CN117255226A - 一种直播电商信息跨平台传播范围预测的方法和系统 - Google Patents
一种直播电商信息跨平台传播范围预测的方法和系统 Download PDFInfo
- Publication number
- CN117255226A CN117255226A CN202311134278.3A CN202311134278A CN117255226A CN 117255226 A CN117255226 A CN 117255226A CN 202311134278 A CN202311134278 A CN 202311134278A CN 117255226 A CN117255226 A CN 117255226A
- Authority
- CN
- China
- Prior art keywords
- live
- user
- network
- information
- propagation
- 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 71
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 11
- 230000003993 interaction Effects 0.000 claims description 50
- 230000006399 behavior Effects 0.000 claims description 28
- 230000007246 mechanism Effects 0.000 claims description 12
- 230000008901 benefit Effects 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 7
- 238000012502 risk assessment Methods 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 10
- 238000002474 experimental method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 108700041286 delta Proteins 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/478—Supplemental services, e.g. displaying phone caller identification, shopping application
- H04N21/47815—Electronic shopping
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/21—Server components or server architectures
- H04N21/218—Source of audio or video content, e.g. local disk arrays
- H04N21/2187—Live feed
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/478—Supplemental services, e.g. displaying phone caller identification, shopping application
- H04N21/4788—Supplemental services, e.g. displaying phone caller identification, shopping application communicating with other users, e.g. chatting
Abstract
本发明公开了一种直播电商信息跨平台传播范围预测的方法和系统，涉及在线社交网络技术领域，首先分别构建基于节点关系的直播、社交信息传播网络图，并构建社交演化博弈策略，定义社交网络用户之间的博弈收益矩阵；构建直播电商信息传播动力学模型；基于社交演化博弈模型仿真信息传播过程；最后根据直播电商信息传播仿真结果进行传播范围预测和传播分析。本发明可以有效提高直播电商信息传播的准确性和效果，为直播电商平台和商家带来更好的推广效果和商业价值。
Description
技术领域
本发明属于在线社交网络技术领域，具体涉及一种直播电商信息跨平台传播范围预测的方法和系统。
背景技术
