CN108230169A - 基于社交影响力的信息传播模型及态势感知系统及方法 - Google Patents

Abstract

本发明请求保护一种基于社交影响力的信息传播模型及态势感知系统及方法。属于社交网络分析领域。方法包括步骤：第一步，获取数据源。第二步，提取相关属性。分别从用户、粉丝和行为三个方面提取属性，定义社交影响力，分析出影响信息传播的驱动力。第三步，构建动态演化策略。定义收益矩阵和话题热度的概念，根据演化博弈理论建立动态演化策略。第四步，构建网络拓扑。根据提取的相关属性分别构建不同的分层。第五步，构建复杂网络信息传播模型。将每层得到驱动力以及演化博弈与传统的SIR模型相结合得到一种改进的信息传播模型。该发明能够更加准确的探知信息传播趋势，揭示不同的驱动因素对信息传播的影响。

Description

基于社交影响力的信息传播模型及态势感知系统及方法

技术领域

本发明属于社交网络分析领域，主要是针对影响信息传播的驱动因素，探知信息的传播趋势。

背景技术

随着互联网不断的进步与普及的发展，现代的人越来越依赖社交网络，人们可以从中获取很多有用的的信息，正因为各种各样的社交媒体的不断涌现，所以拉近了人与人之间的距离，深刻影响和改变着人们的生活方式。对社交网络进行分析需要以大量的数据为基础，而社交网络这个巨大的信息平台具备了一切，利用这个平台可探知信息的传播规律，以解决现实生活中的许多问题。

近年来，在线社交网络中热点话题和事件频繁发生，进而吸引了大量的专家和学者对热点话题研究的兴趣。当前对社交网络信息传播的研究形式主要包括分析、预测、推荐和分类等，以此来探知信息传播的潜在规律。主要研究在影响力、用户行为、信息传播等方面都有涉及。使用的方法包括基于影响力的分析、基于网络结构的分析、基于用户心理的分析。基于影响力的分析主要研究用户对其他用户的影响；基于用户心理的分析主要研究用户的心理变化对信息传播的影响。

虽然关于信息传播的研究模型有很多，但是大多数都忽略了信息传播过程的复杂性以及信息传播过程中用户心理的变化导致策略的变化，也没有考虑到从多维度、多层次的构建网络结构。因此，解决网络结构的问题以及用户自身的行为变化对信息传播十分重要。

发明内容

本发明针对在网络拓扑结构的构建上考虑不全面以及忽略用户的心理作用等问题，提出了一种准确探知信息传播规律的基于社交影响力的信息传播模型态势感知系统及方法。

本发明的技术方案如下：

一种基于社交影响力的信息传播模型及态势感知系统，其包括：获取数据模块，提取属性模块，构建动态演化策略模块、构建网络拓扑模块及构建复杂网络信息传播模型模块共五大模块，其中

获取数据模块，用于获取社交网络的信息数据源，并对数据进行包括数据分片在内的预处理，并传输给提取属性模块；

提取属性模块，用于分别从用户、粉丝、行为三方面来提取相关属性，并根据相关的属性来定义社交影响力，分别求解出由不同的属性得到的不同驱动力；

构建动态演化策略模块，用于定义话题热度、策略和收益矩阵，根据演化博弈的复制动态思想构建动态演化策略，将其与提取属性模块相结合作为整体的传播模型；

构建网络拓扑模块，用于多维度、多层次的构建网络拓扑，根据提取属性模块提取的属性来构建网络拓扑，分析出各层的驱动因素，并与构建动态演化策略模块相结合来构建复杂网络信息传播模型；

构建复杂网络信息传播模型模块，用于以传统的传染病模型为基础，并与提取属性模块各层的驱动力相结合构建信息传播模型，探知信息传播态势。

进一步的，所述获取数据模块数据源的获取直接从现有的成熟的社交网络平台提供的公共API获取。

进一步的，所述提取相关属性模块具体包括：提取热点话题下的评论、转发用户的信息，用户以及粉丝的标签、用户的行为，并对数据进行时间分片，主要包括用户度数Deg(k_i)、内容相似度Sim(k_i)、社交行为Action(k_i,k_j)，结合相关影响力的定义，信息传播的影响力为：

Influence(k_i)＝a×Action(k_i,k_j)+b×Sim(k_i)+c×Deg(k_i)

