基于移动社交网络的谣言传播动力学研究

本文在CSR传播模型的基础上提出基于移动社交网络的CSR的谣言传播模型. 改进了CSR模型的传播规则和传播动力学方程, 使得更符合移动SNS上用户的使用习惯. 在CSR模型中的接受概率数学模型基础上, 考虑个人接受阈值对接受概率的影响, 更符合人类接受谣言的心理学特点. 本文对该传播模型进行了理论分析. 并在仿真实验中, 利用多agent仿真平台对新模型和CSR模型以及SIR模型 在匀质网络和异质网络中的传播效果进行了对比研究, 从实验的结果来看, 新的谣言传播模型在匀质网络中传播范围更广, 传播速度更快. 新模型具有初值敏感性的特点. 关键词： 复杂网络 移动社交网络 谣言传播     

基于在线社交网络的信息传播模型

本文构造了一个基于在线社交网络的信息传播模型.该模型考虑了节点度和传播机理的影响,结合复杂网络和传染病动力学理论,进一步建立了动力学演化方程组.该方程组刻画了不同类型节点随着时间的演化关系,反映了传播动力学过程受到网络拓扑结构和传播机理的影响.本文模拟了在线社交网络中的信息传播过程,并分析了不同类型节点在网络中的行为规律.仿真结果表明:由于在线社交网络的高度连通性,信息在网络中传播的门槛几乎为零;初始传播节点的度越大,信息越容易在网络中迅速传播;中心节点具有较大的社会影响力;具有不同度数的节点在网络中的变 关键词： 在线社交网络 信息传播 微分方程 传染病动力学     

一种基于社交影响力和平均场理论的信息传播动力学模型

在线社会网络中,信息传播蕴含着复杂的动力学成因.本文将传染病模型与社交影响力要素相结合,并针对影响力度量中主要研究静态网络拓扑结构、忽略个体行为特征的问题,提出一种基于动态节点行为和用户影响力的信息传播动力学模型,旨在量化影响力强度,为研究信息扩散过程中不同用户群体状态转变提供理论依据.首先,在网络拓扑结构和用户行为两方面,提取个人记忆和用户交互两个表征,分析影响力形成的内因和外因两个动力学成因,并基于多元线性回归模型,提出一种度量用户社会影响力的方法.其次,在传统传染病SIR(susceptible-infected-recovered)模型基础上,结合信息扩散与传染病蔓延相似的传播机理,综合考虑信息传播的多源并发性和双向性,引入影响力因子,利用平均场理论改进得到一种基于用户影响力的信息传播模型.实验表明,该模型能有效地解释在线社会网络中信息传播的动力学原因,感知社会网络中信息传播演化态势.     

社交网络中基于贝叶斯和半环代数模型的节点影响力计算机理

本文综合考虑网络结构及节点间的互动等关键因素, 提出了一种节点影响力分布式计算机理. 首先根据节点交互行为在时域上的自相似特性, 运用带折扣因子的贝叶斯模型计算节点间的直接影响力; 然后运用半环模型来分析节点间接影响力的聚合; 最后根据社交网络的小世界性质及传播门限, 综上计算出节点的综合影响力. 仿真结果表明, 本文给出的模型能有效抑制虚假粉丝导致的节点影响力波动, 消除了虚假粉丝的出现对节点影响力计算带来的干扰, 从中选择影响力高的若干节点作为传播源节点, 可以将信息传播到更多数目的节点, 促进了信息在社交网络中的传播. 关键词： 社交网络 影响力 贝叶斯 半环代数     

社交网络中信息传播的稳定性研究

社交网络已成为当前最重要的信息传播媒体之一,因此有必要研究信息在社交网络上的传播规律.本文探索了包含遏制机制和遗忘机制的信息传播机理,提出了信息传播的模型,给出了信息传播的规则,建立了相应的平均场方程,计算了平衡点和基本再生数R_0,并从理论上证明了平衡点的渐进稳定性.仿真实验分析了遏制机制、遗忘机制等因素对信息传播过程的影响,并验证了所得结论的正确性.     

基于平均场理论的微博传播网络模型

微博是在通过用户关注机制建立的用户网络上分享实时信息的社交平台,而微博消息主要通过用户的转发行为使消息在用户网络上传播.掌握微博消息的传播机制,对研究微博上舆论谣言的传播、产品推广等具有指导作用.本文通过对微博传播网络的结构分析来探索微博传播过程,利用新浪微博数据,建立微博传播网络,分析该网络的生成机制,使用平均场论的方法,推导微博传播网络的度分布模型.实验结果表明:微博传播网络的度分布是时间相依的,在特定时间下网络的度分布服从幂律分布.     

