一种动态社会网络信息传播模型的建模方法技术

一种动态社会网络信息传播模型的建模方法，其特征在于：在静态社会网络演化博弈模型的基础上，引入网络元素动态性和网络结构动态性，并将两类动态性与演化博弈方法相结合进行协同演化博弈，得到信息传播最终的演化稳定状态，形成动态社会网络协同演化模型。本发明专利技术结合了信息传播的特殊背景，更加贴近社会网络演化的实际，并且将网络元素属性动态性和网络结构动态性结合起来，使得模型更加合理。本发明专利技术原理简单、流程清晰、易于实现，提高对网络信息传播预测的准确性，为应用在舆情控制监督、网络群体事件预测，企业广告投放产品宣传策略等领域提供有效模型支撑。

【技术实现步骤摘要】

本专利技术属于信息传播模型研究领域，具体涉及一种动态社会网络信息传播模型的建模方法。
技术介绍
在现有的关于信息传播模型的研究中，很多都是基于一个固定的社会网络结构下，对信息传播过程进行探讨。然而，对于在线社交网络这类网络结构常常变化，每日新增或减少大量用户和关联的社会网络来说，将网络结构中节点和边的动态变化过程纳入建模中是非常必要的。早期的关于动态社会网络的研究大多数都集中在以下两个方面：一方面是网络元素的动态性，具体表现为在一个固定的拓扑网络结构下网络节点或者边的属性状态发生动态变化；另一方面是网络的动态性，具体表现为网络的拓扑结构发生动态变化，但并不确切的对其变化的潜在原因进行建模。如Gross等在文献《Adaptivecoevolutionarynetworks:areview》中的叙述，实际的在线社交网络对上述两个方面的动态变化都有所体现，形成一个自适应或者协同演化系统，其中网路的拓扑结构以及节点或边的状态通过一个反馈环互相影响。在线社交网络的动态过程——信息的传播，显然会受到网络拓扑结构的影响，并且网络上信息的传播也能够推动网络结构本身的变化。例如：用户添加或者取消关注某个“朋友”很大程度上就是依据其最近在社交网络上发表的言论信息。之前的关于在线社交网络的研究经常忽略了这种协同动态演化过程，简而言之就是假设在一个固定不变的网络结构下，或者假设网络结构变化和节点边的变化在各自的时间度量下变化。McAuleyJ等在文献《Learningtodiscoversocialcirclesinegonetworks》中指出，现实的社会网络中必然会同时包含这两种动态性，形成一个自适应的或者说是协同演化系统，并且这两种动态性之间也会相互影响，形成一个目前还很少被研究的所谓反馈循环.对于动态协同演化方面的研究很多还停留在抽象的模型分析阶段，并没有充分的案例支撑。与本专利技术最接近的技术方案是ZimmermannMG等在文献《Coevolutionofdynamicalstatesandinteractionsindynamicnetworks》和《Cooperation,socialnetworks,andtheemergenceofleadershipinaprisoner'sdilemmawithadaptivelocalinteractions》中提出的一个动态网络演化博弈模型：生成一个随机网络，网络上参与者与其邻居进行囚徒困境博弈并累计收益，策略更新时它们会学习邻居(包含自己)中收益最高的人的策略；并且，如果一个背叛者发现它学习的背叛策略的邻居的收益比自己高，则这个参与者会以概率p断开与被学习的背叛者之间的连接，重新在网络中随机选择一个个体连接。PachecoJM等在文献《Activelinkinginevolutionarygames》中也提出了一个边增减的动态网络博弈模型：个体按照囚徒困境的收益矩阵累计计算收益。结构调整过程中，每个个体以概率p被选中,被选中的个体可以断开与不满意邻居的连接，同时也可以和邻居的邻居建立新的连接，其中增加关联和剔除关联的数目有上界。现有技术对社会网络的研究最常用的方法是机器学习和一些实证性的数据挖掘方法。然而，这些方法大多假设训练集和测试集数据是统计意义上一致的，这样的假设存在两个问题：1)从特定数据集学习的结果依赖于现有的社会网络结构，而该网络结构又处于动态变化的环境之下，因而基于这些方法的研究可能忽略了对网络结构变化过程的进行有效的分析和预测；2)机器学习的方法往往忽略了参与者的行为、策略以及参与者之间的互动往来等对网络结构演化产生的重要影响。
技术实现思路
针对上述问题，本专利技术一方面运用演化博弈方法刻画个体信息转发策略选择行为以及群体的策略学习过程，另一方面充分考虑了网络结构的动态性和网络元素属性的动态性互相影响和演化的关系，采用协同演化机制，模拟信息在网络上传播的动态过程，更加贴近实际。一种动态社会网络信息传播模型的建模方法，其特征在于：在静态社会网络演化博弈模型的基础上，引入网络元素动态性和网络结构动态性，并将两类动态性与演化博弈方法相结合进行协同演化博弈，得到信息传播最终的演化稳定状态，形成动态社会网络协同演化模型。具体的，在所述演化博弈中，将参与者效用类似于适应度的概念定义如下：π＝(1-α)·B+α·U(1)其中B表示参与者的先天属性也就是基本适应度，U表示参与者的收益矩阵,U＝(uij)N×N,由参与者之间的互动情况共同决定，具体形式见公式(2)。参数α代表选择强度，即博弈过程对提高适应度的贡献程度；社会网络的用户用网络中的节点来表示，其对信息传播的态度构成了节点的属性，所述网络元素动态性包括网络中节点关于信息传播的策略是转发Sf或者不转发Sn，以及网络中三种类型的边Sf-Sf、Sf-Sn、Sn-Sn之间的相互转换；用户的收益矩阵定义为：这是一个对称的收益结构，即当采用策略Sf的用户遭遇采用策略Sn的用户，他们双方的收益都是ufn；所述网络结构的动态性，包括三类动态演化机制，基于闭合三角的关联增加机制、无用伙伴关联剔除机制以及新用户的加入和僵尸用户的退出机制；闭合三角的关联增加机制是指:用户i的直接关注者集合为Fi1,其二阶关注者，即其直接关注者的关注者集合为Fi2，且依据假设当用户i的策略为Sf，也就是转发信息时，用户j,接收到用户i的信息；如果用户j的策略同样是Sf，从用户k,接收到该信息后的策略选择中，可以得到用户k会建立对用户i的直接关注的概率大小,分别用参数wf和wn来表示；无用伙伴关联剔除机制是指:如果用户i对于信息的策略在多轮博弈周期中一直是转发，而他的关注者用户j的策略一直是不转发，说明用户j对于用户i采取的策略评价不高，不值得他“学习”并改变自己的策略，因而在用户j并不认可用户i的策略的情况下，经过多轮博弈，用户j很有可能取消对用户i的关注，并且这种可能性随着博弈次数以及策略对立时间的增加而变得越来越高，这样一种关联关系的消失机制就被我们称为无用伙伴关联剔除机制，其取消关注的概率为：P(n)＝1-e-βn(3)其中β是信息排斥系数，表示该用户每次不转发相关信息时对信息的可能排斥程度，β>0；新用户的加入和僵尸用户的退出机制是指:根据马太效应，新用户会更倾向于首先关注感兴趣的热门用户，从网络的角度来看，就是新的节点更倾向于与那些具有较高连接度的Hub节点相连接；相对于新用户的加入，必然也会有原本活跃的用户逐渐减少直至完本文档来自技高网...

