在线社交网络中信息传播模式的特征分析

doi:10.3724/SP.J.1087.2013.00105

计算机应用 ›› 2013, Vol. 33 ›› Issue (01): 105-107.DOI: 10.3724/SP.J.1087.2013.00105

在线社交网络中信息传播模式的特征分析

韩佳¹,肖如良¹,胡耀¹,唐涛¹,房丽娜²

1. 福建师范大学软件学院，福州 350108
2. 深圳信息职业技术学院软件学院，广东深圳 518172

收稿日期:2012-07-04 修回日期:2012-08-09 发布日期:2013-01-09 出版日期:2013-01-01
通讯作者: 肖如良
作者简介:韩佳(1987-)，女，湖北天门人，硕士研究生，主要研究方向：社交网络、软件工程；肖如良(1966-)，男，湖南娄底人，教授，博士，CCF高级会员，主要研究方向：社交网络、虚拟化、软件工程；胡耀(1987-)，男，湖南永州人，硕士研究生，主要研究方向：社交网络、虚拟化。
基金资助:
教育部规划基金资助项目(11YJA860028);福建省科技计划重大项目(2011H6006)

Characteristic analysis of information propagation pattern in online social network

HAN Jia¹,XIAO Ruliang¹,HU Yao¹,TANG Tao¹,FANG Lina²

1. Faculty of Software, Fujian Normal University, Fuzhou Fujian 350108, China
2. Department of Software, Shenzhen Institute of Information Technology, Shenzhen Guangdong 518172, China

Received:2012-07-04 Revised:2012-08-09 Online:2013-01-09 Published:2013-01-01
Contact: XIAO Ruliang

摘要/Abstract

摘要： 在线社交网络以其独特的传播优势，已成为一种流行的社交媒体平台。针对在线社交网络中信息传播模式的形式特点，结合传染病动力学原理，提出了在线社交网络中的信息传播模型。模型考虑了不同用户行为对传播机理的影响，并建立了不同用户节点的演化方程组，模拟了信息传播的过程，分析了不同类型的用户在网络中的行为特征以及影响信息传播的主要因素。实验结果表明：不同类型的用户在信息传播过程中有着特定的行为规律，信息不会无限制地传播，并在最终达到平稳状态，并且传播系数和免疫系数越大，信息传播达到稳态的速度就越快。

关键词: 在线社交网络, 信息传播, 传播模式, 特征分析

Abstract: Because of its unique advantage of information propagation, the online social network has been a popular social communication platform. In view of the characteristics of the form of information propagation and the dynamics theory of infectious diseases, this paper put forward the model of information propagation through online social network. The model considered the influence of different users' behaviors on the transmission mechanism, set up the evolution equations of different user nodes, simulated the process of information propagation, and analyzed the behavior characteristics of the different types of users and main factors that influenced the information propagation. The experimental results show that different types of users have special behavior rules in the process of information propagation, i.e., information cannot be transported endlessly, and be reached at a stationary state, and the larger the spread coefficient or immune coefficient is, the faster it reached the stationary state.

Key words: online social network, information propagation, transmission pattern, characteristic analysis

中图分类号:

TP311.1

韩佳肖如良胡耀唐涛房丽娜. 在线社交网络中信息传播模式的特征分析[J]. 计算机应用, 2013, 33(01): 105-107.

HAN Jia XIAO Ruliang HU Yao TANG Tao FANG Lina. Characteristic analysis of information propagation pattern in online social network[J]. Journal of Computer Applications, 2013, 33(01): 105-107.

参考文献

［1］Facebook［EB/OL］. ［2012-03-12］. http://www.facebook.com/.

［2］MySpace［EB/OL］. ［2012-03-12］. http://www.myspace.com/.

［3］人人网［EB/OL］. ［2012-03-25］. http://www.renren.com/.

［4］开心网［EB/OL］. ［2012-03-25］. http://www.kaixin001.com/.

［5］KUMAR R, NOVAK J, TOMKINS A. Structure and evolution of online social networks ［C］// Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM Press, 2006: 611-617.

