社区结构对在线口碑信息传播的影响研究.pdf

现代计算机Modern Computer第 29 卷 第 12 期2023 年 6 月 25 日社区结构对在线口碑信息传播的影响研究李园伟1*,陈运昌2（1.山东开放大学信息技术中心，济南 250000；2.宁夏大学信息工程学院，银川 750000）摘要：社区结构作为社交网络普遍具有的一个重要拓扑特性,研究网络社区结构对在线口碑信息传播过程的影响具有重要意义。通过构建融合SIR传染病模型和Deffuant观点交互模型的在线口碑信息传播模型DeSHIR模型,对在线口碑信息传播过程进行研究;同时利用LFR算法生成具有不同社区结构的社交网络,进行多Agent建模仿真,探究平均度、混合参数、社区规模等社区结构内部特性对在线口碑信息传播的影响。仿真结果表明:在节点总数相同的情况下,网络平均度、混合参数以及社区规模均与在线口碑信息传播效果呈正相关,即社区结构对在线口碑信息的传播具有明显的抑制作用。关键词：多主体仿真;口碑信息传播;社区结构;传染病模型;观点交互机制文章编号:10071423（2023）12002706DOI:10.3969/j.issn.10071423.2023.12.005收稿日期：20230104修稿日期：20230123作者简介：*通信作者：李园伟（1996），女，山东茌平人，硕士研究生，主要研究方向为信息系统工程、信息传播建模与仿真等，Email：；陈运昌（1999），男，山东平邑人，硕士研究生，主要研究方向为信息系统工程、企业Agent智能性0引言社区结构作为社交网络普遍具有的一个重要拓扑特性，具有重要的研究价值1。不同的社区结构在平均度、混合参数以及社区规模等方面表现各异，研究网络社区结构对在线口碑信息传播过程的影响不仅可以揭示网络结构与在线口碑信息传播的内在联系，完善口碑传播的研究理论，同时也为企业对口碑传播的预测和管理提供理论支持。在线口碑信息本质上就是信息，信息传播模型的相关研究对构建在线口碑信息传播模型具有极大的参考价值。传染病模型由于不需要特定网络结构、基于用户交互及主要研究信息传播宏观规律等特点2，被广泛应用于信息传播模型的研究。Garg等3以 SI模型为基础，分析了社交网络的信息传播行为；魏静等4改进了SIR模型，探究微博网络中的信息传播特点，发掘舆情传播过程的影响因素。在线口碑信息传播过程中，消费者个体之间的交互是必不可少的。研究发现，个体会对新发布的信息产生一个初始观点，并且在和其他个体的交流互动过程中不断进行观点的调整56，因此，借助观点演化模型设计在线口碑信息传播过程中的个体交互机制是完全可行的。王润等7基于改进的Deffaunt观点交互模型建立多Agent交互机制，分析了不同因素对消费者观点值的影响；Li等8在HK模型中加入话题兴趣度，分析用户之间的观点交互行为，探究观点交互引起的状态转化。社交网络的社区结构对在线口碑信息的传播过程有着重大影响，但是现有关于社区结构对在线口碑信息传播过程影响的研究大多通过社区发现算法，探究社区结构有无对在线口碑信息传播的影响，例如:Zhao等9提出了一个马尔科夫过程模型来评估信息传播在具有社区结构的社交网络中的性能，发现网络的社区结构和个体行为对信息的爆发规模和传播速度都有显著影响。崔雪莲等10以 SIR 传染病模型为基础，研究信任关系在重叠社区结构中对在线口碑传播过程的影响，通过数值实验发现，当社区存在交叠时，社区信任度的促进作用增强，而社会信任度作用则减弱。这些研究中对社区结构内部特性的分析少之又少。针对现有研究 27现代计算机2023年的不足，本文结合实际口碑信息传播过程构建了一种新的在线口碑信息传播模型De-SHIR模型，并通过多 Agent建模仿真，分析社区结构内部特性对在线口碑信息传播的影响，以弥补在线口碑信息传播过程中社区结构内部特性研究的不足，同时也为企业对口碑传播的预测和管理提供理论支持。1DeSHIR在线口碑信息传播模型构建1 1.1 1SHIRSHIR信息传播模型信息传播模型传染病模型是基于人群完全混合的均场假设下11，对传染病传播机理进行研究的数学方法之一。本文基于传染病模型中的SIR模型，结合实际社交网络中的在线口碑信息传播过程，构建了更能反映消费者对在线口碑信息认知状态的SHIR模型，分析在线口碑信息在社交网络中的传播。SHIR模型结构如图1所示。S SH HI IR R传播信息接收信息放弃信息放弃信息传播信息图 1在线口碑信息认知状态转换图该模型中消费者对在线口碑信息的认知状态主要分为以下四类：（1）S（susceptible）：未知态,表示消费者不知晓在线口碑信息，当有新的在线口碑信息在社交网络中传播时，此类消费者一旦接触，立马转换为犹豫态或传播态；（2）H（hesitant）：犹豫态，表示消费者接收到了在线口碑信息，但对此口碑信息并未进行传播；（3）I（infective）：传播态，表示消费者接收到了在线口碑信息，且对此口碑信息进行了传播；（4）R（recovered）：放弃态，表示消费者接收到了在线口碑信息，但对该口碑信息不感兴趣，停止传播该口碑信息。