一种社交网络多信息传播模型的建模方法技术

本发明专利技术公开了一种社交网络多信息传播模型的建模方法，该方法：在单消息传播模型的基础上，扩展成多条消息，引入各个消息间的不同关联性和用户的记忆衰减性，得到信息传播最终的演化稳定状态。本发明专利技术结合了多消息之间的相互影响，更加贴近社交网络中多信息共同传播的实际情况。本发明专利技术基于社交‑消息网络框架对社交网络多信息传播现象进行了建模和实证。本发明专利技术提高了网络中多信息传播预测的准确性，给话题预测，舆情控制，疾病控制，网络营销，多个企业投放产品或广告的宣传策略等不同方面提供了有效模型支撑。

A Modeling Method of Multi-Information Dissemination Model in Social Networks

The invention discloses a modeling method of multi-information propagation model of social network. The method expands into multiple messages on the basis of single-message propagation model, introduces different correlations among messages and memory attenuation of users, and obtains the final evolutionary stable state of information transmission. The invention combines the mutual influence of multiple messages, and is closer to the actual situation of multi-information co-dissemination in social network. The invention models and demonstrates the phenomenon of multi-information dissemination in social network based on the framework of social The invention improves the accuracy of multi-information transmission prediction in the network, and provides effective model support for different aspects such as topic prediction, public opinion control, disease control, network marketing, and propaganda strategies for multiple enterprises to deliver products or advertisements.

