CN108230170A - 面向社交网络的多信息和多维网络信息传播模型及方法 - Google Patents

Abstract

本发明请求保护一种面向社交网络的多信息和多维网络信息传播模型及方法，属于社交网络分析领域。首先，获取社交网络数据，并对数据进行预处理。第二步，从真实数据中提取用户信息、用户行为以及用户关系，用余弦相似度的方法来构建多维网络空间。第三步，建立模型，借鉴传染病模型机理，在传统的传染病模型的基础上引入了“影响因子”用以表示不同信息之间的相互作用关系及强度，由此构建了基于多信息、多维空间网络的信息传播模型。最后仿真分析，从微观和宏观两个角度构建动力学方程来分析两条消息的共同演化趋势。该发明更能符合信息传播的真实情景，更有利于对信息传播过程的研究。

Description

面向社交网络的多信息和多维网络信息传播模型及方法

技术领域

本发明属于社交网络分析领域，涉及信息传播建模，揭示多信息之间的相互以及信息驱动因素的复杂性对信息传播态势的影响。

背景技术

随着互联网技术的发展，在线社交网络普遍存在于人们的生活中。用户利用社交网络进行大量的信息交换，其中包括热点新闻、宗教信仰、流行趋势甚至喜怒哀乐。因此社交网络在改变人们的传统交流方式并为生活提供便利的同时也为研究人员提供了重要的研究数据。社交网络的研究对于舆情的监控、商品的营销等具有重要的现实意义。因此近年来也吸引了众多学者对社交网络的研究。

构建信息传播模型不仅能够明确信息传播的过程，而且还能够预测信息的传播路径以及传播态势，从宏观以及微观上把握信息传播的特点，从而为信息传播的研究提供理论依据。目前对于信息传播的建模主要分为基于网络结构的模型和非基于网络结构的模型。其中结构模型主要包括独立级联模型、线性阈值模型，非结构的模型主要包括传染病模型和线性影响力模型。目前应用最广的是传染病模型中的SIS模型和SIR模型以及在这两个模型的基础上进行改进的模型。

我们当今处于一个信息爆炸的时代，我们每天需要面对网络中大量的信息。而这些信息又不是孤立的存在于网络中，它们之间会不可避免的产生相互作用。其中既包括为达到同一目的而产生的合作关系也包括为争夺用户有限的精力而产生的竞争关系。但是以往的研究往往侧重于研究网络中单条信息的传播态势，而忽略了其它消息对传播趋势产生的影响。在网络结构方面往往只关注于信息在单一网络拓扑结构上的传播，而忽略了信息传播的真正驱动因素。因此研究多信息在多维网络空间上的传播具有重要的研究意义。

发明内容

本发明旨在解决现有技术中的以下不足之处：以往的大多数研究忽略了多消息之间的相互影响以及信息传播的真正驱动因素。本发明借鉴传染病传播机理提出了一种在多维网络空间上传输的多信息传播模型。重点考虑了信息之间的相互作用以及信息传播驱动因素对信息传播态势的影响，以及发现一些不同于在传统单一网络上一条独立信息的传播规律。

本发明的技术方案如下：

一种面向社交网络的多信息和多维网络信息传播模型，包括获取数据模块，用于获取社交网络数据，并对该社交网络数据进行预处理，其还包括构建多维空间网络模块、多信息多维空间网络传播模型建立模块以及仿真分析模块，其中，构建多维空间网络模块，用于从真实社交网络数据中提取用户属性，其中用户属性包括用户信息、用户行为以及用户关系，用余弦相似度的方法明确话题传播的驱动因素来构建多维空间网络；

多信息多维空间网络传播模型建立模块，用于在构建多维空间网络的基础上借鉴传染病模型机理，考虑到不同类型的消息在不同的网络空间上传播并且存在相互作用，在传统的传染病模型的基础上引入“影响因子”用以表示不同信息之间的相互作用关系及强度；

仿真分析模块，用于从微观和宏观两个角度构建动力学方程来分析两条不同消息的共同演化趋势，微观上用微观马尔科夫的方法构建动力学方程，宏观上考虑消息具有传染病特性构建平均场方程分析两条消息的共同演化趋势。

进一步的，所述构建多维空间网络模块主要分以下2个步骤；

S21：提取用户的标签和历史行为；

S22：用余弦相似度的方法构建多层网络，将提取到的用户标签用向量的形式表示，利用公式来计算节点之间的相似性，其中表示不同节点的标签向量，使不同的信息沿着不同的传播路径进行传播。

进一步的，所述多信息多维空间网络传播模型建立模块主要分为以下几个步骤：

S31：定义“影响因子”δ₁(t)和δ₂(t)，δ₁(t)表示信息2对信息1的作用关系及强度，δ₂(t)表示信息1对信息2的作用关系及强度；

S32：借鉴传染病机理，借鉴了SIS传染病模型，用S₁和S₂分别表示用户处于信息1和信息2的易感染状态；用I₁和I₂分别表示用户处于信息1和信息2的已感染状态；用β₁和β₂分别表示信息1和信息2的传染率，即一个易感染用户接触到已感染用户从而被感染的概率；用μ1和μ2分别表示信息1和信息2的恢复率，既从已感染状态到易感染状态的概率；

S33：在以上两步的基础上，结合“影响因子”和SIS模型，并在考虑点边关系的基础上重新定义状态之间的转换概率，当用户i处于S₁S₂状态时，在(t+1)时刻被处于I₁状态的邻居用户感染的概率为 同理被I₂状态的用户感染的概率为 当用户i处于S₁I₂状态时，在(t+1)时刻被处于I₁状态的邻居用户感染的概率为其中Pj表示节点j在时刻t处于I₁状态的概率，同理用户i处于I₂S₂状态时被处于I₂状态的邻居用户感染的概率

进一步的，当0<δ₁(t)<1时，信息2对信息1产生抑制作用，并且δ₁越小表示抑制强度越大；当δ₁(t)>1时，信息2对信息1产生促进作用，并且δ₁越大表示促进强度越大；当δ₁(t)＝1时，信息1和信息2没有关联互不影响。

进一步的，所述仿真分析模块主要包括：

S41：用算法生成相应的人工网络，利用python生成人工网络并且得到点边关系；

S42：将信息之间的相互作用以及点边关系与SIS模型相结合得到的微观马尔可夫方程；

S43：根据进行理论的分析：判断有效传染率，有效传染率＝传染率/恢复率，在本发明中信息1的有效传染率为信息2的有效传染率为

计算传播阈值，当有效传染率大于传播阈值时信息可以在网络中传播，相反当有效传染率小于传播阈值时信息不能在网络中流行起来，即系统稳定时所有的节点都是非感染状态。

进一步的，所述步骤S43采用雅克布Jacobian矩阵来分析信息1和信息2有没有在网络中流行。

一种基于所述系统的面向社交网络的多信息和多维网络信息传播方法，其包括以下步骤：

S1：获取数据：数据的获取可以直接从现有的基于Web的研究型推荐系统下载或者利用成熟的社交平台的公共API获取。并对数据进行预处理；

S2：建多维空间网络；从真实数据中提取用户属性其中包括用户信息、用户行为以及用户关系，用余弦相似度的方法明确话题传播的驱动因素来构建多维空间网络；

S3：构建多信息、多维空间网络的信息传播模型；借鉴传染病模型机理，考虑到不同类型的消息在不同的网络空间上传播并且存在相互作用，在传统的传染病模型的基础上引入了“影响因子”用以表示不同信息之间的相互作用关系及强度，由此构建的模型更能真实的反应信息传播的本质规律；

S4：仿真分析；从微观和宏观两个角度构建动力学方程来分析两条消息的共同演化趋势，微观上考虑到消息的传播具有马尔科夫特性，用微观马尔科夫的方法构建动力学方程，宏观上考虑消息具有传染病特性构建平均场方程分析两条消息的共同演化趋势。

