学习异步时间信息扩散模型及其在社会网络行为数据分析中的应用

大型社会网络中信息扩散的一个有趣且重要的问题，是从有限的扩散信息中识别出合适的模型。建模信息扩散有两种截然不同的方法：一种称为独立级联（Independent Cascade, IC）模型的推送型模型，另一种称为线性阈值（Linear Threshold, LT）模型的拉取型模型。我们将这两种模型（本文中称为 AsIC 和 AsLT）扩展以纳入异步时间延迟，并研究：1) 它们在信息扩散方面有何异同；2) 模型本身是否可从观测到的信息扩散数据中学习；3) 哪种模型更适合解释特定主题（信息）的扩散/传播。我们首先展示了时间延迟建模方式可能存在变化，并推导了每种模型生成观测数据的似然函数。使用一种特定的时间延迟模型，我们证明了模型参数可以从有限的观测数据中学习。随后，我们提出了一种基于预测准确性的方法，用于选择能更好解释观测数据的模型。我们进行了广泛的评估。首先，利用取自真实网络结构的合成数据，我们表明 AsIC 和 AsLT 模型之间存在显著的行为差异，所提出的方法能够准确且稳定地学习模型参数，并从有限的观测数据中识别出正确的扩散模型。接下来，我们将这些方法应用于基于真实博客传播数据的主题传播行为分析，结果表明，尽管在学习到的参数值层面上讨论每个主题的传播范围和速度时，结果对模型选择的敏感性较低，但对于哪个主题更符合哪种模型仍有明确的指示。