-
随着互联网的发展与普及,以QQ、微信、微博、Twitter、Facebook为代表的在线社交平台,使数以亿计的互联网用户不再受时间、地域的限制就能够快速发布、接收和分享信息。同时,在线社交网络中信息传播的速度快和范围广的特点,给信息传播带来了前所未有的影响。因此,研究在线社交网络中信息传播的机理及规律,对网络中信息传播的预测和控制有着重要的理论依据和现实意义。
鉴于在线社交网络中的信息传播过程类似于传染病传播过程,以传染病传播模型为基础建立的信息传播模型的研究最为广泛[1-2],经典模型有SIS模型[3]、SIR模型[4-5]、SIRS模型[6]和SEIR模型[7]。在此基础上,许多信息传播模型被提出,如H-SEIR模型[8]、SHIR模型[9]和ESIS模型[10]等。与此同时,信息传播过程中的影响因素也被分析,如记忆效应与社会强化效应[11-13]、节点属性与信息价值[14-16]和节点影响力[17-18]等。目前,关于信息传播的研究主要基于普通图结构构建在线社交网络,但这类网络并不能准确地描述在线社交网络中的群聚特性。例如,在微信或QQ中,用户可以私发信息给某个好友用户,也可群发信息到多个社交群组;在微博中,用户能同时被多个用户所关注。当用户发布或转发一条信息时,其被关注群组中的多个用户都能够转发和评论该信息。为了更精准地描述真实在线社交网络中用户之间复杂的社交关系和信息交互行为,文献[19]引入了超图中的超边表示多个个体之间的群聚关系,且考虑反应过程策略和接触过程策略,提出了两种策略下的SIS信息传播模型。文献[20]基于超图的超网络模型构建动态社交超网络,建立了一种基于SIS的信息传播模型。
迄今为止,超网络中信息传播模型的研究均在文献[21]提出的超网络演化模型基础上构建社交网络,该模型每次增加多个用户与网络中已存在的单个用户组成社交群组。分析现实在线社交网络,更多的情形是用户与网络中已存在的多个用户组成社交群组,即基于BA无标度的超网络演化模型更契合现实在线社交网络的群组特性。针对这一问题,本文在文献[22]提出的基于BA无标度网络的超网络动态演化模型基础上构建在线社交超网络,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过程进行理论分析和仿真实验。
-
在线社交超网络模型构建基于文献[22]提出的BA无标度超网络演化模型,构造算法如下:
1)初始化:初始时网络中包含
${m_0}$ 个个体,这${m_0}$ 个个体构成一种社交群组关系,即${m_0}$ 个节点构成一条超边。2)增长:每个时间步
$t$ 内,添加一个个体,新加入的个体与超网络中的${m_1}$ 个已存在的个体构成一种新的社交群组关系,即新添加的节点与${m_1}$ 个旧节点构成一条新超边。3)优先连接:从已有的超网络中按照超度优先选取
${m_1}$ 个旧节点,与新添加的节点结合生成超边。每次选取连接的节点${v_i}$ 的概率$\varPi {d_{H}\left( i \right)}$ 等于节点${v_i}$ 的超度${d_H}\left( i \right)$ 与超网络中的已有节点${v_j}$ 的超度${d_H}\left( j \right)$ 总和之比,即:$$ \varPi {d_{H}\left( i \right)} = \frac{{{d_H}\left( i \right)}}{{\displaystyle\sum\limits_j {{d_H}\left( j \right)} }} $$ (1) 式中,
${d_H}\left( i \right)$ 为节点${v_i}$ 参与的超边数量,即为节点${v_i}$ 的超度。超度分布
$P\left( k \right)$ [22]指超网络中超度为$k$ 的节点在整个网络中所占的比例,经过$t$ 个时间步后,超网络中节点的超度分布独立于时间$t$ ,$P\left( k \right)$ 为:$$ P(k) = \frac{{({m_1} + 1)}}{{{m_1}}}{\left( {\frac{1}{k}} \right)^{\left( {2 + \frac{1}{{{m_1}}}} \right)}} $$ (2) -
根据信息在社交群组中传播的特点,在线社交超网络中信息全局传播的动态过程可以近似地用基于RP策略的SIS模型来描述。
1)在线社交超网络中的个体划分为不知情者(
$S$ 状态)和知情者($I$ 状态)。其中,不知情者为尚未获得信息或者不关心且不愿意传播信息的个体,知情者为已获得信息并愿意继续向其他人传播信息的个体。2)初始时,从超网络中随机选择一个节点为传播节点,该节点为超网络中第一个获得信息的知情者,处于
$I$ 状态,其他节点则处于$S$ 状态。3)每个时间步内,超网络中处于
$I$ 状态的节点向其所在超边中的所有邻接节点传播信息。其中,处于$S$ 状态的节点以概率$\,\beta $ 接收信息后转变为$I$ 状态,处于$I$ 状态的节点以概率$\gamma $ 恢复到$S$ 状态。4)随着信息在网络中不断传播,处于
$I$ 状态节点所占密度将会达到一个相对稳定值,并在这个相对稳定值附近进行小幅度波动,这意味着网络中的信息全局传播达到稳态。信息全局传播过程描述如图2所示。其中,黑色节点表示该个体处于
$S$ 状态,白色节点表示该个体处于$I$ 状态。t=0时刻,超网络中的全部节点处于$S$ 状态;t=1时刻,从超网络中随机选择一个节点(编号为${v_5}$ )处于$I$ 状态;t=2时刻,由于节点${v_5}$ 被超边$e1$ 、$e3$ 和$e4$ 所包围,所以其邻接节点${v_2}$ 、${v_7}$ 和${v_8}$ 获得信息处于$I$ 状态;t=3时刻,由于节点${v_2}$ 、${v_5}$ 、${v_7}$ 和${v_8}$ 被超边${e_1}$ 、${e_2}$ 、${e_3}$ 、${e_4}$ 和${e_5}$ 所包围,所以其邻接节点${v_1}$ 、${v_3}$ 、${v_6}$ 和${v_9}$ 获得信息处于$I$ 状态,而节点${v_2}$ 和${v_5}$ 恢复为$S$ 状态。 -
根据平均场理论,超网络中的信息全局传播动力学的平均反应速率方程可记为:
$$ {\partial _{\rm{t}}}{\rho _k}\left( t \right) = - \gamma {\rho _k}\left( t \right) + \beta \left( {{{k}} + {m_1} - 1} \right)\left[ {1 - {\rho _k}\left( t \right)} \right]\theta ({\rho _k}\left( t \right)) $$ (3) 式中,
$\ {\rho _k}\left( t \right)$ 是t时刻超度为$k$ 的$I$ 状态节点的密度;右边第一项为湮灭项,表示超度为$k$ 的$I$ 状态节点以概率$\gamma $ 恢复为$S$ 状态;第二项是产生项,表示超度为$k$ 的$S$ 状态节点以概率$\ \beta $ 感染为$I$ 状态;$\theta \left( {{\rho _k}\left( t \right)} \right)$ 表示超度为$k$ 的节点的邻接节点与$I$ 状态节点邻接的概率。由于在稳定状态下,$\ \rho $ 是传播率$\ \beta $ 和恢复率$\gamma $ 的函数,因此,邻接概率$\theta \left( {{\rho _k}\left( t \right)} \right)$ 为$\ \beta $ 和$\gamma $ 的隐函数,记为$\theta \left( {\beta ,\gamma } \right)$ 。系统达到稳定状态时,$I$ 状态节点的总密度为$\ \rho \left( t \right) = \displaystyle\sum\limits_k {P\left( k \right)} {\rho _k}\left( t \right)$ 。利用稳态条件
${\partial _{{t}}}{\rho _k}\left( t \right) = 0$ ,得到:$$ {\rho _{k}} = \frac{{\beta \left( {k + {m_1} - 1} \right)\theta \left( {\beta ,\gamma } \right)}}{{\gamma + \beta \left( {k + {m_1} - 1} \right)\theta \left( {\beta ,\gamma } \right)}} $$ (4) 式(4)表明邻居数越多的节点,其被感染的概率越大,获得信息的机会越高。
在
$\theta \left( {\beta ,\gamma } \right)$ 的计算中,超边中超度为$s$ 的节点的概率与$sP\left( s \right)$ 成正比,因此:$$ \begin{split} & \theta \left( {\beta ,\gamma } \right) = \sum\limits_k {\frac{{kP\left( k \right){\rho _k}}}{{\displaystyle\sum\limits_s {sP\left( s \right)} }}} = \frac{1}{{\left\langle k \right\rangle }}\sum\limits_k {kP\left( k \right){\rho _k}} =\\ &\qquad\qquad \frac{1}{{\left\langle k \right\rangle }}\int_1^\infty {kP\left( k \right){\rho _k}} {\rm d}k \end{split} $$ (5) 式中,
$$ \left\langle k \right\rangle = \int_1^\infty {kP\left( k \right)} {\rm d}k = \int_1^\infty k \frac{{\left( {{m_1} + 1} \right)}}{{{m_1}}}{\left( {\frac{1}{k}} \right)^{\left( {2 + \frac{1}{{{m_1}}}} \right)}}{\rm d}k = {{m_1} + 1} $$ (6) 将式(2)和式(4)代入式(5)可得:
$$ \begin{split} \theta \left( {\beta ,\gamma } \right) = &\frac{1}{{\left\langle k \right\rangle }}\int_1^\infty k \frac{{({m_1} + 1)}}{{{m_1}}}{\left( {\frac{1}{k}} \right)^{\left( {2 + \frac{1}{{{m_1}}}} \right)}}\times\\ &\frac{{\beta \left( {k + {m_1} - 1} \right)\theta \left( {\beta ,\gamma } \right)}}{{\gamma + \beta \left( {k + {m_1} - 1} \right)\theta \left( {\beta ,\gamma } \right)}}{\rm d}k \end{split} $$ (7) 解式(7)可得:
$$ \frac{{{m_1}}}{{{\beta ^{}}}} = \int_1^\infty {{{\left( {\frac{1}{k}} \right)}^{\left( {1 + \frac{1}{{{m_1}}}} \right)}}} \frac{{\left( {k + {m_1} - 1} \right)}}{{\gamma + \beta \left( {k + {m_1} - 1} \right)\theta \left( {\beta ,\gamma } \right)}}{\rm{d}}k $$ (8) 由式(8)可得:
$$ \begin{split} & \int_1^\infty {{{\left( {\frac{1}{k}} \right)}^{\left( {1 + \frac{1}{{{m_1}}}} \right)}}} \frac{1}{{\gamma + \beta \left( {k + {m_1} - 1} \right)\theta \left( {\beta ,\gamma } \right)}}{\rm{d}}k = \\ &\qquad \frac{{{m_1}}}{{\beta \left( {{m_1} - 1} \right)}} - \frac{1}{{\left( {{m_1} - 1} \right)}}\int_1^\infty {{{\left( {\frac{1}{k}} \right)}^{\left( {\frac{1}{{{m_1}}}} \right)}}} \times \\ &\qquad\quad\;\frac{1}{{\gamma + \beta \left( {k + {m_1} - 1} \right)\theta \left( {\beta ,\gamma } \right)}}{\rm{d}}k \end{split} $$ (9) 其中式(9)左项为:
$$ \begin{split} & \int_1^\infty {{{\frac{1}{k}}^{\left( {1 + \frac{1}{{{m_1}}}} \right)}}} \frac{1}{{\gamma + \beta \left( {k + {m_1} - 1} \right)\theta \left( {\beta ,\gamma } \right)}}{\rm{d}}k =\\ &\quad\quad\quad \frac{{{m_1}}}{{\gamma + \beta \left( {{m_1} - 1} \right)\theta \left( {\beta ,\gamma } \right)}} - \\ &\quad \quad\frac{{\beta \theta \left( {\beta ,\gamma } \right)}}{{\gamma + \beta \left( {{m_1} - 1} \right)\theta \left( {\beta ,\gamma } \right)}}\int_1^\infty {{{\left( {\frac{1}{k}} \right)}^{\left( {\frac{1}{{{m_1}}}} \right)}}}\times \\ & \quad\quad\quad\frac{1}{{\gamma + \beta \left( {k + {m_1} - 1} \right)\theta \left( {\beta ,\gamma } \right)}}{\rm{d}}k \end{split} $$ (10) 结合式(9)和式(10),可解得:
$$ \theta \left( {\beta ,\gamma } \right) = 1 - \frac{\gamma }{{\beta \left( {{m_1} - 1} \right)}} $$ (11) 当系统到达稳态时,
$\ \rho \! =\! \displaystyle\sum\limits_k {P\left( k \right)} {\rho _k}$ 且当$k\! \to\! \infty $ 时:$$ \rho = \int_{\rm{1}}^\infty {\frac{{({m_1} + 1)}}{{{m_1}}}{{\left( {\frac{1}{k}} \right)}^{\left( {2 + \frac{1}{{{m_1}}}} \right)}}\frac{{\beta \left( {k + {m_1} - 1} \right)\theta \left( {\beta ,\gamma } \right)}}{{\gamma + \beta \left( {k + {m_1} - 1} \right)\theta \left( {\beta ,\gamma } \right)}}} {\rm{d}}k $$ (12) 由式(12)可得:
$$ \rho = \frac{{\left( {{m_1} - 1} \right)\beta \theta \left( {\beta ,\gamma } \right) - \left( {{m_1} + 1} \right)\beta \theta \left( {\beta ,\gamma } \right)\left[ {1 - \theta \left( {\beta ,\gamma } \right)} \right]}}{{\gamma + \left( {{m_1} - 1} \right)\beta \theta \left( {\beta ,\gamma } \right)}} $$ (13) 式(13)表明,信息在超网络中的全局传播到达稳态时,
$\ \rho $ 是一个独立于时间$t$ 的函数。如果已知超网络的传播率、恢复率和网络结构等参数,就能得到超网络中$I$ 状态节点的密度$\ \rho $ 。
Global Dissemination of Information Based on Online Social Hypernetwork
-
摘要: 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。Abstract: In the era of information explosion, online social network has been widely depended and applied as the main way of information transmission. However, the dynamic process of information transmission is often difficult to accurately predict and prevent in online social network. In this paper, the hyperedges in hypergraphs are introduced to describe complex social relationships between two or more individuals. Based on the hypernetwork dynamic evolution model, we construct online social hypernetwork, and combine with the susceptible infected susceptible (SIS) model based on the reaction process strategy, the theoretical analysis and simulation of the dynamic process of global information dissemination in the online social hypernetwork are carried out. The analytical expressions between structure parameters of the hypernetwork, spreading rate and recovering rate are obtained by using the mean field theory. And then we discuss the impact of parameters including the hypernetwork scale, spreading rate, recovering rate, structure parameters of the hypernetwork as well as initial spreading nodes on the global dissemination of information. Further, a comparative analysis of the process of global information dissemination under the hypernetwork and complex network structure is carried out. The results of the study are helpful for a deeper understanding of the dissemination laws and development trends of global dissemination of information in online social network, and provide scientific basis for practical applications such as information detection and public opinion control.
