CN107918610A - 一种面向时间感知的微博传播模型 - Google Patents
一种面向时间感知的微博传播模型 Download PDFInfo
- Publication number
- CN107918610A CN107918610A CN201610878238.3A CN201610878238A CN107918610A CN 107918610 A CN107918610 A CN 107918610A CN 201610878238 A CN201610878238 A CN 201610878238A CN 107918610 A CN107918610 A CN 107918610A
- Authority
- CN
- China
- Prior art keywords
- mrow
- bean vermicelli
- information
- msub
- infected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008447 perception Effects 0.000 title claims abstract description 25
- 244000046052 Phaseolus vulgaris Species 0.000 claims abstract description 82
- 235000010627 Phaseolus vulgaris Nutrition 0.000 claims abstract description 82
- 230000000644 propagated effect Effects 0.000 claims abstract description 39
- 230000006399 behavior Effects 0.000 claims abstract description 23
- 230000003053 immunization Effects 0.000 claims abstract description 14
- 238000002649 immunization Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000011534 incubation Methods 0.000 claims abstract description 7
- 238000012546 transfer Methods 0.000 claims abstract description 5
- 208000015181 infectious disease Diseases 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 230000001154 acute effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 230000006854 communication Effects 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 9
- 230000001902 propagating effect Effects 0.000 description 6
- 238000005204 segregation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 244000097202 Rathbunia alamosensis Species 0.000 description 2
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010429 evolutionary process Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 241000501754 Astronotus ocellatus Species 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000004992 fission Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了一种面向时间感知的微博传播模型，属于计算机通信技术领域。本发明的模型首先通过对博主发布信息之后，粉丝随着时间感知而采取不同行为的分析，定义四种粉丝类型：易感染者(S‑Susceptible)，潜伏者(L‑Lurked)，感染者(I‑Infected)，免疫者(R‑Removed)；然后对粉丝类型之间信息的传播情况进行分析，定义信息传播规则：不完整阅读行为，直接免疫，传播，潜伏期；并定义粉丝类型之间遵循传播规则转移的概率；根据传播规则进行数学建模；利用仿真实现面向时间感知的微博传播模型。本发明的模型可以更加接近微博信息传播的实际情况，更真实地反映微博信息的传播过程；可以使用户根据信息在微博中传播的特性及时获得、传播和屏蔽信息等优点。
Description
技术领域
