吴联仁 李瑾颉 齐佳音3)

1) (上海对外经贸大学工商管理学院, 上海 201620)

2) (上海师范大学数理学院, 上海 200234)

3) (北京邮电大学, 可信分布式计算与服务教育部重点实验室, 北京 100876)

1 引 言

社交媒体上的信息流行度演化与预测给复杂系统的研究者提出了诸多挑战, 如识别“病毒式”传播的原因、网络结构特征以及通过信息的内容和早期的关注预测未来的流行度. 虽然在线信息流行度的建模与预测已经取得了一定的研究进展[1−4], 然而这个方向的研究大多由于可用的大规模数据缺少而受到阻碍. 近年来, 从在线社交网络获得的大规模社交数据为探索人类行为特征及其对在线内容流行的影响创造了前所未有的机会.

建模和预测信息流行度的困难在于各种混杂因素的共存[5−9]. 同时, 它给研究人员带来了许多挑战, 包括原因的识别[10−13], 时间效应[14]和结构特征[15,16]. 一些学者对这一问题提出了不同的看法. Cetin和Bingol[17]认为个人注意力对信息的流行有重要影响, 并且提出能见度的衰退和分散注意力的结合解释了为什么社交网络中的大多数信息级联不能成为流行. Weng等[18]采用agent−based模型来研究模因(memes)之间的竞争是否会影响其流行度, 结果表明模因的流行度存在异质性, 这种现象是由模因竞争用户有限的注意力和在线网络的结构共同导致的. Gleeson等[19]认为, 有限的用户注意力资源限制了消息的流行, 并且自然地导致一些消息变得非常流行, 其他消息只是中等流行, 或者被忽……