CN107808067B - 基于网络结构与用户心理特质的信息传播预测系统及方法 - Google Patents

Abstract

本发明请求保护一种基于在线社交网络的信息传播预测系统及方法，属于在线社交网络分析领域。它包括了获取数据源，建立用户边关系动态，建立用户关注度演化动态，构建热点话题传播预测模型四个部分。第一步，获取数据源。第二步，构建用户边关系动态，以异质平均场理论为基础，采用图演化博弈对其进行改进，使之具有现实适用性。第三步，构建用户关注度演化动态，定义收益矩阵和信息流行度，根据演化博弈论构建用户关注度演化动态机制。第四步，构建信息传播预测方法。将用户边关系动态和用户关注度演化动态与传统流行病模型结合，构建一种新的信息传播预测方法。该发明能够有效的预测复杂社会网络中信息传播的动态态势，揭示不同动力学要素对信息扩散的影响。

Description

基于网络结构与用户心理特质的信息传播预测系统及方法

技术领域

本发明属于在线社交网络分析和复杂网络交叉领域，涉及在线社交网络信息传播预测，分析用户心理特质和网络结构的异质性对信息传播的影响。

背景技术

近年来，在线社交网络的迅猛发展，为我们提供了海量的信息在社交网络中扩散的真实数据，这为复杂网络传播动力学的研究带来了新的契机。对于这些真实数据的研究具有巨大的应用价值，吸引了众多来自复杂网络、社会学、计算机科学等领域的学者，从而促使社交网络信息传播成为当前研究探索的热点领域之一。通过对社交网络信息传播动力学的研究，其成果可以进一步推广到复杂网络中的其他相似或相近领域。

由于信息在社交网络中传播过程与传染病的传播非常相似，传染病模型及其改进模型广泛应用于社交网络信息传播的仿真和建模。基于传染病模型的信息传播动力学研究，适用于节点混合均匀网络中的传播动力学问题，并且从易感染个体到感染个体的变化率采用的大多是固定概率。但是，现实世界的社交网络并非是混合均匀的网络，而是呈现一定程度的异质性。在无标度网络中，R.Pastor-Satorras等人通过对传染病模型的研究颠覆了传统的均匀混合传染病模型的阈值理论，并提出了异质平均场理论。但是，异质平均场理论计算复杂，仅适用于理论仿真，无法应用于大规模真实数据的研究。针对此问题，本文引入图演化博弈论对异质平均场理论加以改进，构建新的SIR模型。

此外，基于SIR的信息传播模型中采用固定的感染率就等于忽略了一个事实———热点话题流行度的变化会导致的社交网络用户参与话题意愿发生改变，进而导致感染率的动态变化。当话题热度上升时，它会吸引越来越多的关注。社交网络中节点与节点之间存在复杂的动态交互行为,在真实情形下，社交网络用户参与话题的意愿会受到其相邻节点的影响。为了更好的理解信息传播的过程，我们借鉴前人的思想和模型，本文将用户参与话题的意愿看做一种策略。以演化博弈基础，结合话题流行度提出一种用户意愿的动态演化机制，动态调整SIR模型的感染率。

与本发明最接近的是Piero Poletti发表的一篇论文(Poletti P,Ajelli M,Merler S.Risk perception and effectiveness of uncoordinated behavioralresponses in an emerging epidemic.Math Biosci 2012；238:80–9.)，该论文将博弈论与SIR模型结合来研究传染病的传播。本发明从用户参与信息传播的真实网络结构和用户心理要素出发，结合传统SIR模型，综合考虑影响热点话题信息传播的网络结构要素和心理特质要素，得到一种基于异质平均场和演化博弈的热点话题传播预测方法。揭示不同驱动因素对信息传播的影响，预测社交网络中热点信息的传播趋势。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种提高预测准确度的基于网络结构与用户心理特质的信息传播预测系统及方法。本发明的技术方案如下：