本发明涉及一种面向时间感知的微博传播模型，属于计算机通信技术领域。
背景技术
近年在线社交网络(如Facebook、Twitter、微博、微信、腾讯QQ等)表现出非常强劲的发展态势，成为覆盖用户最广、传播影响最大、商业价值最高的Web2.0业务。社交网络在人们的生活中扮演着重要的角色，作为人们生活的一部分，向用户提供多模式信息交流服务，对人们的信息获得、思考和生活产生不可低估的影响。相对于传统的信息传播媒介，例如电视，报纸等等，人们只能被动地接受信息，在小范围内进行讨论传播，影响力有限。而对于社交网络，人们不仅能被动地接受所看到的信息，参与讨论互动，并且能转发信息作为信息的传播者，从而主动地传播信息，使好友粉丝能看到自己的观点和意见而发生连锁反应，从而使越来越多的人参与到信息的传播过程中。社交网络兼具媒体发布平台与用户交流平台两大属性，信息可以在社交网络上裂变式传播，速度和广度远远高于传统媒体，因此提取、分析社交网络中信息传播特征，构建微博信息传播模型有着十分重要的理论价值和现实意义。
针对微博中信息传播的特点，Kermack和McKendrick提出经典的传染病动力学模型(Susceptible Infected Removed，SIR)。苏强等人考虑到在实际微博信息传播过程中某些粉丝由于信息的即时更新和时间限制而不能看到博主发布的微博内容，在SIR模型的基础上提出不完整的阅读行为，进一步细化SIR模型中的易感者，提出了Mb-SIR模型。但却忽视了易感者与传播者接触直接变为免疫者的可能性和一部分粉丝知道博主内容刚开始不传播随着好友的多次传播而转变为传播者的可能性，而在微博的实际传播过程中这种情况是很常见的。丁鑫等人考虑到微博实际信息的传播过程中易感者与免疫者交互信息时，有一部分易感者可以直接变为免疫者的实际情况，提出了直接免疫的改进SIR模型，却忽略了微博实际情况的不完整阅读行为和潜伏态节点的可能性。顾亦然等人考虑到潜伏节点多次与传播节点接触而变为传播节点的情况下，提出一个具有潜伏期的在线社交网络谣言传播模型SEIR模型。但忽略了微博用户的不完整阅读行为和直接免疫情况等等。上述文献或未全面考虑信息在微博中传播的途径，或忽略了潜伏用户的存在。
为了更为真实地反映微博网络中的信息传播规律，结合微博信息传播的实际情况，提出一种面向时间感知的微博传播模型，即MSLIR模型。该模型不仅考虑粉丝阅读的不完整阅读行为，直接免疫的情况，而且还考虑粉丝的潜伏传播情况，增加传播个体分类的同时完善信息传播途径。从而可以使用户根据信息在微博中传播的特性及时获得、传播和屏蔽信息，同时也可以根据用户行为特征推测人们的社会关系以及各种在线社会行为完善社交网络的功能，从而促进社交网络的发展。
发明内容
本发明在SIR模型及现有模型的基础上对已有模型改进，目的在于提出一种面向时间感知的微博传播模型，即MSLIR模型。本发明不仅考虑粉丝阅读的不完整阅读行为，直接免疫的情况，而且还考虑粉丝的潜伏传播情况，增加传播个体分类的同时完善信息传播途径，解决现有微博传播模型中存在传播个体分类不明确及缺少、信息传播路径不完善等问题，使模型更为接近实际微博信息传播情况，同时更真实地反映微博信息的传播过程。
本发明的目的是通过下述技术方案实现的。
本发明的一种面向时间感知的微博传播模型，其特征在于包括如下步骤：
步骤101：通过对博主发布信息之后粉丝随着时间感知而采取不同行为的分析，定义四种粉丝类型：易感染者(S-Susceptible)，潜伏者(L-Lurked)，感染者(I-Infected)，免疫者(R-Removed)；
所述的易感染者(S-Susceptible)表示还没看到博主发布的此条博文的粉丝；
所述的潜伏者(L-Lurked)表示看到博主的博文，但不传播的粉丝；
所述的感染者(I-Infected)表示看到了博主的博文，并且传播的粉丝；
所述的免疫者(R-Removed)表示看到了博主的博文，但永远不传播的粉丝。
步骤102：通过对粉丝类型之间信息的传播情况的分析，定义信息传播规则：不完整阅读行为，直接免疫，传播，潜伏期；并定义粉丝类型之间遵循传播规则转移的概率；
所述的不完整阅读行为表示，在微博中，当一个博主发布信息时，一部分粉丝由于受网络或者时间的限制，不能实时刷新微博中的信息，因而会由于信息的即时更新、信息的覆盖而不能看到博主发布的信息；
所述的直接免疫表示，看到此信息的粉丝往往会以一定的概率将此消息转发出去，一部分粉丝由于对博主发布的信息内容不感兴趣进而成为看到信息而不会传播的粉丝；
所述的传播表示，一部分粉丝对博主发布的信息内容非常感兴趣进而成为看到信息而传播的粉丝；
所述的潜伏期表示，一部分粉丝，一开始对博主发布的信息不感兴趣，在好友多次转发的情况下，能多次看到此条消息，当看到的次数达到一定数量时受到好友的影响而以一定的概率进行传播；
微博网络中信息在易感染者、感染者、潜伏者和免疫者之间转移遵循的传播规则如下：
(1)如果一个阅读到此博文的易感者与感染者接触时，以P1的概率成为感染者；(2)如果一个阅读到此博文的易感者与感染者接触时，以P2的概率成为免疫者；(3)如果一个阅读到此博文的易感者与感染者接触时，以P3的概率成为潜伏者；(4)如果一个潜伏者与感染者接触时，以P4的概率成为感染者；(5)如果一个感染者与免疫者接触时，以P5的概率成为免疫者。由于微博信息的即时效应，一个感染者不会一直在传播信息；(6)如果一个潜伏者与免疫者接触时，以P6的概率成为免疫者；(7)不考虑用户的增加、减少、流动等种群动力因素。即用户数量始终保持一个常数，即N(t)≡K。
