社交网络上信息扩散的建模及其在微信中的应用

在线社交网络中记录的用户活动轨迹，如随时间的信息创建、查看和转发/共享，为定量和系统理解社交网络上的信息扩散过程开辟了新可能。从像微信这样的在线社交网络，我们可以收集大量信息级联树，每棵树描述了消息/信息的传播轨迹，例如哪个用户创建了信息，哪些用户查看或转发了哪些邻居共享的信息。在这项工作中，我们提出两个异构非线性模型。两个模型均通过微信数据在再现和解释级联树关键特征方面得到验证。具体而言，我们首先应用随机递归树（RRT）来建模级联树拓扑，捕捉关键特征，即级联树的平均路径长度和度方差与树节点数（大小）的关系。具有单参数$\theta$的RRT模型描述了树的生长机制，其中现有树中的节点以概率$d_i^{\theta}$连接到新添加节点，该概率取决于现有节点的度$d_i$。识别出的参数$\theta$量化了级联树的相对深度或广度，表明信息通过星型广播或病毒式逐跳传播。RRT模型解释了中心节点的出现，从而如微信中观察到的那样，随着级联大小增加平均路径长度可能变小。我们进一步提出随机易感-查看-转发-移除（SVFR）模型来描绘动态用户行为，包括在给定的社交网络上创建、查看、转发和忽略消息。