CN116228449A - 一种基于演化博弈的分析在线社交网络信息传播动力学的方法 - Google Patents
一种基于演化博弈的分析在线社交网络信息传播动力学的方法 Download PDFInfo
- Publication number
- CN116228449A CN116228449A CN202310234931.7A CN202310234931A CN116228449A CN 116228449 A CN116228449 A CN 116228449A CN 202310234931 A CN202310234931 A CN 202310234931A CN 116228449 A CN116228449 A CN 116228449A
- Authority
- CN
- China
- Prior art keywords
- node
- network
- game
- online social
- social network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000008901 benefit Effects 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims abstract description 16
- 230000002776 aggregation Effects 0.000 claims abstract description 12
- 238000004220 aggregation Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 230000003993 interaction Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 abstract description 21
- 230000011273 social behavior Effects 0.000 abstract description 6
- 238000011160 research Methods 0.000 abstract description 5
- 208000015181 infectious disease Diseases 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 208000035473 Communicable disease Diseases 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/042—Backward inferencing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于演化博弈的分析在线社交网络信息传播动力学的方法，包括：根据改进聚集的无标度网络生成算法；采用对交互模式，每个节点与其邻居节点进行一次两人博弈，总收益是该节点与其所有邻居两人博弈产生的收益总和；采用配对比较的规则，通过比较节点间的博弈收益来量化策略更新行为。本发明的基于演化博弈的分析在线社交网络信息传播动力学的方法符合现实在线社交网络的度分布服从幂律分布的特性，满足现实网络聚集系数较大的特征，基于网络演化博弈理论研究网络拓扑结构对博弈演化动力学的影响，并探索一些可能的支持合作行为涌现的动力学机制。
Description
技术领域
本发明属于信息传播的技术领域，尤其涉及一种基于演化博弈的分析在线社交网络信息传播动力学的方法。
背景技术
基于移动互联技术的蓬勃发展，在线社交网络的规模迅速扩张，已然成为公众发表观点的最大社交载体，舆论信息传播的广度及深度达到了前所未有的水平。在线网络中的用户及其关注者通过各种信息交互行为关联在一起，形成具有一定拓扑结构的社会关系网络。
互联网赋予了用户更多的主动权，可以自发地传播及发布信息，其关注者在接收到信息时，会根据自身意愿做出反馈，如忽略、转发、点赞、评论等。每位用户在传播信息(合作)时均需要支付一定的社会关系成本，如时间、精力、网费等，而选择不传播信息(不合作)的用户既收获了别人共享信息的收益，又没有付出成本，这种自私行为反而获得了更高收益，使得共享信息这一合作行为受阻，即合作困境。为解决这种合作困境，需要某种激励机制促使用户克服成本的限制与背板的诱惑参与到信息传播中。
传统的研究工作大多关注网络的拓扑结构及其性质，通过分析和构建网络研究合作行为的演化，或基于传统的传播动力学探究信息传播机制。对于在一定的网络结构下各种演化规则对合作行为影响的研究，以及网络拓扑和博弈动力学共演化下合作行为的研究较少。
基于分析和构建复杂网络，探究不同网络结构对合作行为演化的影响。尽管现实生活中的在线社交网络不尽相同，但却表现出许多相似的网络结构特性，如随机性、小世界、高聚集、度分布服从幂律分布等。随机网络模型可以表现出现实网络生成的随机性，小世界网络模型可以表现出现实网络中节点的平均路径短、聚集系数大的特性，无标度网络模型可以表现出现实网络中节点的度分布服从幂律分布的特性。通过构建不同类型的复杂网络，研究现实网络的生成机制，进而分析在不同复杂网络上的合作动力学行为。
采用某一种网络模型研究在线社交网络时，不能较好的涵盖现实网络的多种特性，使得实验结果不能较好的贴合真实网络数据。如随机网络模型不能体现出现实网络的小世界特性；小世界网络模型生成的网络节点的度分布服从指数分布，这与现实社交网络多数服从幂律分布的特性不符；无标度网络模型生成的网络聚集系数非常小，这与现实社交网络有较大聚类系数的特性不符。