步骤103：根据步骤2的传播规则进行数学建模；
微博网络上的信息传播动态过程与节点的密度密切相关，本发明定义微博网络中，S(t)表示在t时刻，还没看到此条博文的粉丝节点占微博网络节点总数的比例，称为易感染节点密度；I(t)表示在t时刻，看到博主的博文，并且传播的粉丝节点占微博网络节点总数的比例，称为感染节点密度；L(t)表示在t时刻，看到博主的博文，但不传播的粉丝节点占微博网络中节点总数的比例，称为潜伏节点密度；R(t)表示在t时刻，看到博主的博文，但永远不传播的粉丝节点占微博网络节点总数的比例，称为免疫节点密度。显然S(t)+I(t)+L(t)+R(t)≡1；
Δt表示两次转发之间的时间间隔。为了简化研究，假设：(1)一个用户看到博文后，只传播一次给他所有的粉丝。(2)一个博主发布博文，他的粉丝在一个时间间隔里以α的概率能阅读到此条博文。
本发明数学模型可以用以下微分方程组描述：
步骤104：利用仿真实现面向时间感知的微博传播模型。
本发明的有益技术效果是，1、更加接近微博信息传播的实际情况，更真实地反映微博信息的传播过程：现实中，用户大部分的时间都处于离线状态、潜伏状态，因此不完整阅读行为、潜伏后的免疫、直接免疫有效阻碍了信息的传播；2、理论创新：引入粉丝阅读的不完整阅读行为，直接免疫情况，而且还考虑粉丝的潜伏传播情况，增加传播个体分类的同时完善信息传播途径，对微博信息传播的模拟和控制具有重要意义；3、通过对本发明模型的研究，可以使用户根据信息在微博中传播的特性及时获得、传播和屏蔽信息，例如为了避免不完整阅读行为用户可以设置对感兴趣用户的特别关注等。同时也可以根据模型中用户行为特征推测人们的社会关系以及各种在线社会行为完善社交网络的功能，从而促进社交网络的发展。
附图说明
图1为本发明一种面向时间感知的微博传播模型的流程图；
图中，101表示分析粉丝随着时间感知而采取的不同行为，定义粉丝类型；102表示分析粉丝类型之间信息的传播情况，定义信息传播规则；103表示根据传播规则进行数学建模；104表示利用仿真实现面向时间感知的微博传播模型；
图2为本发明模型各节点状态转移图；
图3为不同节点的节点密度变化图；
图4为免疫节点密度变化对比图；
图5为不同转发概率免疫节点密度变化曲线图；
图6为不同免疫概率免疫节点密度变化曲线图；
图7为转发概率P3，P4对信息传播过程的影响。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步的说明。
图1为本发明一种面向时间感知的微博传播模型的流程图。如图1所示，本发明实施例提供的面向时间感知的微博传播模型的流程包括：
步骤101，分析粉丝随着时间感知而采取的不同行为，定义粉丝类型。通过对博主发布信息之后粉丝随着时间感知而采取不同行为的分析，定义四种粉丝类型：易感染者(S-Susceptible)，潜伏者(L-Lurked)，感染者(I-Infected)，免疫者(R-Removed)；
所述的易感染者(S-Susceptible)表示还没看到博主发布的此条博文的粉丝；
所述的潜伏者(L-Lurked)表示看到博主的博文，但不传播的粉丝；
所述的感染者(I-Infected)表示看到了博主的博文，并且传播的粉丝；
所述的免疫者(R-Removed)表示看到了博主的博文，但永远不传播的粉丝。
步骤102，分析粉丝类型之间信息的传播情况，定义信息传播规则。通过对粉丝类型之间信息的传播情况的分析，定义信息传播规则：不完整阅读行为，直接免疫，传播，潜伏期；并定义粉丝类型之间遵循传播规则转移的概率；
所述的不完整阅读行为表示，在微博中，当一个博主发布信息时，一部分粉丝由于受网络或者时间的限制，不能实时刷新微博中的信息，因而会由于信息的即时更新、信息的覆盖而不能看到博主发布的信息；
所述的直接免疫表示，看到此信息的粉丝往往会以一定的概率将此消息转发出去，一部分粉丝由于对博主发布的信息内容不感兴趣进而成为看到信息而不会传播的粉丝；
所述的传播表示，一部分粉丝对博主发布的信息内容非常感兴趣进而成为看到信息而传播的粉丝；
所述的潜伏期表示，一部分粉丝，一开始对博主发布的信息不感兴趣，在好友多次转发的情况下，能多次看到此条消息，当看到的次数达到一定数量时受到好友的影响而以一定的概率进行传播；
微博网络中信息在易感染者、感染者、潜伏者和免疫者之间转移遵循的传播规则如图2所示：
(1)如果一个阅读到此博文的易感者与感染者接触时，以P1的概率成为感染者；(2)如果一个阅读到此博文的易感者与感染者接触时，以P2的概率成为免疫者；(3)如果一个阅读到此博文的易感者与感染者接触时，以P3的概率成为潜伏者；(4)如果一个潜伏者与感染者接触时，以P4的概率成为感染者；(5)如果一个感染者与免疫者接触时，以P5的概率成为免疫者。由于微博信息的即时效应，一个感染者不会一直在传播信息；(6)如果一个潜伏者与免疫者接触时，以P6的概率成为免疫者；(7)不考虑用户的增加、减少、流动等种群动力因素。即用户数量始终保持一个常数，即N(t)≡K。
