CN111785390A - 基于节点影响力的改进sir传播模型研究 - Google Patents
基于节点影响力的改进sir传播模型研究 Download PDFInfo
- Publication number
- CN111785390A CN111785390A CN201910264109.9A CN201910264109A CN111785390A CN 111785390 A CN111785390 A CN 111785390A CN 201910264109 A CN201910264109 A CN 201910264109A CN 111785390 A CN111785390 A CN 111785390A
- Authority
- CN
- China
- Prior art keywords
- node
- sir
- nodes
- influence
- model
- 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
- 208000015181 infectious disease Diseases 0.000 claims abstract description 33
- 238000011084 recovery Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 238000009795 derivation Methods 0.000 claims abstract description 6
- 201000010099 disease Diseases 0.000 claims abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 3
- 230000007423 decrease Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000002458 infectious effect Effects 0.000 claims description 4
- 230000008929 regeneration Effects 0.000 claims description 2
- 238000011069 regeneration method Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 11
- 238000009792 diffusion process Methods 0.000 abstract description 5
- 230000002265 prevention Effects 0.000 abstract description 2
- 208000035473 Communicable disease Diseases 0.000 description 5
- 241000700605 Viruses Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000006674 extrapulmonary tuberculosis Diseases 0.000 description 3
- 230000005541 medical transmission Effects 0.000 description 2
- 201000008827 tuberculosis Diseases 0.000 description 2
- 208000035240 Disease Resistance Diseases 0.000 description 1
- 206010018612 Gonorrhoea Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 208000001786 gonorrhea Diseases 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 208000008128 pulmonary tuberculosis Diseases 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
研究不同影响力的节点在复杂网络信息传播过程中产生的作用,对于分析舆论传播、预防谣言扩散、引导信息传递等方面具有重要意义。针对传统SIR模型认为网络中所有节点性质相同,在信息传播中具有相同的接触感染率和恢复率的问题,提出了基于节点影响力的改进SIR传播模型(NI‑SIR)并对其阈值推导过程展开深度分析。本文首先将复杂网络中的节点按照影响力的不同进行分类,不同类别的节点赋予其不同的接触感染率及恢复率,达到模拟真实信息传播过程的目的;其次,对NI‑SIR模型的阈值进行推导,从而为进一步判断疾病是否流行或信息扩散的趋势打下理论基础;最后,通过仿真实验证明NI‑SIR模型比传统SIR模型更接近真实信息传播过程,在真实网络中有更好的适用性。
Description
技术领域
本发明涉及舆情分析领域,特别是涉及一种基于节点影响力的改进SIR传播模型研究。
背景技术
传染病动力学模型的研究有很大的现实意义,主要包含以下三个方面:建立数学模型模 拟传染病传播的过程,分析传染病模型的传播趋势和研究就有针对性的防治策略。目前针对 复杂网络传染病模型的研究已经提出了许多思想和算法。