直播电商作为一种新兴的网络购物方式，通过主播在直播过程中向观众展示商品的特定、功能、使用方法等，增加用户对商品的了解和信任度，提高用户购买意愿，极大的促进了网络购物的发展。且直播电商具有较强的社交属性，用户通过社交网络平台来获取商品信息和交流意见，这为直播电商的营销策略提供了新的思路。因此如何更好的预测直播电商用户在社交网络中的信息传播，以提高商品的曝光度，增加用户购买转化率，对于直播电商企业的推广和营销非常关键。
传统在研究跨网络信息传播范围预测问题时，通常使用传染病模型、演化博弈模型对信息传播过程进行建模，从宏观和微观上构建不同场景下信息传播的特点，明确信息传播的过程，以预测信息传播的趋势和范围。已有的研究针对传统社交网络拓扑结构上的信息传播已经取得显著成果。
但是现实中网络并非是孤立的，而是与其他具有不同结构和功能的网络间相互耦合互相作用。直播电商用户在社交网络中的信息传播互动过程中会涉及到许多复杂的因素，如社交网络平台的特性、用户个性化因素、商品特性等。现有的研究不能很好的解释直播电商信息在多维网络空间上的传播路径和驱动因素，从而导致最终传播趋势、传播范围的预测出现大幅度偏差。
发明内容
针对现有技术中由于对直播网络信息传播机制、驱动因素考虑不足导致传播范围的预测偏差较大的缺陷和问题，本发明提供一种直播电商信息跨平台传播范围预测的方法和系统。
本发明解决其技术问题所采用的方案是：一种直播电商信息跨平台传播范围预测的方法，包括以下步骤：
步骤一、分别构建基于节点关系的直播、社交信息传播网络图，并根据直播、社交网络历史信息数据，确定用户节点合作状态，初始化直播、社交网络传播路径，包括从真实的社交网络历史数据中，依据用户信息互动率、用户转发以及原创信息数等信息衡量用户活跃度，筛选出“积极用户”，并提取出“积极用户”的用户信息，初始化社交网络互动状态；
步骤二、构建社交演化博弈策略，考虑直播网络影响和用户个性化差异，定义社交网络用户节点之间的博弈收益矩阵；定义用户节点之间的博弈收益矩阵为：
| 互动 | 不互动 | |
| 互动 | b-c | -c |
| 不互动 | b | 0 |
其中，b＝b0+α1finf(ai)β1fprod(ui)，c＜b0，b表示用户节点选择互动行为的收益，c表示用户节点选择互动行为的成本；b0表示用户节点不受其他因素影响的基本收益，α1表示用户节点受主播影响力因素影响的比重，β1表示用户节点受商品折扣、特色等产品自身因素影响的比重，finf(ai)表示直播网络中主播节点ai的影响力评估，fprod(ui)表示用户ui对商品自身因素的感知；
步骤三、根据上述步骤二的社交演化博弈策略，构建直播电商信息传播动力学模型，考虑非结构转发和用户个性化差异，构建社交协同演化更新规则，包括定义节点行为策略模仿、定义节点关系更新、基于社交演化博弈模型进行信息传播仿真演化以及对不确定因素的风险分析；
步骤四、根据上述步骤三直播电商信息传播仿真结果进行传播范围预测和传播分析，包括：获取多次独立的仿真传播实验数据，取所有仿真实验结果中社交网络用户处于互动状态的节点数量的平均值作为信息传播范围预测的最终结果；再对影响信息传播的关键因素进行分析，探讨不同因素对用户间互动水平的影响。
进一步地，所述步骤一中使用有向无权网络G(V，E，I；U，R，P)来表示直播网络中用户与主播之间的关注关系和社交网络中用户之间好友关系，其中V表示网络中的节点的集合；E表示为节点之间关系的合集；I标识为节点之间交互行为的集合；U表示为节点效用的集合；R表示为节点声誉的集合；P表示为节点交互意愿的集合。
进一步地，所述步骤二中使用囚徒困境模型来刻画社交网络用户与其邻居之间的两两博弈，所构建的用户策略包括“互动”、“不互动”，其中“互动”表示社交网络用户参与电商直播信息的传播，“不互动”表示社交网络用户不参与直播电商信息的传播。
进一步地，直播网络中主播节点ai的影响力finf(ai)为：
上式中，Ni表示为直播网络主播节点的粉丝平均互动量，Ny表示为直播网络中主播节点的观看人数，其中粉丝互动量包括直播间留言、点赞、转发、送礼物等互动行为的人均数量。
用户ui对商品自身因素的感知fprod(ui)为：
上式中，对商品自身因素的感知fprod(ui)包括用户对价格折扣的敏感程度和对商品口碑、品质的认可程度/>
其中，Ri表示社交网络用户ui的历史订单的商品价格，Ravg表示同类别商品销量Top10的平均价格；Su表示历史购买商品的好评率，Tu表示历史购买商品的当月销量，Tavg表示同类别商品的平均当月销量；α2表示为价格折扣对用户影响的比重，β2表示为价格折扣对用户影响的比重，n为历史订单的数量。
进一步地，所述节点行为策略模仿指用户节点能够获取局部为内个体策略，否则用于以概率pi从直播网络中直接获取直播电商信息；所述用户节点更新包括用户节点依概率pr按最大声誉原则选择个体从局部范围内选择为建立社交关系的用户节点，并与之建立连线；以概率1-pr按照最小声誉原则，从邻居内选择个体断绝社交关系，取消与邻居之间的连线。