一种基于网络结构与用户心理特质的信息传播预测系统，其包括：获取数据模块、用户边关系动态建立模块、用户关注度演化动态建立模块及热点话题传播预测方法构建模块，其中，所述获取数据模块用于从在线社交媒体的公共API获取热点话题下的用户相关信息并进行包括数据分片在内的数据处理；所述用户边关系动态建立模块，从获取数据模块提取用户网络结构属性和历史行为属性，并定义和量化相关用户属性，利用图演化博弈和异质平均场构建用户边关系动态；用户关注度演化动态建立模块，用于定义信息流行度、用户策略集和收益矩阵，根据演化博弈论中的复制动态方程思想建立用户关注度演化动态机制；信息传播预测方法构建模块，以传统SIR传染病模型为基础，结合用户边关系动态和用户关注度演化动态建立热点话题传播预测方法分析网络结构异质性和用户心理特质对信息传播的影响。

进一步的，所述获取数据模块获取热点话题下的用户相关信息，主要包括用户社交关系、用户历史行为记录两个方面的数据；数据处理主要包括：对用户社交关系、用户历史行为记录的数据进行时间分片，将数据按照时间区间进行划分，然后，在单位时间内，从数据中找出已参与该话题的用户及其粉丝，据此建立网络拓扑。

进一步的，所述用户边关系动态建立模块构建用户边关系动态驱动机制，首先，采用图演化博弈构建用户边关系动态；然后提取真实网络拓扑结构属性及用户历史行为属性；最后，将关系动态和异质平均场结合，采用真实数构建用户边关系动态驱动机制x_{ff_fn}。

进一步的，所述真实网络拓扑结构提取用户属性包括：用户的度Deg(u_i)；所述用户历史行为属性包括：用户历史行为数据A＝{(a，v_i，t)},其中(a，v_i，t)表示在t时刻，用户v_i的行a。C(v_i，t)为用户节点v_i在t时间所处的状态。

进一步的，所述用户关注度演化动态机制建立模块定义信息流行度、用户策略集和用户收益矩阵，根据演化博弈论中的复制动态的思想构建用户关注度演化动态包括：首先，定义收益矩阵P_n和P_a以及信息流行度M(t)；P_n和P_a分别表示不主动关注热点话题和主动关注热点话题的收益；然后，从已有数据中提取未参与话题的活跃用户作为未感染个体中选择主动关注策略的用户；最后，依据演化博弈论的复制动态的思想和信息传播流行度M(t)建立用户关注度演化动态机制。

进一步的，所述用户策略集包括定义“不主动关注的策略”inactive和“主动关注策略”active，个体接受主动关注的策略理解为个体主动关注热点话题，个体不主动关注的策略理解为个体不主动关注热点话题，用p_n和p_a分别表示用户选择策略inactive和active时参与话题的概率，其中p_a>p_n，定义两种不同的收益函数：

P_n(t)＝m_nM(t)，P_a(t)＝-k+m_aM(t)

选择策略active的个体要付出一个额外的固定支付k，其中，m_a＞m_n，m_a和m_n是与用户参与话题的概率有关的变量；

定义感知流行度：依据传统的SIR模型中感染率为理论基础，建立感知流行度的概念，表示过去某一段时间，用户感知到参与话题个体的变化率，

其中，x表示未参与话题用户中选择“不主动关注的策略”inactive的比例。

一种基于所述系统的信息传播预测方法，其包括以下步骤：获取数据源的步骤、建立用户边关系动态的步骤，建立用户关注度演化动态的步骤及信息传播预测方法的步骤。

进一步的，所述获取数据源的步骤包括：从在线社交媒体的公共API获取热点话题下的用户相关信息并进行包括数据分片在内的数据处理；所述建立用户边关系动态的步骤包括：提取用户网络结构属性和历史行为属性，并定义和量化相关用户属性，利用图演化博弈和异质平均场构建用户边关系动态；建立用户关注度演化动态的步骤包括：定义信息流行度、用户策略集和收益矩阵，根据演化博弈论中的复制动态方程思想建立用户关注度演化动态机制；信息传播预测方法包括步骤：以传统SIR传染病模型为基础，结合用户边关系动态和用户关注度演化动态建立热点话题传播预测方法分析网络结构异质性和用户心理特质对信息传播的影响。