其中，a、b、c表示偏回归系数，a表示社交行为在影响力中的比例，b表示内容相似度在影响力中的比例，c表示用户度数在影响力中的比例。

进一步的，所述构建动态演化策略模块在用户策略定义方面，定义了两种策略：“主动接收信息(active)”和“被动接收信息(passive)”,用户主动接收信息为用户对该话题感兴趣，用户不主动接收信息为用户对该话题不感兴趣，用p_a和p_n分别表示在信息传播中用户选择策略“主动接收信息”和“被动接收信息”的概率，其中p_a>p_n，

然后定义两种策略的收益矩阵：

P_a＝-k+m_aM(t)

P_n＝m_nM(t)

其中，-k表示选择策略“主动接收信息”需要付出一个额外的固定支出，m_a和m_n为调节参数，并且m_a>m_n。

进一步的，所述构建动态演化策略模块定义话题热度，以传统的传染病模型中的感染率为理论基础，定义话题热度的概念，表示在一段时间内，参与话题的用户个体的变化率；

其中，x表示选择“被动接收信息”策略的比例，λ₁表示整体的行为影响力，λ₂表示整体的属性影响力，λ₃表示整体的拓扑影响力，a表示行为影响力所占的比例，b表示属性影响力所占的比例，c表示拓扑影响力所占的比例，d表示动态驱动因素所占的比例，p_n×x+p_a(1-x)表示话题热度和动态演化策略相结合的动态驱动因素，S(t)表示在t时刻易感者的人数，I(t)表示在t时刻感染者的人数，γ_m表示感染者的恢复概率。

定义的动态演化策略为：

其中，表示动态演化策略，φ表示一个常数，△P表示两种策略之间的差值，x和1-x分别表示为选择不同策略用户的比例，表示选择不同策略的用户相互接触的概率。

假设有部分用户忽略收益平衡，采取冲动的选择策略，因此改进后的模型为：

其中 表示非理性的策略。

进一步的，所述构建复杂网络信息传播模型模块具体包括：

将各层的驱动因素与动态演化策略相结合，分别将各层的驱动力λ₁、λ₂、λ₃和用户策略比例X_n和X_a在内的参数输入到传统的SIR传染病模型，进而得到改进的信息传播动力学模型。

一种基于所述系统的基于社交影响力的信息传播模型及态势感知方法，其包括以下步骤：

S1：获取数据源，数据源的获取直接从现有的成熟的社交网络平台提供的公共API获取，并对数据进行预处理；

S2：提取相关属性，分别从用户、粉丝、行为三方面来提取相关属性，并根据相关的属性来定义社交影响力，分别求解出由不同的属性得到的不同驱动力；

S3：构建动态演化策略；首先，根据演化博弈的理论和方法定义收益矩阵和p_n和p_a以及话题热度M(t)，然后，从现有的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接收信息的用户；最后，根据复制动态方程建立动态演化策略；

S4：构建网络拓扑；在以上步骤S2、S3的基础上多维度、多层次的构建网络拓扑，在相同人数条件下以不同的属性来构建不同的网络结构。

S5：构建复杂网络信息传播模型。将各层的驱动因素与动态演化策略相结合，分别将各层的驱动力λ₁、λ₂、λ₃和用户采取“被动接收信息”策略比例X_n和“主动接收信息”策略比例X_a在内的参数输入到传统的SIR模型，进而得到改进的信息传播动力学模型。

本发明的优点及有益效果如下：

本发明从不同角度、不同层次出发构建信息传播模型。在用户和话题相关的属性方面，分别构建了行为影响力层、属性影响力层、拓扑影响力层，分别从每层中分析出信息传播的驱动因素，为信息传播过程中群体的状态转换提供理论依据。考虑到信息传播的复杂性以及用户的心理作用，引入了演化博弈论，并且定义了话题热度的概念，提出一种用户行为的动态演化策略，以此来说明用户心理的变化对信息传播的影响。最后，将上述影响因素相结合，借鉴传统的传染病模型改进得到了新的话题传播模型，揭示出信息传播的潜在机制，更准确的分析出信息的传播规律。