根据实际情况和背景的变换,经典SIR传染病模型被广泛应用和改进。以结核病毒为例, 按照病毒感染部位的不同将结核病分为肺结核和肺外结核两类,认为肺外结核病毒不具传染 性,而肺结核病毒具有传染性;以感冒、淋病为例,提出了时滞性,认为病人在某一时刻是 否痊愈与其当前时刻的状态和先前的状态均有关;将人群按年龄分层,认为不同年龄段的个 体抗病能力、传播能力和康复能力往往不同。本发明提出的NI-SIR模型按照网络中节点影响 力的不同将节点进行分类,影响力高的节点拥有高接触传播率和低恢复率,而影响力低的节 点拥有低接触传播率和高恢复率,仿真结果证明NI-SIR模型更加符合舆情传播的过程,具有 一定的实现价值和研究意义。
发明内容
本发明针对经典SIR模型存在的问题,本文提出了基于节点影响力的改进SIR传播模型 研究(Node Influence-SIR,NI-SIR)。该模型按照网络中节点影响力的不同将节点进行分类, 影响力高的节点拥有高接触传播率和低恢复率,而影响力低的节点拥有低接触传播率和高恢 复率。同时,对NI-SIR模型的阈值进行公式推导,深度分析影响网络信息传播的因子,并提 出有针对性地解决方案,起到预防信息扩散和疾病传播的目的。
所述基于节点影响力的改进SIR传播模型包括以下步骤:
1)建立改进的SIR模型。
2)分析不同影响力节点的接触感染率和恢复率对社交网络信息传播过程产生的影 响。
3)对NI-SIR模型的阈值进行公式推导,分析网络中感染节点I的影响因子。
上述步骤1中建立改进的SIR模型的方法为:
将复杂网络中的节点按照节点影响力的不同划分为三类,即普通节点、核心节点和边缘 节点。代表普通节点(common node),即在复杂网络中介于核心节点和边缘节点之间,和周 围节点有部分连边,对信息传播起到一定作用的节点;代表核心节点(key node),即在复杂 网络中处于核心位置,和周围节点连边极多,对信息传播起到极大影响的节点;代表边缘 节点(edge node),即在复杂网络中处于边缘位置,和周围节点连边极少,对信息传播几乎不 产生影响的节点。
上述步骤2中,分析不同影响力节点的接触感染率和恢复率对社交网络信息传播过程产 生的影响的方法如下:
分析不同类型人口比例对仿真结果产生的影响,调整初始人口比例设置,将K=0.7%, C=83%,E=16.3%调整为K=40%,C=50%,E=10%。
改变社交网络中接触感染率和恢复率,研究其对信息传播过程的影响。初始参数:λ1=80%,λ2=4%,λ3=0.01%,μ1=1%,μ2=10%,μ3=50%;(1)调整核心节点接触感染率, λ1=90%,λ2=4%,λ3=0.01%,μ1=1%,μ2=10%,μ3=50%;(2)调整普通节点接触感染率, λ1=80%,λ2=10%,λ3=0.01%,μ1=1%,μ2=10%,μ3=50%;(3)调整边缘节点接触感染率, λ1=80%,λ2=4%,λ3=0.1%,μ1=1%,μ2=10%,μ3=50%;(4)调整核心节点恢复率,λ1=80%, λ2=4%,λ3=0.01%,μ1=5%,μ2=10%,μ3=50%;(5)调整普通节点恢复率,λ1=80%,λ2=4%, λ3=0.01%,μ1=1%,μ2=40%,μ3=50%;(6)调整边缘节点恢复率,λ1=80%,λ2=4%,λ3=0.01%, μ1=1%,μ2=10%,μ3=60%。
上述步骤3中,对NI-SIR模型的阈值进行公式推导,分析网络中感染节点I的影响因子 的方法如下:
根据NI-SIR模型的微分形式,如下式(1)所所示。
然后,由式(1)中的前两式可以得到影响I变化的表达式,如下式(3)所示。
由(5)可知θ是一个临界值。当S(0)=S0≤θ时,I会逐渐减小。当S(0)=S0>θ时,I会逐渐 增大,但由于S还在减小,当减小到S(0)=θ时,I达到最大值,然后又会逐渐减小。为了便 于分析影响I变化的因子,令R0为基本再生数,可以看作疾病爆发初期一个染病者在平均患 病期内感染的人数,如下式(6)所示。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的 详细描述,其中:
图1为本发明的模型结构图。
图2为经典SIR模型三类节点占比变化趋势图。
图3 NI-SIR模型三类节点占比变化趋势图。
图4 NI-SIR模型改变人口比例三类节点占比对比图。
图5不同类型节点接触感染率和恢复率变化对传播过程影响对比。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细描述。
图1为本发明的模型结构图。在真实社交网络的信息传播中,如果某一个节点的邻居节 点数量多,则它在整个网络中拥有高关联性和高可信度,即具备高影响力。一旦处于感染状 态,整个网络的信息扩散的速度会大大加快。如果某一个节点的邻居节点数量很少,则它在 整个网络中拥有低关联性和低可信度,即拥有低影响力。若它处于感染状态,整个网络的信 息扩散的速度会很慢甚至不存在信息扩散的现象。同理,不同的节点影响力会使个体在从感 染者到免疫者的恢复过程具有不同的恢复率。高影响力节点由于其拥有高关联性和高可信度, 使得它收到的影响因素较多,恢复过程比较缓慢。而低影响力节点由于其拥有低关联性和低 可信度,使得它收到的影响因素较少,恢复过程比较迅速。因此,网络中信息传播的过程与 节点影响力的大小有直接关系,不同的影响力节点在传播信息时的接触感染概率和恢复概率 是完全不同的。
图1示出了本发明的模型结构图,其中具体的步骤如下:
1、建立改进的SIR模型——NI-SIR模型。
