CN109165239B - 基于用户属性和内容属性的d2d信息传播建模方法 - Google Patents

Abstract

本发明公开了一种基于用户属性和内容属性的D2D信息传播建模方法，属于移动通信领域。该方法包括以下步骤：1、根据用户历史交互，结合交互因子和稳定性因子量化用户间社会关系；2、结合用户间社会关系和用户对信息内容的兴趣度建立用户感染概率函数；3、利用用户及其邻居用户的度表征用户影响力，并引入影响力衰减模型，建立用户恢复概率函数；4、结合SIR模型，基于离散时间马尔科夫链确定D2D信息传播模型；5、对基于用户属性和内容属性的信息传播模型进行稳定性分析。本发明提出的D2D信息传播模型，能有效提升信息传播范围且与实际网络有着更高的匹配度。

Description

基于用户属性和内容属性的D2D信息传播建模方法

技术领域

本发明属于传播动力学与数据挖掘领域，更具体地说，本发明涉及一种基于用户属性和内容属性的D2D信息传播建模方法，可以有效挖掘用户属性及用户间的关系，进行合理的信息传播模型建立。

背景技术

随着社交媒体的飞速发展，使得信息在前所未有的广阔范围内，以惊人的速度传递和分享，从而基于社会网络的信息传播特性和规律也受到了重视。信息传播是一个广受关注的领域并且受到了许多学科的青睐，例如生物学中对疾病传染的研究、复杂网络中对病毒传播的研究以及社会学中的大众传播研究。通常来说，信息传播由用户的行为引起，因此，信息的传播也可看作是用户行为的传播。现有的信息传播建模可以分为两类：以理论为中心的模型和以数据为中心的模型，前者主要应用于传染病学、社会学和经济学，而后者通常基于真实的传播数据进行学习。

经典的信息传播模型主要包括传染病模型、独立级联模型、线性阈值模型以及这些模型的变型。基于这些模型，可以进行诸如影响力最大化问题的研究。特别地，信息在社会网络中的传播方式与传染病在人群中的传播方式具有一定的相似性，因而国内外就社会网络中基于传染病模型的信息传播研究已有一定成果，如谣言传播问题、信息转发预测问题和用户影响力问题等。文献《一种基于用户相对权重的在线社交网络信息传播》考虑节点度对信息传输的影响，对传统SIR模型进行改进优化，使其更符合社会网络中节点状态复杂多变的特性，但是在量化节点的状态转移概率时并未考虑节点间的相互影响。然而，现有研究大都把节点的状态转移函数看作固定不变的因子，忽略了社会网络中节点的复杂状态和行为特征的动态变化。

影响信息传播的因素有很多，包括网络结构特点、数据内容特征、节点(用户)属性和时间因素等。网络结构对信息传播的深度和广度具有重要影响，如社区结构和社会网络的小世界特性等。节点(用户)作为信息传播的主体和客体，其对信息的兴趣偏好以及与其他用户间的社会关系也会影响信息传播过程。更重要地，信息传播是一个动态过程，且用户行为特征是随时间变化的不定因素，因此，时间因素与信息传输紧密相关。用户行为的差异化特征以及信息的内容属性使得用户间的数据传输行为存在很大差异，也就是说，由于每个人“体质”(属性特质)的不同会导致疾病感染和恢复状况不同，且用户对信息表现出不同的态度，从而影响着整个信息传播过程。此外，用户在网络中的不同角色和地位也严重影响着信息在用户间的传播扩散，例如，权威用户和度较大的用户在提高信息传播速率方面有不可忽视的作用。因此，需要从多个维度出发，研究信息传播的细粒度模型。

发明内容

本发明旨在解决以上现有技术中存在的问题。提出了一种更符合实际网络的基于用户属性和内容属性的D2D信息传播模型的构建方法，且包括对该模型的分析。

为了解决上述技术问题，本发明采用的技术方案是：基于用户属性和内容属性的D2D信息传播建模方法包以下步骤：

步骤1)、根据用户历史交互，衡量用户间总的交互次数以及负向交互所占比例，得到交互因子，根据交互信任值的波动程度获得稳定因子，结合交互因子和稳定因子量化用户间社会关系，得到社会关系强度；

步骤2)、结合用户对信息内容的兴趣度和步骤1)所量化的用户间社会关系建立用户感染概率函数；

步骤3)、基于用户影响力表征用户生存时间，且用户影响力取决于用户在其邻居用户中的相对权重，且随时间呈现指数衰减的状态，建立用户恢复概率函数；

步骤4)、基于SIR模型和离散时间马尔科夫链，联合步骤2)和步骤3)所确定的感染概率函数和恢复概率函数建立D2D信息传播模型；

步骤5)、对步骤4)所建立的D2D信息传播模型进行稳定性分析。

进一步的，所述步骤1)结合用户间的交互历史，综合考虑交互因子和稳定性因子进行社会关系量化，具体包括步骤：

基于用户在过去一段时间的交互，通过衡量用户间总的交互次数以及负向交互所占比例，得到交互因子。同时，考虑到用户间社会关系随时间的动态变化特性，根据交互信任值的波动程度，获得稳定因子，通过结合以上两者量化用户间社会关系强度。

所述交互因子是用户对过去一段时间内交互的主观感受，对于每一次交互，用户都有相应的评分值act(i,j)_k，对于n次交互的情况，将交互因子表示为：

其中m为负向交互的次数；i，j为任意的两个用户。

所述稳定因子反映用户间社会关系以及交互的稳定性，通过将时间划分为 T_k个时隙，量化每一次的交互强度

与平均交互强度

的差值，得到稳定因子为：

进一步的，所述步骤2)基于用户对信息内容兴趣度，结合步骤1) 所量化的用户间社会关系强度，确定用户的感染概率函数：

其中

表示用户i成功感染用户j的概率，Γ(i)表示用户i的邻居集合，

表示用户i和用户j间的社会关系强度，r_j表示用户对信息内容的兴趣度，a_ij表示用户i与j是否处于邻接状态，若是则为1，否则为0。β和γ可根据实际情况进行调节，

表示表示用户j在t时刻为状态I的概率。

进一步的，由于信息存在一定的生命周期，其在网络中的传播通常经历萌发、爆发、消亡的过程。用户从感染状态I转化为恢复状态R的概率取决于节点在网络中的传播能力(即生存时间)，用户会在生存时间后失去传播能力，而这个时间取决于该用户在所处网络中相对其他节点影响力的大小。鉴于此，所述步骤3)结合用户在邻居中的相对权重及指数衰减模型，确定用户的恢复概率函数：

其中

为用户的初始影响力，t₁为用户刚转化为感染状态I的临界时间点。

进一步的，所述步骤4)基于SIR模型和离散马尔科夫链，结合状态转移概率函数确定信息传播模型：

其中Inf_N×N是对角线元素为

i＝1,2,…N，其余元素为0的对角阵。 p^t+¹(R)是元素为

i＝1,2,…N的列向量，p^t+1(I)是元素为

i＝1,2,…N的列向量，I_N表示N阶单位阵，H是元素为h_ij,i＝1,2,…N,j＝1,2,…N的矩阵，p^t(R)是元素为

i＝1,2,…N的列向量，p^t(I)是元素为

i＝1,2,…N的列向量，N表示网络中的用户个数。

以上模型构成了基于社会网络的信息传播规则以及每个用户在各状态间的转移规律，能够反映用户间社会关系和影响力以及用户对信息的兴趣度对状态转移概率的影响，也反映出了状态转移概率的动态变化特性。

进一步的，所述步骤5)对所建立的信息传播模型机进行了稳定性分析。通过从数理角度对系统状态转移矩阵进行特征值分析，验证所提模型的稳定性和收敛性。包括以下步骤：

a.对于Inf_N×N+H的最大特征值小于1的情况，存在：

p^t+1(I)≤(Inf_N×N+H)p^t(I)