进一步的，所述获取数据源的步骤包括：所述信息传播预测方法将用户边关系动态和用户关注度演化动态相结合，以SIR为基础构建信息传播预测方法。分别将用户参与话题的驱动力x_{ff_fn}和用户关注度演化动态x_n和x_a在内的参数输入到传统SIR模型,进而构建信息传播预测方法。其中，x_n表示不主动关注话题节点的比例，x_a表示主动关注话题节点的比例。

进一步的，所述用户的度Deg(u_i)。节点的度(Degree)定义为与某节点u_i相关联的边的数目。在线社交网络是有向图，若用户u_i关注u_j，我们称之为出度并表示为u_i→u_j，用户u_i的关注者总和记为Deg-(u_i)；若用户u_k关注u_i，我们称之为入度并表示为u_k→u_i，关注用户u_i的数量总和记为Deg+(u_i)。所以有：

Deg(u_i)＝Deg-(u_i)+Deg+(u_i)。

本发明的优点及有益效果如下：

本发明从真实社交网络结构异质性特征和用户参与热点话题的心理特质出发，构建热点话题信息传播预测方法。对于网络结构因素，提取用户的网络结构属性和历史行为属性，利用图演化博弈和异质平均场构建用户边关系动态，对个体参与话题的内部驱动因素进行分析，为信息传播过程中不同群体状态的转变提供理论依据。对于用户心理特质要素，定义信息流行度的概念，并以演化博弈论为基础，提出一种用户关注度的动态演化机制，揭示用户心理因素对信息传播的影响。最后，综合考虑影响热点信息传播的网络结构要素和用户心理因素，将用户边关系动态和用户关注度动态演化机制结合作为群体状态改变的理论依据，以传统SIR模型为基础构建热点话题信息传播方法。从而实现对热点话题信息在社交网络中的传播过程进行更加准确的预测，揭示信息传播过程中用户心理特质和异质性特征对信息传播的影响。

附图说明

图1是本发明的提供优选实施例生灭策略；

图2是全局关系动态演化示意图,

图3是基于在线社交网络的信息传播预测系统及方法的整体框图。

图4是本发明基于在线社交网络的信息传播预测系统及其方法框图。

具体实施方式

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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

一种基于在线社交网络的信息传播预测方法，包括以下几点：获取数据模块、用户边关系动态建立模块、用户关注度演化动态建立模块及热点话题传播预测方法构建模块，所述获取数据模块用于从在线社交媒体的公共API获取热点话题下的用户相关信息并进行数据处理；用户边关系动态建立模块，用于提取用户网络结构属性和历史行为属性，并定义和量化相关用户属性，利用图演化博弈和异质平均场构建用户边关系动态；用户关注度演化动态建立模块，用于定义信息流行度、用户策略集和收益矩阵，根据演化博弈论中的复制动态方程思想建立用户关注度演化动态机制；信息传播预测方法构建模块，以传统SIR传染病模型为基础，结合用户边关系动态和用户关注度演化动态建立热点话题传播预测方法分析网络结构异质性和用户心理特质对信息传播的影响。

如图3所示为本发明整体框图，表明本发明的输入是话题下网络结构，经过热点话题传播预测方法后的输出是未参与话题人群、已参与话题人群、对话题失去兴趣人群在整体网络中的情况。如图4所示为本发明的总体流程图，包括：获取数据模块，建立用户边关系动态，建立演化策略模块，构建热点话题传播预测方法模块，共四大模块。具体说明本发明的详细实施过程，包括如下四个步骤：

S1：获取数据源。本发明所需要的数据从在线社交媒体的公共API获取

S2：构建用户边关系动态。首先，分别采用图演化博弈构建用户边关系动态；然后提出真实网络拓扑结构属性，用户历史行为属性；最后，将关系动态和异质平均场结合，采用真实数构建用户边关系动态驱动机制x_{ff_fn}。

S3:构建用户关注度演化动态。首先，定义收益矩阵P_n和P_a以及信息流行度M(t)；然后，从已有数据中提取未参与话题的活跃用户作为未感染个体中选择主动关注策略的用户。最后，依据演化博弈论的复制动态方程建立用户关注度演化动态。