附图说明

图1是本发明使用不同属性构建的网络拓扑示意图。

图2是本发明的信息传播过程中状态转换示意图。

图3是本发明的整体框架图。

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：

如图1所示为本发明的网络拓扑示意图，表明本发明是以不同属性进行网络拓扑的建立。如图2所示为本发明的状态转换示意图，表明本发明的网络拓扑结构，经过模型处理后输出的是消息未知者、消息已知者、消息免疫者在网络中的状况。如图3所示为本发明的整体框架图，包括：获取数据模块，提取属性模块，构建动态演化策略模块，构建网络拓扑模块、构建复杂网络信息传播模型模块共五大模块。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。数据源的获取可以直接从现有的成熟的社交网络平台提供的公共API获取，并对数据进行预处理。

S2：提取相关属性。分别从用户、粉丝、行为三方面来提取相关属性，并根据相关的属性来定义社交影响力，分别求解出由不同的属性得到的不同驱动力。

S3：构建动态演化策略。首先，根据演化博弈的理论和方法定义收益矩阵和p_n和p_a以及话题热度M(t)。然后，从现有的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接收信息的用户。最后，根据复制动态方程建立动态演化策略。

S4：构建网络拓扑。在以上第二、三步的基础上多维度、多层次的构建网络拓扑，在相同人数条件下以不同的属性来构建不同的网络结构。

S5：构建复杂网络信息传播模型。将各层的驱动因素与动态演化策略相结合，分别将各层的驱动力λ₁、λ₂、λ₃和用户策略比例X_n和X_a等参数输入到传统的SIR模型，进而得到改进的信息传播动力学模型。

上述步骤S1获取数据源。主要分以下2个步骤。

S11：获取数据。抓取腾讯微博三个热点话题下的评论、转发用户的信息，用户以及粉丝的标签、用户的行为。

S12：对数据进行时间分片。根据自己合适的情况进行时间分片，进而将数据整理成自己想要的数据。

上述步骤S2提取相关属性。主要分以下2个步骤。

S21：提取相关属性。考虑到信息传播主要受用户的评论、转发、关注、被关注，粉丝的评论与转发、行为的影响，本发明就这三方面定义了相关的属性。

其属性的定义可根据数据方面的特征对其进行适当修改，在此本发明的实施例中，主要有以下属性。

1.用户：i.是否评论微博；ii.是否转发微博；iii.是否关注别人；iiii.是否被别人关注。

2.粉丝：i.是否评论微博；ii.是否转发微博；

3.行为：i.评论数；ii.转发数；iii.提及数。

根据上述的相关属性进行社交影响力的定义，具体如下：

(1)用户度数Deg(k_i)：

用户度数(degree)定义为与节点用户k_i相关联的边的数目。社交网络是有向图，如果用户k_i关注了用户k_j，则k_i与k_j之间存在一条有向边，称为出度，表示为k_i→k_j，则用户k_i的关注者总和记为Deg^-(k_i)；如果用户k_j关注了用户k_i，则k_j与k_i之间存在一条有向边，称为入度，表示为k_j→k_i，则用户k_i的粉丝总和记为Deg⁺(k_i)。显然有：

Deg(k_i)＝Deg⁺(k_i)+Deg^-(k_i)

(2)内容相似度Sim(k_i,k_j)：

内容相似度(similarity)定义为用户k_i的个人兴趣标签与其他用户k_j兴趣标签的相似程度。从用户自定义的标签与其他用户自定义的标签中分别提取关键字，用Jaccard系数进行归一化计算。如果Jaccard系数越大，表示用户的兴趣爱好与其他用户的相似性越大。如果Jaccard系数越小，表示用户的兴趣爱好与其他用户的相似性越小。令A为用户的兴趣标签，B为其他用户的兴趣标签，则内容相似度定义为：

(3)社交行为Action(k_i,k_j)：

社交行为表示用户k_i对用户k_j发起的社交行为次数，该信息由于其他用户的提及、评论、转发等行为在社交网络中不断扩散，设ρ为弱化系数，At(k_i,k_j)、Re(k_i,k_j)、Com(k_i,k_j)分别表示为用户k_i在话题发起后对用户k_j的提及次数、用户k_i转发用户k_j的微博次数、用户k_i评论用户k_j的微博次数。根据用户的不同行为，社交行为定义为：

Action(k_i,k_j)＝ρ×At(k_i,k_j)+Re(k_i,k_j)+Com(k_i,k_j)

S22：结合相关影响力的定义，信息传播的影响力为：

Influence(k_i)＝a×Action(k_i,k_j)+b×Sim(k_i)+c×Deg(k_i)

