网络上有界置信内容传播过程中的信息流行病“意见再生数”

我们研究网络上内容的传播动力学。为此，我们使用一个内容通过有界置信机制传播的模型。在意见动力学的有界置信模型（BCM）中，网络中的智能体具有连续值的意见，当它们与意见足够接近自身的智能体交互时，会调整其意见。所采用的内容传播模型通过将有界置信用于内容传播本身，对 BCM 进行了变体处理。我们定义了一个类似于疾病动力学中基本再生数的指标，称之为“意见再生数”。意见再生数的临界值指示是否存在反映特定意见的内容的“信息流行病”（即大规模内容传播级联）。通过确定该临界值，可以判断在智能体群体中，某种意见是消亡还是作为级联广泛传播。使用配置模型网络，我们通过计算各种汇总统计量来量化内容传播的大小和形态，并说明了网络结构和传播模型参数如何影响这些统计量。我们发现，当智能体具有较大的期望平均度或对内容具有较高的接受度时，内容传播得最广。当传播过程略微超过信息流行病阈值时，即使内容分享的总数较小，其传播树也可能比期望平均度或接受度更大时更长。