步骤103，根据传播规则进行数学建模。
微博网络上的信息传播动态过程与节点的密度密切相关，本发明定义微博网络中，S(t)表示在t时刻，还没看到此条博文的粉丝节点占微博网络节点总数的比例，称为易感染节点密度；I(t)表示在t时刻，看到博主的博文，并且传播的粉丝节点占微博网络节点总数的比例，称为感染节点密度；L(t)表示在t时刻，看到博主的博文，但不传播的粉丝节点占微博网络中节点总数的比例，称为潜伏节点密度；R(t)表示在t时刻，看到博主的博文，但永远不传播的粉丝节点占微博网络节点总数的比例，称为免疫节点密度。显然S(t)+I(t)+L(t)+R(t)≡1；
Δt表示两次转发之间的时间间隔。为了简化研究，假设：(1)一个用户看到博文后，只传播一次给他所有的粉丝。(2)一个博主发布博文，他的粉丝在一个时间间隔里以α的概率能阅读到此条博文。
本发明模型可以用如下微分方程组描述：
步骤104，利用仿真实现面向时间感知的微博传播模型。
选取新浪微博上的用户数据信息作为实验仿真数据集，利用新浪微博提供的API接口，采用Web爬虫技术进行数据采集，数据的采样时间段为2015年4月1日-2015年9月30日。数据采集从某一微博用户出发，根据该用户的关注列表，逐层抓取用户间的关注关系以及每个用户在采样时间段内转发、评论和原创的微博总数。将用户作为节点，用户之间的关注关系作为连接两节点的边。利用抓取到的用户关系数据集，构建包含1587个用户节点的微博信息传播底图。利用Ucinet软件对该网络的拓扑特征进行分析，该网络平均出度为49.15，说明每个节点平均有49个关注对象；最大出度为651，表示某些节点有多达651个关注对象；最大入度为1541，表明某些节点有多达1541个“粉丝”；平均最短路径为3.96，表明该网络具有明显的小世界特性。本发明使用Matlab仿真软件，在构建的微博信息传播底图上，对微博信息传播模型进行实验仿真。经过93次迭代实验，微博网络中不同状态节点的传播演化过程已达到稳定状态，并得到以下实验仿真结果。
图3给出了各个节点的节点密度随时间的变化的曲线。如图3所示，易感染节点S的节点密度随着时间的变化呈递减的趋势，直到最后逐渐趋向于零。潜伏节点L的节点密度和传播节点I的节点密度随着时间的变化先呈递增而后迅速衰减的状态，直到逐渐趋向于零。免疫节点R的节点密度随着时间的变化呈迅速递增趋势，直到最后逐渐趋向于1。由于阅读率在微博的信息传播过程中起着重要作用，阅读率越高，易感染节点S的节点密度会在较短的时间内迅速地递减为零，传播节点I的节点密度会在较短的时间内先递增到最高点然后迅速递减为零。阅读率越高，信息传播的速度会越快，参与信息传播的人会越多。为了简化模拟真实微博的传播过程，设定阅读率为1，以已阅读到的博文的粉丝为起点。
为了验证本发明MSLIR模型比以往文献提出的模型更准确、有效地反映出微博的信息传播过程。在相同的数据和仿真条件下，对MSLIR模型、SIR模型和SCIR模型进行仿真对比。图4给出各个模型的免疫节点密度变化图。相对SIR模型，MSLIR模型潜伏节点的出现，即微博实际传播过程中很多刚开始不转发后来转发的潜伏期影响，在信息传播速度和范围上处于明显劣势，即达到稳定状态的时间会更长。而相比SCIR模型，MSLIR模型的直接免疫过程，即易感染状态到免疫状态，使免疫节点达到稳定状态的时间比SCIR模型所需要的时间相对来说短。而在现实中，用户大部分的时间都处于离线状态、潜伏状态，因此不完整阅读行为、潜伏后的免疫、直接免疫有效阻碍了信息的传播。事实上，能使得网络中绝大多数节点都接收某条信息的传播现象还没有出现。因此可以通过微博话题的转发率即传播节点比例来验证SIR、SCIR、MSLIR模型的性能。例如，根据“奥斯卡影帝莱昂纳多”在微博上若干次采样的结果估计，SIR、SCIR、MSLIR模型中接收该信息的节点比例分别约为51％、34％、16％。SIR、SCIR模型是一种比较理想化的模型，与之相比，MSLIR模型更接近实际情况，更真实地反映了微博信息的传播过程。
图5给出了在其他条件不变的情况下，不同转发概率P1，免疫节点密度随时间变化的变化曲线。由图可知，(1)在网络达到稳态之前，R(t)随P1取值的增大而减小，这是因为P1表示易感染节点转变为传播节点的概率，该概率的增大，即表明处于易感染状态的节点转发话题博文的可能性的增加。(2)P1取值的改变并不会影响网络中各类节点的最终密度，即R(t)最终趋近于1。(3)微博信息传播演化过程达到稳定状态的时间，随着P1的增加而延长。
图6给出在其他条件不变的情况下，不同免疫概率P2，传播节点密度和免疫节点密度随时间变化的变化曲线。由图可知：(1)在网络达到稳态之前，R(t)随P2取值的增大而增大，这是因为P2取值越大，网络中会有更多的易感染节点，未经传播状态而直接转变为免疫状态。(2)P2取值越小，网络达到稳定状态的时间就越滞后，这是由于随着P2取值减小，使得易感染节点转变成为免疫节点的速度减慢，从而导致传播过程达到稳态的时间随之增加。(3)P2的改变并不会影响网络中各类节点的最终密度，即R(t)最终趋近于1。
