复杂网络信息传播动力学研究
发布时间：2021-03-24 22:23
近年来复杂网络的研究发展迅速,且其研究主要集中于网络拓扑结构和网络上的动力学过程分析;基于复杂网络上研究信息传播动力学也是网络传播研究的热点问题之一。随着信息时代的到来,人们在社交网络中进行信息传播和交流,如知识、口碑、谣言及网络暴力等信息的传播。而如何促进有利信息的传播和抑制有害信息的传播对人们生活更加具有实际意义,因此研究信息传播机制至关重要。本文在复杂网络理论的基础上,分析社交网络中信息传播的影响因素及传播动力学。由于无标度网络能更加形象地反映现实世界中的社交网络,结合实际信息传播机制及具体情况,研究基于无标度网络建立了几类新型的信息传播动力学模型,并对提出的模型进行了详细地研究和分析,得到与现实生活中的信息传播现象相吻合的结论。本文工作及创新点主要包括以下几个方面:1、社交网络的出现与发展不仅为学习者提供了一个宽阔的学习环境,更为知识的广泛、快速传播提供了一个良好的平台。为了研究社交网络中知识传播机制及人们认知行为的不同,基于无标度网络提出了一类新型的ILSFI（Ignoramus-Learner-Spreader-Forgetter-Ignoramus）知识传播动力学模型。根...
【文章来源】：长江大学湖北省
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
全球Internet网络，社交网络，城市交通网络，神经网络
第二章复杂网络与信息传播概述13者（Infected，I）和治愈者（Removed，R）等不同的状态，而信息传播过程中个体节点一般分为无知者、信息传播者和信息抵制者，个体之间转换方式不同会形成不同的传染模型。本节主要介绍SIR信息传播模型。在SIR模型中，tR表示在t时刻系统中抵制人群的数量，处于该信息抵制状态的个体表明此时的个体已经获得免疫能力，不传播该信息。用tRk表示t时刻抵制者所占群体总数的比例，且有tSttRI1kkk。基于无标度网络的SIR信息传播模型流程图如图2-3所示。一个无知者可能会和自己有所关系的信息传播者交流，以概率感染进而转变成信息传播者，同时信息传播者由于某些原因也会以概率放弃传播信息，转变成信息抵制者。图2-3信息在无知者、传播者和抵制者之间的传播流程图Fig.2-3Flowchartofinformationdisseminationamongignorants,communicatorsandresisters在这里考虑社交网络中的信息传播是在无标度网络上，然后获得如下信息传播动力学模型：tIdttdRtkttISdttdItSktdttdSkkkkkkk（2-1）t其中表示在t时刻一个无知者与信息传播者接触的概率，并且满足：iiiiiPitIiktNtItkiP1/（2-2）kiP/表示度为k的节点与度为i的信息传播者随机接触的概率，Pk//kiiPi，ikiiP表示无标度网络中的平均度。2.3.3基本再生数基本再生数是判断疾病或信息等是否能在网络上持续传播的重要参数，在疾病
第三章考虑认知差异的知识传播动力学模型17似。因此本章基于基于传染病的研究方法，考虑人们认知差异和社交网络结构的异质性，在无标度网络上建立知识信息传播模型，分析知识信息传播动力学过程。3.2网络模型3.2.1模型建立知识信息传播研究是复杂网络理论的一个重要应用[73]。为了研究知识传播在社交网络的传播动力学模型，人群作为一个复杂的社交网络，个体抽象为节点并且个体之间的连接抽象为边，人们通过“接触”传播知识。在知识动力学传播过程中，每个节点有如下四种状态：无知者（ignoramus），其代表不知道某个知识的人；学习者（learner），其代表学习了某个知识但不主动传播知识的人；传播者（spreader），其代表积极传播分享知识的人；遗忘者（forgetter），其代表遗忘了所学知识的人。传播流程图如图3-1所示。图3-1知识在无知者、学习者、传播者和遗忘者之间的传播流程图Fig.3-1Flowdiagramillustratingbetweenignoramus,learner,spreaderandforgetter在知识传播过程中，考虑无知者与学习者或者传播者相接触，则无知者分别接触学习者和传播者的感染率为1和2，然后转变成学习者。吸引参数用来描述人们对学习新知识的兴趣程度。考虑到每个人学习新知识的受益程度不同，学习者转变成传播者的概率为。随着时间变化人们会遗忘某些学习的知识，也就是一个学习者或者传播者会分别以遗忘概率1或2转变成为遗忘者。当然，当再次面对新知识，一个遗忘者会以概率转变成一个无知者。为了使网络中的节点总数保持时序不变的，假设网络中的迁入率和迁出率都为，并且所有的新迁入群体均为无知者。社交网络中节点的度呈幂律分布且扰动较大，必须考虑节点度的异质性。用tIk，tLk，tSk，tFk分别表示度为k的四类节点在t时刻的密度。1t表示
【参考文献】：
期刊论文
[1]移动社交网络信息传播研究述评与展望[J]. 张鹏,赵动员,梅蕾. 情报科学. 2020(02)
[2]传播理论下的网络暴力研究[J]. 周佩. 新媒体研究. 2019(23)
[3]基于网络口碑的消费者重购行为影响因素及其机制研究[J]. 陈赛花. 商业经济研究. 2019(20)
[4]网络口碑对消费者购买意愿影响研究综述[J]. 侯海青,龚雅静. 西安石油大学学报(社会科学版). 2019(03)
[5]网络知识社区中知识传播扩散的仿真模型研究[J]. 杜智涛,付宏,李辉. 情报理论与实践. 2019(03)
[6]网络舆论暴力的形成机制与治理研究[J]. 管雅乐. 现代商贸工业. 2019(07)
[7]社交网络拓扑与信息传播[J]. 覃志华. 信息与电脑(理论版). 2017(21)
[8]如何看待新媒体环境下的网络暴力事件[J]. 丁晓蕾. 传播与版权. 2017(05)
[9]基于复杂网络的虚拟社区创新知识传播机制研究[J]. 叶腾,韩丽川,邢春晓,张妍. 现代图书情报技术. 2016(Z1)
[10]复杂网络上流行病传播动力学的爆发阈值解析综述[J]. 李睿琪,王伟,舒盼盼,杨慧,潘黎明,崔爱香,唐明. 复杂系统与复杂性科学. 2016(01)
博士论文
[1]传播动力学中的网络结构度量及合作演化研究[D]. 宋波.南京邮电大学 2019
[2]复杂网络上的信息传播动力学建模与免疫策略研究[D]. 夏玲玲.南京邮电大学 2017
[3]基于平均场理论的信息传播模型研究[D]. 董苏雅拉图.北京工业大学 2018
[4]社交网络在线口碑信息传播模型研究[D]. 崔雪莲.大连理工大学 2017
[5]几类复杂网络上的传播模型与动力学分析[D]. 苏贞.北京邮电大学 2017
[6]复杂网络上的信息有效传播研究[D]. 高磊.电子科技大学 2017
[7]社交网络中的信息与影响力传播模式研究[D]. 孙凌.北京交通大学 2017
[8]复杂网络建模及其传播动力学研究[D]. 崔爱香.电子科技大学 2014
[9]复杂网络上流行病和信息传播动力学研究[D]. 刘真真.大连理工大学 2013
[10]基于人类动力学的社交网络信息传播实证分析与建模研究[D]. 吴联仁.北京邮电大学 2013
硕士论文
[1]主题细分下在线社交网络用户信息传播力评价研究[D]. 孔月晗.南京邮电大学 2019
[2]知乎社区的社交网络信息传播模型研究[D]. 张倩倩.西安理工大学 2019
[3]面向社交网络的谣言传播模型研究[D]. 陈迪强.重庆邮电大学 2019
[4]一种基于复杂网络的知识传播效益模型[D]. 康彪.华中师范大学 2019
