社交网络中观点演化模式及信息转发预测研究

发布时间：2020-10-22 17:57

　　 随着互联网和移动通信技术的持续发展,社交网络不断扩大,社会进入泛社交化时代。社交网络不仅成为用户发表观点和分享信息的重要平台,也是媒体、企业发布新闻、推送广告的关键载体。社交网络的开放性、互动性、个性化和智能化等特点使得用户观点交互方式和演化过程更为复杂,影响群体意见形成的因素更为多样。社交网络的发展造成信息由单向线性传播转为节点间的互动传播,增加了用户的参与性,其中转发行为起到关键作用,促使信息形成二次或多次传播。网络舆论的形成和发展依赖于用户的交互行为和信息的传播方式,而传统舆论的研究和模型不足以发现影响观点演化和信息传播的关键因素,更难以预测和掌握网络舆论的发展。鉴于此,本文结合交叉学科的研究思想和方法,围绕个体观点交互行为,群体观点演化过程、信息传播机制,转发行为及预测等问题展开研究。重点研究了社交网络中媒体异质性对于个体观点交互的影响,探索观点动力学模型在实践中的应用,实证分析用户的转发行为,探索信息的转发机制及转发数据间的关系,建立转发预测模型。论文的研究有助于理解网络舆论的形成及发展过程,丰富复杂系统理论的研究内容,同时对网络舆论控制和互联网经济具有一定的指导意义。论文的研究工作得到了国家自然科学基金项目(No.61271308、61401015)、北京市教委应用研究项目、中央高校基本科研业务费专项资金研究生创新项目和北京市重点实验室资助项目的支持。论文的主要工作和创新点如下:1.传统的观点动力学模型将研究重点放在了普通用户的异质性上,而忽略了社交网络中不同类型用户的异质性。论文研究了媒体用户的特点,建立了基于媒体异质性的观点交互演化模型。模型利用改进型RAS对媒体观点影响个体观点的过程进行描述,同时考虑到时间因素对信息传播效率的影响,将时间变量引入观点采纳概率中,以反映观点交互的时效性。对模型的仿真及数值结果表明:规则网络中平均路径长度较大的特征使得媒体观点传播速度慢、范围小,个体观点交互频率低,观点演化易出现分裂现象;无标度网络中异构性强、中心用户多等特点使得媒体观点传输效率高,个体观点影响范围广,观点演化易出现统一现象;观点采纳概率对四种网络中的终态平均观点值影响巨大,而有界信任阈值对规则网络和无标度网络中的观点演化影响较大;相比于节点度和聚类系数,基于节点介数优先的媒体位置选择方式,其观点影响力传播速度快,范围广。2.观点动力学领域内大量的研究关注了模型中的观点更新规则,对于模型在实践中的应用研究较少。论文研究了观点动力学在广告营销中的应用,建立了在广告影响下的观点交互模型。模型充分结合了离散型观点模型和连续型观点模型的优点,考虑到朋友间影响力的递减效应以及记忆力对于个体观点的衰减作用。并在模型中定义了广告影响力和广告覆盖范围等变量,研究在广告影响下群体观点的演化过程及关键影响因素。数值仿真结果表明:广告影响力和广告覆盖范围对于广告传播有着类似的作用效果,只有当初始值大于一定阈值时,广告才会取得显著的成效。在相同条件下,广告覆盖范围比广告影响力起着更重要的作用。然而真正决定广告成功的关键因素是用户活跃度,因为用户活跃度可以直接反映出用户对于产品或者服务的认可程度。本研究对于互联网经济有一定的现实指导意义。3.转发行为是社交网络中信息扩散的关键因素,传统的信息传播模型缺乏对转发行为的定量分析,且大部分研究为静态描述类模型。论文对大量转发行为数据进行了实证分析,并根据实证结论建立了动态信息转发模型。实证分析中发现:转发行为是普通用户使用微博的主要行为;转发深度服从幂律分布,且超过99%的转发行为发生在三阶转发之内;转发时间间隔近似服从指数分布。通过建立动态信息转发网络,提出基于马尔科夫过程的动态信息转发模型,模型采用连续时间变量,弥补了离散时间信息传播模型在预测能力上的不足。通过仿真实验,并与ARIMI模型对比,证明此动态转发模型具有更好的预测能力。此外转发量作为评估用户影响力的一个重要指标,模型还可以用来解决影响力最大化的问题。4.传统的转发预测模型难以考虑到转发数据间的关系,更缺乏对海量信息的处理能力。论文借助人工神经网络在数据处理上的优势,建立了基于遗传算法的分段式BP神经网络转发预测模型。分析转发行为的数据特征,运用统计学知识对转发数据进行分段,建立分段式BP神经网络预测模型。采用试凑法依次确定模型中隐藏层神经元个数、输入层个数、学习效率和动量因子等参数,从预测结果看分段式BP神经网络模型的预测曲线更加平滑,预测精度有了一定的提高。然后,利用遗传算法在全局搜索最优解问题上的高效性,提出改进型分段式预测模型。不仅摆脱了BP神经网络模型中试凑参数的不便,同时可以避免遗漏最佳的参数选择。仿真结果表明改进型模型大幅度提高了转发行为的预测精度,为大规模行为预测提供了理论参考和实践指导。
【学位单位】：北京交通大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：G206;TP18
【部分图文】：

２．３．２平均观点演化过程??为了进一步探究不同网络结构和模型参数对于群体观点演化过程的影响，在??仿真过程中统计每一步的平均观点值绘制如图２．３。网络中的用户总数为１０００个，??其中媒体用户为２０个，不同网络中节点的平均度值为１０，其它参数保持不变。从??２．２节中的公式（２．１５）可以分析出参数ｚ和时间变量Ｚ对观点采纳概率的影响较??大

其观点值逐渐增加，因此网络中平均观点值的增加可以视为对媒体观点影??响力的反映。??通过对图２．９的仿真结果分析，发现在随机网络、小世界网络和无标度网络中??均是基于节点介数的媒体位置选择方式使得网络中用户的平均观点上升最快

采用单一变量的实验方法，即除為值以外，其他变量保持不变。仿真中用户的记忆??强度为２７到３１之间的随机数，广告覆盖范围是１９０，用户活跃度是７５，组员数??量为４，ａ?＝?０．５。从仿真开始到结束，图３．１?（ａ）统计了外在表现为＜７，＝＋１的用??户总数的变化情况，其中為分别等于〇．丨〇，〇．丨５，０．２０，０．２５，０．３０，０．３５，和０．４０。（在??＜赋值时，因用户个体存在差异性，即对同一产品广告所受影响不同，所以其具体??赋值过程为从０到＜的区间内随机选取一个数值作为个体受到的广告影响力）从??图中发现，表现积极（ｃｒ，?＝＋１）的用户总数在很短的时间内就达到了一个动态稳定状??态，随即在一个很小的范围内波动。在仿真中為的值是连续的，然而最终的广告影??响效果是分段的。当?＜?的值相对较小时，其最终带来的广告影响效果很弱，而当＜??的值相对较大时，其最终带来的广告影响效果很好。图３．１?（ａ）上半部分的广告制??作可以被认为是“成功”的，而下半部分的那些广告看起来是“失败”的。在“成??功”或者“失败”的广告群中
【参考文献】

相关期刊论文 前3条

1 邓青;马晔风;刘艺;张辉;;基于BP神经网络的微博转发量的预测[J];清华大学学报(自然科学版);2015年12期

2 陈慧娟;郑啸;陈欣;;微博网络信息传播研究综述[J];计算机应用研究;2014年02期

3 吴晔;肖井华;吴智远;杨俊忠;马宝军;;手机短信网络的生长过程研究[J];物理学报;2007年04期

本文编号：2851922