基于观点邻域状态变化的复杂网络传播与干扰模型
发布时间：2021-09-15 06:20
研究信息或观点在社交网络中的传播对于理解复杂网络理论动力学特征、挖掘传播规律等具有重要理论意义。基于Deffuant模型,设计一种节点状态伴随其自身观点变化而改变的信息传播模型,模型节点具有一个影响其状态的观点值,通过引入状态改变域参数,使节点观点在传播过程中逐渐变化,最终节点状态发生改变,而节点状态则由初始传播者观点邻域决定。在该模型中引入扰动信号源,结合在实际复杂网络结构中的仿真实验结果与相应理论分析模型特征,验证模型正确性与有效性。实验表明,初始观点传播者对最终传播结果具有重要影响作用;作为传播目标的观点,其概念越宽泛,在网络中引发的群体犹豫越大。
【文章来源】：软件导刊. 2020,19(08)
【文章页数】：6 页
【部分图文】：
SCADR模型概念
对比图2(a）、（b）可以发现，随着传播概率β的增加，节点观点同步到统一时的时间步逐渐减少。这说明传播者（Spreader）对观点的传播能力越强，群体越容易达到观点统一。对比图2(a）、（c）与图2(b）、（d）可以发现，随着状态改变域θ的增加，节点同步速度逐渐增加，同步到统一时的时间步也逐渐减少，因为随着状态改变域θ的增加，有资格成为传播者的“门槛”变低，当传播者基数增加，节点观点同步到统一时的时间步也会减少，且随着传播概率β与状态改变域θ增加。实验表明，某观点的可接受度越大，越容易达成观点一致，因此为加快观点统一可适当降低成为传播者的“门槛”以增加传播者基数。在SCADR模型实验中，本文依旧选择具有明显小世界特性的悲惨世界复杂网络作为实验对象，将置信域δ固定为0.5，在实验开始时根据度中心性算法选择一个节点作为初始传播者，此处依旧选取度值为36的11号节点作为初始传播者S0，将其观点值设置为0.9，状态设置为“Spreader”，剩下所有节点初始观点值均设置为0.5，状态设置为“Crowd”，设置干扰者出现时间步为tn。在每一个时间步，状态为“Spreader”传播者i对其邻居节点进行传播，若传播者和其邻居节点观点差超过置信域δ，即Sij>δ，则二者观点不改变；如果它们观点差在置信区间内，即Sij<δ，则根据式（2）、式（3）改变两者观点值。在第tn时间步依旧根据度中心性算法选出一个节点作为初始干扰者D0。此处选取度值为22，排在第二的48号节点作为初始干扰者D0，将其意见值设置为0.1，状态设置为“Disturber”，在后面的每一个时间步，状态为“Disturber”的干扰者对其邻居节点进行干扰。同样，若干扰者和其邻居节点观点差超过置信区间，则它们观点不会改变，如其观点差在置信区间内，则根据式（2）、式（3）改变两者观点值。在每一时间步结束后计算每个节点与初始传播者S0和干扰者D0之间的观点差Sij(t)。如果节点与初始传播者S0之间的观点差小于状态改变域θ，则节点状态会以γ的概率变为传播者，以1-γ的概率变为接受者；同样如果节点与初始干扰者D0之间的观点差小于状态改变域θ，则节点状态会以γ的概率变为干扰者，以1-γ的概率变为拒绝者。
为研究观点同步过程，本文将状态改变域θ设置为0.05，将变为具有传播能力节点状态概率γ设置为0.5进行实验，将干扰者出现时间点设置为t2，依旧根据度中心性算法选择11号节点作为初始传播者和48号节点作为初始干扰者，最终节点状态如图3所示。其中节点大小表示度值大小，连边粗细代表权值，节点状态中黑色表示“Spreader”、深灰色表示“Accepter”、白色表示“Disturber”、浅灰色表示“Rejecter”，观点值演化过程如图3所示。其中，黑色节点代表传播者，深灰色节点代表接受者，白色节点代表干扰者，浅灰色节点代表拒绝者。图3中，左侧最大的黑色节点是初始选定的传播者，右边最大橙色节点是t2时刻选定的干扰者。可以看到初始传播者邻居节点几乎均被“感染”为“传播者”或“接受者”，初始干扰者邻居节点状态也与初始干扰者保持一致，大部分为“干扰者”和“拒绝者”，这说明初始传播者和干扰者的选择对周围社团相同邻居节点的影响很大。
【参考文献】：
期刊论文
[1]复杂网络视角下上海市加油站布局特征研究——以中石油为例[J]. 施佳怡,郭进利. 软件导刊. 2019(09)
[2]基于改进凝聚算法与铁路网的社团划分[J]. 李勤敏,郭进利. 软件导刊. 2019(01)
[3]基于复杂网络的SEIA流行病传播模型最优控制研究[J]. 王赛,刘子龙. 软件导刊. 2018(11)
[4]自媒体复杂网络消息传播模型[J]. 盛成成,刘亚平,朱勇. 软件导刊. 2019(03)
[5]具有跨邻居传播能力的信息辐射模型研究[J]. 汪筱阳,王瑛,朱参世,朱琳,傅超琦. 物理学报. 2017(03)
[6]Subtle role of latency for information diffusion in online social networks[J]. 熊菲,王夕萌,程军军. Chinese Physics B. 2016(10)
[7]基于信息熵的社交网络观点演化模型[J]. 黄飞虎,彭舰,宁黎苗. 物理学报. 2014(16)
[8]CONSENSUS FORMATION OF TWO-LEVEL OPINION DYNAMICS[J]. Yilun SHANG. Acta Mathematica Scientia. 2014(04)
[9]基于社交网络的观点传播动力学研究[J]. 熊熙,胡勇. 物理学报. 2012(15)
本文编号：3395566
【文章来源】：软件导刊. 2020,19(08)
【文章页数】：6 页
【部分图文】：
SCADR模型概念
对比图2(a）、（b）可以发现，随着传播概率β的增加，节点观点同步到统一时的时间步逐渐减少。这说明传播者（Spreader）对观点的传播能力越强，群体越容易达到观点统一。对比图2(a）、（c）与图2(b）、（d）可以发现，随着状态改变域θ的增加，节点同步速度逐渐增加，同步到统一时的时间步也逐渐减少，因为随着状态改变域θ的增加，有资格成为传播者的“门槛”变低，当传播者基数增加，节点观点同步到统一时的时间步也会减少，且随着传播概率β与状态改变域θ增加。实验表明，某观点的可接受度越大，越容易达成观点一致，因此为加快观点统一可适当降低成为传播者的“门槛”以增加传播者基数。在SCADR模型实验中，本文依旧选择具有明显小世界特性的悲惨世界复杂网络作为实验对象，将置信域δ固定为0.5，在实验开始时根据度中心性算法选择一个节点作为初始传播者，此处依旧选取度值为36的11号节点作为初始传播者S0，将其观点值设置为0.9，状态设置为“Spreader”，剩下所有节点初始观点值均设置为0.5，状态设置为“Crowd”，设置干扰者出现时间步为tn。在每一个时间步，状态为“Spreader”传播者i对其邻居节点进行传播，若传播者和其邻居节点观点差超过置信域δ，即Sij>δ，则二者观点不改变；如果它们观点差在置信区间内，即Sij<δ，则根据式（2）、式（3）改变两者观点值。在第tn时间步依旧根据度中心性算法选出一个节点作为初始干扰者D0。此处选取度值为22，排在第二的48号节点作为初始干扰者D0，将其意见值设置为0.1，状态设置为“Disturber”，在后面的每一个时间步，状态为“Disturber”的干扰者对其邻居节点进行干扰。同样，若干扰者和其邻居节点观点差超过置信区间，则它们观点不会改变，如其观点差在置信区间内，则根据式（2）、式（3）改变两者观点值。在每一时间步结束后计算每个节点与初始传播者S0和干扰者D0之间的观点差Sij(t)。如果节点与初始传播者S0之间的观点差小于状态改变域θ，则节点状态会以γ的概率变为传播者，以1-γ的概率变为接受者；同样如果节点与初始干扰者D0之间的观点差小于状态改变域θ，则节点状态会以γ的概率变为干扰者，以1-γ的概率变为拒绝者。
为研究观点同步过程，本文将状态改变域θ设置为0.05，将变为具有传播能力节点状态概率γ设置为0.5进行实验，将干扰者出现时间点设置为t2，依旧根据度中心性算法选择11号节点作为初始传播者和48号节点作为初始干扰者，最终节点状态如图3所示。其中节点大小表示度值大小，连边粗细代表权值，节点状态中黑色表示“Spreader”、深灰色表示“Accepter”、白色表示“Disturber”、浅灰色表示“Rejecter”，观点值演化过程如图3所示。其中，黑色节点代表传播者，深灰色节点代表接受者，白色节点代表干扰者，浅灰色节点代表拒绝者。图3中，左侧最大的黑色节点是初始选定的传播者，右边最大橙色节点是t2时刻选定的干扰者。可以看到初始传播者邻居节点几乎均被“感染”为“传播者”或“接受者”，初始干扰者邻居节点状态也与初始干扰者保持一致，大部分为“干扰者”和“拒绝者”，这说明初始传播者和干扰者的选择对周围社团相同邻居节点的影响很大。
【参考文献】：
期刊论文
[1]复杂网络视角下上海市加油站布局特征研究——以中石油为例[J]. 施佳怡,郭进利. 软件导刊. 2019(09)
[2]基于改进凝聚算法与铁路网的社团划分[J]. 李勤敏,郭进利. 软件导刊. 2019(01)
[3]基于复杂网络的SEIA流行病传播模型最优控制研究[J]. 王赛,刘子龙. 软件导刊. 2018(11)
[4]自媒体复杂网络消息传播模型[J]. 盛成成,刘亚平,朱勇. 软件导刊. 2019(03)
[5]具有跨邻居传播能力的信息辐射模型研究[J]. 汪筱阳,王瑛,朱参世,朱琳,傅超琦. 物理学报. 2017(03)
[6]Subtle role of latency for information diffusion in online social networks[J]. 熊菲,王夕萌,程军军. Chinese Physics B. 2016(10)
[7]基于信息熵的社交网络观点演化模型[J]. 黄飞虎,彭舰,宁黎苗. 物理学报. 2014(16)
[8]CONSENSUS FORMATION OF TWO-LEVEL OPINION DYNAMICS[J]. Yilun SHANG. Acta Mathematica Scientia. 2014(04)
[9]基于社交网络的观点传播动力学研究[J]. 熊熙,胡勇. 物理学报. 2012(15)
本文编号：3395566
本文链接：https://www.wllwen.com/kejilunwen/yysx/3395566.html