本发明的优点及有益效果如下：

本发明综合考虑了多消息的相互影响以及信息驱动因素的复杂性构建了多维网络空间上多消息的传播模型。在网络结构上，基于用户行为的相关性和网络结构的相关性建立了多维空间网络，解耦复杂信息传播驱动成因；在研究信息的传播态势时重点考虑了多维网络空间中信息传播路径的差异性以及多信息之间的相互作用，在SIS模型机理的基础上引入“影响因子”用以表示在不同网络空间中传播的信息的影响关系及强度，提出了MM-SIS模型；在信息传播态势分析上，从微观和宏观两个角度构建动力学方程来分析两条消息的共同演化趋势。本发明的重点部分是提出了一种新颖且更加符合真实情景的信息传播模型。

附图说明

图1是本发明提供优选实施例的总体流程图；

图2是本发明的多层网络模型；

图3是本发明的状态转换模型图。

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所示为本发明的总体流程图，包括：获取数据，构建多维空间网络，建立多信息、多维空间网络的传播模型，仿真分析共四大模块。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。数据的获取可以直接从现有的基于Web的研究型推荐系统下载或者利用成熟的社交平台的公共API获取。并对数据进行预处理。

S2：建多维空间网络。从真实数据中提取用户属性其中包括用户信息、用户行为以及用户关系，用余弦相似度的方法明确话题传播的驱动因素来构建多维空间网络。

S3：构建多信息、多维空间网络的信息传播模型。借鉴传染病模型机理，考虑到不同类型的消息在不同的网络空间上传播并且存在相互作用，在传统的传染病模型的基础上引入了“影响因子”用以表示不同信息之间的相互作用关系及强度，由此构建的模型更能真实的反应信息传播的本质规律；

S4：仿真分析。从微观和宏观两个角度构建动力学方程来分析两条消息的共同演化趋势，微观上考虑到消息的传播具有马尔科夫特性，用微观马尔科夫的方法构建动力学方程，宏观上考虑消息具有传染病特性构建平均场方程分析两条消息的共同演化趋势。

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：获取数据。在当前流行的社交媒体上，抓取某个热点话题下的用户属性，其中包括用户信息、用户行为和用户关系。

S12：对数据进行时间分片。可根据数据特点，对时间周期进行具体划分，在每个时间分片里找出已参与该话题的用户及其粉丝。

上述步骤S2构建多层网络。主要分以下2个步骤。

S21：进一步提取用户的标签和历史行为

S22：用余弦相似度的方法构建多层网络，使不同的信息沿着不同的传播路径进行传播。如图2所示

上述步骤S3构建多信息、多维空间网络的信息传播模型主要分为以下几个步骤。

S31：定义“影响因子”δ₁(t)和δ₂(t)分别表示信息2对信息1和信息1对信息2的作用关系及强度。我们规定当0<δ₁(t)(δ₂(t))<1时，信息2(信息1)对信息1(信息2)产生抑制作用，并且δ₁(δ₂)越小表示抑制强度越大；当δ₁(t)(δ₂(t))>1时，信息2(信息1)对信息1(信息2)产生促进作用，并且δ₁(δ₂)越大表示促进强度越大；当δ₁(t)(δ₂(t))＝1时，信息1和信息2没有关联互不影响。

S32：借鉴传染病机理，在本发明中我们借鉴了SIS传染病模型。我们用S₁和S₂分别表示用户处于信息1和信息2的易感染状态；用I₁和I₂分别表示用户处于信息1和信息2的已感染状态；用β₁和β₂分别表示信息1和信息2的传染率，既一个易感染用户接触到已感染用户从而被感染的概率；用μ1和μ2分别表示信息1和信息2的恢复率，既从已感染状态到易感染状态的概率。

S33：在以上两步的基础上，结合“影响因子”和SIS模型，并在考虑点边关系的基础上重新定义状态之间的转换概率。当用户i处于S₁S₂状态时，在(t+1)时刻被处于I₁状态的邻居用户感染的概率为 同理被I₂状态的用户感染的概率为 当用户i处于S₁I₂状态时，在(t+1)时刻被处于I₁状态的邻居用户感染的概率为同理用户i处于I₂S₂状态时被处于I₂状态的邻居用户感染的概率各状态之间的转移概率图如图3所示

