王友国，柴 允，朱 亮

(1.南京邮电大学 理学院，江苏 南京 210023 2.南京邮电大学 通信与信息工程学院，江苏 南京 210003)

随着互联网技术的快速发展，人类社会已经全面步入了Web3.0时代［1］。作为Web3.0在社交网络中应用的产物，Facebook、Twitter、微博等日益普及，极大地改变了信息的传播方式［2］。没有物理空间的限制，个人或组织之间的互动也更加灵活多样［3］。然而，这种信息传播的便捷性同时也是一把双刃剑，例如恶意的谣言和计算机病毒等也能够通过网络快速传播。因此，对复杂网络中的信息传播相关问题的研究具有重要意义。

目前，复杂网络中的信息传播问题已经有了大量研究工作，如分析信息传播的机制，预测信息的流行度，寻找信息扩散的源头等［4］。这些工作主要可以划分为宏观上的数据分析以及微观上的建模分析。其中，宏观上信息扩散的分析研究大多基于机器学习方法，侧重于网络结构分析和经验数据挖掘。其中，利用大数据采集样本集，通过训练模型参数进行回归分析，便是预测网络中信息流行度的一类常用方法［5］，例如2010年提出的SH（Szabo-Huberman）模型［6］。宏观分析的研究对象往往是整个网络，通过数据挖掘方法，统计信息传播过程中的各种特性，其优势在于仅通过现有的样本信息及参数训练，即可对流行度进行预测，或是构建出近似的网络拓扑结构。但其本质是一个黑箱，实际过程中的信息传播路径和潜在的传播机制都是未知的。因此，从微观角度构建信息扩散模型，并基于扩散模型对信息传播相关问题进行研究是必要的。……