基于社交网络的信息传播模型分析

发布时间：2019-11-02 15:13

【摘要】：随着社交网络的蓬勃发展,网络舆论的控制变得越来越重要。信息传播模型能够揭示信息传播的规律,从而达到对传播过程进行预测的目的,因此社交网络信息传播模型的研究具有重要意义。针对经典传染病模型的不足进行了分析,结合社交网络的网络拓扑特点,考虑了网络中用户的不同感染状态,引入感染用户的衰减函数,提出了适合社交网络的信息传播模型。在真实e-mail网络中进行模型仿真,对比分析了不同模型的结果,研究了模型中各个影响因子对传播过程的影响。结果表明,不同的模型参数反映了传播趋势的差异,模型反映出的传播规律更符合信息在现实网络中的传播过程。
【图文】：

网终用户仕木蛤施阁图

在目前关于信息传播模型的研究中，，并没有考虑到感染用户的不同言论倾向，如SIＲ传播模型、文献［11～13，16］中提出的模型。以文献［16］为例，文章沿用了SIＲ模型中将用户分为未知者、传播者和免疫者三类的思想，考虑了用户的免疫力变化以及外部社会加强对传播的影响等因素，构建了基于在线社交网络的消息传播模型(D-SIＲ)。在本文模型的数值仿真中，通过设置初始感染用户，研究网络中各类状态用户的数量随着传播层级数的变化情况。本文、SIＲ以及D-SIＲ模型的仿真结果如图4～6所示。从图4可以看出，易感染状态用户数量初期呈现出较快的下降趋势，在一定阶段后趋于一个定值;两种感染状态用户数量在初始阶段快速增长，当达到最大值后逐渐衰减，呈现固定的生命周期，最后趋向于零;免疫用户数量则是保持增加的趋势。从图4～6的对比可以看出，本文模型由于定义了不同状态的感染用户，所以在仿真结果中存在两类感染用户的数量曲线，比起另外两个模型更能体现出网络中信息传播趋势的多样性。另外，在实际社交网络的信息传播过程中，信息的发布初期传播速度并不会极其迅速，而在爆发时网络中的易感染用户会很快收到信息并发生状态转变，因此易感染用户的曲线变化应该是先平缓而后突然下降，形成一个陡峭下滑的趋势，本文模型中易感染(S类)用户的减少趋势正是符合这一点。但在SIＲ模型中，曲线的变化一直平缓减少，并没有出现骤减的情况。三种模型感染状态用户峰值对比如图7所示。从图7可以看出，传播过程中感染用户(I类)的峰值本文模型较SIＲ、D-SIＲ模型更高，说明信息在网络中的覆盖面越广。特此说明，由于本文模型将感染用户分为两类，所以感染用户总数量为两类感染用户数量相加。2.2不同影响因子对比分析2.2.1初始感染用户不同的情况S

【相似文献】

相关期刊论文 前10条

1 王启东;;智慧城市中社交网络的优化设计[J];金卡工程;2013年07期

2 张磊;陈贞翔;杨波;;社交网络用户的人格分析与预测[J];计算机学报;2014年08期

3 周国健;刘璐;邵攸悠;;高校校园社交网络系统实现设计研究[J];电子技术与软件工程;2014年10期

4 斯蒂芬·卡斯;;在线社区能否解决隐私问题[J];科技创业;2011年08期

5 ;如何在工作场所安全使用社交网络[J];计算机与网络;2012年10期

6 郭玉翠;;大学生社交网络应用现状调查研究——以兰州高校为例[J];软件导刊;2013年11期

7 张新;;Google Buzz,你爱不爱[J];软件和信息服务;2010年03期

8 申强;;利用社交网络并避免其带来的风险[J];信息安全与通信保密;2011年10期

9 范超然;黄曙光;李永成;;微博社交网络社区发现方法研究[J];微型机与应用;2012年23期

10 舒文琼;;社交网络新玩法:微信向左移联浏览器向右[J];通信世界;2013年02期

相关会议论文 前3条

1 杜p

本文编号：2554558