其中，a、b、c表示偏回归系数，a表示社交行为在影响力中的比例，b表示内容相似度在影响力中的比例，c表示用户度数在影响力中的比例。

上述步骤S3构建动态演化策略。主要分以下3个步骤。

S31：定义用户策略和收益矩阵。在用户策略定义方面，我定义了两种策略：“主动接收信息(active)”和“被动接收信息(passive)”,用户主动接收信息可以理解为用户对该话题感兴趣，用户不主动接收信息可以理解为用户对该话题不感兴趣。我们用p_a和p_n分别表示在信息传播中用户选择策略“主动接收信息”和“被动接收信息”的概率，其中p_a>p_n。

然后定义两种策略的收益矩阵：

P_a＝-k+m_aM(t)

P_n＝m_nM(t)

其中，-k表示选择策略“主动接收信息”需要付出一个额外的固定支出。m_a和m_n为调节参数，并且m_a>m_n。

S32：定义话题热度。以传统的传染病模型中的感染率为理论基础，定义话题热度的概念。表示在一段时间内，参与话题的用户个体的变化率。

其中，x表示选择“被动接收信息”策略的比例。

S33：定义动态演化策略。根据演化博弈论中的复制动态的思想，用户可以与其他接触的用户收益相比较从而动态的改变自己的策略。由于我们定义的策略只有两种，所以我们定义的动态演化策略为：

其中，x和1-x分别表示为选择不同策略用户的比例，表示选择不同策略的用户相互接触的概率。

一种策略只有被人采用了才会扩散，为了避免这种情况，我们假设有部分用户忽略收益平衡，采取冲动的选择策略。因此改进后的模型为：

其中

上述步骤S4构建网络拓扑如图1所示。主要分为以下2个步骤：

S41：经过步骤S2、S3后，就可以根据确定的属性进行拓扑的建立。其中的虚线表示每层用户的数量相同，而每层拓扑的建立的依据是不同的，因此拓扑自然也不相同。

S42：拓扑建立以后就可以很明显的来判断不同的驱动因素对信息传播的影响是不相同的，这样就可以突出分层的优点。

上述步骤S5构建复杂网络信息传播模型。主要分为以下2个步骤：

S51：将根据属性构建的前三层网络拓扑得到的驱动力与传统的传染病模型相结合，从而得到新的信息传播动力学模型为：

S52：将演化博弈理论中的动态演化策略与SIR模型相结合得：

其中，m＝(m_a-m_n)/k，ρ＝kω，当μ＝γ_m时话题热度等于一段时间内实际参与话题人数。

本发明从用户参与热点话题的各个驱动因素，提出一种复杂网络热点话题的信息传播模型。首先，根据用户度数、内容相似度、社交行为构建了拓扑影响力层、属性影响力层、行为影响力层，分别从每层中分析出信息传播的驱动因素。其次，考虑到用户的心理作用，引入了演化博弈论，并构建了动态演化策略，以此更准确的探知信息传播机制。最后，将各层得到的驱动力与传统的SIR模型相结合，分析出不同的影响力对信息传播的影响。探知热点话题的信息传播趋势。

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 (7)

1.一种基于社交影响力的信息传播模型及态势感知系统，其特征在于，包括：获取数据模块，提取属性模块，构建动态演化策略模块、构建网络拓扑模块及构建复杂网络信息传播模型模块共五大模块，其中

获取数据模块，用于获取社交网络的信息数据源，并对数据进行包括数据分片在内的预处理，并传输给提取属性模块；

提取属性模块，用于分别从用户、粉丝、行为三方面来提取相关属性，并根据相关的属性来定义社交影响力，分别求解出由不同的属性得到的不同驱动力；

构建动态演化策略模块，用于定义话题热度、策略和收益矩阵，根据演化博弈的复制动态思想构建动态演化策略，将其与提取属性模块相结合作为整体的传播模型；

构建网络拓扑模块，用于多维度、多层次的构建网络拓扑，根据提取属性模块提取的属性来构建网络拓扑，分析出各层的驱动因素，并与构建动态演化策略模块相结合来构建复杂网络信息传播模型；