【技术保护点】
一种动态社会网络信息传播模型的建模方法，其特征在于：在静态社会网络演化博弈模型的基础上，引入网络元素动态性和网络结构动态性，并将两类动态性与演化博弈方法相结合进行协同演化博弈，得到信息传播最终的演化稳定状态，形成动态社会网络协同演化模型。

【技术特征摘要】
1.一种动态社会网络信息传播模型的建模方法，其特征在于：在静态社会网络演化博
弈模型的基础上，引入网络元素动态性和网络结构动态性，并将两类动态性与演化博弈方
法相结合进行协同演化博弈，得到信息传播最终的演化稳定状态，形成动态社会网络协同
演化模型。
2.根据权利要求1所述的一种动态社会网络信息传播模型的建模方法,其特征在于:在
所述演化博弈中，将参与者效用类似于适应度的概念定义如下：
π＝(1-α)·B+α·U(1)
其中B表示参与者的先天属性也就是基本适应度，U表示参与者的收益矩阵,U＝
(uij)N×N,由参与者之间的互动情况共同决定，具体形式见公式(2)，参数α代表选择强度，即
博弈过程对提高适应度的贡献程度；
社会网络的用户用网络中的节点来表示，其对信息传播的态度构成了节点的属性，所
述网络元素动态性包括网络中节点关于信息传播的策略是转发Sf或者不转发Sn，以及网络
中三种类型的边Sf-Sf、Sf-Sn、Sn-Sn之间的相互转换；用户的收益矩阵定义为：
这是一个对称的收益结构，即当采用策略Sf的用户遭遇采用策略Sn的用户，他们双方的
收益都是ufn；
所述网络结构的动态性，包括三类动态演化机制，基于闭合三角的关联增加机制、无用
伙伴关联剔除机制以及新用户的加入和僵尸用户的退出机制；
闭合三角的关联增加机制是指:用户i的直接关注者集合为其二阶关注者，即其直
接关注者的关注者集合为且依据假设当用户i的策略为Sf，也就是转发信
息时，用户j,接收到用户i的信息；如果用户j的策略同样是Sf，从用户k,接
收到该信息后的策略选择中，可以得到用户k会建立对用户i的直接关注的概率大小,分别
用参数wf和wn来表示；
无用伙伴关联剔除机制是指:如果用户i对于信息的策略在多轮博弈周期中一直是转
发，而他的关注者用户j的策略一直是不转发，说明用户j对于用户i采取的策略评价不高，
不值得他“学习”并改变自己的策略，因而在用户j并不认可用户i的策略的情况下，经...

【专利技术属性】
技术研发人员：黄金才，周晓艳，程光权，马跃飞，刘忠，朱先强，冯旸赫，
申请(专利权)人：中国人民解放军国防科学技术大学，
类型：发明
国别省市：湖南;43