基于传统的传播动力学，探究在线社交网络中的信息传播机制。由于舆论信息在社交网络上的传播机制与传染病在生物网络中的传播有许多相似之处，因此可以利用传染病模型研究在线网络上的信息传播过程。经典的传染病模型将网络节点划分为三种状态：易感态、染病态和移出态。网络中的节点最初都处于易感状态，都不知道舆论信息；新的信息出现后，部分节点接触信息变为染病状态，成为传播者，传播者以一定的传染率将信息传播给易感状态的节点、以一定的治愈率转为移出状态；成为移出者的节点没有感染能力，不参与信息传播。
传统的传播动力学理论认为只有当传染率超过某一阈值时，大规模的传播才有可能发生，而现实中的大多数网络即便传染率极低，只要存在染病节点，就会蔓延至整个网络。同时，由于在线社交网络中的节点是现实生活中的用户，其传播行为具有很强的自主性和独立性，其行为决策受到诸多自然和社会因素的制约和影响，难以直接利用传染病模型进行描述，因此需要对单个节点的行为决策及与其邻居节点之间的相互影响进行研究。
发明内容
基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于演化博弈的分析在线社交网络信息传播动力学的方法，符合现实在线社交网络的度分布服从幂律分布的特性，满足现实网络聚集系数较大的特征，基于网络演化博弈理论研究网络拓扑结构对博弈演化动力学的影响，并探索一些可能的支持合作行为涌现的动力学机制。
为了解决上述技术问题，本发明通过以下技术方案来实现：本发明提供一种基于演化博弈的分析在线社交网络信息传播动力学的方法，包括：
步骤S1、根据改进聚集的无标度网络生成算法；
步骤S2、采用对交互模式，每个节点与其邻居节点进行一次两人博弈，总收益是该节点与其所有邻居两人博弈产生的收益总和；
步骤S3、采用配对比较的规则，通过比较节点间的博弈收益来量化策略更新行为。
进一步的，步骤S1包括以下步骤：
网络初始节点中每加入一个新的节点，与已存在的节点建立连接；
新加入节点的第一条边与已存在节点连接的概率满足择优机制，其余的条边分别随机连接到其它邻居节点上。
可选的，在所述步骤S3中，在每轮博弈结束后，每个节点随机选择一个邻居节点，节点根据策略更新规则对比自身与邻居节点的收益来决定自己下一轮博弈的策略。
进一步的，所述更新规则为费米规则。
由上，本发明的基于演化博弈的分析在线社交网络信息传播动力学的方法借助网络演化博弈的方法具有如下有益效果：
1、根据在线社交网络的属性以改进聚集的无标度网络作为模型网络，研究了信息传播过程中合作行为的演化情况，得到合作者比例是由博弈动力学与网络拓扑结构共同作用的结果，其中聚集参数q、收益权重a会促进合作行为，而背叛诱惑b与噪声因子ω则对合作行为有抑制作用。
2、本发明可对真实网络中用户的信息传播行为进行分析，结合在线社交网络信息传播演化博弈模型的仿真结果和新浪微博的真实数据统计结果，将网络节点的合作行为量化为微博用户在一段时间内的发布与转发微博数，收获其他用户的信息资源而自己并不会发布或者转发信息。这使得在线社交网络中的信息传播出现合作困境，可根据实验结论采取适当的激励机制以促进用户采取合作行为。
3、本发明采取的博弈网络在无标度网络的基础上改进节点加入网络的连接方式，既使得网络节点的度分布服从幂律分布，又实现了网络具有较高的聚集性，更贴近现实网络的特性。
4、本发明基于网络演化博弈理论研究在线社交网络的信息传播动力学，相较于传统的传染病模型，节点的对交互博弈可实现单个节点的行为决策与其邻居节点之间相互影响。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更简明易懂，以下结合优选实施例，并配合附图，详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明的基于演化博弈的分析在线社交网络信息传播动力学的方法的流程图；
图2为度与度的概率分布图，其中，(a)为改进聚集的无标度网络的度分布；(b)为改进聚集的无标度网络中度的概率分布；
图3为噪声因子对合作者比例影响的演化情况图。
具体实施方式
下面结合附图详细说明本发明的基于演化博弈的分析在线社交网络信息传播动力学的方法的具体实施方式。
如图1至图3所示，本发明的基于演化博弈的分析在线社交网络信息传播动力学的方法包括以下步骤：
生成网络
根据改进聚集的无标度网络生成算法：
增长：网络初始节点有m0个，每加入一个新的节点，与已存在的m(m<m0)个节点建立连接。
连接：新加入节点vj的第一条边与已存在节点vi连接的概率满足择优机制
其余的m-1条边分别以概率p随机连接到vi的m-1个邻居节点上(其邻居节点数不足m-1时，剩余边的连接概率满足择优机制)和以概率1-p通过择优机制连接其他已存在的节点。
其中，ki是节点vi的度。经过t步增长后，生成的网络具有m0+t个节点、mt条边。
生成一个平均度<k>＝4，聚类系数CC＝0.25的网络，节点总数为1000。网络的度分布与度的频率分布如图2所示，可见网络度分布的统计特性呈现幂律分布，这与现实世界中许多社交网络服从幂律分布的特性一致。
模型建立
在本模型中，参与演化博弈的局中人是在线社交网络中的用户，每个用户节点i与其邻居节点j进行博弈，策略集{合作，不合作}记为S＝{C，D}。收益矩阵如表1所示：
表1演化博弈收益矩阵
根据Nowak与May研究的单参数囚徒博弈，当博弈双方都选择合作策略时，均获得合作收益1；当博弈一方选择合作策略，另一方不合作时，合作方无收益，不合作方获得背叛诱惑b；当博弈双方都选择不合作策略时，均无收益也没有损失。根据囚徒博弈收益矩阵的参数关系T>R>P>S且2R>T+S，得到1<b<2。收益函数构造采用对交互模式，每个节点与其邻居节点进行一次两人博弈，总收益是该节点与其所有邻居两人博弈产生的收益总和，收益函数：
其中，Ωi表示节点i的邻居节点集合，si为节点i的策略，ki为节点i的度。考虑到用户参与在线社交网络的社会化因素，引入加权参数a(0≤a≤1)，当a＝1时，不考虑社会成本。
更新规则