进一步地，所述基于社交演化博弈模型进行信息传播仿真演化指社交演化博弈模型基于演化更新规则,仿真信息传播过程,当网络演化进行相对稳态,一次演化过程结束；进行多次信息传播仿真过程；采用蒙特卡洛模拟方法对不确定因素进行风险分析,进行多次信息传播过程,获取产生可能结果的输出的分布。
一种直播电商信息跨平台传播范围预测的系统，包括网络构建模块、演化博弈模块、直播网络信息跨平台传播模块以及预测分析模块。
进一步地，所述演化博弈模块依据所述网络构建模块所构建的社交网络传播图和初始化网络传播链路，来定义网络节点之间的收益矩阵以及构建动态更新机制；直播网络信息跨平台传播模块通过上述收益矩阵以及所构建的动态更新机制来构建直播网络信息传播动力学模型以及预测信息传播范围，所述预测分析模块用于直播网络信息在社交网络上的以及信息传播范围预测和传播分析。
与现有技术相比，本发明的有益效果是：
本发明提供的一种预测直播电商信息跨平台传播行为的方法和系统，可以有效提高直播电商信息传播的准确性和效果，为直播电商平台和商家带来更好的推广效果和商业价值。
本发明综合考虑了直播网络和社交网络之间的关系，通过构建基于节点关系的直播和社交信息传播网络图，考虑了直播网络中主播与用户的关注关系以及社交网络中用户之间的好友关系，这样能够更加准确的揭示直播电商信息在不同网络之间的传播路径和驱动因素。
在此基础上,对用户与用户之间的交互行为使用演化博弈模型建模,并建立更新机制进行演化分析,以节点直接邻居和间接邻居对用户交互意愿的影响共同表示为社交环境影响因素,以节点非结构化信息获取以及个人感知描述为个性化影响因素,综合考虑两类因素对用户交互意愿进行预预测。
本发明提供了直播电商信息传播动力学模型的更新机制：通过定义节点行为策略更新和节点关系更新，引入了模仿过程和声誉评估机制，能够动态地调整用户节点的行为策略和社交网络关系，更好地模拟真实的信息传播过程。
并且通过大量的实验,验证了本发明的方法中直播电商信息传播动力学模型和驱动因素的重要影响作用,同时也通过与其他经典模型的对比实验,展现出本发明中方法在预测传播范围的准确。
附图说明
图1为本发明方法流程示意图；
图2为本发明直播、社交信息传播网络图；
图3为本发明直播电商信息传播模型中更新机制流程示意图；
图4为本发明实验结果对比示意图；
图5为直播电商信息传播结构化转发和非结构化转发对比示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
请参阅图1-5，本发明提供了一种预测直播电商信息跨平台传播行为的方法和系统的技术方案：
实施例一：
本实施例提供一种预测直播电商信息跨平台传播行为的方法，包括以下步骤：
步骤一、分别构建基于节点关系的直播、社交信息传播网络图，并初始化直播、社交网络传播链路，具体地：
网络中的节点表示为直播、社交网络中的主播和用户，参见图2，构建基于节点关系的直播、社交信息传播网络图，即根据社交网络中用户之间的友好关系、直播网络中主播与用户的关注关系，分别构建基于上述节点关系的直播、社交信息传播网络图。
本实施例中使用有向无权网络G(V,E,I；U,R,P)来表示直播网络中用户与主播之间的关注关系和社交网络中用户之间好友关系，有向网络是一种复杂网络，例如在微博网络中，每一个节点是一个微博用户，节点跟节点之间的连边表示“关注”关系，由于我粉你，但你不一定粉我，所以连接关系是有向的。该有向无权网络中，V表示网络中的节点的集合；E表示为节点之间关系的合集；I标识为节点之间交互行为的集合；U表示为节点效用的集合；R表示为节点声誉的集合；P表示为节点交互意愿的集合。
然后再根据直播、社交网络历史信息数据，确定用户节点合作状态，初始化直播、社交网络传播链路：
本实施例中通过从真实的社交网络历史数据中，依据用户信息互动率、用户转发以及原创信息数等信息衡量用户活跃度，筛选出“积极用户”，并提取出“积极用户”的用户信息，初始化社交网络互动状态。
步骤二、构建社交演化博弈策略，并定义社交网络用户之间的博弈收益矩阵，即根据社交演化博弈的理论，考虑直播网络影响和用户个性化差异，定义用户节点之间的博弈收益矩阵，包括：
(1)选择博弈模型
本实施例中使用囚徒困境模型来刻画社交网络用户与其邻居之间的两两博弈，所构建的用户策略包括“互动”、“不互动”，其中“互动”表示社交网络用户参与电商直播信息的传播，“不互动”表示社交网络用户不参与直播电商信息的传播。
(2)定义博弈矩阵收益
用户节点之间的博弈收益矩阵M为：
| 互动 | 不互动 | |
| 互动 | b-c | -c |
| 不互动 | b | 0 |