S4：构建信息传播预测方法，将用户边关系动态和用户关注度演化动态相结合，以SIR为基础构建信息传播预测方法。分别将用户参与话题的驱动力x_{ff_fn}和用户关注度演化动态x_n和x_a等参数输入到传统SIR模型,进而构建信息传播预测方法。

上述步骤S1获取数据源，提取相关属性。主要分以下2个步骤：

S11：抓取数据。在某社交媒体上，抓取某个热点话题下的用户信息，主要包括用户信息、用户社交关系、用户历史行为记录三个方面。

S12：数据处理。首先，对数据进行时间分片，将数据按照时间区间进行划分。然后，在单位时间内，从数据中找出已参与该话题的用户及其粉丝，据此建立网络拓扑。

上述步骤S2建立用户边关系动态。主要分以下几个步骤：

S21：提取网络结构属性。考虑用户参与话题讨论和转发行为的网络结构属性因素，本发明就以下几个方面定义了相关的属性。

用户的度Deg(u_i)。节点的度(Degree)定义为与某节点u_i相关联的边的数目。在线社交网络是有向图，若用户u_i关注u_j，我们称之为出度并表示为u_i→u_j，用户u_i的关注者总和记为Deg-(u_i)；若用户u_k关注u_i，我们称之为入度并表示为u_k→u_i，关注用户u_i的数量总和记为Deg⁺(u_i)。所以有：

Deg(u_i)＝Deg-(u_i)+Deg+(u_i)

S22：提取用户历史行为属性

用户历史行为数据为A＝{(a，v_i，t)},其中(a，v_i，t)表示在t时刻，用户v_i的行a。C(v_i，t)为用户节点v_i在t时间所处的状态。

S23：定义用户边关系

用户边关系。用户节点定义为两类x_f和x_n，x_f表示当前参与话题节点的比例，x_n表示当前未参与话题节点以及对话题失去兴趣节点的比例。x＝[x_f，1-x_f]，其中x_n＝1-x_f。此外，x_ff和x_nn分别表示相邻两个用户都参与话题和都不参与话题的比例，x_fn表示相邻两个用户为参与话题和不参与话题的比例。x_f|f和x_f|n分别表示两种不同状态下的节点的邻居节点处于参与话题状态的比例。依据概率论的知识，可以总结出如下关系：

S24：定义关系动态策略集和收益矩阵

关系动态策略集和收益矩阵。依据博弈论，社交网络节点可以选择两种策略：参与热点话题的策略s_y和不参与热点话题的策略s_n。定义ff类别的边的收益u_ff，f_n和n_f类别边的收益为u_fn，nn类别边的收益为u_nn。与传统演化博弈的有所不同，图演化博弈定义节点收益为如下形式：

w＝(1-α)B+αU

其中B代表节点自身属性的基准收益。U代表节点收益矩阵所带来的收益。α→0表示弱选择限制情形，相对于用户属性的收益，收益矩阵带来的收益是有限的。此外，w_f和w_n分别表示节点选择不同的策略时的收益，

表示整个网络的平均收益。根据以上关系，可以将

定义如下:

S24：定义生灭策略。如图1所示。首先，选择一个节点以某一概率更新策略，更新的概率与收益成正比，这被称为生过程。之后，被选中的节点以一定概率替换一个邻居节点策略，这被称之为灭过程。

S25：定义均匀度网络情形下的局部关系动态

假定存在这样一个均匀度社交网络，具有N个用户节点度数为k。当社交网络产生一个热点话题，其中A为社交网络中未参与话题的某用户节点，B为A节点的邻居节点且已参与到话题中。根据生灭策略，受B节点影响，A节点的偏离原来状态转变为参与话题状态。此时，AB节点之间边的类型从fn类别边转变为ff边。除此之外，A节点同时又产生了另外(k-1)x_f|n个ff类别边。所以，ff类别的边共增加了1+(k-1)x_f|n个。这种情形发生的概率为x_f(1-x_f|f)。可以得到如下关系：

P_in＝x_f(1-x_f|f)[1+(k-1)x_f|n]