图7给出在其他条件不变的情况下，不同免疫概率P2，传播节点密度和免疫节点密度随时间变化的变化曲线。由图可知：(1)在网络达到稳态之前，R(t)随P2取值的增大而增大，这是因为P2取值越大，网络中会有更多的易感染节点，未经传播状态而直接转变为免疫状态。(2)P2取值越小，网络达到稳定状态的时间就越滞后，这是由于随着P2取值减小，使得易感染节点转变成为免疫节点的速度减慢，从而导致传播过程达到稳态的时间随之增加。(3)P2的改变并不会影响网络中各类节点的最终密度，即R(t)最终趋近于1。
上述仅是本发明的集中实施方式，应当指出，本领域技术人员在本发明技术方案范围内进行的。
Claims (4)
1.一种面向时间感知的微博传播模型，其特征在于包括如下步骤：
步骤101：通过对博主发布信息之后粉丝随着时间感知而采取不同行为的分析，定义四种粉丝类型：易感染者(S-Susceptible)，潜伏者(L-Lurked)，感染者(I-Infected)，免疫者(R-Removed)；
步骤102：通过对粉丝类型之间信息的传播情况的分析，定义信息传播规则：不完整阅读行为，直接免疫，传播，潜伏期；并定义粉丝类型之间遵循传播规则转移的概率；
步骤103：根据步骤2的传播规则进行数学建模；
步骤104：利用仿真实现面向时间感知的微博传播模型。
2.根据权利要求1所述的一种面向时间感知的微博传播模型，其特征在于，所述步骤101中所述的易感染者(S-Susceptible)表示还没看到博主发布的此条博文的粉丝；所述的潜伏者(L-Lurked)表示看到博主的博文，但不传播的粉丝；所述的感染者(I-Infected)表示看到了博主的博文，并且传播的粉丝；所述的免疫者(R-Removed)表示看到了博主的博文，但永远不传播的粉丝。
3.根据权利要求1所述的一种面向时间感知的微博传播模型，其特征在于，所述步骤102中所述的不完整阅读行为表示，在微博中，当一个博主发布信息时，一部分粉丝由于受网络或者时间的限制，不能实时刷新微博中的信息，因而会由于信息的即时更新、信息的覆盖而不能看到博主发布的信息；所述的直接免疫表示，看到此信息的粉丝往往会以一定的概率将此消息转发出去，一部分粉丝由于对博主发布的信息内容不感兴趣进而成为看到信息而不会传播的粉丝；所述的传播表示，一部分粉丝对博主发布的信息内容非常感兴趣进而成为看到信息而传播的粉丝；所述的潜伏期表示，一部分粉丝，一开始对博主发布的信息不感兴趣，在好友多次转发的情况下，能多次看到此条消息，当看到的次数达到一定数量时受到好友的影响而以一定的概率进行传播；
微博网络中信息在易感染者、感染者、潜伏者和免疫者之间转移遵循的传播规则如下：
(1)如果一个阅读到此博文的易感者与感染者接触时，以P1的概率成为感染者；(2)如果一个阅读到此博文的易感者与感染者接触时，以P2的概率成为免疫者；(3)如果一个阅读到此博文的易感者与感染者接触时，以P3的概率成为潜伏者；(4)如果一个潜伏者与感染者接触时，以P4的概率成为感染者；(5)如果一个感染者与免疫者接触时，以P5的概率成为免疫者；由于微博信息的即时效应，一个感染者不会一直在传播信息；(6)如果一个潜伏者与免疫者接触时，以P6的概率成为免疫者；(7)不考虑用户的增加、减少、流动等种群动力因素，即用户数量始终保持一个常数，即N(t)≡K。
4.根据权利要求1所述的一种面向时间感知的微博传播模型，其特征在于，所述步骤103中根据步骤2的传播规则进行数学建模的过程如下：
微博网络上的信息传播动态过程与节点的密度密切相关，本发明定义微博网络中，S(t)表示在t时刻，还没看到此条博文的粉丝节点占微博网络节点总数的比例，称为易感染节点密度；I(t)表示在t时刻，看到博主的博文，并且传播的粉丝节点占微博网络节点总数的比例，称为感染节点密度；L(t)表示在t时刻，看到博主的博文，但不传播的粉丝节点占微博网络中节点总数的比例，称为潜伏节点密度；R(t)表示在t时刻，看到博主的博文，但永远不传播的粉丝节点占微博网络节点总数的比例，称为免疫节点密度；显然S(t)+I(t)+L(t)+R(t)≡1；
Δt表示两次转发之间的时间间隔；为了简化研究，假设：(1)一个用户看到博文后，只传播一次给他所有的粉丝；(2)一个博主发布博文，他的粉丝在一个时间间隔里以α的概率能阅读到此条博文；
本发明数学模型可以用以下微分方程组描述：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mi>d</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>P</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>P</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mi>d</mi>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>=</mo>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<mi>&alpha;</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>P</mi>
<mn>4</mn>