在舆论信息的传播过程中，在线社交网络中的用户随时可能更改自己的转发行为，本模型采用配对比较的规则，通过比较节点间的博弈收益来量化这种策略更新行为。在每轮博弈结束后，每个节点会随机选择一个邻居节点，节点根据策略更新规则对比自身与邻居节点的收益来决定自己下一轮博弈的策略。由于演化博弈中的局中人是有限理性的，并不会十分理性地学习高收益的邻居节点，也可能向低收益的邻居节点学习，会以一定的概率更新学习策略。根据费米黄金函数，节点i更新为邻居节点j策略的概率为：
F(si←sj)＝1/(exp[-(Pj-Pi)/ω]+1)
其中，Pi为节点i的累积收益，ω>0为噪声因子，表示允许节点的非理性选择。当ω→0时，节点会进行理性更新；当ω→∞时，
即节点i选择学习新策略或者保持原有策略的概率相同，节点会进行随机更新。为保证节点更新高收益的可能性更大，取ω＝0.1。在进行仿真计算时，随机生成一个数r(0<r<1)，若r<＝F(si←sj)，节点i在下一轮博弈时更新为节点j的策略。
演化博弈
在t0时刻的合作者比例fc＝0.5。进行10000次演化以使博弈达到相对稳定状态，并选取最后1000次演化的数据计算不同策略节点的占比。为了预防数据的偶发性，仿真结果是50次独立演化结果的平均值。
本发明的模型采用的更新规则为费米规则，图3为费米规则的噪声因子ω对合作者比例fc影响的演化情况。
对影响节点演化的4个重要参数进行分析，分别是收益权重参数a，背叛诱惑b、网络聚类参数q、噪声因子ω。
当网络聚类参数q逐渐增大时，不同收益权重参数a与背叛诱惑b的网络中合作者比列均随之增大，这说明网络的聚集性越高，越能促进网络节点采取合作策略。同时，合作者比例的下线升高了，说明越高聚集的网络越有利于合作者生存。
在任一聚类参数q条件下，网络中的合作者比例与收益权重参数a成正比。这说明随着收益权重增大，网络中的采取合作策略的节点获得更高收益，越可能被其邻居节点学习。
在任一聚类参数q条件下，网络中的合作者比例与背叛诱惑b成反比。这说明随着背叛诱惑增大，网络中的采取不合作策略的节点获得更高收益，越可能被其邻居节点学习。
因此，网络中合作者比例的演化是博弈动力学与网络拓扑结构共同作用下的结果，不同博弈模型与网络结构条件下，对网络中合作者比例演化的影响不同。
本发明的用于博弈的收益矩阵采用的是单参数两策略囚徒博弈矩阵，可根据参数设置需要构造多参数博弈矩阵，分析背叛惩罚Punni shment、受骗支付Suckers对演化的影响；或构造多策略博弈矩阵，比如加入只点赞不转发的半合作策略。
在网络演化博弈中，每个节点会根据其邻居节点的状态和收益来更新自己的状态，本技术的状态更新规则采用了费米规则，代替方案可选用生灭过程、生死过程等规则。
最后应说明的是：以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变动，这些改进和变动也视为本发明的保护范围。
Claims (4)
1.一种基于演化博弈的分析在线社交网络信息传播动力学的方法，其特征在于，包括：
步骤S1、根据改进聚集的无标度网络生成算法；
步骤S2、采用对交互模式，每个节点与其邻居节点进行一次两人博弈，总收益是该节点与其所有邻居两人博弈产生的收益总和；
步骤S3、采用配对比较的规则，通过比较节点间的博弈收益来量化策略更新行为。
2.根据权利要求1所述的基于演化博弈的分析在线社交网络信息传播动力学的方法，其特征在于，步骤S1包括以下步骤：
网络初始节点中每加入一个新的节点，与已存在的节点建立连接；
新加入节点的第一条边与已存在节点连接的概率满足择优机制，其余的条边分别随机连接到其它邻居节点上。
3.根据权利要求1所述的基于演化博弈的分析在线社交网络信息传播动力学的方法，其特征在于，在所述步骤S3中，在每轮博弈结束后，每个节点随机选择一个邻居节点，节点根据策略更新规则对比自身与邻居节点的收益来决定自己下一轮博弈的策略。
4.根据权利要求3所述的基于演化博弈的分析在线社交网络信息传播动力学的方法，其特征在于，所述更新规则为费米规则。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310234931.7A CN116228449A (zh) | 2023-03-13 | 2023-03-13 | 一种基于演化博弈的分析在线社交网络信息传播动力学的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310234931.7A CN116228449A (zh) | 2023-03-13 | 2023-03-13 | 一种基于演化博弈的分析在线社交网络信息传播动力学的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116228449A true CN116228449A (zh) | 2023-06-06 |
Family
ID=86582284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310234931.7A Pending CN116228449A (zh) | 2023-03-13 | 2023-03-13 | 一种基于演化博弈的分析在线社交网络信息传播动力学的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116228449A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252234A (zh) * | 2023-11-16 | 2023-12-19 | 之江实验室 | 一种基于非合作博弈的策略生成方法及装置 |
| CN117255226A (zh) * | 2023-09-04 | 2023-12-19 | 北京工商大学 | 一种直播电商信息跨平台传播范围预测的方法和系统 |
-
2023
- 2023-03-13 CN CN202310234931.7A patent/CN116228449A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117255226A (zh) * | 2023-09-04 | 2023-12-19 | 北京工商大学 | 一种直播电商信息跨平台传播范围预测的方法和系统 |