则系统会收敛于全局稳定的状态；

b.对于Inf_N×N+H的最大特征值大于1的情况，通过对用户感染概率进行转化：

表示用户i在t+1时刻为状态I的概率，

表示用户i在t时刻为状态I的概率，

表示用户i在t时刻为状态R的概率，h_ij表示用户i和用户 j间的信息感染概率，

表示用户j在t时刻为状态I的概率，

表示用户i 在t时刻的影响力。

结合函数增减特性证明p^t+1(I)＝p^t(I)，验证系统的稳定性。

本发明的优点及有益效果如下：

本发明旨在建立一种基于用户属性和内容属性的D2D信息传播模型，在提升信息传输范围的同时，更有效地刻画信息传输过程。本发明具体步骤如下：

1)、根据用户历史交互，结合交互因子和稳定性因子量化用户间社会关系；

2)、结合用户对信息内容的兴趣度和步骤1)所量化的用户间社会关系建立用户感染概率函数；

3)、利用用户及其邻居用户的度表征用户影响力，并引入影响力衰减模型，建立用户恢复概率函数；

4)、基于SIR模型和离散时间马尔科夫链，联合步骤2)和步骤3)所确定的状态转移函数建立D2D信息传播模型；

5)、为了验证模型的有效性，对所建立的D2D信息传播模型进行稳定性等性能分析。

本发明能达到的效果为：通过考虑用户间社会关系、用户影响力以及用户对内容的兴趣度刻画信息传播过程，能有效提升信息传输成功率和信息传输范围。

附图说明

图1是本发明提供优选实施例的基于用户属性和内容属性的D2D信息传播模型的具体实现流程图；

图2为SIR模型示意图；

图3为信息传播关系图；

图4为用户生存时间示意图；

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、详细的描述。所描述的实施例仅仅是本发明的一部分实施例。

图1为基于用户属性和内容属性的D2D信息传播模型的具体实现流程图，详细描述如下。

信息传播是一个广受关注的领域并且受到了许多学科的青睐，例如生物学中对疾病传染的研究、复杂网络中对病毒传播的研究以及社会学中的大众传播研究。通常来说，信息传播由用户的行为引起，因此，信息的传播也可看作是用户行为的传播。考虑到用户在信息传播过程中的主体性，综合考虑用户属性和信息内容属性建立信息传播模型。

因此提出基于用户属性和内容属性的D2D信息传播模型的构建方法，包括以下步骤：

步骤一：根据用户历史交互，结合交互因子和稳定性因子量化用户间社会关系。具体过程如下：

a.交互因子反映的是用户对过去一段时间内交互的主观感受，对于每一次交互，用户都有相应的评分值act(i,j)_k，对于n次交互的情况，将交互因子表示为：

其中m为负向交互的次数。

b.稳定因子反映用户间社会关系以及交互的稳定性。通过将时间划分为T_k个时隙，量化每一次的交互强度

与平均交互强度

的差值，得到社会关系的波动幅度，具体公式表示为：

通过结合交互因子和稳定因子，得到用户间的社会关系。

步骤二：结合用户对信息内容的兴趣度和步骤一所量化的用户间社会关系建立用户感染概率函数：

其中

表示用户i和用户j间的社会关系强度，r_j表示用户对信息内容的兴趣度，a_ij表示用户i与j是否处于邻接状态，若是则为1，否则为 0。β和γ可根据实际情况进行调节，

表示表示用户j在t时刻为状态I的概率。

如图2和图3所示，所提模型基于SIR模型刻画信息传播过程。用户在每一时刻只能接收到来自邻居用户的信息，且多个用户可能会在同一时刻感染同一用户，一旦用户被感染成功即信息接收成功，便立即转化为感染状态I并不再接收来自其余邻居用户的传输信息。若节点用户是处于感染状态I的传播节点，则会根据自身与邻居用户的关系状态和在网络中所处地位进行信息转发，并在一段时间后转换为免疫状态，而这个时间长短取决于用户在网络中的影响力大小。免疫节点R会一直处于免疫状态，并不再进行信息接收和转发。因此，建立信息传播模型的关键是状态转移概率的确定。

步骤三：利用用户及其邻居用户的度表征用户影响力，并引入影响力衰减模型，如图4所示，建立用户恢复概率函数：

其中

为用户的初始影响力，t₁为用户刚转化为感染状态I的临界时间点。用户的影响力越大，其发出的信息在网络中传播越久。此外，每个用户的初始影响力不同，且衰减临界点t₁也有所差异，即从S状态转换为I状态的时间点不一样，因而用户在网络中的生存时间也不尽相同。

步骤四：基于SIR模型和离散时间马尔科夫链，联合步骤二和步骤三所确定的状态转移函数建立D2D信息传播模型，从用户个体角度表示为：

从系统角度表示为：

其中Inf_N×N是对角线元素为

i＝1,2,…N。

由此可见，本发明克服了传统信息传播模型基于网络结构刻画信息传播过程的缺点，将固定的状态转移概率转化为随用户行为和用户关系变化的变量，使其更符合实际网络的特性。

步骤五：对所建立的D2D信息传播模型进行稳定性等性能分析。具体过程如下：

a.对于Inf_N×N+H的最大特征值小于1的情况，存在：

p^t+1(I)≤(Inf_N×N+H)p^t(I)