其中，b＝b0+α1finf(ai)+β1fprod(ui)，c＜b0，b表示用户节点选择互动行为的收益，c表示用户节点选择互动行为的成本；b0表示用户节点不受其他因素影响的基本收益，α1表示用户节点受主播影响力因素影响的比重，β1表示用户节点受商品折扣、特色等产品自身因素影响的比重，finf(ai)表示直播网络中主播节点ai的影响力评估，fprod(ui)表示用户ui对商品自身因素的感知。
直播网络中主播节点αi的影响力finf(ai)为：
上式中，Ni表示为直播网络主播节点的粉丝平均互动量，Ny表示为直播网络中主播节点的观看人数，其中粉丝互动量包括直播间留言、点赞、转发、送礼物等互动行为的人均数量。
用户ui对商品自身因素的感知fprod(ui)为：
上式中，对商品自身因素的感知fprod(ui)包括用户对价格折扣的敏感程度和对商品口碑、品质的认可程度/>
其中，Ri表示社交网络用户ui的历史订单的商品价格，Ravg表示同类别商品销量Top10的平均价格；Su表示历史购买商品的好评率，Tu表示历史购买商品的当月销量，Tavg表示同类别商品的平均当月销量；α2表示为价格折扣对用户影响的比重，β2表示为价格折扣对用户影响的比重，n为历史订单的数量。
步骤三、构建直播电商信息传播动力学模型，基于社交演化博弈模型仿真信息传播过程；即根据上述的社交演化博弈策略，考虑非结构转发和用户个性化差异，构建社交协同演化更新规则，参见图5，下方为结构化转发模式，上方为非结构化转发模式，包括：
1、定义节点行为策略模仿：
用户节点能够获取局部范围内个体策略，即在节点结构转发情况下，如图3所示，用户以概率pg获取节点邻居以及邻居的邻居中效用更大的个体策略，并采用Fermi函数描述节点对获取到的个体策略模仿的过程。
否则用户以一定概率pi从直播网络中直接获取直播电商信息，即在节点非结构化情况下，如图3所示，社交网络用户节点以概率pf直接从直播网络关注列表中随机获取主播直播信息，否则以概率pe随机选择主播直播信息，并采用互动策略。
上述的“效用”是用户节点与所有邻居节点博弈获取的收益之和，指导用户节点与其他邻居节点进行策略博弈。用户节点i的效用表示为该式中Ni是用户节点i的邻居节点的集合，Mij是用户节点i与邻居节点j博弈获取的收益。
上述的Fermi函数表示为$f_{fenni}(S_i\larr S_j)＝\ffac{1}{1+exp(\delta_1(u_i-u_j))}$，其中Si表示为用户i的行为策略，ui表示为用户i的效用，δ1表示为模仿过程中存在的噪音强度。
2、定义节点关系更新：
用户节点依概率pr按最大声誉原则选择个体从局部范围内选择未建立社交关系的用户节点，并与之建立连线。以概率1-pr按最小声誉原则，从邻居内选择个体断绝社交关系，取消与邻居之间的连线。
上述的“声誉”是用户节点对行为策略历史的评估，知道用户节点对行为历史的评估，指导用户节点更新社交网络关系，对于用户节点i，在t时刻的声誉表示为Ei(t)＝λEi(t-1)+ΔEi(t)，其中ΔEi(t)表示t时刻声誉的变化量，λ表示为声誉时间衰减率。
3、基于社交演化博弈模型进行信息传播仿真演化：
根据社交演化博弈模型基于演化更新规则，仿真信息传播过程，当网络演化进行相对稳态，一次演化过程结束，进行多次信息传播仿真过程。
进一步地，上述的相对稳态是指网络中的节点状态为全部互动、全部不互动，或者在演化周期内互动者的比例波动较小。
对一个演化周期，采用异步更新方式，随机选择节点进入更新状态，直至社交网络的演化进入相对稳态或周期结束；所述的随机选择选择节点进入更新状态是更新机制实施的过程，，即对于一个演化博弈时间步t，社交演化博弈模型从社交网络中随机选择节点，则该节点要么以概率pw＝1/(1+w)，进行用户行为策略模仿，要么以概率1-pw进行关注关系更新。其中w表示是当前演化过程中节点行为策略模仿的次数与关注关系更新的次数比例，可用于反映了节点关注关系更新的频率。
4、蒙特卡洛模拟：
采用蒙特卡洛模拟方法(此方法为公知技术，不详述)对不确定因素进行风险分析，进行多次信息传播过程，获取产生可能结果的输出的分布。
步骤四、根据上述步骤三直播电商信息传播仿真结果进行传播范围预测和传播分析：从步骤三中获取多次独立的仿真传播实验数据，取所有仿真实验结果中社交网络用户处于互动状态的节点数量的平均值作为信息传播范围预测的最终结果。之后在对影响信息传播的关键因素进行分析，探讨不同因素对用户间互动水平的影响。
本发明提供的一种直播电商信息跨平台传播范围预测的方法，综合考虑了直播平台、社交网络和用户行为等因素，能够较为准确的预测直播电商信息的传播范围和影响力，对于直播电商的推广、营销等具有重要意义。
实施例二：