基于节点影响力的改进SIR传播对人群种类进行了详细的划分。将复杂网络中的节点按 照节点影响力的不同划分为三类,即普通节点、核心节点和边缘节点。代表普通节点(common node),即在复杂网络中介于核心节点和边缘节点之间,和周围节点有部分连边,对信息传播 起到一定作用的节点;代表核心节点(key node),即在复杂网络中处于核心位置,和周围节 点连边极多,对信息传播起到极大影响的节点;代表边缘节点(edgenode),即在复杂网络 中处于边缘位置,和周围节点连边极少,对信息传播几乎不产生影响的节点。
2、分析不同影响力节点的接触感染率和恢复率对社交网络信息传播过程产生的影响。
分析不同类型人口比例对仿真结果产生的影响,调整初始人口比例设置,将K=0.7%, C=83%,E=16.3%调整为K=40%,C=50%,E=10%。
改变社交网络中接触感染率和恢复率,研究其对信息传播过程的影响。初始参数:=80%, =4%,=0.01%,=1%,=10%,=50%;(1)调整核心节点接触感染率,=90%,=4%, =0.01%,=1%,=10%,=50%;(2)调整普通节点接触感染率,=80%,=10%,=0.01%, =1%,=10%,=50%;(3)调整边缘节点接触感染率,=80%,=4%,=0.1%,=1%,=10%, =50%;(4)调整核心节点恢复率,=80%,=4%,=0.01%,=5%,=10%,=50%;(5) 调整普通节点恢复率,=80%,=4%,=0.01%,=1%,=40%,=50%;(6)调整边缘节 点恢复率,=80%,=4%,=0.01%,=1%,=10%,=60%。
3、对NI-SIR模型的阈值进行公式推导,分析网络中感染节点I的影响因子。
对于不同的R0取值,分别仿真验证。
(1)取K=0.35,C=0.4,E=0.25,λ1=0.75,λ2=0.55,λ3=0.35,μ1=0.65,μ2=0.75,μ3=0.85。 根据公式(6)计算得到R0≈0.69<1。可以看出,网络中易感节点占比迅速下降至零,移出节点 占比迅速上升至100%,因此信息不会扩散,染病节点数量逐渐趋于零。仿真结果与本文所提 阈值公式结论一致。
(2)取K=0.35,C=0.4,E=0.25,λ1=0.80,λ2=0.75,λ3=0.70,μ1=0.3,μ2=0.2,μ3=0.1。 根据公式(6)计算得到R0≈3.24>1。可以看出,网络中易感节点占比下降速度和移出节点占比 上升速度比相比(1)明显下降,网络中易感节点长时间内不会消失,因此信息将会扩散。仿真 结果与本文所提阈值公式结论一致。
Claims (4)
1.建立节点影响力的改进SIR传播模型(NI-SIR)的方法,其特征在于以下步骤:
1)建立改进的SIR模型。
2)分析不同影响力节点的接触感染率和恢复率对社交网络信息传播过程产生的影响。
3)对NI-SIR模型的阈值进行公式推导,分析网络中感染节点I的影响因子。
2.如权利要求1所述的建立节点影响力的改进SIR传播模型(NI-SIR)的方法,其中所述步骤1中,建立改进的SIR模型的方法如下:
本文提出的NI-SIR模型将复杂网络中的节点按照节点影响力的不同划分为三类,即普通节点、核心节点和边缘节点。C代表普通节点(common node),即在复杂网络中介于核心节点和边缘节点之间,和周围节点有部分连边,对信息传播起到一定作用的节点;K代表核心节点(key node),即在复杂网络中处于核心位置,和周围节点连边极多,对信息传播起到极大影响的节点;E代表边缘节点(edge node),即在复杂网络中处于边缘位置,和周围节点连边极少,对信息传播几乎不产生影响的节点。
3.如权利要求1所述的建立节点影响力的改进SIR传播模型(NI-SIR)的方法,其中所述步骤2中,分析不同影响力节点的接触感染率和恢复率对社交网络信息传播过程产生的影响的方法如下:
分析不同类型人口比例对仿真结果产生的影响,调整初始人口比例设置,将K=0.7%,C=83%,E=16.3%调整为K=40%,C=50%,E=10%。
改变社交网络中接触感染率和恢复率,研究其对信息传播过程的影响。初始参数:λ1=80%,λ2=4%,λ3=0.01%,μ1=1%,μ2=10%,μ3=50%;(1)调整核心节点接触感染率,λ1=90%,λ2=4%,λ3=0.01%,μ1=1%,μ2=10%,μ3=50%;(2)调整普通节点接触感染率,λ1=80%,λ2=10%,λ3=0.01%,μ1=1%,μ2=10%,μ3=50%;(3)调整边缘节点接触感染率,λ1=80%,λ2=4%,λ3=0.1%,μ1=1%,μ2=10%,μ3=50%;(4)调整核心节点恢复率,λ1=80%,λ2=4%,λ3=0.01%,μ1=5%,μ2=10%,μ3=50%;(5)调整普通节点恢复率,λ1=80%,λ2=4%,λ3=0.01%,μ1=1%,μ2=40%,μ3=50%;(6)调整边缘节点恢复率,λ1=80%,λ2=4%,λ3=0.01%,μ1=1%,μ2=10%,μ3=60%。
4.如权利要求1所述的建立节点影响力的改进SIR传播模型(NI-SIR)的方法,其中所述步骤3中,对NI-SIR模型的阈值进行公式推导,分析网络中感染节点I的影响因子如下;根据NI-SIR模型的微分形式,如下式(1)所所示。
然后,由式(1)中的前两式可以得到影响I变化的表达式,如下式(3)所示。