［6］MISLOVE A, MARCON M, GUMMAD K P, et al. Measurement and analysis of online social networks ［C］// IMC'07: Proceedings of the 7th ACM SIGCOMM Conference on Internet Measurement. New York: ACM Press, 2007: 29-42.

［7］BENEVENUTO F, RODRIGUES T, CHA M, et al. Characterizing user behavior in online social networks ［C］// IMC'09: Proceedings of the 9th ACM SIGCOMM Conference on Internet Measurement Conference. New York: ACM Press, 2009: 49-62.

［8］CHEN W, WANG Y J, YANG S Y. Efficient influence maximization in social networks ［C］// KDD'09: Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM Press, 2009: 199-208.

［9］SHI X L, ZHU J, CAI R, et al. User grouping behavior in online forums ［C］// KDD'09: Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM Press, 2009: 777-786.

［10］刘建伟，李为宇，孙钰. 社交网络安全问题及其解决方案［J］.中国科学技术大学学报,2011,41(7):565-574.

［11］MISLOVE A, KOPPULA H S, GUMMADI K P, et al. Growth of the flickr social network ［C］// Proceedings of the 1st ACM SIGCOMM Workshop on Social Networks. New York: ACM Press, 2008: 25-30.

［12］张彦超,刘云,张海峰,等.基于在线社交网络的信息传播模型［J］.物理学报,2011,60(5):60-66.

［13］FRAUENTHAL J C. Mathematical modeling in epidemiology ［M］. Berlin: Springer, 1980.

[1]	姚梓豪, 栗远明, 马自强, 李扬, 魏良根. 基于机器学习的多目标缓存侧信道攻击检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1862-1871.
[2]	吕锡婷, 赵敬华, 荣海迎, 赵嘉乐. 基于Transformer和关系图卷积网络的信息传播预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1760-1766.
[3]	项能强, 朱小飞, 高肇泽. 原型感知双通道图卷积神经网络的信息传播预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3260-3266.
[4]	尚绍法, 蒋林, 李远成, 朱筠. 异构平台下卷积神经网络推理模型自适应划分和调度方法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2828-2835.
[5]	冯丽萍, 韩琦, 周志刚, 白增亮. 社交网络影响的不良信息扩散建模及最优控制策略[J]. 计算机应用, 2020, 40(3): 735-739.
[6]	孙子力, 彭舰, 仝博. 社会网络中基于社群衰减的影响力最大化算法[J]. 计算机应用, 2019, 39(3): 834-838.
[7]	刘威, 张明新, 安德智. 面向微博话题的用户影响力分析算法[J]. 计算机应用, 2019, 39(1): 213-219.
[8]	郭键. 基于子矩阵波束形成输出直流响应加权的目标检测方法[J]. 计算机应用, 2017, 37(9): 2728-2734.
[9]	吴铮, 于洪涛, 刘树新, 朱宇航. 基于信息熵的跨社交网络用户身份识别方法[J]. 计算机应用, 2017, 37(8): 2374-2380.
[10]	郑永广, 岳昆, 尹子都, 张学杰. 大规模社交网络中高效的关键用户选取方法[J]. 计算机应用, 2017, 37(11): 3101-3106.
[11]	宋超, 徐新, 桂容, 谢欣芳, 徐丰. 基于多层支持向量机的极化合成孔径雷达特征分析与分类[J]. 计算机应用, 2017, 37(1): 244-250.
[12]	程晓涛, 刘彩霞, 刘树新. 基于局域信息的社交网络信息传播模型[J]. 计算机应用, 2015, 35(2): 322-325.
[13]	马慧芳, 师亚凯, 谢蒙, 庄福振. 融合用户内容与关系结构的用户影响力算法[J]. 计算机应用, 2015, 35(12): 3487-3490.
[14]	邱德红, 许方向, 李源. 基于社群发掘构建在线社交网络的高层架构[J]. 计算机应用, 2015, 35(10): 2737-2741.
[15]	王海玲王建印桂生乔付周波. 多特征融合的网格模型简化方法[J]. 计算机应用, 2013, 33(11): 3167-3171.

在线社交网络中信息传播模式的特征分析

Characteristic analysis of information propagation pattern in online social network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics