CN104091206B - 基于演化博弈论的社交网络信息传播预测方法 - Google Patents

Abstract

本发明提供了一种基于演化博弈论的社交网络信息传播预测方法，首先将社交网络的信息聚类成不同的类别，然后建立信息博弈传播模型，并通过学习的方法拟合模型参数得到描述信息相互作用关系的收益矩阵，最后利用信息传播模型，对信息传播能力进行预测。本发明方法通过演化博弈来表示社交网络上信息之间的相互作用，并建立信息博弈传播模型揭示信息博弈和信息传播的关系，从而在信息相互作用且用户顶点传播多条信息的情况下，获得对信息在社交网络传播的预测。

Description

基于演化博弈论的社交网络信息传播预测方法

技术领域

本发明涉及的技术领域为社交网络信息传播的建模，描述信息之间的相互影响，揭示信息博弈和信息传播的关系，并对信息的传播能力进行有效预测。

背景技术

社交网络为人们提供了十分广泛的信息来源，为新信息和不同观点的传播提供了平台，在信息传播的过程中起到了关键的作用。信息在社交网络上迅速产生和演化，社交网络的信息传播已成为一个广阔的研究领域，吸引了许多学科研究者的兴趣，如计算机科学家、社会学家等。对社交网络信息传播的相关研究能够帮助解决许多实际问题，如预测热点新闻，优化社交网络的商业行为等。

近年来科研工作者提出了一系列的技术和模型，从不同的角度对社交网络信息传播模式进行表示、分析和预测，揭示信息传播的潜在机制。当前已有的大多数模型假设信息的传播是独立的，每条信息的传播互不影响，如线性阈值(LT)模型、独立级联(IC)模型、SIS模型、SIR模型等。

在社交网络中传播的信息是大量的，有大量的信息在同一时间进行传播，信息在传播过程中产生相互影响。于是一些描述多信息传播模式的技术和模型被提出，这些模型假设信息之间的关系是相互排斥，网络中的用户顶点只能传播多条信息中的一条，从而并未将信息之间相互合作和竞争的关系考虑在其中。

发明内容

有鉴于此，本发明提供了一种基于演化博弈论的社交网络信息传播预测方法，通过演化博弈来表示社交网络上信息之间的相互作用，并建立信息博弈传播模型揭示信息博弈和信息传播的关系，从而在信息相互作用且用户顶点传播多条信息的情况下，获得对信息在社交网络传播的预测。

本发明提供的基于演化博弈论的社交网络信息传播预测方法，包括：

步骤1：获取t时刻传播于社交网络的信息集{u₁,u₂,...,u_n}；

步骤2：获取t时刻之前信息集{u₁,u₂,...,u_n}中每条信息传播覆盖的社交网络的顶点集；

步骤3：基于每条信息传播覆盖的社交网络的顶点集及设定的类别数量T，对信息集合进行聚类；

步骤4：统计t时刻信息集{u₁,u₂,...,u_n}中每条信息的博弈场景；

步骤5：基于每条信息的博弈场景及所属类别，根据信息博弈传播模型计算每条信息的传播能力。

所述方法还包括：以时间T为间隔，重复计算每条信息的传播能力，直至信息u_i的传播能力的增量低于限定值时，停止计算信息u_i的传播能力，并以最后一次计算得到的信息u_i的传播能力作为预测结果，其中，i≤u_i≤n。

在特定时间段内，社交网络上的用户v看到一则信息u_i，同时看到其它信息的集合{u₁′,u₂′,...,u_k′}，即暴露集合，信息u_i与其它信息的集合{u₁′,u₂′,...,u_k′}的博弈即信息u_i的博弈场景。

所述信息博弈传播模型为：

其中，M是信息u₁′,u₂′,...,u_k′及u_i所属信息类别的数量；A(A∈M×M)为描述信息u₁′、u₂′、...、u_k′、u_i之间博弈关系的收益矩阵，A_i,1…A_i,M为A的元素；P(C_j)是类别C_j的信息数占暴露集合信息数的比例，表示属于类别C_i的信息在属于类别C_j的信息的影响下的传播概率，即属于类别C_i的信息与属于类别C_j的信息产生博弈的收益值A_i,j；为属于类别C_j的信息的传播能力。