| CN117252234A (zh) * | 2023-11-16 | 2023-12-19 | 之江实验室 | 一种基于非合作博弈的策略生成方法及装置 |
| CN117252234B (zh) * | 2023-11-16 | 2024-03-01 | 之江实验室 | 一种基于非合作博弈的策略生成方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116228449A (zh) | 一种基于演化博弈的分析在线社交网络信息传播动力学的方法 | |
| CN103064917B (zh) | 一种面向微博的特定倾向的高影响力用户群发现方法 | |
| Michiardi et al. | Analysis of coalition formation and cooperation strategies in mobile ad hoc networks | |
| CN111222029B (zh) | 一种网络舆情信息传播中关键节点选择方法 | |
| Sutcliffe et al. | Computational modelling of trust and social relationships | |
| Kasthurirathna et al. | Emergence of scale-free characteristics in socio-ecological systems with bounded rationality | |
| Iranzo et al. | Empathy emerges spontaneously in the ultimatum game: small groups and networks | |
| CN111294242A (zh) | 一种提高多智能体系统合作水平的多跳学习方法 | |
| Lv et al. | A game model for information dissemination in live streaming e‐commerce environment | |
| CN113724096A (zh) | 一种基于公共品演化博弈模型的群体知识共享方法 | |
| Han et al. | Emergence of cooperation with reputation-updating timescale in spatial public goods game | |
| Chelmis et al. | The role of organization hierarchy in technology adoption at the workplace | |
| He et al. | Novel competitive information propagation macro mathematical model in online social network | |
| Li et al. | Analysis for behavioral economics in social networks: An altruism-based dynamic cooperation model | |
| Grabowicz et al. | Dynamics in online social networks | |
| Wang et al. | Effects of trust-driven updating rule based on reputation in spatial prisoner’s dilemma games | |
| Zhang et al. | The “self-bad, partner-worse” strategy inhibits cooperation in networked populations | |
| Zhang et al. | Effects of strategy switching and network topology on decision-making in multi-agent systems | |
| Berndt et al. | Modeling user behavior in social media with complex agents | |
| Takesue | Effects of updating rules on the coevolving prisoner’s dilemma | |
| Chen et al. | [Retracted] Modeling and Simulation of Cultural Communication Based on Evolutionary Game Theory | |
| Kasthurirathna et al. | Optimising influence in social networks using bounded rationality models | |
| Cassidy et al. | Modeling smart grid adoption via a social network model | |
| Kirley | Evolutionary minority games with small-world interactions | |
| Peleteiro et al. | How coalitions enhance cooperation in the ipd over complex networks |
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 |