微博传播网络度分布模型研究.docxVIP

微博传播网络度分布模型研究 1 基于无标度网络的信息传播模型 复杂网络是研究自然界复杂系统的新方法。研究的起源可以追溯到18世纪的哲学家eula（欧洲）在研究“七桥问题”时创造的一种新的绘画科学。20世纪60年代，erdos和renyi引入了随机图论来描述复杂网络。1999年，watts和strogatz提出了小世界网络模型。1999年，barbaasi和al伯茨发现，网络p（k）k-u）的分布随网络k的梯度变化规律减小，即p（k）k-u。网络中的一些节点有很多连接点，但大多数节点只有少数连接点。由于节点的异质性，网络的功能模式消失。barbaasi和al伯茨认为网络是无标量的网络。在文献中，通常由barbaasi和al伯茨提出的无标量网络模型称为ba模型。 BA模型认为增长和择优是网络演化的两条重要机理, 二者缺一不可, 否则无法生成无标度网络随后一些学者在BA模型的基础上提出其他形式的无标度网络模型, 如Dorogovtsev和Mendes提出一个新连线数按幂律加速增长的模型、Krapivsky和Redner根据文献引用的情况提出复制模型, L和Chen根据局部择优和距离择优提出局域世界演化模型等. 随着复杂网络结构研究的迅速发展, 人们逐渐发现真实网络中一些有趣的传播现象, 如: 疟疾、天花、SARS、H1N9等疾病在人类社会网络中的流行震荡波、灰鸽子、熊猫烧香等计算机病毒在通信网络中的扩散; 消息、谣言、产品广告等在社交网络中的蔓延; 电力故障在电力网络中的传播; 金融危机在经济贸易网络的扩散等成为人们越来越关注的主题. 这些都可以看作是服从某种特征规律的事件 (或事物) 在复杂网络上的传播行为, 如何去描述这些事件 (或事物) 的传播过程, 挖掘它们的传播特性, 是复杂网络极具挑战的研究课题. 复杂网络上传播动力学的分析最早是从传染病模型开始, 在典型的SIR传染病模型中, 将人群中的个体定义成三种状态: 易感状态S (susceptible) 、感染状态I (infected) 和恢复状态R (recovered) , 建立三种状态个体数量变化的微分方程. 随后发展出了SI, SIS, SIRS等模型, 基于传染病模型对信息传播过程的研究是近年来一大热门研究方向. Moreno等基于SIR模型将人们分为Ignorants, Spreaders和Stiflers三种状态, 建立谣言传播模型; Xiong等将Twitter网络中的用户分成Susceptible, Infected, Contacted和Refractory四种状态, 建立SCIR模型; Liu等建立无标度网络上带时滞的SIS模型; Chen和Sun提出一种异构网络上最优控制的SIRS模型; Gong等建立含个体警惕性的SIR模型; Lu等建立无标度网络上具有预防接种的SIR模型; 张彦超等考虑了节点度和传播机理的影响, 建立一个基于在线社交网络的信息传播模型; 熊熙和胡勇对社交网络上的观点传播动力学进行了研究. 本文通过对微博传播网络的结构分析来探索微博传播过程. 利用新浪微博数据, 建立微博传播网络, 分析该网络的生成机制, 使用平均场论的方法, 推导微博传播网络的度分布模型. 深入挖掘微博传播过程, 对研究舆论、谣言、疾病等的传播行为具有指导作用, 进而能够对这些传播行为进行有效的预防控制. 2 微博传播规律的分析 2.1 微博转发传播 微博消息的传播是在微博用户网络上进行的, 如图1 (a) 所示. 微博上的注册用户A关注用户B成为B的粉丝, D关注C, C和A相互关注, 构成一个用户网络. 当用户发布公开微博的时候, 该消息会实时推送到其粉丝用户的首页, 粉丝在阅读到该消息后可以采取相应的操作 (评论、转发或收藏) . 如果某个粉丝对该微博消息进行了转发操作, 则该粉丝的粉丝用户同样也能实时接收到该转发微博. 这种转发功能保留了原微博消息, 防止消息在传播过程中被篡改. 从中我们可以看出, 微博消息主要通过粉丝用户的转发行为在用户网络上进行传播. 如在图1 (b) 中, t1时刻用户A发布一条公开微博Mes (令t1= 0) , t2时刻A的粉丝B, C对Me进行转发, t3时刻D转发C的微博, t4时刻C回复D. 微博转发过程中存在相互转发 (如用户之间进行短期交流, 如C和D) 及用户可转发多个不同用户 (如E在t5时刻从C转发, t6时刻再次从D转发) 最终A发布的微博Mes被用户B, C, D, E转发传播, 依此构成微博消息Mes的传播网络. 用G = (V, E, T, W) 表示节点数为N、边数为M的微博传 播网络, 微博上N个不同用 户群体构成网络的节点集合V = (v1, v2, ··· , vN) 用户间的 转发关系 构成