基于阈值模型的信息关联传播和非关联传播实现方法 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及信息传播领域，特别是涉及一种基于阈值模型的信息关联传播和非关联传播实现方法。背景技术：2.对关联和非关联信息扩散过程(如新一代产品营销、竞争性产品市场争夺、新闻舆论战、多病毒传播等)进行建模，对于分析多类型信息在社交网络上的传播模式、进而把握传播关键时间节点具有重要意义。3.社交网络上的信息传播是网络科学中最重要的课题之一，长期以来一直受到积极的研究。迄今为止，科学家们提出了多种模型来描述信息传播这一过程，其中最经典的模型包括独立级联传播模型和阈值模型。阈值模型最早由社会学家granovetter提出用于描述集体行为，该模型的主要思想是网络中的个体表现出类群行为，即一个人需要来自多个人的社会压力(或社会强化)来采取某种行为，例如传播信息、模因和创新以及参加政治抗议和签名收集运动。2002年，watts彻底研究了阈值模型的物理特性，并证明了随机网络上何时会引发信息全局级联的条件。gleeson等人发展了一套平均场方法研究了初始种子大小对信息级联传播的影响。yagan等人考察了多重网络中不同类型边的传播权重(对传播某一产品或信息的偏向性)会对传播动力学行为产生极大的影响。4.现实世界中的信息传播较为复杂，涉及复杂的拓扑结构和多个信息之间的交互。min和miguel提出两种信息分别遵循简单传播和复杂传播，研究了不同采用阶段的相图变化。专利cn202111222326.5提出一种在带属性的社交网络中，在竞争传播环境下，有效选择商品初始用户的方法。chen扩展了sis模型并研究了传染过程之间的合作效应，发现当两种传染病协同性很强时将出现不连续相变、多稳定性、将传统流行阈值分离为不同的起始和消退阈值以及滞后。furutani等人发现复杂网络结构对于竞争性传播过程和最终级联范围有很大影响。min等人在复杂网络中两个实体的竞争传播问题中提出了双重用户的定义，研究发现双重用户能够促进创新的传播和旧事物的消亡。zhu等人研究了复杂网络中信息源之间的距离、社会强化强度、网络异质性对于网络中多个信息之间的合作与竞争强度的影响。5.虽然对于多条信息在复杂网络中传播的研究已经如此之多，但目前的研究更多的只考虑协同性和竞争性两种信息同时在网络中传播，并且大多只考虑不同网络结构、不同传播方式、网络异质性等这些外部因素。现实世界中一种行为的采用影响另一种行为的现象广泛存在，已有的结论不适合解释，多个社会传染过程之间的相互作用也对现有的理论方法提出了挑战。为了填补这一空白，我们基于阈值模型建立了一个模型，在这个模型中，两种关联性信息和两种非关联性信息顺序地在同一个复杂网络上传播。我们分别考察采纳了关联性信息的第一种对第二种信息采纳的影响和采纳了非关联性信息的第一种对第二种信息采纳的影响。这些结果有助于我们更深入地理解多重社会传染过程之间的相互作用，所发展的理论方法也可以应用于其他类似的相互作用的动力学过程。技术实现要素：6.为了克服现有的多信息传播研究中多局限于协同性和竞争性信息同时传播和大多只考虑网络结构等这些外在因素而忽略了信息本身的问题，本发明提供基于阈值模型的信息关联传播和非关联传播实现方法，基于阈值模型提出两种情况下：关联性信息和非关联性信息传播的策略实现。7.本发明的技术构思为：本发明通过仿真实验，从理论上解释了信息传播过程中用户对于先来者的正面评价和负面评价对后续关联性信息和非关联性信息传播级联的影响，帮助研究人员更好地了解关联性信息和非关联性信息的传播过程。8.本发明解决其技术问题所采用的技术方案如下：9.基于阈值模型的信息关联传播和非关联传播实现方法，其特征在于：基于阈值模型的信息关联传播和非关联传播模型包含三种信息：一类一代信息、一类二代信息、二类信息；五种节点状态：未接触状态s、已接触一类一代并给出负面评价状态已接触一类一代并给出正面评价状态已接受一类二代状态i12、已接受二类状态i2；所述基于阈值模型的信息关联传播和非关联传播实现方法包括如下步骤：10.s1：构造网络g＝(v,e)，其中v＝{v1,v2,...,vn}为网络节点集，n为节点总数，为网络连边集；11.s2：初始化：给网络中所有节点分配相同初始阈值随机选择一个节点作为传播源；12.s3：一类一、二代的关联性信息传播，首先进行一代信息的传播，按照阈值模型机制传播，s态节点满足阈值条件后以概率p给出负面评价状态变为同时以概率1-p给出正面评价状态变为直至网络中不再出现新的非s态节点，一类一代信息传播结束，再进行二代信息的传播，同样按照阈值模型机制传播，对于一代信息给出负面评价的节点面对二代信息时阈值增加对于一代信息给出正面评价的节点面对二代信息时阈值减小对于满足阈值条件的节点状态变化为i12，直至网络中不再出现新的i12态节点，传播结束；13.s4：一类、二类的非关联性信息传播，首先进行一类一代信息的传播，按照阈值模型机制传播，s态节点满足阈值条件后以概率p给出负面评价状态变为同时以概率1-p给出正面评价状态变为直至网络中不再出现新的非s态节点，一类一代信息传播结束，再进行二类信息的传播，按照阈值模型机制传播，对于一类一代信息给出负面评价的节点面对二类信息时阈值不变；对于一类一代信息给出正面评价的节点面对二类信息时阈值增加对于满足阈值条件的节点状态变化为i2，直至网络中不再出现新的i2态节点，传播结束；14.s5：计算信息传播最终级联范围，对于每组实验指标进行多次实验，计算传播结束后网络中非s态节点数量在节点总数中的占比。15.进一步的，所述步骤s1具体包括：16.考虑一平均度为z的随机网络，节点数量为n＝5000，连边数量满足17.进一步的，所述步骤s2具体包括：18.网络中每一个节点vi都具有节点阈值，记为对于网络中的所有节点，赋予其相同初始阈值为设置网络所有节点初始状态为s态，随机选取一个节点令其处于态。19.进一步的，所述步骤s3具体包括：20.一、二代关联性信息传播具体如下：21.s3.1：随机选择网络中的一个节点，作为一代信息的源头，发表一则正面评价，设置其状态为态；22.s3.2：随机选择一个s态节点vi，邻居节点中对一代信息发表正面评价的个数为采用以下阈值判定式：[0023][0024]其中ki为节点vi的邻居数量；对于满足阈值判定式(1)的s态节点vi，生成一个随机数r与概率值p进行比较，当随机数r小于等于p时，节点vi的状态变换为态，否则将变为态；[0025]s3.3：不断重复步骤s3.2，直到网络中不再出现新的非s态节点；[0026]s3.4：随机选择网络中的一个节点，作为二代信息的源头，发表一则正面评论，设置其状态为i12态；[0027]s3.5：二代信息传播每一步的开始，对于目前网络中的所有节点vi，根据其邻居中态节点的数量减小根据其邻居中态节点的数量增加[0028]s3.6：随机选择一个s态或态节点vi，邻居节点中接受二代信息的个数为n12，采用以下阈值判定式：[0029][0030]其中ki为节点vi的邻居数量；对于满足阈值判定式(2)的节点vi状态变换为i12态；[0031]s3.7：不断重复步骤s3.1～s3.6，直到网络中不再出现新的非i12态节点。[0032]进一步的，所述步骤s4具体包括：[0033]非关联性信息的传播具体如下：[0034]s4.1：随机选择网络中的一个节点，作为一类一代信息的源头，发表一则正面评论，设置其状态为态；[0035]s4.2：随机选择一个s态节点vi，邻居节点中对一类一代信息发表正面评论的个数为采用以下阈值判定式：[0036][0037]其中ki为节点vi的邻居数量；对于满足阈值判定式(3)的s态节点vi，生成一个随机数r与概率值p进行比较，当随机数r小于等于p时，节点vi的状态变换为态，否则将变为态；[0038]s4.3：不断重复步骤s4.2，直到网络中不再出现新的非s态节点；[0039]s4.4：随机选择网络中的一个节点，作为二类信息的源头，发表一则正面评论，设置其状态为i2态；[0040]s4.5：二类信息传播每一步的开始，对于目前网络中的所有节点vi，根据其邻居中态节点的数量增加[0041]s4.6：随机选择一个s态或态节点vi，邻居节点中接受二类信息的个数为n2，采用以下阈值判定式：[0042][0043]其中ki为节点vi的邻居数量；对于满足阈值判定式(4)的节点vi状态变换为i2态；[0044]s4.7：不断重复步骤s4.1～s4.6，直到网络中不再出现新的非i2态节点。[0045]进一步的，所述步骤s5具体包括：[0046]更改网络平均度值z、s态节点转变为态节点的概率p和节点阈值变化指标δ，实验进行10000次，计算传播结束后网络中非s态节点数量在网络节点总数中的占比，做为最终信息传播级联范围，并求多次实验的平均值。[0047]本发明的有益效果为：[0048](1)本发明提出了基于阈值模型的信息关联传播和非关联传播实现方法，直观展示和解释了关联性信息和非关联性信息的传播过程，为研究人员更好地把握网络中的信息更替和竞争传播过程提供新的见解；[0049](2)同时，本发明加入了阈值变化机制，模拟现实信息传播过程中用户对先来者的正面评价和负面评论对后续关联性信息或非关联性信息传播的影响，对进一步研究人类集体行为提供了很好的帮助。附图说明[0050]图1是本发明的算法流程图；[0051]图2是本发明实施例的社交网络示意图；[0052]图3(a)～图3(b)是不同阈值变化指标δ下，关联性信息传播，网络信息级联范围随网络平均度变化趋势图，其中，图3(a)中阈值变化指标δ＝0.01，图3(b)中阈值变化指标δ＝0.02；[0053]图4(a)～图4(b)是不同阈值变化指标δ下，非关联性信息传播，网络信息级联范围随网络平均度变化趋势图，其中，图4(a)中阈值变化指标δ＝0.01，图4(b)中阈值变化指标δ＝0.02。具体实施方式[0054]下面结合说明书附图对本发明的具体实施方式作进一步详细描述。[0055]应用本发明提供一种基于阈值模型信息关联传播和非关联传播的最佳社交网络选择方法的网络商品推荐方法，如图1到图4所示，其步骤包括：[0056]s1：数据的获取与处理，构造社交网络g＝(v,e)，其中v＝{v1,v2,...,vn}为网络节点集，n为节点总数，为网络连边集，具体包括：[0057]在一种信息已经在社交网络中级联传播完成，其关联性信息和非关联性信息传播时能够获得最佳级联范围的社交网络选择的应用场景下，以法国在线音乐网站deezer为例，各客户端以各种方式获取deezer音乐网站相关数据，提取其中的用户作为节点集合v，提取用户之间的友谊关系作为连边集合e，构建网络g＝(v,e)。[0058]s2：给网络中所有节点分配相同初始阈值和初始状态，具体包括：[0059]deezer社交网络中每一个节点vi都有各自的节点阈值，记为对于网络中的所有节点，赋予其相同初始阈值设置网络所有节点初始状态为未接触s态。