上述步骤S4仿真分析。主要分为以下几个步骤。

S41：用算法生成相应的人工网络，本发明利用python生成人工网络并且得到了点边关系。

S42：将信息之间的相互作用以及点边关系与SIS模型相结合得到的微观马尔可夫方程为：

S43：针对本发明提出的系统进行理论的分析。

定义1：有效传染率，有效传染率＝传染率/恢复率，在本发明中信息1的有效传染率为信息2的有效传染率为

定义2：传播阈值，当有效传染率大于传播阈值时信息可以在网络中传播，相反当有效传染率小于传播阈值时信息不能在网络中流行起来，既系统稳定时所有的节点都是非感染状态。

方程(1)在点是否稳定，若稳定则意味着信息1和信息2没有在网络中流行起来。我们用方程(1)的Jacobian矩阵来分析这个问题。

其中Z为N×N的零矩阵，S₁-S₅分别如下所示

S₁＝(1-μ₁)E+β₁A₁

S₂＝(1-μ₂)E+β₂A₂

S₃＝(1-μ₁)(1-μ₂)E

S₄＝μ₂(1-μ₁)E+β₁A₁

S₅＝μ₁(1-μ₂)E+β₂A₂

其中E为N×N的单位矩阵，A₁和A₂分别为信息1和信息2所传输的网络空间的邻接矩阵。

要想固定点稳定，则需Jacobian矩阵的特征值的绝对值小于1。本系统中的Jacobian矩阵的特征值为矩阵S₁＝μ₁E+β₁A₁，S₂＝μ₂E+β₂A₂的特征值以及(1-μ₁)(1-μ₂)。设λ₁和λ₂分别为矩阵S₁和S₂的最大特征值，则需满足以下条件

(1-μ₁)(1-μ₂)<1 (2)

max{(1-μ₁)+β₁λ₁，(1-μ₂)+β₂λ₂}<1 (3)

由于0<μ₁≤1,0<μ₂≤1,条件(1)显然满足，只需

也就是说要想信息1和信息2都在网络中传播起来需要满足条件(4)和条件(5)。

本发明重点考虑了消息的多样性以及驱动信息传播因素的复杂性，提出一种基于多消息和多维网络空间的信息传播动力学模型。该模型在传统传染病机理上引入“影响因子”，用以表示在不同网络空间上传输的信息之间的作用关系和作用强度。该模型更符合信息传播的真实情景，能够更好的体现信息的传播态势，发现信息传播的真实规律。

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)

1.一种面向社交网络的多信息和多维网络信息传播模型，包括获取数据模块，用于获取社交网络数据，并对该社交网络数据进行预处理，其特征在于，还包括构建多维空间网络模块、多信息多维空间网络传播模型建立模块以及仿真分析模块，其中，构建多维空间网络模块，用于从真实社交网络数据中提取用户属性，其中用户属性包括用户信息、用户行为以及用户关系，用余弦相似度的方法明确话题传播的驱动因素来构建多维空间网络；

多信息多维空间网络传播模型建立模块，用于在构建多维空间网络的基础上借鉴传染病模型机理，考虑到不同类型的消息在不同的网络空间上传播并且存在相互作用，在传统的传染病模型的基础上引入“影响因子”用以表示不同信息之间的相互作用关系及强度；

仿真分析模块，用于从微观和宏观两个角度构建动力学方程来分析两条不同消息的共同演化趋势，微观上用微观马尔科夫的方法构建动力学方程，宏观上考虑消息具有传染病特性构建平均场方程分析两条消息的共同演化趋势。

2.根据权利要求1所述的面向社交网络的多信息和多维网络信息传播模型，其特征在于，所述构建多维空间网络模块主要分以下2个步骤；

S21：提取用户的标签和历史行为；

S22：用余弦相似度的方法构建多层网络，将提取到的用户标签用向量的形式表示，利用公式来计算节点之间的相似性，其中表示不同节点的标签向量，使不同的信息沿着不同的传播路径进行传播。

