络影响力最大化问题是基于特定的传播模型,在网络中寻找一组初始传播节点集合,通过其产生最终传播影响范围最大的一种最优化问题。已有的相关研究大多只是针对单关系社交网络,即在社交网络中只存在一种关系。但在现实中,社交网络的用户之间往往存在着多种关系,并且这多种关系共同影响着网络信息传播及其最终影响范围。在线性阈值模型的基础上,结合网络节点间存在的多种关系,提出MRLT传播模型来建模节点间的影响力传播过程,在此基础上提出基于反向可达集的MR-RRset算法,解决了传统影响力最大化问题研究过程中由于使用贪心算法所导致的计算性能较低的问题。最后通过在真实数据集上的实验对比,表明所提方法具有更好的影响力传播范围及较大的计算性能提升。