则系统会收敛于全局稳定的状态。

b.对于Inf_N×N+H的最大特征值大于1的情况，通过对用户感染概率进行转化，形如：

通过结合函数增减特性证明p^t+1(I)＝p^t(I)，验证系统的稳定性。

经过上述步骤之后，所形成的信息传播模型综合考虑了用户间的社会关系和信息内容属性。相比于其他信息传播模型，本方法从传播主体的传输意愿和传播客体对信息的接收程度描述用户的感染概率函数，并结合用户影响力刻画用户的恢复概率函数，扩展了信息的传播范围和传输有效性。

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 (5)

1.基于用户属性和内容属性的D2D信息传播建模方法，其特征在于，包括以下步骤：

步骤1)、根据用户历史交互，衡量用户间总的交互次数以及负向交互所占比例，得到交互因子，根据交互信任值的波动程度获得稳定因子，结合交互因子和稳定因子量化用户间社会关系，得到社会关系强度；

所述交互因子是用户对过去一段时间内交互的主观感受，对于每一次交互，用户都有相应的评分值act(i,j)_k，对于用户i和用户j进行了n次交互的情况，将交互因子表示为：

其中m为负向交互的次数；

所述稳定因子反映用户间社会关系以及交互的稳定性，通过将时间划分为T_k个时隙，量化每一次的交互强度

与平均交互强度

的差值，得到稳定因子为：

步骤2)、结合用户对信息内容的兴趣度和步骤1)所量化的用户间社会关系建立用户感染概率函数；

步骤3)、基于用户影响力表征用户生存时间，且用户影响力取决于用户在其邻居用户中的相对权重，且随时间呈现指数衰减的状态，建立用户恢复概率函数；

步骤4)、基于SIR模型和离散时间马尔科夫链，联合步骤2)和步骤3)所确定的感染概率函数和恢复概率函数建立D2D信息传播模型；

步骤5)、对步骤4)所建立的D2D信息传播模型进行稳定性分析。

2.根据权利要求1所述基于用户属性和内容属性的D2D信息传播建模方法，其特征在于：步骤2)所述用户感染概率函数为：

其中Γ(i)表示用户i的邻居集合，h_ij表示用户i成功感染用户j的概率，

表示用户j在t时刻为状态I的概率。

3.根据权利要求2所述基于用户属性和内容属性的D2D信息传播建模方法，其特征在于：步骤3)所述恢复概率函数为：

其中inf_i ⁰表示用户的初始影响力，t₁为用户刚转化为感染状态I的临界时间点，

表示用户i在t时刻由状态I转化为状态R的概率。

4.根据权利要求3所述基于用户属性和内容属性的D2D信息传播建模方法，其特征在于：步骤4)所述D2D信息传播模型为：

其中Inf_N×N是对角线元素为

其余元素为0的对角阵，p^t+1(R)是元素为

的列向量，p^t+1(I)是元素为

的列向量，I_N表示N阶单位阵，H是元素为h_ij,i＝1,2,…N,j＝1,2,…N的矩阵，p^t(R)是元素为

的列向量，p^t(I)是元素为

的列向量，N表示网络中的用户个数。

5.根据权利要求4所述基于用户属性和内容属性的D2D信息传播建模方法，其特征在于：步骤5)所述稳定性分析包括：

a.对于Inf_N×N+H的最大特征值小于1的情况，存在：

p^t+1(I)≤(Inf_N×N+H)p^t(I)

则系统会收敛于全局稳定的状态；

b.对于Inf_N×N+H的最大特征值大于1的情况，通过对用户感染概率进行转化：

表示用户i在t+1时刻为状态I的概率，

表示用户i在t时刻为状态I的概率，

表示用户i在t时刻为状态R的概率，h_ij表示用户i和用户j间的信息感染概率，

表示用户j在t时刻为状态I的概率，

表示用户i在t时刻的影响力；

结合函数增减特性证明p^t+1(I)＝p^t(I)，验证系统的稳定性。

Images