本实施例提供一种直播电商信息跨平台传播范围预测的系统，包括网络构建模块、演化博弈模块、直播网络信息跨平台传播模块以及预测分析模块，演化博弈模块依据所述网络构建模块所构建的社交网络传播图和初始化网络传播链路，来定义网络节点之间的收益矩阵以及构建动态更新机制；直播网络信息跨平台传播模块通过上述收益矩阵以及所构建的动态更新机制，来构建直播网络信息传播动力学模型以及预测信息传播范围，所述预测分析模块用于直播网络信息在社交网络上的以及信息传播范围预测和传播分析。
实验例一：
基于上述的直播电商信息跨平台传播范围预测的方法和系统，本实验例通过实验验证所提出的信息传播范围预测模型在真实网络上的性能表现，同时将本发明的方法与现有常见的信息传播模型方法进行对比,证明本发明的方法在信息传播范围预测问题上的显著优势，实验过程如下：
通过从抖音、微博等直播、社交在线网络平台中获取用户关系、内容数据等大规模信息，对于直播网络，具体包括2872个网络主播节点，58971个网络节点，180541条网络关注关系以及1045606条相关主播、用户信息数据。对于社交网络，具体包括74024个网络节点，1567263条网络关注关系以及120582条相关用户信息数据。
实验结果如图4所示，使用改进的传染病模型SEIR进行对比实验，通过与现有技术相比，以证明本发明方法预测信息传播范围的准确性：
对于社交演化博弈模型的参数设置如下，博弈基本收益b0＝c＝1，演化周期设置为2×105蒙特卡洛时间步，声誉时间衰减率λ设置为0.95，pr＝0.9、w＝0.1。
SEIR模型参数包括：易受感染率α2＝0.27，扰动因子v＝0.1，康复率β2＝0.2等；设置直播网络信息发布时刻为初始状态状态，此时只有直播网络主播节点为感染用户，粉丝为易感染用户。为符合实际传播情况，采用马尔科夫蒙特卡洛方法求解，确定各个参数最优值。
实验使用合作者或感染者比例来刻画信息传播规模的大小，数值仿真的结果是基于20次独立运行的结果的平均值。通过实验结果能够得出，采用本发明方法预测信息传播范围具有较高的准确性。
以上所述仅为本发明的较佳实施例，并不限制本发明，凡在本发明的精神和原则范围内所做的任何修改、等同替换和改进，均应包含在本发明的保护范围之内。
Claims (8)
1.一种直播电商信息跨平台传播范围预测的方法，其特征在于：包括以下步骤：
步骤一、分别构建基于节点关系的直播、社交信息传播网络图，并根据直播、社交网络历史信息数据，确定用户节点合作状态，初始化直播、社交网络传播路径，包括从真实的社交网络历史数据中，依据用户信息互动率、用户转发以及原创信息数等信息衡量用户活跃度，筛选出“积极用户”，并提取出“积极用户”的用户信息，初始化社交网络互动状态；
步骤二、构建社交演化博弈策略，考虑直播网络影响和用户个性化差异，定义社交网络用户节点之间的博弈收益矩阵；定义用户节点之间的博弈收益矩阵为：
其中，b＝b0+α1finf(ai)+β1fprod(ui)，c＜b0，b表示用户节点选择互动行为的收益，c表示用户节点选择互动行为的成本；b0表示用户节点不受其他因素影响的基本收益，α1表示用户节点受主播影响力因素影响的比重，β1表示用户节点受商品折扣、特色等产品自身因素影响的比重，finf(αi)表示直播网络中主播节点αi的影响力评估，fprod(ui)表示用户ui对商品自身因素的感知；
步骤三、根据上述步骤二的社交演化博弈策略，构建直播电商信息传播动力学模型，考虑非结构转发和用户个性化差异，构建社交协同演化更新规则，包括定义节点行为策略模仿、定义节点关系更新、基于社交演化博弈模型进行信息传播仿真演化以及对不确定因素的风险分析；
步骤四、根据上述步骤三直播电商信息传播仿真结果进行传播范围预测和传播分析，包括：获取多次独立的仿真传播实验数据,取所有仿真实验结果中社交网络用户处于互动状态的节点数量的平均值作为信息传播范围预测的最终结果；再对影响信息传播的关键因素进行分析,探讨不同因素对用户间互动水平的影响。
2.根据权利要求1所述的直播电商信息跨平台传播范围预测的方法，其特征在于：所述步骤一中使用有向无权网络G(V,E,I；U,R,P)来表示直播网络中用户与主播之间的关注关系和社交网络中用户之间好友关系，其中V表示网络中的节点的集合；E表示为节点之间关系的合集；I标识为节点之间交互行为的集合；U表示为节点效用的集合；R表示为节点声誉的集合；P表示为节点交互意愿的集合。
3.根据权利要求1所述的直播电商信息跨平台传播范围预测的方法，其特征在于：所述步骤二中使用囚徒困境模型来刻画社交网络用户与其邻居之间的两两博弈，所构建的用户策略包括“互动”、“不互动”，其中“互动”表示社交网络用户参与电商直播信息的传播，“不互动”表示社交网络用户不参与直播电商信息的传播。
4.根据权利要求1所述的直播电商信息跨平台传播范围预测的方法，其特征在于：直播网络中主播节点ai的影响力finf(ai)为：