-
Key words:
- hypernetwork /
- information dissemination /
- reaction process strategy /
- SIS model
-
[1] 张子柯. 在线社交网络信息传播机制与动力学研究综述[J]. 情报学报, 2017, 36(4): 422-431. ZHANG Zi-ke. Mechanisms and dynamics of information spreading on online social networks: A state-of-the-art survey[J]. Journal of the China Society for Scientific and Technical Information, 2017, 36(4): 422-431. [2] 徐涵, 张庆. 复杂网络上传播动力学模型研究综述[J]. 情报科学, 2020, 38(10): 159-167. XU Han, ZHANG Qing. A review of epidemic dynamics on complex networks[J]. Information Science, 2020, 38(10): 159-167. [3] 曹莫言, 彭宇楠. 信息传播模型发展及其作用机理[J]. 新媒体研究, 2020, 6(9): 9-13, 24. CAO Mo-yan, PENG Yu-nan. Development and mechanism of information transmission models[J]. New Media Research, 2020, 6(9): 9-13, 24. [4] 赵剑华, 万克文. 基于信息传播模型-SIR传染病模型的社交网络舆情传播动力学模型研究[J]. 情报科学, 2017, 35(12): 34-38. ZHAO Jian-hua, WAN Ke-wen. Research on the communication dynamics model of social network public opinion based on the SIS model[J]. Information Science, 2017, 35(12): 34-38. [5] 张彦超, 刘云, 张海峰, 等. 基于在线社交网络的信息传播模型[J]. 物理学报, 2011, 60(5): 66-72. ZHANG Yan-chao, LIU Yun, ZHANG Hai-feng, et al. The research of information dissemination model on online social network[J]. Acta Physica Sinica, 2011, 60(5): 66-72. [6] 李鑫, 张军. 基于系统动力学的SIRS信息传播模型研究[J]. 情报科学, 2017, 35(11): 17-22. LI Xin, ZHANG Jun. Research on SIRS information diffusion model based on system dynamics[J]. Information Science, 2017, 35(11): 17-22. [7] 王超, 杨旭颖, 徐珂, 等. 基于SEIR的社交网络信息传播模型[J]. 电子学报, 2014, 42(11): 2325-2330. WANG Chao, YANG Xu-ying, XU Ke, et al. SEIR-based model for the information spreading over SNS[J]. Acta Electronica Sinica, 2014, 42(11): 2325-2330. [8] 崔金栋, 郑鹊, 孙硕. 基于改良SEIR模型的微博话题式信息传播研究[J]. 情报科学, 2017, 35(12): 22-27. CUI Jin-dong, ZHENG Que, SUN Shuo. Research on micro-blog topic information dissemination based on improved SEIR model[J]. Information Science, 2017, 35(12): 22-27. [9] LIU Y, DIAO S, ZHU Y, et al. SHIR competitive information diffusion model for online social media[J]. Physica A-Statistical Mechanics and Its Applications, 2016(461): 543-553. [10] WANG Q, LIN Z, JIN Y, et al. ESIS: Emotion-based spreader-ignorant-stifler model for information diffusion[J]. Knowledge Based Systems, 2015(81): 46-55. [11] LU L Y, CHEN D B, ZHOU T. The small world yields the most effective information spreading[J]. New J Physics, 2011, 13: 123005. doi: 10.1088/1367-2630/13/12/123005 [12] 陈玟宇, 贾贞, 祝光湖. 社交网络上基于信息驱动的行为传播研究[J]. 电子科技大学学报, 2015, 44(2): 172-177, 182. CHEN Wen-yu, JIA Zhen, ZHU Guang-hu. Information-driven behavior spread on social networks[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(2): 172-177, 182. [13] 阚佳倩, 谢家荣, 张海峰. 社会强化效应及连边权重对网络信息传播的影响分析[J]. 电子科技大学学报, 2014, 43(1): 21-25. doi: 10.3969/j.issn.1001-0548.2014.01.003 KAN Jia-qian, XIE Jia-rong, ZHANG Hai-feng. Impacts of social reinforcement and edge weight on the spreading of information in networks[J]. Journal of University of Electronic Science and Technology of China, 2014, 43(1): 21-25. doi: 10.3969/j.issn.1001-0548.2014.01.003 [14] 周东浩, 韩文报, 王勇军. 基于节点和信息特征的社会网络信息传播模型[J]. 计算机研究与发展, 2015, 52(1): 156-166. ZHOU Dong-hao, HAN Wen-bao, WANG Yong-jun. A fine-grained information diffusion model based on node attributes and content features[J]. Journal of Computer Research and Development, 2015, 52(1): 156-166. [15] 黄宏程, 孙欣然, 胡敏. 基于节点态度的社交网络信息传播模型[J]. 工程科学与技术, 2018, 50(1): 113-119. HUANG Hong-cheng, SUN Xin-ran, HU Min. An information diffusion model of social network based on node attitude[J]. Advanced Engineering Sciences, 2018, 50(1): 113-119. [16] 张楠, 刘厚泉, 蒋乐乐. 基于节点属性和信息价值的V-UKIR传播模型研究及仿真[J]. 计算机应用研究, 2020, 37(10): 2912-2916. ZHANG Nan, LIU Hou-quan, JIANG Le-le. Research and simulation of V-UKIR propagation model based on node attributes and information value[J]. Application Research of Computers, 2020, 37(10): 2912-2916. [17] 陆豪放, 张千明, 周莹, 等. 微博中的信息传播: 媒体效应与社交影响[J]. 电子科技大学学报, 2014, 43(2): 167-173. LU Hao-fang, ZHANG Qian-ming, ZHOU Ying, et al. Information spreading in microblogging systems: Media effect versus social impact[J]. Journal of University of Electronic Science and Technology of China, 2014, 43(2): 167-173. [18] 张永, 和凯. 基于邻居节点间相互影响和改进概率的社交网络信息传播模型[J]. 计算机应用研究, 2018, 35(3): 755-759, 764. ZHANG Yong, HE Kai. Information propagation model with improved probability based on influence of neighbors for social network[J]. Application Research of Computers, 2018, 35(3): 755-759, 764. [19] SUO Q, GUO J L, SHEN A Z. Information spreading dynamics in hypernetworks[J]. Physica A, 2018, 495: 475-487. doi: 10.1016/j.physa.2017.12.108 [20] JIANG X, WANG Z P, LIU W. Information dissemination in dynamic hypernetwork[J]. Physica A, 2019, 532: 121578. doi: 10.1016/j.physa.2019.121578 [21] WANG J W, RONG L L, DENG Q H, et al. Evolvinghypernetwork model[J]. Eur Phys J B, 2010, 77(4): 493-498. doi: 10.1140/epjb/e2010-00297-8 [22] 胡枫, 赵海兴, 马秀娟. 一种超网络演化模型构建及特性分析[J]. 中国科学: 物理学 力学 天文学, 2013, 43(1): 16-22. HU Feng, ZHAO Hai-xing, MA Xiu-juan. An evolving hypernetwork model and its properties[J]. Scientia Sinica Physica, Mechanica & Astronomica, 2013, 43(1): 16-22. [23] BERGE C. Graphs and hypergraphs[M]. New York: Elsevier, 1973. [24] 郭进利. 非均齐超网络中标度律的涌现——富者愈富导致幂律分布吗?[J]. 物理学报, 2014, 63(20): 402-407. GUO Jin-li. Emergence of scaling in non-uniform hypernetworks—does “the rich get richer” lead to a power-law distribution?[J]. Acta Physica Sinica, 2014, 63(20): 402-407. [25] GALLOS L K, ARGYRAKIS P. Absence of kinetic effects in reaction-diffusion processes in scale-free networks[J]. Physical Review Letters, 2004, 92(13): 138301. doi: 10.1103/PhysRevLett.92.138301 [26] COLIZZA V, PASTORSATORRAS R, VESPIGNANI A. Reaction-diffusion processes and metapopulation models in heterogeneous networks[J]. Nature Physics, 2007, 3(4): 276-282. doi: 10.1038/nphys560