通过学习的方法拟合描述信息相互作用关系的收益矩阵A。

采用K均值法对信息集合进行聚类。

综上所述，本发明通过演化博弈来表示社交网络上信息之间的相互作用，并建立信息博弈传播模型揭示信息博弈和信息传播的关系，能够有效预测不同信息相互作用下的传播影响力情况。

附图说明

为了更清楚地说明本发明实施例或现有技术中的方案，下面将对实施例中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的信息博弈场景示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

社交网络中，信息并不会选择传输到哪里，信息的传播没有显示决策的场合。本发明将社交网络信息的相互作用类别为生物的进化博弈，信息类比为不同的生物体，信息的特征或类别类比为生物体的遗传基因，信息从顶点到顶点的传播过程类比为生物产生后代的过程，信息的传播能力类比为生物繁衍的能力。信息的特征或类别决定了在社交网络中信息的传播能力，传播能力强的信息能够获得更大的网络影响力。信息的传播情况取决于该信息和其他信息是如何互动的，信息的传播能力不能单纯在孤立状态下测量，必须在整体的社交网络环境中，在与其他信息的相互作用下被评估。

本发明一实施例提供的基于演化博弈论的社交网络信息传播预测方法，包括：

步骤1：获取t时刻传播于社交网络的信息集{u₁,u₂,...,u_n}；

步骤2：获取t时刻之前信息集{u₁,u₂,...,u_n}中每条信息传播覆盖的社交网络的顶点集；

步骤3：基于每条信息传播覆盖的社交网络的顶点集及设定的类别数量T，对信息集合进行聚类；

依据社交网络信息传播覆盖顶点的情况(如果一个顶点传播的一条信息，则称该信息覆盖了该顶点)进行信息聚类，将社交网络的信息(Information)聚类成不同的类别(Topic)，两条信息传播覆盖的相同顶点数越多，它们的相似性越高，即距离越短。可以采用的聚类方法采为K均值法(K-means)。输入社交网络的n条信息，每条信息传播覆盖的顶点集，类别的数量T，通过聚类输出每条信息所属的类别。

步骤4：统计t时刻信息集{u₁,u₂,...,u_n}中每条信息的博弈场景；每条信息在社交网络的每个定点处存在一处博弈场景：在特定时间段内，社交网络上的用户v看到一则信息u_i，同时看到其它信息的集合(暴露集合){u₁′,u₂′,...,u_k′}，，信息u_i与暴露集合的博弈即信息u_i在顶点v的博弈场景。

步骤5：基于每条信息的博弈场景及所属类别，根据信息博弈传播模型计算每条信息的传播能力。

所述信息博弈传播模型为：

其中，M是信息u₁′,u₂′,...,u_k′及u_i所属信息类别的数量；A(A∈M×M)为描述信息u₁′、u₂′、...、u_k′、u_i之间博弈关系的收益矩阵，A_i,1…A_i,M为A的元素；P(C_j)是类别C_j的信息数占暴露集合信息数的比例，表示属于类别C_i的信息在属于类别C_j的信息的影响下的传播概率，即属于类别C_i的信息与属于类别C_j的信息产生博弈的收益值A_i,j；为属于类别C_j的信息的传播能力。

若在一个博弈场景得到一条信息的传播概率大于0.5，则该信息在该场景进行传播，否则不进行传播。

其中，对于社交网络信息传播的数据集，已知信息的发布者和发布时间，使用统计的方式挖掘信息的博弈场景，通过学习的方法(带约束的最小二乘法)拟合出描述信息相互作用关系的收益矩阵A。收益矩阵反应了信息之间彼此的作用关系，即博弈关系。如果A_i,j数值较大，说明属于类别C_j的信息能够对属于类别C_i的信息产生合作的促进作用，如果A_i,j数值较小，说明产生了竞争的抑制作用。收益矩阵的相应数值A_i,j，为强化或弱化信息的传播提供有效的手段和依据。

所述方法还包括：以时间T为间隔，重复计算每条信息的传播能力，直至信息u_i的传播能力的增量低于限定值时，即u_i的传播量基本稳定(增量很少)，停止计算信息u_i的传播能力，并以最后一次计算得到的信息u_i的传播能力作为预测结果，其中，i≤u_i≤n。

以微博为载体具体说明本方法的实现方式。对社交网络中特定时间点t(如2014.3.1.9:00:00)之后的信息u_i的传播进行预测：

1.统计时间点t之前5天内微博上发布的信息，采用K均值法(K-means)将这些信息聚类成不同的类别，聚类后类别集合为{C₁,C₂,...,C_M}。

2.挖掘这些信息的博弈场景，通过机器学习拟合出描述信息相互作用关系的收益矩阵A(即信息博弈传播模型的参数)，得到精确模型。

3.统计在时间点t上微博上传播的信息集合{u₁,u₂,...,u_n}，得到每条信息传播覆盖的顶点集，采用K最近邻(KNN)分类的方法对每条信息进行分类(分类到已有的聚类结果{C₁,C₂,...,C_M}中来)，判断信息所属的类别。

挖掘t时刻{u₁,u₂,...,u_n}中每条信息的博弈场景，根据信息所属类别，利用信息博弈传播模型，对每条信息在每个博弈场景的传播能力进行预测，若在一个博弈场景得到一条信息的传播概率大于0.5，则该信息在该场景进行传播，否则不进行传播。在时刻t+T,t+2T,...重复上述过程，直至预测信息u_i的传播量基本稳定(增量很少)。

4.通过上述过程，最终确定信息u_i传播到的用户和传播总量，达到对信息的传播路径和传播量进行预测的目的。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.一种基于演化博弈论的社交网络信息传播预测方法，其特征在于，所述方法包括：

步骤1：获取t时刻传播于社交网络的信息集{u₁，u₂，…，u_n}；

步骤2：获取t时刻之前信息集{u₁，u₂，…，u_n}中每条信息传播覆盖的社交网络的顶点集；

步骤3：基于每条信息传播覆盖的社交网络的顶点集及设定的类别数量M，对信息集合进行聚类；

步骤4：统计t时刻信息集{u₁，u₂，…，u_n}中每条信息的博弈场景；

步骤5：基于每条信息的博弈场景及所属类别，根据信息博弈传播模型计算每条信息的传播能力；

其中，在特定时间段内，社交网络上的用户v看到一则信息u_i，同时看到其它信息的集合{u₁′，u₂′，…，u_k′}，即暴露集合，信息u_i与其它信息的集合{u₁′，u₂′，...，u_k′}的博弈即信息u_i的博弈场景；

其中，所述信息博弈传播模型为：

$\begin{array}{c}P(X=C_i|E_{\{C_1,C_2,\mathrm{...},C_M\}})\\ =P\left(C_1\right)P(X=C_i|E_{C_1})+P\left(C_2\right)P(X=C_i|E_{C_2})+\mathrm{...}+P\left(C_M\right)P(X=C_i|E_{C_M})\\ =P\left(C_1\right)A_{i,1}+P\left(C_2\right)A_{i,2}+\mathrm{...}+P\left(C_M\right)A_{i,M}\end{array}$

其中，M是信息u₁′，u₂′，...，u_k′及u_i所属信息类别的数量；A(A∈M×M)为描述信息u₁′，u₂′，...，u_k′、u_i之间博弈关系的收益矩阵，A_i,1…A_i,M为A的元素；P(C_j)是类别C_j的信息数占暴露集合信息数的比例，表示属于类别C_i的信息在属于类别C_j的信息的影响下的传播概率，即属于类别C_i的信息与属于类别C_j的信息产生博弈的收益值A_i,j，其中，1≤j≤M；为属于类别C_i的信息的传播能力。

2.根据权利要求1所述的基于演化博弈论的社交网络信息传播预测方法，其特征在于，所述方法还包括：以时间T为间隔，重复计算每条信息的传播能力，直至信息u_i的传播能力的增量低于限定值时，停止计算信息u_i的传播能力，并以最后一次计算得到的信息u_i的传播能力作为预测结果，其中，1≤i≤n。

3.根据权利要求1所述的基于演化博弈论的社交网络信息传播预测方法，其特征在于，通过学习的方法拟合描述信息相互作用关系的收益矩阵A。

4.根据权利要求3所述的基于演化博弈论的社交网络信息传播预测方法，其特征在于，采用K均值法对信息集合进行聚类。