3.根据权利要求1所述的面向社交网络的多信息和多维网络信息传播模型，其特征在于，所述多信息多维空间网络传播模型建立模块主要分为以下几个步骤：

S31：定义“影响因子”δ₁(t)和δ₂(t)，δ₁(t)表示信息2对信息1的作用关系及强度，δ₂(t)表示信息1对信息2的作用关系及强度；

S32：借鉴传染病机理，借鉴了SIS传染病模型，用S₁和S₂分别表示用户处于信息1和信息2的易感染状态；用I₁和I₂分别表示用户处于信息1和信息2的已感染状态；用β₁和β₂分别表示信息1和信息2的传染率，即一个易感染用户接触到已感染用户从而被感染的概率；用μ1和μ2分别表示信息1和信息2的恢复率，既从已感染状态到易感染状态的概率；

S33：在以上两步的基础上，结合“影响因子”和SIS模型，并在考虑点边关系的基础上重新定义状态之间的转换概率，当用户i处于S₁S₂状态时，在(t+1)时刻被处于I₁状态的邻居用户感染的概率为 同理被I₂状态的用户感染的概率为 当用户i处于S₁I₂状态时，在(t+1)时刻被处于I₁状态的邻居用户感染的概率为其中P_J表示节点j在时刻t处于I₁状态的概率，同理用户i处于I₂S₂状态时被处于I₂状态的邻居用户感染的概率

4.根据权利要求3所述的面向社交网络的多信息和多维网络信息传播模型，其特征在于，当0<δ₁(t)<1时，信息2对信息1产生抑制作用，并且δ₁越小表示抑制强度越大；当δ₁(t)>1时，信息2对信息1产生促进作用，并且δ₁越大表示促进强度越大；当δ₁(t)＝1时，信息1和信息2没有关联互不影响。

5.根据权利要求3所述的面向社交网络的多信息和多维网络信息传播模型，其特征在于，所述仿真分析模块主要包括：

S41：用算法生成相应的人工网络，利用python生成人工网络并且得到点边关系；

S42：将信息之间的相互作用以及点边关系与SIS模型相结合得到的微观马尔可夫方程；

S43：根据进行理论的分析：判断有效传染率，有效传染率＝传染率/恢复率，在本发明中信息1的有效传染率为信息2的有效传染率为

计算传播阈值，当有效传染率大于传播阈值时信息可以在网络中传播，相反当有效传染率小于传播阈值时信息不能在网络中流行起来，即系统稳定时所有的节点都是非感染状态。

6.根据权利要求5所述的面向社交网络的多信息和多维网络信息传播模型，其特征在于，所述步骤S43采用雅克布Jacobian矩阵来分析信息1和信息2有没有在网络中流行。

7.一种基于权利要求6所述系统的面向社交网络的多信息和多维网络信息传播方法，其特征在于，包括以下步骤：

S1：获取数据：数据的获取可以直接从现有的基于Web的研究型推荐系统下载或者利用成熟的社交平台的公共API获取。并对数据进行预处理；

S2：建多维空间网络；从真实数据中提取用户属性其中包括用户信息、用户行为以及用户关系，用余弦相似度的方法明确话题传播的驱动因素来构建多维空间网络；

S3：构建多信息、多维空间网络的信息传播模型；借鉴传染病模型机理，考虑到不同类型的消息在不同的网络空间上传播并且存在相互作用，在传统的传染病模型的基础上引入了“影响因子”用以表示不同信息之间的相互作用关系及强度，由此构建的模型更能真实的反应信息传播的本质规律；

S4：仿真分析；从微观和宏观两个角度构建动力学方程来分析两条消息的共同演化趋势，微观上考虑到消息的传播具有马尔科夫特性，用微观马尔科夫的方法构建动力学方程，宏观上考虑消息具有传染病特性构建平均场方程分析两条消息的共同演化趋势。