上式中，Ni表示为直播网络主播节点的粉丝平均互动量,Ny表示为直播网络中主播节点的观看人数，其中粉丝互动量包括直播间留言、点赞、转发、送礼物等互动行为的人均数量。
用户ui对商品自身因素的感知fprod(ui)为：
上式中，对商品自身因素的感知fprod(ui)包括用户对价格折扣的敏感程度和对商品口碑、品质的认可程度/>
其中，Ri表示社交网络用户ui的历史订单的商品价格,Ravg表示同类别商品销量Top10的平均价格；Su表示历史购买商品的好评率,Tu表示历史购买商品的当月销量,Tavg表示同类别商品的平均当月销量；α2表示为价格折扣对用户影响的比重,β2表示为价格折扣对用户影响的比重，n为历史订单的数量。
5.根据权利要求1所述的直播电商信息跨平台传播范围预测的方法，其特征在于：所述节点行为策略模仿指用户节点能够获取局部为内个体策略，否则用于以概率pi从直播网络中直接获取直播电商信息；所述用户节点更新包括用户节点依概率pr按最大声誉原则选择个体从局部范围内选择为建立社交关系的用户节点，并与之建立连线；以概率1-pr按照最小声誉原则，从邻居内选择个体断绝社交关系，取消与邻居之间的连线。
6.根据权利要求1所述的直播电商信息跨平台传播范围预测的方法，其特征在于：所述基于社交演化博弈模型进行信息传播仿真演化指社交演化博弈模型基于演化更新规则,仿真信息传播过程,当网络演化进行相对稳态,一次演化过程结束；进行多次信息传播仿真过程；采用蒙特卡洛模拟方法对不确定因素进行风险分析,进行多次信息传播过程,获取产生可能结果的输出的分布。
7.一种直播电商信息跨平台传播范围预测的系统，应用上述权利要求1-6所述的直播电商信息跨平台传播范围预测的方法，其特征在于：包括网络构建模块、演化博弈模块、直播网络信息跨平台传播模块以及预测分析模块。
8.根据权利要求7所述的直播电商信息跨平台传播范围预测的系统，其特征在于：所述演化博弈模块依据所述网络构建模块所构建的社交网络传播图和初始化网络传播链路，来定义网络节点之间的收益矩阵以及构建动态更新机制；直播网络信息跨平台传播模块通过上述收益矩阵以及所构建的动态更新机制来构建直播网络信息传播动力学模型以及预测信息传播范围，所述预测分析模块用于直播网络信息在社交网络上的以及信息传播范围预测和传播分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311134278.3A CN117255226A (zh) | 2023-09-04 | 2023-09-04 | 一种直播电商信息跨平台传播范围预测的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311134278.3A CN117255226A (zh) | 2023-09-04 | 2023-09-04 | 一种直播电商信息跨平台传播范围预测的方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117255226A true CN117255226A (zh) | 2023-12-19 |
Family
ID=89127234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311134278.3A Pending CN117255226A (zh) | 2023-09-04 | 2023-09-04 | 一种直播电商信息跨平台传播范围预测的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117255226A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130085838A1 (en) * | 2011-10-04 | 2013-04-04 | Microsoft Corporation | Incentive optimization for social media marketing campaigns |
| CN104091206A (zh) * | 2014-06-18 | 2014-10-08 | 北京邮电大学 | 基于演化博弈论的社交网络信息传播预测方法 |
| CN111523046A (zh) * | 2020-04-11 | 2020-08-11 | 西安电子科技大学 | 基于演化博弈的舆论信息与观点的协同演化模型构建方法 |
| CN111967645A (zh) * | 2020-07-15 | 2020-11-20 | 清华大学 | 一种社交网络信息传播范围预测方法及系统 |
| CN112801299A (zh) * | 2021-01-26 | 2021-05-14 | 西安电子科技大学 | 奖惩机制演化博弈模型构建方法、系统及应用 |