[5]基于无标度网络的信息传播模型动力学分析[D]. 侯景瑞.华中科技大学 2019
[6]无标度网络下微博信息传播行为研究[D]. 刘映芳.成都理工大学 2019
[7]社交网络谣言传播模型及动力学分析[D]. 吴晓.重庆理工大学 2019
[8]社交网络结构分析与预测建模[D]. 胡建涛.电子科技大学 2019
[9]基于复杂网络的舆情信息传播机制研究[D]. 张硕.首都经济贸易大学 2018
[10]复杂网络的信息传播动力学及控制策略研究[D]. 赵甜芳.大连理工大学 2017
本文编号：3098503
【文章来源】：长江大学湖北省
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
全球Internet网络，社交网络，城市交通网络，神经网络
第二章复杂网络与信息传播概述13者（Infected，I）和治愈者（Removed，R）等不同的状态，而信息传播过程中个体节点一般分为无知者、信息传播者和信息抵制者，个体之间转换方式不同会形成不同的传染模型。本节主要介绍SIR信息传播模型。在SIR模型中，tR表示在t时刻系统中抵制人群的数量，处于该信息抵制状态的个体表明此时的个体已经获得免疫能力，不传播该信息。用tRk表示t时刻抵制者所占群体总数的比例，且有tSttRI1kkk。基于无标度网络的SIR信息传播模型流程图如图2-3所示。一个无知者可能会和自己有所关系的信息传播者交流，以概率感染进而转变成信息传播者，同时信息传播者由于某些原因也会以概率放弃传播信息，转变成信息抵制者。图2-3信息在无知者、传播者和抵制者之间的传播流程图Fig.2-3Flowchartofinformationdisseminationamongignorants,communicatorsandresisters在这里考虑社交网络中的信息传播是在无标度网络上，然后获得如下信息传播动力学模型：tIdttdRtkttISdttdItSktdttdSkkkkkkk（2-1）t其中表示在t时刻一个无知者与信息传播者接触的概率，并且满足：iiiiiPitIiktNtItkiP1/（2-2）kiP/表示度为k的节点与度为i的信息传播者随机接触的概率，Pk//kiiPi，ikiiP表示无标度网络中的平均度。2.3.3基本再生数基本再生数是判断疾病或信息等是否能在网络上持续传播的重要参数，在疾病
第三章考虑认知差异的知识传播动力学模型17似。因此本章基于基于传染病的研究方法，考虑人们认知差异和社交网络结构的异质性，在无标度网络上建立知识信息传播模型，分析知识信息传播动力学过程。3.2网络模型3.2.1模型建立知识信息传播研究是复杂网络理论的一个重要应用[73]。为了研究知识传播在社交网络的传播动力学模型，人群作为一个复杂的社交网络，个体抽象为节点并且个体之间的连接抽象为边，人们通过“接触”传播知识。在知识动力学传播过程中，每个节点有如下四种状态：无知者（ignoramus），其代表不知道某个知识的人；学习者（learner），其代表学习了某个知识但不主动传播知识的人；传播者（spreader），其代表积极传播分享知识的人；遗忘者（forgetter），其代表遗忘了所学知识的人。传播流程图如图3-1所示。图3-1知识在无知者、学习者、传播者和遗忘者之间的传播流程图Fig.3-1Flowdiagramillustratingbetweenignoramus,learner,spreaderandforgetter在知识传播过程中，考虑无知者与学习者或者传播者相接触，则无知者分别接触学习者和传播者的感染率为1和2，然后转变成学习者。吸引参数用来描述人们对学习新知识的兴趣程度。考虑到每个人学习新知识的受益程度不同，学习者转变成传播者的概率为。随着时间变化人们会遗忘某些学习的知识，也就是一个学习者或者传播者会分别以遗忘概率1或2转变成为遗忘者。当然，当再次面对新知识，一个遗忘者会以概率转变成一个无知者。为了使网络中的节点总数保持时序不变的，假设网络中的迁入率和迁出率都为，并且所有的新迁入群体均为无知者。社交网络中节点的度呈幂律分布且扰动较大，必须考虑节点度的异质性。用tIk，tLk，tSk，tFk分别表示度为k的四类节点在t时刻的密度。1t表示