由(5)可知θ是一个临界值。当S(0)=S0≤θ时,I会逐渐减小。当S(0)=S0>θ时,I会逐渐增大,但由于S还在减小,当减小到S(0)=θ时,I达到最大值,然后又会逐渐减小。为了便于分析影响I变化的因子,令R0为基本再生数,可以看作疾病爆发初期一个染病者在平均患病期内感染的人数,如下式(6)所示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910264109.9A CN111785390A (zh) | 2019-04-03 | 2019-04-03 | 基于节点影响力的改进sir传播模型研究 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910264109.9A CN111785390A (zh) | 2019-04-03 | 2019-04-03 | 基于节点影响力的改进sir传播模型研究 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111785390A true CN111785390A (zh) | 2020-10-16 |
Family
ID=72754772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910264109.9A Pending CN111785390A (zh) | 2019-04-03 | 2019-04-03 | 基于节点影响力的改进sir传播模型研究 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111785390A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109192319A (zh) * | 2018-07-11 | 2019-01-11 | 辽宁石油化工大学 | 一种考虑动态网络结构的病毒传播过程的描述方法 |
CN113259170A (zh) * | 2021-06-01 | 2021-08-13 | 宁波大学 | 计算机网络中子网络及其关键目标的识别方法及其应用 |
-
2019
- 2019-04-03 CN CN201910264109.9A patent/CN111785390A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109192319A (zh) * | 2018-07-11 | 2019-01-11 | 辽宁石油化工大学 | 一种考虑动态网络结构的病毒传播过程的描述方法 |
CN113259170A (zh) * | 2021-06-01 | 2021-08-13 | 宁波大学 | 计算机网络中子网络及其关键目标的识别方法及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107368752B (zh) | 一种基于生成式对抗网络的深度差分隐私保护方法 | |
CN111785390A (zh) | 基于节点影响力的改进sir传播模型研究 | |
CN106972952B (zh) | 一种基于网络度相关性的信息传播领袖节点提取方法 | |
CN109299808B (zh) | 基于群体劝说力建模的网民观点演化趋势预测方法 | |
CN108322328B (zh) | 基于传染病动力学的网络病毒扩散模型构建的方法 | |
CN109120460A (zh) | 社交网络中基于移动节点的辟谣方法 | |
CN106411572A (zh) | 一种结合节点信息和网络结构的社区发现方法 | |
Zhang et al. | SETQR propagation model for social networks | |
CN111460679B (zh) | 基于动力学的同步交叉信息传播分析方法及系统 | |
Yang et al. | True and fake information spreading over the Facebook | |
CN115205594A (zh) | 一种基于混合样本的长尾图像数据分类方法 | |
Liqing et al. | SVIR rumor spreading model considering individual vigilance awareness and emotion in social networks | |
CN107944557A (zh) | 一种骚扰电话的识别方法 | |
CN111414552B (zh) | 一种在线社交网络谣言传播范围的估计方法 | |
CN111966958A (zh) | 一种谣言传播模型建立方法 | |
CN110519083B (zh) | 基于演化博弈论的混合策略异构社交网络信息扩散分析 | |
CN110163446B (zh) | 一种基于连续马尔科夫的双层网络舆情信息传播预测方法 | |
Wang | An analytical SIR model of epidemics and a sustainable suppression policy: Testing | |
WO2021035980A1 (zh) | 人脸识别模型的训练方法、装置、设备及可读存储介质 | |
CN111079024A (zh) | 基于加强效应scir网络的舆情传播模型构建方法 | |
CN114254251A (zh) | 直接免疫scir的舆情传播模型构建方法 | |
CN109547265A (zh) | 基于随机游走抽样的复杂网络局部免疫方法及系统 | |
CN105868315B (zh) | 一种基于遗忘规律的社会网络信息传播方法 | |
CN114171212A (zh) | 考虑时变遗忘因素的双层网络传播模型建立方法 | |
Wang | How Testing Reduces Infections and Prevents Herd Immunity: An SIR Model with Testing |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201016 |