[0060]s3：deezer社交网络中关联性信息传播，具体包括：[0061]随机选择deezer社交网络中的一个节点，作为一代信息的源头，发表一则正面评价，设置其状态为态，随机选择一个未接触态s态节点vi，统计其好友节点中对一代信息发表正面评价的个数为采用以下阈值判定式：[0062][0063]其中ki为节点vi的好友节点数量；对于满足阈值判定式(1)的s态节点vi，生成一个随机数r与社交网络节点给出负面评价的概率值p进行比较，当随机数r小于等于p时，节点vi的状态变换为态，否则将变为态，不断重复，直到网络中不再出现新的非s态节点，一代信息传播完毕；随后随机选择deezer社交网络中的一个节点，作为关联性二代信息的源头，发表一则正面评价，设置其状态为i12态，关联性二代信息传播每一步的开始，对于目前网络中的所有节点vi，根据其好友节点中态节点的数量减小根据其好友节点中态节点的数量增加节点vi根据其好友节点中正面评价和负面评价节点的数量改变该节点的阈值表征其对于关联性二代信息接受度的变化，在deezer社交网络中随机选择一个s态或态节点vi，统计其好友节点中接受二代信息的个数为n12，采用以下阈值判定式：[0064][0065]其中ki为节点vi的邻居数量，对于满足阈值判定式(2)的节点vi状态变换为i12态，不断重复，直到网络中不再出现新的非i12态节点。[0066]s4：deezer社交网络中非关联性信息传播，具体包括：[0067]随机选择deezer社交网络中的一个节点，作为第一类信息的源头，发表一则正面评论，设置其状态为态，随机选择一个未接触态s态节点vi，统计其好友节点中对第一类信息发表正面评论的个数为采用以下阈值判定式：[0068][0069]其中ki为节点vi的好友节点数量，对于满足阈值判定式(3)的s态节点vi，生成一个随机数r与概率值p进行比较，当随机数r小于等于p时，节点vi的状态变换为态，否则将变为态，不断重复，直到网络中不再出现新的非s态节点，第一类信息传播完毕；随后随机选择deezer社交网络中的一个节点，作为非关联性第二类信息的源头，发表一则正面评价，设置其状态为i2态，非关联性第二类信息传播每一步的开始，对于目前网络中的所有节点vi，根据其好友节点中态节点的数量增加表征其对于第二类节点接受度的改变，在deezer社交网络中随机选择一个s态或态节点vi，统计其好友节点中接受二类信息的个数为n2，采用以下阈值判定式：[0070][0071]其中ki为节点vi的好友节点数量；对于满足阈值判定式(4)的节点vi状态变换为i2态，不断重复，直到网络中不再出现新的非i2态节点。[0072]s5：计算信息传播最终级联范围，对于每组实验指标进行多次实验，计算传播结束后网络中各个状态的节点数量在节点总数中的占比，具体包括：[0073]划取deezer数据集不同部分构造具有不同平均度值z的社交网络、s态节点转变为态节点的概率p和节点阈值变化指标δ，实验进行10000次，计算传播结束后网络中非s态节点数量在网络节点总数中的占比，做为最终信息传播级联范围，并求多次实验的平均值；固定s态节点转变为态节点的概率p＝0.4，设定社交网络中节点对于好友节点的反馈导致的阈值变化量δ＝0.01和δ＝0.02，在具有不同结构属性的社交网络(即网络平均度)中进行实验，实验结果如图3和图4所示。发现关联性信息传播时，第二代信息的几乎完全占据网络，并且在网络结构特性平局度约为5时，二代信息传播范围最大；非关联性信息传播时，第二类信心占据大部分网络，而且出现两个峰值的现象，在网络结构特性平局度约为3时，二类信息传播范围最大。[0074]s6：根据获取到的需要进行网络商品推荐的社交网络数据集，分析其网络结构特性即网络平均度值，以步骤s5中分析得到的级联范围为参考基准，调整参数，实现网络商品推荐传播范围最大化，具体包括：[0075]面对不同社交网络，计算分析其网络平均度值，以步骤s5中得到的信息级联范围以及参数作为基准，分析社交网络中针对同类型商品的评价中差评的比例作为s态节点转变为态节点的概率p值，语义分析评价中的情感偏向，分别将正向和负向情感划分为10个等级，每个等级对应不同的接受度变化量(阈值变化量参数)δ，达到网络商品推荐传播范围的最大化。[0076]本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!