| CN112966191A (zh) * | 2020-12-02 | 2021-06-15 | 东北大学 | 一种新媒体平台网络信息传播弱连接节点的获取方法 |
| CN113902578A (zh) * | 2021-10-21 | 2022-01-07 | 南京邮电大学 | 一种动态社交网络中商品传播最大化方法、系统、装置及存储介质 |
| CN116228449A (zh) * | 2023-03-13 | 2023-06-06 | 辽宁工程技术大学 | 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 |
-
2023
- 2023-09-04 CN CN202311134278.3A patent/CN117255226A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130085838A1 (en) * | 2011-10-04 | 2013-04-04 | Microsoft Corporation | Incentive optimization for social media marketing campaigns |
| CN104091206A (zh) * | 2014-06-18 | 2014-10-08 | 北京邮电大学 | 基于演化博弈论的社交网络信息传播预测方法 |
| CN111523046A (zh) * | 2020-04-11 | 2020-08-11 | 西安电子科技大学 | 基于演化博弈的舆论信息与观点的协同演化模型构建方法 |
| CN111967645A (zh) * | 2020-07-15 | 2020-11-20 | 清华大学 | 一种社交网络信息传播范围预测方法及系统 |
| CN112966191A (zh) * | 2020-12-02 | 2021-06-15 | 东北大学 | 一种新媒体平台网络信息传播弱连接节点的获取方法 |
| CN112801299A (zh) * | 2021-01-26 | 2021-05-14 | 西安电子科技大学 | 奖惩机制演化博弈模型构建方法、系统及应用 |
| CN113902578A (zh) * | 2021-10-21 | 2022-01-07 | 南京邮电大学 | 一种动态社交网络中商品传播最大化方法、系统、装置及存储介质 |
| CN116228449A (zh) * | 2023-03-13 | 2023-06-06 | 辽宁工程技术大学 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 温昕: "《电商直播情境下的消费者群体行为与状态演化研究》", 《大连理工大学硕士学位论文》, no. 2023, 15 February 2023 (2023-02-15), pages 1 - 61 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Grabisch et al. | Strategic influence in social networks | |
| Sun et al. | A survey of models and algorithms for social influence analysis | |
| Robles et al. | Evolutionary multiobjective optimization to target social network influentials in viral marketing | |
| Peres | The impact of network characteristics on the diffusion of innovations | |
| Krishnamurthy et al. | A tutorial on interactive sensing in social networks | |
| Anderson et al. | An empirically grounded model for simulating normative energy use feedback interventions | |
| Zheng et al. | Arete: On designing joint online pricing and reward sharing mechanisms for mobile data markets | |