</msub>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>P</mi>
<mn>5</mn>
</msub>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mi>d</mi>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>=</mo>
<msub>
<mi>P</mi>
<mn>3</mn>
</msub>
<mi>&alpha;</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>P</mi>
<mn>4</mn>
</msub>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>P</mi>
<mn>6</mn>
</msub>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mi>d</mi>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>=</mo>
<msub>
<mi>P</mi>
<mn>2</mn>
</msub>
<mi>&alpha;</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>P</mi>
<mn>5</mn>
</msub>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>P</mi>
<mn>6</mn>
</msub>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610878238.3A CN107918610A (zh) | 2016-10-09 | 2016-10-09 | 一种面向时间感知的微博传播模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610878238.3A CN107918610A (zh) | 2016-10-09 | 2016-10-09 | 一种面向时间感知的微博传播模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107918610A true CN107918610A (zh) | 2018-04-17 |
Family
ID=61892121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610878238.3A Pending CN107918610A (zh) | 2016-10-09 | 2016-10-09 | 一种面向时间感知的微博传播模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107918610A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165239A (zh) * | 2018-07-06 | 2019-01-08 | 重庆邮电大学 | 基于用户属性和内容属性的d2d信息传播建模方法 |
| CN109300056A (zh) * | 2018-08-16 | 2019-02-01 | 西安邮电大学 | 一种基于sirs的情感网络传播动力模型及利用该模型的情感传播模拟方法 |
| CN109918549A (zh) * | 2019-01-18 | 2019-06-21 | 重庆邮电大学 | 一种基于seir传播模型的单一谣言源点溯源系统及方法 |
| CN110297984A (zh) * | 2019-05-17 | 2019-10-01 | 中国传媒大学 | 基于微博的信息传播动力系统、构建方法、装置及介质 |
| CN110674411A (zh) * | 2018-07-02 | 2020-01-10 | 北京信息科技大学 | 一种基于媒体与人际影响的舆情传播模型及其传播方法 |
| CN111079024A (zh) * | 2019-11-05 | 2020-04-28 | 大连交通大学 | 基于加强效应scir网络的舆情传播模型构建方法 |
| CN113946708A (zh) * | 2021-10-29 | 2022-01-18 | 重庆邮电大学 | 基于图像复原技术和谣言辟谣信息的话题传播预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102752279A (zh) * | 2012-04-27 | 2012-10-24 | 中国科学院信息工程研究所 | 一种社交网络恶意代码传播的仿真系统及仿真方法 |
| CN103279887A (zh) * | 2013-04-26 | 2013-09-04 | 华东师范大学 | 一种基于信息理论的微博传播可视化分析方法与系统 |
| CN104091206A (zh) * | 2014-06-18 | 2014-10-08 | 北京邮电大学 | 基于演化博弈论的社交网络信息传播预测方法 |