社交网络也存在另外一种情况，其中A为社交网络中已参与话题的某用户节点，B节点为A节点的邻居节点且当前未参与到话题中。根据生灭策略，受B影响，A节点的偏离原来状态转变为不参与话题状态。此时，AB节点之间边的类型从fn类别边转变为nn边。此时，ff类别的边共减少了(k-1)x_f|f个。这种情形发生的概率为x_f|n(1-x_f)。因此，可以有如下关系：

P_de＝x_f|n(1-x_f)(k-1)x_f|f

因此，可以得到均匀度网络情形下的ff类别边的演化关系。与ff类别边相类似，我们也可以得到均匀度网络情形下nn类别边的演化关系。

根据用户边关系动态可得：

其中，当

以及

时，可以得到关系动态在均匀度网络下的均衡点为如下：

S26：定义非均匀度网络情形下的局部关系动态

与均匀度网络不同，非均匀度网络的度服从某些分布，而不是常量k。近年来的实证研究表明，真实网络的度分布都近似地遵从某种分布λ(k)。如果随机选取社交网络中一对节点，节点的度分布应为

此时，偏离状态节点的平均度为

其中

所以，由此可得非均匀度网络情形下的用户边关系动态为：

其中，当

以及

时，可以得到关系动态在非均匀度网络下的均衡点为如下：

S27：定义均匀度网络下的全局关系动态

社交网络中存在两种情形，将导致全局关系动态的改变。假设一个节点拥有k_y个邻居接受s_y，k-k_y个邻居接受策略s_n。如图2a所示，如果一个节点的策略从s_n转变为s_y，与参与话题节点相连接的边将增加k-k_y个。根据生灭策略更新规则，s_y节点被选择概率为

该s_n节点被替换的概率为(k-k_f)/k。第一种情形期望发生的概率为：

与第一种情形相反，如图2b所示，如果一个节点从s_y转变为s_n，与参与话题节点相连接的边将减少k-k_y个。第二种情形期望发生的概率为：

将两者结合可以得到整个网络与参与话题节点相连接的关系动态为：

其中，w_f＝1-α+α[k_fu_ff+(k-k_f)u_fn],w_n＝1-α+α[k_fu_fn+(k-k_f)u_nn]。

将w_f，w_n代入上式可得

由于在弱选择限制情形下，α→0，

可以近似为1，将均匀网络下局部关系动态的均衡点值代入上式可得

将u_ff+(k-2)u_fn-(k-1)u_nn看做一个整体提取，可以进一步简化全局关系动态为：

S28：非均匀度网络下的全局关系动态

根据均匀度网络情形下的全局关系动态，可以得到非均匀度网络下的关系动态为：

将非均匀网络下局部关系动态的均衡点值代入上式可得

类似地，将

看做一个整体提取，可以进一步简化得到非均匀网情形下的关系动态为：

S29：定义改进异质平均场。依据异质平均场理论和用户关系动态可得改进异质平均场为：

S3:构建动态演化策略。首先，定义收益矩阵P_n和P_a以及感知流行度M(t)；然后，从已有数据中提取未参与话题的活跃用户作为未感染个体中选择主动关注策略的用户。最后，依据演化博弈论中复制动态方程的思想建立动态演化策略。

S31:定义策略集和收益矩阵。首先，在这里我们定义两种策略：“不主动关注的策略”inactive和“主动关注策略”active，个体接受主动关注的策略可以理解为个体主动关注热点话题，反之亦然。我们用p_n和p_a分别表示用户选择策略inactive和active时参与话题的概率，其中p_a>p_n。

下面我定义两种不同的收益函数：

P_n(t)＝m_nM(t)

P_a(t)＝-k+m_aM(t)

选择策略active的个体要付出一个额外的固定支付k。其中，m_a＞m_n。m_a和m_n是与用户参与话题的概率有关的变量。

S32：定义信息流行度：依据传统的SIR模型中感染率为理论基础，建立感知流行度的概念。表示过去某一段时间，用户感知到参与话题个体的变化率。

其中，x表示未参与话题用户中选择“不主动关注的策略”inactive的比例,

S33:定义动态演化策略。依据演化博弈论中复制动态的思想，参与人能够通过与遇到的个体的收益进行比较从而动态的改变自己的策略。选择不同策略群体的变化比例与相应的收益成正比(ΔP＝P_n-P_a)。

由于我们的策略集中只包含两种策略，在这里我们定义动态演化策略为：

其中，x和1-x分别表示选择不同策略群体的比例，

表示选择不同策略个体相互遇到概率，φ是一个比例常量。

一个策略只有已经被人们采用才会被传播(由于x＝0或者x＝1是一种均衡)，为了避免这种情况，我们这里认为有部分个体忽视收益的均衡，采取非理性的策略。改进后为：

在这里

S4：构建信息传播预测方法，将用户边关系动态和用户关注度演化动态相结合，以SIR为基础构建信息传播预测方法。分别将用户边关系动态x_{ff_fn}和用户关注度演化机制x_n和x_a等参数输入到传统SIR模型,进而构建新的热点话题信息传播预测方法。

S41：将用户关注度动态与SIR模型相结合可得：

其中，m＝(m_a-m_n)/k，ρ＝kω，

当λ＝λ_m且γ＝μ时感知流行度等于一段时间内实际参与话题人数的变化率。

S42:引入异质平均场和关系动态可得：

其中，m＝(m_a-m_n)/k，ρ＝kω，

ρ[x(1-x)(1-mM(t)+ε(1-2x))]表示社交网络用户基于演化动态发生动态策略转变的过程。ρ表示网络群体改变策略的速度，例如在一个活跃度较高的网络社区，用户群体行为改变速度相对就较高。1-mM(t)代表收益与两种策略之间的平衡，1/m代表了用户选择不同收益策略的阀值。ε(1-2x)表示部分社交网络用户忽视收益的均衡做出不改变策略的非理性行为，ρ表示动态演化过程中整个网络群体转变策略的速度。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (8)

1.一种基于网络结构与用户心理特质的信息传播预测系统，其特征在于，包括：获取数据模块、用户边关系动态建立模块、用户关注度演化动态建立模块及热点话题传播预测方法构建模块，其中，所述获取数据模块用于从在线社交媒体的公共API获取热点话题下的用户相关信息并进行包括数据分片在内的数据处理；所述用户边关系动态建立模块，从获取数据模块提取用户网络结构属性和历史行为属性，并定义和量化相关用户属性，利用图演化博弈和异质平均场构建用户边关系动态；定义用户边关系，用户节点定义为两类x_f和x_n，x_f表示当前参与话题节点的比例，x_n表示当前未参与话题节点以及对话题失去兴趣节点的比例，x＝[x_f，1-x_f]，其中x_n＝1-x_f，此外，x_ff和x_nn分别表示相邻两个用户都参与话题和都不参与话题的比例，x_fn表示相邻两个用户为参与话题和不参与话题的比例，x_f|f和x_f|n分别表示两种不同状态下的节点的邻居节点处于参与话题状态的比例；依据概率论的知识，可以总结出如下关系：

图演化博弈定义节点收益为如下形式：

w＝(1-α)B+αU

其中B代表节点自身属性的基准收益，U代表节点收益矩阵所带来的收益；α→0表示弱选择限制情形，相对于用户属性的收益，收益矩阵带来的收益是有限的，此外，

表示整个网络的平均收益，根据以上关系，可以将

定义如下：

用户关注度演化动态建立模块，用于定义信息流行度、用户策略集和收益矩阵，根据演化博弈论中的复制动态方程思想建立用户关注度演化动态机制；信息传播预测方法构建模块，以传统SIR传染病模型为基础，结合用户边关系动态和用户关注度演化动态建立热点话题传播预测方法分析网络结构异质性和用户心理特质对信息传播的影响；

所述用户关注度演化动态建立模块定义信息流行度、用户策略集和用户收益矩阵，根据演化博弈论中的复制动态的思想构建用户关注度演化动态包括：首先，定义P_n(t)和P_a(t)以及信息传播流行度M(t)；P_n(t)和P_a(t)分别表示不主动关注热点话题和主动关注热点话题的收益；然后，从已有数据中提取未参与话题的活跃用户作为未感染个体中选择主动关注策略的用户；最后，依据演化博弈论的复制动态的思想和信息传播流行度M(t)建立用户关注度演化动态机制；