构建复杂网络信息传播模型模块，用于以传统的传染病模型为基础，并与提取属性模块各层的驱动力相结合构建信息传播模型，探知信息传播态势。

2.根据权利要求1所述的基于社交影响力的信息传播模型及态势感知系统，其特征在于，所述获取数据模块数据源的获取直接从现有的成熟的社交网络平台提供的公共API获取。

3.根据权利要求1所述的基于社交影响力的信息传播模型及态势感知系统，其特征在于，所述提取相关属性模块具体包括：提取热点话题下的评论、转发用户的信息，用户以及粉丝的标签、用户的行为，并对数据进行时间分片，主要包括用户度数Deg(k_i)、内容相似度Sim(k_i)、社交行为Action(k_i,k_j)，结合相关影响力的定义，信息传播的影响力为：

Influence(k_i)＝a×Action(k_i,k_j)+b×Sim(k_i)+c×Deg(k_i)

其中，a、b、c表示偏回归系数，a表示社交行为在影响力中的比例，b表示内容相似度在影响力中的比例，c表示用户度数在影响力中的比例。

4.根据权利要求1-3之一所述的基于社交影响力的信息传播模型及态势感知系统，其特征在于，所述构建动态演化策略模块在用户策略定义方面，定义了两种策略：“主动接收信息(active)”和“被动接收信息(passive)”,用户主动接收信息为用户对该话题感兴趣，用户不主动接收信息为用户对该话题不感兴趣，用p_a和p_n分别表示在信息传播中用户选择策略“主动接收信息”和“被动接收信息”的概率，其中p_a>p_n，

然后定义两种策略的收益矩阵：

P_a＝-k+m_aM(t)

P_n＝m_nM(t)

其中，-k表示选择策略“主动接收信息”需要付出一个额外的固定支出，m_a和m_n为调节参数，并且m_a>m_n。

5.根据权利要求4所述的基于社交影响力的信息传播模型及态势感知系统，其特征在于，所述构建动态演化策略模块定义话题热度，以传统的传染病模型中的感染率为理论基础，定义话题热度的概念，表示在一段时间内，参与话题的用户个体的变化率；

其中，x表示选择“被动接收信息”策略的比例，λ₁表示整体的行为影响力，λ₂表示整体的属性影响力，λ₃表示整体的拓扑影响力，a表示行为影响力所占的比例，b表示属性影响力所占的比例，c表示拓扑影响力所占的比例，d表示动态驱动因素所占的比例，p_n×x+p_a(1-x)表示话题热度和动态演化策略相结合的动态驱动因素，S(t)表示在t时刻易感者的人数，I(t)表示在t时刻感染者的人数，γ_m表示感染者的恢复概率；

定义的动态演化策略为：

其中，表示动态演化策略，φ表示一个常数，△P表示两种策略之间的差值，x和1-x分别表示为选择不同策略用户的比例，表示选择不同策略的用户相互接触的概率；

假设有部分用户忽略收益平衡，采取冲动的选择策略，因此改进后的模型为：其中 表示非理性的策略。

6.根据权利要求5所述的基于社交影响力的信息传播模型及态势感知系统，其特征在于，所述构建复杂网络信息传播模型模块具体包括：

将各层的驱动因素与动态演化策略相结合，分别将各层的驱动力λ₁、λ₂、λ₃和用户策略比例X_n和X_a在内的参数输入到传统的SIR传染病模型，进而得到改进的信息传播动力学模型。

7.一种基于权利要求1所述系统的基于社交影响力的信息传播模型及态势感知方法，其特征在于，包括以下步骤：

S1：获取数据源，数据源的获取直接从现有的成熟的社交网络平台提供的公共API获取，并对数据进行预处理；

S2：提取相关属性，分别从用户、粉丝、行为三方面来提取相关属性，并根据相关的属性来定义社交影响力，分别求解出由不同的属性得到的不同驱动力；

S3：构建动态演化策略；首先，根据演化博弈的理论和方法定义收益矩阵和p_n和p_a以及话题热度M(t)，然后，从现有的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接收信息的用户；最后，根据复制动态方程建立动态演化策略；

S4：构建网络拓扑；在以上步骤S2、S3的基础上多维度、多层次的构建网络拓扑，在相同人数条件下以不同的属性来构建不同的网络结构。

S5：构建复杂网络信息传播模型。将各层的驱动因素与动态演化策略相结合，分别将各层的驱动力λ₁、λ₂、λ₃和用户采取“被动接收信息”策略比例X_n和“主动接收信息”策略比例X_a在内的参数输入到传统的SIR模型，进而得到改进的信息传播动力学模型。