【技术实现步骤摘要】
一种社交网络多信息传播模型的建模方法
本专利技术属于信息传播模型
，具体涉及一种社交网络多信息传播模型的建模方法。
技术介绍
随着互联网技术的迅猛发展和在线社交网络的出现，信息传播的速度更快，影响范围更广，信息量也更加庞大。研究学者们广泛地利用复杂网络来描述真实世界的传播动态，而网络中的信息传播也是一个复杂的动态过程，被多种因素交互影响，例如网络的拓扑结构、信息发布者的影响力度、用户的兴趣偏好、信息本身的特性等等。理解复杂网络中的传播过程是网络科学领域中的一个核心问题，研究网络中的信息传播对于网络营销和谣言控制、互联网舆情监控等具有重大意义。现今对于信息传播的研究大多数集中在研究单条消息在网络中的传播情况，但现实网络中存在大量消息共同传播的现象，例如多条谣言、多种疾病在人群中的传播；多种计算机病毒在计算机网络上的扩散。相比于单消息传播，多消息传播更为复杂，因为各个消息之间可能会有多种相互作用的情况。消息之间可能存在着相互竞争的关系，也可能是互相促进的关系。在有关多消息或多疾病传播的研究中，大部分研究是基于经典的传染病模型来重点探讨两种病毒之间的相互影响，鲜少有研究多条消息的传播情况，如Newman在文献《ThresholdEffectsforTwoPathogensSpreadingonaNetwork》中讨论了两个相互竞争的病原体共同传播的临界值问题；Ahn等人在文献《Epidemicdynamicsoftwospeciesofinteractingparticlesonscale-freenetworks》中基于SIS模型，针对两种病毒提出了新的病毒传播模型。但在真实社交网络的话题传播中，有较多的用户参与其中，从不同的角度、不同的看法来讨论该话题，因此在同一个时间点下可能会产生成百上千条新消息，消息之间相互影响。然而，在以前的研究中，这种同一话题下的多消息传播现象基本上被忽略了。
技术实现思路
本专利技术的目的是针对现有技术存在的不足而提供的一种社交网络多消息传播模型的建模方法，该方法一方面考虑用户的记忆衰减，另一方面充分考虑多消息之间的相互影响，模拟多条信息在网络上同时传播的动态过程，更加贴近实际。实现本专利技术目的的具体技术方案是：一种社交网络多消息传播模型的建模方法，特点是：在单消息传播模型的基础上，扩展成多条消息，引入各个消息间的不同关联性和用户的记忆衰减性，得到信息传播最终的演化稳定状态，形成社交网络多消息传播模型；包括以下具体步骤：步骤1：基于社交网络中多条消息间的相互影响构建社交-消息网络，包括：1)通过爬虫获取的数据构建社交用户关注网络，其中的节点表示社交网络中的用户，连边表示用户之间的关注关系；2)通过爬虫获取的数据构建消息网络，其中的节点表示社会网络中所传播的各个消息，连边表示消息之间的相互作用，其相互作用的强度由连边的权值体现；步骤2：用户以概率λ阅读网络中的消息，如果阅读该消息，则在t时刻，对于所阅读到的消息m，用户k以概率pk，m(t)传播该消息，如果未阅读到该消息直接进入步骤3；步骤3：每一个时刻，如果网络中有新发布的消息，在消息网络中新增加节点表示新发布的消息，并更新各个消息节点之间的连边和连边的权重；步骤4：重复步骤2和步骤3，直至每一条消息都不再被转发；其中：步骤3所述更新各个消息节点之间的连边和连边的权重，具体为：如果同一个用户先后转发了不同的消息即消息m和消息j，则在消息网络中为m节点和j节点之间增加一条连边；如果越来越多的用户先后转发消息m和j，那m和j之间连边的权重也将增加，利用Salton余弦来计算连边的权重。所述利用Salton余弦来计算连边的权重，其表达式如下：其中，nmj表示t时刻同时转发了消息m和消息j的用户数，km表示t时刻转发消息m的用户数，kj表示t时刻转发消息j的用户数，σmj表示消息m和消息j之间的关联性，即消息网络中m和j节点之间连边的权重，Nk，t表示用户k在t时刻前所转发的消息总数，表示用户k已转过的其他消息对该用户转发消息m的影响作用值。所述用户k以概率pk，m(t)传播该消息，其概率pk，m(t)通过下述方法求得，具体包括：1)当用户阅读到消息m后，不同时刻消息m对用户产生影响随记忆衰减函数W(t)＝ε/t变化，其中ε表示记忆因子；2)对于每条消息，在不考虑其他消息对其的相互作用时，用户转发消息的概率为：其中τ表示第τ时刻，t表示第t时刻，H表示所阅读到消息对用户能产生影响的有效时间窗，即考虑[t-H-1，t-1]时间内所阅读到的消息对用户的影响，Ck为用户k所关注用户的列表集合，nm(t)表示t时刻在Ck中传播消息m的用户数量，表示Ck中的总用户数，nm(τ)表示τ时刻在Ck中传播消息m的用户数量，nm(τ-1)表示τ-1时刻在Ck中传播消息m的用户数量，fm(τ)表示不考虑记忆性的情况下，τ时刻用户k转发消息m的概率。3)考虑消息间的相互促进作用，得到用户转发消息的概率为：其中是用户k已转过的其他消息对该用户转发消息m的影响作用值；表示将映射到高斯函数中，使其值在0-1之间。与现有的技术相比，本专利技术的优点在于：1)本专利技术考虑了多条消息间的相互关联影响性，在建模过程中提出了用户的记忆衰减性，更加贴近社交网络的信息传播实际，并且考虑消息间的相互关联，不断更新消息网络，使得模型更加合理化。2)本专利技术更加清晰明确的反应了网络中多消息之间的相互影响，提高预测多信息传播的准确性，给话题预测，舆情监控，多个企业投放宣传广告策略上，优化社交网络的商业行为等不同方面提供了有效模型支撑。附图说明图1社交-消息网络示意图；图2本专利技术流程图；图3记忆因子与参与话题讨论的用户总数的关系图；图4记忆因子与转发速率之间的关系图；图5记忆因子、阅读概率和话题转发数量三者之间的关系图；图6某英超联赛话题下发布的消息数与时间的关系图(不包括转发的消息数目)；图7预测结果与实际传播结果的对比图。具体实施方式下面结合附图和实施例，对本专利技术进行详细、清晰的进一步说明。消息网络中的消息用网络中的节点来表示，其间的连边及权重表示消息间的相互影响强度。每一个时间步，在传播前需要根据过去时间中所有转发信息来更新消息网络。本专利技术定义了如下的消息网络更新方式：如果同一个用户先后转发了不同的消息(消息m和消息j)，则在消息网络中为m节点和j节点之间增加一条连边，如果越来越多的用户先后转发消息m和j，那m和j之间连边的权重也将增加，利用Salton余弦来计算连边的权重，其中，nmj表示t时刻同时转发了消息m和消息j的用户数，km表示t时刻转发消息m的用户数，kj表示t时刻转发消息j的用户数，σmj表示消息m和消息j之间的关联性，即消息网络中m和j节点之间连边的权重。得到消息间两两的相互影响值后，对于用户k，他/她在t时刻转发消息m时，需要考虑在t时刻之前，该用户转发的其他所有消息都会对其转发m消息产生共同影响，该共同影响定义为：其中Nk，t表示用户k在t时刻前所转发的消息总数。如图1所示，矩形节点表示消息网络中的消息节点，黑色的实线连边表示消息之间的相互影响，圆形节点表示社交网络中的用户节点，带有箭头的实线表示用户间的关注关系，矩形节点和圆形节点之间的虚线连边，表示圆形节点转本文档来自技高网...

【技术保护点】
1.一种社交网络多信息传播模型的建模方法，其特征在于，该方法包括以下具体步骤：步骤1：基于社交网络中多条消息间的相互影响构建社交‑消息网络，包括：1)通过爬虫获取的数据构建社交用户关注网络，其中的节点表示社交网络中的用户，连边表示用户之间的关注关系；2)通过爬虫获取的数据构建消息网络，其中的节点表示社会网络中所传播的各个消息，连边表示消息之间的相互作用，其相互作用的强度由连边的权值体现；步骤2：用户以概率λ阅读网络中的消息，如果阅读该消息，则在t时刻，对于所阅读到的消息m，用户k以概率pk，m(t)传播该消息，如果未阅读到该消息直接进入步骤3；步骤3：每一个时刻，如果网络中有新发布的消息，在消息网络中新增加节点表示新发布的消息，并更新各个消息节点之间的连边和连边的权重；步骤4：重复步骤2和步骤3，直至每一条消息都不再被转发；其中：步骤3所述更新各个消息节点之间的连边和连边的权重，具体为：如果同一个用户先后转发了不同的消息即消息m和消息j，则在消息网络中为m节点和j节点之间增加一条连边；如果越来越多的用户先后转发消息m和j，那m和j之间连边的权重也将增加，利用Salton余弦来计算连边的权重。...

【技术特征摘要】
1.一种社交网络多信息传播模型的建模方法，其特征在于，该方法包括以下具体步骤：步骤1：基于社交网络中多条消息间的相互影响构建社交-消息网络，包括：1)通过爬虫获取的数据构建社交用户关注网络，其中的节点表示社交网络中的用户，连边表示用户之间的关注关系；2)通过爬虫获取的数据构建消息网络，其中的节点表示社会网络中所传播的各个消息，连边表示消息之间的相互作用，其相互作用的强度由连边的权值体现；步骤2：用户以概率λ阅读网络中的消息，如果阅读该消息，则在t时刻，对于所阅读到的消息m，用户k以概率pk，m(t)传播该消息，如果未阅读到该消息直接进入步骤3；步骤3：每一个时刻，如果网络中有新发布的消息，在消息网络中新增加节点表示新发布的消息，并更新各个消息节点之间的连边和连边的权重；步骤4：重复步骤2和步骤3，直至每一条消息都不再被转发；其中：步骤3所述更新各个消息节点之间的连边和连边的权重，具体为：如果同一个用户先后转发了不同的消息即消息m和消息j，则在消息网络中为m节点和j节点之间增加一条连边；如果越来越多的用户先后转发消息m和j，那m和j之间连边的权重也将增加，利用Salton余弦来计算连边的权重。2.根据权利要求1所述的建模方法，其特征在于，所述利用Salton余弦来计算连边的权重，其表达式如下：其中，nmj表示t时刻同时转发了消息m和消息j的用...

【专利技术属性】
技术研发人员：杨蕊齐，韩定定，钱江海，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：上海,31