在线社交网络中谣言的传播与抑制

根据真实在线社交网络中谣言的传播特点以及有疾病潜伏期的传染病模型,提出一个新的基于在线社交网络的谣言传播SEIR模型.首先建立基于SEIR模型的动力学演化方程组,然后给出一个高效的抑制谣言传播的免疫策略——重要熟人免疫策略.最后在真实在线社交网络Facebook的用户数据集上,结合SEIR模型与动力学演化方程组以及包含重要熟人免疫策略在内的多种免疫策略,对免疫前后谣言传播的演化过程进行计算机仿真.仿真结果表明SEIR模型符合真实在线社交网络的传播特性,且重要熟人免疫策略是解决在线社交网路中谣言抑制问题的最佳方案.     

基于社交网络的观点传播动力学研究

社交网络和微博是重要的Web2.0应用模式, 其观点传播模式与其他网络媒体以及传统媒体相比有很大差异. 本文提出一种基于在线社交网络的观点传播模型, 研究社交网络中舆论观点扩散的形式与特征. 仿真结果表明: 模型中信息传播的速度与六度分割理论的结论十分符合; 一个带强烈倾向性的观点在固有观点均匀分布的网络中传播的情况下, 稳定时网络中不会出现相反的观点; 稳定时的观点分布与源节点的度和回溯深度有关, 并不受信任界限的限制, 这与Deffuant模型和Hegselmann-Krause模型不同. 同时, 本文还分析了传播意愿、观点变更率和信任界限对弛豫时间的影响.     

有限步传播范围期望指标判别节点传播影响力

在线社交网络逐渐成为人们不可或缺的重要工具,识别网络中具有高影响力的节点作为初始传播源,在社会感知与谣言控制等方面具有重要意义.本文基于独立级联模型,给出了一个描述有限步传播范围期望的指标-传播度,并设计了一种高效的递推算法.该指标在局部拓扑结构信息的基础上融合了传播概率对影响力进行刻画,能够较好地反映单个节点的传播影响力.对于多传播源影响力极大化问题,本文提出了一种基于传播度的启发式算法-传播度折扣算法,使得多个传播源的联合影响力最大.最后,将上述方法应用到三个真实网络中,与经典指标和方法相比,该方法不需要知道网络的全局结构信息,而是充分了利用网络的局部结构信息,可以较快地筛选出高传播影响力的传播源.     

一种改进的基于信息传播率的复杂网络影响力评估算法

评价网络中节点的信息传播影响力对于理解网络结构与网络功能具有重要意义.目前,许多基于最短路径的指标,如接近中心性、介数中心性以及半局部(SP)指标等相继用于评价节点传播影响力.最短路径表示节点间信息传播途径始终选择最优方式,然而实际上网络间的信息传播过程更类似于随机游走,信息的传播途径可以是节点间的任一可达路径,在集聚系数高的网络中,节点的局部高聚簇性有利于信息的有效扩散,若只考虑信息按最优传播方式即最短路径传播,则会低估节点信息传播的能力,从而降低节点影响力的排序精度.综合考虑节点与三步内邻居间的有效可达路径以及信息传播率,提出了一种SP指标的改进算法,即ASP算法.在多个经典的实际网络和人工网络上利用SIR模型对传播过程进行仿真,结果表明ASP指标与度指标、核数指标、接近中心性指标、介数中心性指标以及SP指标相比,可以更精确地对节点传播影响力进行排序.     

微博双向“关注”网络节点中心性及传播 影响力的分析

根据新浪微博的实际数据, 建立了两个基于双向“关注”的用户关系网络, 通过分析网络拓扑统计特征, 发现二者均具有小世界、无标度特征. 通过对节点度、紧密度、介数和k-core 四个网络中心性指标进行实证分析, 发现节点度服从分段幂率分布; 介数相比其他中心性指标差异性最为显著; 两个网络均具有明显的层次性, 但不是所有度值大的节点核数也大; 全局范围内各中心性指标之间存在着较强的相关性, 但在度值较大的节点群这种相关性明显减弱. 此外, 借助基于传染病动力学的SIR信息传播模型来分析四种指标在刻画节点传播能力方面的差异性, 仿真结果表明, 选择具有不同中心性指标的初始传播节点, 对信息传播速度和范围均具有不同影响; 紧密度和k-core较其他指标可以更加准确地描述节点在信息传播中所处的网络核心位置, 这有助于识别信息传播拓扑网络中的关键节点.     

考虑网络流量的无标度网络病毒免疫策略研究

考虑网络交通流量对病毒传播行为的影响,基于平均场理论研究无标度网络上的病毒免疫策略,提出一种改进的熟人免疫机理.理论分析表明,在考虑网络交通流量影响的情况下,当免疫节点密度较小时,随机免疫几乎不能降低病毒的传播速率,而对网络实施目标免疫则能够有效抑制病毒的传播,并且选择度最大的节点进行免疫与选择介数最大的节点进行免疫的效果基本相同.研究还发现,对于网络全局信息未知的情况,与经典熟人免疫策略相比,所提出的免疫策略能够获得更好的免疫效果.通过数值仿真对理论分析进行了验证. 关键词： 无标度网络 病毒传播 交通流量 免疫策略     

基于区域密度曲线识别网络上的多影响力节点

复杂网络多影响力节点的识别可以帮助理解网络的结构和功能,具有重要的理论意义和应用价值.本文提出一种基于网络区域密度曲线的多影响力节点的识别方法.应用两种不同的传播模型,在不同网络上与其他中心性指标进行了比较.结果表明,基于区域密度曲线的识别方法能够更好地识别网络中的多影响力节点,选中的影响力节点之间的分布较为分散,自身也比较重要.本文所提方法是基于网络的局部信息,计算的时间复杂度较低.     

An Efficient Partition-Based Approach to Identify and Scatter Multiple Relevant Spreaders in Complex Networks

One of the main problems in graph analysis is the correct identification of relevant nodes for spreading processes. Spreaders are crucial for accelerating/hindering information diffusion, increasing product exposure, controlling diseases, rumors, and more. Correct identification of spreaders in graph analysis is a relevant task to optimally use the network structure and ensure a more efficient flow of information. Additionally, network topology has proven to play a relevant role in the spreading processes. In this sense, more of the existing methods based on local, global, or hybrid centrality measures only select relevant nodes based on their ranking values, but they do not intentionally focus on their distribution on the graph. In this paper, we propose a simple yet effective method that takes advantage of the underlying graph topology to guarantee that the selected nodes are not only relevant but also well-scattered. Our proposal also suggests how to define the number of spreaders to select. The approach is composed of two phases: first, graph partitioning; and second, identification and distribution of relevant nodes. We have tested our approach by applying the SIR spreading model over nine real complex networks. The experimental results showed more influential and scattered values for the set of relevant nodes identified by our approach than several reference algorithms, including degree, closeness, Betweenness, VoteRank, HybridRank, and IKS. The results further showed an improvement in the propagation influence value when combining our distribution strategy with classical metrics, such as degree, outperforming computationally more complex strategies. Moreover, our proposal shows a good computational complexity and can be applied to large-scale networks.     

The spreading of opposite opinions on online social networks with authoritative nodes

The study of opinion dynamics, such as spreading and controlling of rumors, has become an important issue on social networks. Numerous models have been devised to describe this process, including epidemic models and spin models, which mainly focus on how opinions spread and interact with each other, respectively. In this paper, we propose a model that combines the spreading stage and the interaction stage for opinions to illustrate the process of dispelling a rumor. Moreover, we set up authoritative nodes, which disseminate positive opinion to counterbalance the negative opinion prevailing on online social networking sites. With analysis of the relationship among positive opinion proportion, opinion strength and the density of authoritative nodes in networks with different topologies, we demonstrate that the positive opinion proportion grows with the density of authoritative nodes until the positive opinion prevails in the entire network. In particular, the relationship is linear in homogeneous topologies. Besides, it is also noteworthy that initial locations of the negative opinion source and authoritative nodes do not influence positive opinion proportion in homogeneous networks but have a significant impact on heterogeneous networks. The results are verified by numerical simulations and are helpful to understand the mechanism of two different opinions interacting with each other on online social networking sites.     

Communication on the structure of biological networks

Networks are widely used to represent interaction pattern among the components in complex systems. Structures of real networks from different domains may vary quite significantly. As there is an interplay between network architecture and dynamics, structure plays an important role in communication and spreading of information in a network. Here we investigate the underlying undirected topology of different biological networks which support faster spreading of information and are better in communication. We analyse the good expansion property by using the spectral gap and communicability between nodes. Different epidemic models are also used to study the transmission of information in terms of spreading of disease through individuals (nodes) in those networks. Moreover, we explore the structural conformation and properties which may be responsible for better communication. Among all biological networks studied here, the undirected structure of neuronal networks not only possesses the small-world property but the same is also expressed remarkably to a higher degree compared to any randomly generated network which possesses the same degree sequence. A relatively high percentage of nodes, in neuronal networks, form a higher core in their structure. Our study shows that the underlying undirected topology in neuronal networks, in a significant way, is qualitatively different from the same in other biological networks and that they may have evolved in such a way that they inherit a (undirected) structure which is excellent and robust in communication.     

基于扩展度的复杂网络传播影响力评估算法

对网络中节点的传播影响力进行评估具有十分重要的意义, 有助于促进有益或抑制有害信息的传播. 目前, 多种中心性指标可用于对节点的传播影响力进行评估, 然而它们一般只有当传播率处于特定范围时才能取得理想的结果. 例如, 度值中心性指标在传播率较小时较为合适, 而半局部中心性和接近中心性指标则适用于稍大一些的传播率. 为了解决各种评估指标对传播率敏感的问题, 提出了一种基于扩展度的传播影响力评估算法. 算法利用邻居节点度值叠加的方式对节点度的覆盖范围进行了扩展, 使不同的扩展层次对应于不同的传播率, 并通过抽样测试确定了适合于特定传播率的层次数. 真实和模拟数据集上的实验结果表明, 通过扩展度算法得到的扩展度指标能在不同传播率下对节点的传播影响力进行有效评估, 其准确性能够达到或优于利用其他中心性指标进行评估的结果.