所述用户策略集包括定义“不主动关注的策略”inactive和“主动关注策略”active，个体接受主动关注的策略理解为个体主动关注热点话题，个体不主动关注的策略理解为个体不主动关注热点话题，用p_n和p_a分别表示用户选择策略inactive和active时参与话题的概率，其中p_a＞p_n，定义两种不同的收益函数：

P_n(t)＝m_nM(t)，P_a(t)＝-k+m_aM(t)

选择策略active的个体要付出一个额外的固定支付k，其中，m_a＞m_n，m_a和m_n是与用户参与话题的概率有关的变量；

定义感知流行度：依据传统的SIR模型中感染率为理论基础，建立感知流行度的概念，表示过去某一段时间，用户感知到参与话题个体的变化率，

其中，x表示未参与话题用户中选择“不主动关注的策略”inactive的比例。

2.根据权利要求1所述的基于网络结构与用户心理特质的信息传播预测系统，其特征在于，所述获取数据模块获取热点话题下的用户相关信息，主要包括用户社交关系、用户历史行为记录两个方面的数据；数据处理主要包括：对用户社交关系、用户历史行为记录的数据进行时间分片，将数据按照时间区间进行划分，然后，在单位时间内，从数据中找出已参与该话题的用户及其粉丝，据此建立网络拓扑。

3.根据权利要求1或2所述的基于网络结构与用户心理特质的信息传播预测系统，其特征在于，所述用户边关系动态建立模块构建用户边关系动态驱动机制，首先，采用图演化博弈构建用户边关系动态；然后提取真实网络拓扑结构属性及用户历史行为属性；最后，将关系动态和异质平均场结合，采用真实数构建用户边关系动态驱动机制。

4.根据权利要求3所述的基于网络结构与用户心理特质的信息传播预测系统，其特征在于，所述真实网络拓扑结构提取用户属性包括：用户的度Deg(u_i)；所述用户历史行为属性包括：用户历史行为数据A＝{(a，v_i，t)}，其中(a，v_i，t)表示在t时刻，用户v_i的行a，C(v_i，t)为用户节点v_i在t时间所处的状态。

5.一种基于权利要求4所述系统的信息传播预测方法，其特征在于，包括以下步骤：获取数据源的步骤、建立用户边关系动态的步骤，建立用户关注度演化动态的步骤及信息传播预测方法的步骤。

6.根据权利要求5所述的信息传播预测方法，其特征在于，所述获取数据源的步骤包括：从在线社交媒体的公共API获取热点话题下的用户相关信息并进行包括数据分片在内的数据处理；所述建立用户边关系动态的步骤包括：提取用户网络结构属性和历史行为属性，并定义和量化相关用户属性，利用图演化博弈和异质平均场构建用户边关系动态；建立用户关注度演化动态的步骤包括：定义信息流行度、用户策略集和收益矩阵，根据演化博弈论中的复制动态方程思想建立用户关注度演化动态机制；信息传播预测方法包括步骤：以传统SIR传染病模型为基础，结合用户边关系动态和用户关注度演化动态建立热点话题传播预测方法分析网络结构异质性和用户心理特质对信息传播的影响。

7.根据权利要求5所述的信息传播预测方法，其特征在于，所述获取数据源的步骤包括：所述信息传播预测方法将用户边关系动态和用户关注度演化动态相结合，以SIR为基础构建信息传播预测方法；分别将用户参与话题的驱动机制x_{ff_fn}和用户关注度演化动态x_n和x_a在内的参数输入到传统SIR模型，进而构建信息传播预测方法，其中，x_n表示不主动关注话题节点的比例，x_a表示主动关注话题节点的比例。

8.根据权利要求5所述的信息传播预测方法，其特征在于，所述用户的度Deg(u_i)；节点的度(Degree)定义为与某节点u_i相关联的边的数目；在线社交网络是有向图，若用户u_i关注u_j，称之为出度并表示为u_i→u_j，用户u_i的关注者总和记为Deg^-(u_i)；若用户u_k关注u_i，称之为入度并表示为u_k→u_i，关注用户u_i的数量总和记为Deg⁺(u_i)；所以有：

Deg(u_i)＝Deg-(u_i)+Deg⁺(u_i)。

Images