| CN104317807A (zh) * | 2014-09-24 | 2015-01-28 | 中国人民武装警察部队工程大学 | 一种基于网络科学的微博用户关系网络演化模型构造方法 |
| CN105654388A (zh) * | 2015-12-29 | 2016-06-08 | 中国人民解放军国防科学技术大学 | 一种动态社会网络信息传播模型的建模方法 |
| US20160179965A1 (en) * | 2014-12-19 | 2016-06-23 | International Business Machines Corporation | Information propagation via weighted semantic and social graphs |
-
2016
- 2016-10-09 CN CN201610878238.3A patent/CN107918610A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102752279A (zh) * | 2012-04-27 | 2012-10-24 | 中国科学院信息工程研究所 | 一种社交网络恶意代码传播的仿真系统及仿真方法 |
| CN103279887A (zh) * | 2013-04-26 | 2013-09-04 | 华东师范大学 | 一种基于信息理论的微博传播可视化分析方法与系统 |
| CN104091206A (zh) * | 2014-06-18 | 2014-10-08 | 北京邮电大学 | 基于演化博弈论的社交网络信息传播预测方法 |
| CN104317807A (zh) * | 2014-09-24 | 2015-01-28 | 中国人民武装警察部队工程大学 | 一种基于网络科学的微博用户关系网络演化模型构造方法 |
| US20160179965A1 (en) * | 2014-12-19 | 2016-06-23 | International Business Machines Corporation | Information propagation via weighted semantic and social graphs |
| CN105654388A (zh) * | 2015-12-29 | 2016-06-08 | 中国人民解放军国防科学技术大学 | 一种动态社会网络信息传播模型的建模方法 |
Non-Patent Citations (3)
| Title |
|---|
| QIANG SU等: "An information propagation model considering incomplete reading behavior in microblog", 《PHYSICA A》 * |
| 丁鑫等: "一种改进的微博网络信息传播与预测模型", 《中国科学技术大学学报》 * |
| 顾亦然等: "在社交网络中谣言的传播与抑制", 《物理学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110674411A (zh) * | 2018-07-02 | 2020-01-10 | 北京信息科技大学 | 一种基于媒体与人际影响的舆情传播模型及其传播方法 |
| CN110674411B (zh) * | 2018-07-02 | 2023-03-24 | 北京信息科技大学 | 一种基于媒体与人际影响的舆情传播模型及其传播方法 |
| CN109165239A (zh) * | 2018-07-06 | 2019-01-08 | 重庆邮电大学 | 基于用户属性和内容属性的d2d信息传播建模方法 |
| CN109165239B (zh) * | 2018-07-06 | 2021-05-18 | 重庆邮电大学 | 基于用户属性和内容属性的d2d信息传播建模方法 |
| CN109300056A (zh) * | 2018-08-16 | 2019-02-01 | 西安邮电大学 | 一种基于sirs的情感网络传播动力模型及利用该模型的情感传播模拟方法 |
| CN109918549A (zh) * | 2019-01-18 | 2019-06-21 | 重庆邮电大学 | 一种基于seir传播模型的单一谣言源点溯源系统及方法 |
| CN110297984A (zh) * | 2019-05-17 | 2019-10-01 | 中国传媒大学 | 基于微博的信息传播动力系统、构建方法、装置及介质 |
| CN110297984B (zh) * | 2019-05-17 | 2021-10-01 | 中国传媒大学 | 基于微博的信息传播动力系统、构建方法、装置及介质 |
| CN111079024A (zh) * | 2019-11-05 | 2020-04-28 | 大连交通大学 | 基于加强效应scir网络的舆情传播模型构建方法 |
| CN111079024B (zh) * | 2019-11-05 | 2023-07-07 | 大连交通大学 | 基于加强效应scir网络的舆情传播模型构建方法 |