| Huang et al. | Competitive and complementary influence maximization in social network: A follower’s perspective | |
| Li et al. | Study on the steady state of the propagation model of consumers’ perceived service quality in the community group-buying | |
| Deng et al. | An empirical analysis of factors influencing users' adoption and use of mobile services in China | |
| Postigo-Boix et al. | A social model based on customers’ profiles for analyzing the churning process in the mobile market of data plans | |
| Babutsidze | The rise of electronic social networks and implications for advertisers | |
| Lai et al. | Analysis and evaluation of random-based message propagation models on the social networks | |
| Sayyed-Alikhani et al. | An agent-based system for modeling users’ acquisition and retention in startup apps | |
| Huang et al. | Recurrent neural variational model for follower-based influence maximization | |
| Kotani et al. | Quantitative evaluation of the roles of community events and artifacts for social network formation: a multilayer network model of a community of practice | |
| Ioannides | Random graphs and social networks: An economics perspective | |
| Caprioli et al. | Combining an agent-based model, hedonic pricing and multicriteria analysis to model green gentrification dynamics | |
| Wei et al. | Product diffusion in dynamic online social networks: A multi-agent simulation based on gravity theory | |
| Sheikhahmadi et al. | A multi-attribute method for ranking influential nodes in complex networks | |
| CN117255226A (zh) | 一种直播电商信息跨平台传播范围预测的方法和系统 | |
| Luo et al. | ACHRA: A novel model to study the propagation of clean heating acceptance among rural residents based on social networks | |
| Yang | Double-edged effects of pricing on diffusion of green products | |
| Zhang et al. | Mechanism of user participation in co-creation community: a network evolutionary game method | |
| Qian et al. | A novel approach for influence maximization based on clonal selection theory in social 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 |