【参考文献】：
期刊论文
[1]移动社交网络信息传播研究述评与展望[J]. 张鹏,赵动员,梅蕾. 情报科学. 2020(02)
[2]传播理论下的网络暴力研究[J]. 周佩. 新媒体研究. 2019(23)
[3]基于网络口碑的消费者重购行为影响因素及其机制研究[J]. 陈赛花. 商业经济研究. 2019(20)
[4]网络口碑对消费者购买意愿影响研究综述[J]. 侯海青,龚雅静. 西安石油大学学报(社会科学版). 2019(03)
[5]网络知识社区中知识传播扩散的仿真模型研究[J]. 杜智涛,付宏,李辉. 情报理论与实践. 2019(03)
[6]网络舆论暴力的形成机制与治理研究[J]. 管雅乐. 现代商贸工业. 2019(07)
[7]社交网络拓扑与信息传播[J]. 覃志华. 信息与电脑(理论版). 2017(21)
[8]如何看待新媒体环境下的网络暴力事件[J]. 丁晓蕾. 传播与版权. 2017(05)
[9]基于复杂网络的虚拟社区创新知识传播机制研究[J]. 叶腾,韩丽川,邢春晓,张妍. 现代图书情报技术. 2016(Z1)
[10]复杂网络上流行病传播动力学的爆发阈值解析综述[J]. 李睿琪,王伟,舒盼盼,杨慧,潘黎明,崔爱香,唐明. 复杂系统与复杂性科学. 2016(01)
博士论文
[1]传播动力学中的网络结构度量及合作演化研究[D]. 宋波.南京邮电大学 2019
[2]复杂网络上的信息传播动力学建模与免疫策略研究[D]. 夏玲玲.南京邮电大学 2017
[3]基于平均场理论的信息传播模型研究[D]. 董苏雅拉图.北京工业大学 2018
[4]社交网络在线口碑信息传播模型研究[D]. 崔雪莲.大连理工大学 2017
[5]几类复杂网络上的传播模型与动力学分析[D]. 苏贞.北京邮电大学 2017
[6]复杂网络上的信息有效传播研究[D]. 高磊.电子科技大学 2017
[7]社交网络中的信息与影响力传播模式研究[D]. 孙凌.北京交通大学 2017
[8]复杂网络建模及其传播动力学研究[D]. 崔爱香.电子科技大学 2014
[9]复杂网络上流行病和信息传播动力学研究[D]. 刘真真.大连理工大学 2013
[10]基于人类动力学的社交网络信息传播实证分析与建模研究[D]. 吴联仁.北京邮电大学 2013
硕士论文
[1]主题细分下在线社交网络用户信息传播力评价研究[D]. 孔月晗.南京邮电大学 2019
[2]知乎社区的社交网络信息传播模型研究[D]. 张倩倩.西安理工大学 2019
[3]面向社交网络的谣言传播模型研究[D]. 陈迪强.重庆邮电大学 2019
[4]一种基于复杂网络的知识传播效益模型[D]. 康彪.华中师范大学 2019
[5]基于无标度网络的信息传播模型动力学分析[D]. 侯景瑞.华中科技大学 2019
[6]无标度网络下微博信息传播行为研究[D]. 刘映芳.成都理工大学 2019
[7]社交网络谣言传播模型及动力学分析[D]. 吴晓.重庆理工大学 2019
[8]社交网络结构分析与预测建模[D]. 胡建涛.电子科技大学 2019
[9]基于复杂网络的舆情信息传播机制研究[D]. 张硕.首都经济贸易大学 2018
[10]复杂网络的信息传播动力学及控制策略研究[D]. 赵甜芳.大连理工大学 2017
本文编号：3098503
本文链接：https://www.wllwen.com/kejilunwen/yysx/3098503.html