| CN113946708A (zh) * | 2021-10-29 | 2022-01-18 | 重庆邮电大学 | 基于图像复原技术和谣言辟谣信息的话题传播预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107918610A (zh) | 一种面向时间感知的微博传播模型 | |
| Liu et al. | Modelling of information diffusion on social networks with applications to WeChat | |
| Narayanan | Understanding social media recommendation algorithms | |
| Chan | The politics of dating apps: Gender, sexuality, and emergent publics in urban China | |
| KR101777303B1 (ko) | 소셜 네트워킹 시스템상의 구조화된 객체 및 행위 | |
| CN106096075B (zh) | 一种基于社交网络的消息传播模型的构建方法 | |
| CN102664832A (zh) | 对消息进行批注和追加修改的方法和装置 | |
| Tang et al. | Digging in the digg social news website | |
| Wang et al. | Culturally-embedded visual literacy: A study of impression management via emoticon, emoji, sticker, and meme on social media in China | |
| Zhou et al. | User's role in platform infrastructuralization: WeChat as an exemplar | |
| Zhang et al. | Identifying influential users of micro-blogging services: A dynamic action-based network approach | |
| Shi et al. | Event detection and multi-source propagation for online social network management | |
| CN109816544B (zh) | 基于接触概率的信息传播模型实现方法及装置 | |
| Wang et al. | Spreading mechanism of weibo public opinion phonetic representation based on the epidemic model | |
| Gaeta | A model of information diffusion in interconnected online social networks | |
| Ju et al. | Fake human but real influencer: the interplay of authenticity and humanlikeness in Virtual Influencer communication? | |
| KR101509888B1 (ko) | 소셜 네트워크에서의 메시지 전파 방법 및 그 장치 | |
| Gabbriellini et al. | Large Scale Agreements via Microdebates. | |
| Yiran et al. | Rumor spreading in the online social network: A case of a Renren account | |
| CN108540369A (zh) | 考虑用户重度传播行为的sndr信息传播过程描述方法 | |
| Zhang et al. | The model of microblog message diffusion based on complex social network | |
| Weis et al. | Federating websites with the google wave protocol | |
| Wang et al. | A pagerank-based wechat user impact assessment algorithm | |
| KR20130082581A (ko) | Ｓｎｓ 사용자의 소셜 네트워킹 정보 분석 방법 및 장치 | |
| He et al. | Tree-based mining for discovering patterns of reposting behavior in microblog |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180417 |