1 1.2 2交互机制交互机制本文结合社交网络中在线口碑信息的传播对传统Deffuant模型12进行了改进，将恒定值收敛参数改为消费者对在线口碑信息的接受度函数，以反映不同消费者对在线口碑信息的不同态度。本文中涉及的消费者特性包括对在线口碑信息的接受意愿、从众性以及消费者权威度。接受意愿（will）：反映消费者对该在线口碑信息的内容、形式等感兴趣程度，接受意愿越高，传播概率越大；从众性（con）：反映消费者受到群众观点影响，怀疑并改变自己观点的倾向，从众性越高，消费者越容易改变自己的观点；权威度（aut）：由消费者邻居节点数占社区总节点数的比例决定，比例越高，消费者权威度越大，越容易促使与之交互的个体改变观点值。权威度函数定义如下：autj=neighbor(j)total（1）其中：neighbor（j）代表节点 j 的邻居节点数目；total代表整个社区的节点数目。为了防止权威度数值过小，对权威度函数进行Min-Max标准化处理，将权威度数值映射到 0,1 区间内，以方便观察后续实验中权威度对在线口碑信息传播的影响。MinMax标准化处理过程为autj=autj-min1 i totalautimax1 i totalauti-min1 i totalauti（2）消费者对在线口碑信息的接受度函数定义为f(i,j)=willi+1-conj1-coniconminconmax+autj（3）其中，f（i,j）代表个体i与个体j进行交互时，个体i改变观点值的概率，、分别代表接受意愿、从众性以及权威度在接受度函数中的权重，+=1，willi为个体 i的接受意愿的值，conj、autj分别代表个体j的从众性以及权威度，conmin为种群中节点的最小从众性值，conmax为最大从众性值，will、con的取值均在区间 0,1上随机分布。综上，改进Deffuant模型的观点交互函数定义如下：若节点i与节点j是邻居节点，则：28李园伟等：社区结构对在线口碑信息传播的影响研究第12期 opt+1(i)=opt(i)+f(i,j)()opt(j)-opt(i)opt+1(j)=opt(j)+f(i,j)()opt(i)-opt(j)（4）本文通过改进SIR模型以及Deffuant观点交互模型构建了 DeSHIR 模型，使其更符合实际在线口碑信息的传播状态，在此基础上探究社区结构对在线口碑信息传播过程的影响。2仿真实现本文仿真实验的设计建立在以下假设上：（1）研究主体为在线口碑信息传播过程中的消费者Agent，其数量在仿真过程中保持不变，为常数N；（2）根据对在线口碑信息认知状态的不同，将消费者Agent分为四类：未知态S、犹豫态H、传播态 I、放弃态 R，假设在 t时刻每种状态的消费者Agent占总人数的比例分别为s（t）、h（t）、i（t）以及r（t），则有s（t）+h（t）+i（t）+r（t）=1；（3）在线口碑信息传播初始阶段，网络中只存在少量的I态消费者Agen，其余均为S态。本文采用Netlogo进行仿真实现，实验过程中仿真世界由x -17,17,y -17,17的瓦片组成，导入LFR算法生成的具有社区结构的社交网络数据，进行在线口碑信息传播过程仿真，分别用蓝色、黄色、红色以及灰色代表未知态、犹豫态、传播态以及放弃态消费者，通过颜色的变化体现消费者对在线口碑信息认知状态的变化。在仿真初始阶段，设置 s（t）=95%，h（t）=0，i（t）=5%，r（t）=0。2 2.1 1DeSHIRDeSHIR模型与模型与SIRSIR模型对比模型对比在线口碑信息传播效果以传播规模以及传播速度作为衡量标准。本实验定义传播规模为到传播结束为止，多少消费者得知了该在线口碑信息，即传播态、犹豫态以及免疫态消费者总和占总消费者人数的比重；传播速度定义为传播态消费者所到达的顶点以及到达顶点时间的比值。传播规模越大且传播速度越快，说明在线口碑信息传播效果越好。本实验在SIR模型的基础上加入犹豫态消费者，并改进交互方式，构建了 DeSHIR 模型，比较在线口碑信息在DeSHIR模型与SIR模型中的传播规模与传播速度，对比结果如图2所示。图2中，前半部分为两种模型传播规模的对比，后半部分为传播速度的对比。从图中可以看出，在线口碑信息传播规模无较大波动，均为 97%左右，但传播态人数在 SIR模型中明显增多，这是由于DeSHIR模型中H（犹豫态）的存在，使得消费者在转为传播态之前有一个思考的过程。SIR模型是一种理想模型，而DeSHIR模型更贴近实际，且传播规模未发生较大变化，因此，本文后续实验在 DeSHIR 模型的基础上探究平均度、混合参数以及社区规模对在线口碑信息传播的影响。2 2.2 2平均度对在线口碑信息传播过程的影响平均度对在线口碑信息传播过程的影响利用LFR算法，分别生成平均度为3、5、7的具有社区结构的网络，在此基础上,以模块度及集聚系数作为社区结构改变的衡量标准，模块度越高、集聚系数越大，那么社区结构越明显。通过网络统计参量分析，发现随着平均度的增大，网络中节点与社团外部连边数逐渐增多，虽然网络的模块度变化不大，但网络的平均集聚系数逐渐减小，社区内部连边密度逐渐减小，说明社区结构逐渐模糊。在这三种社区网络结构下，在线口碑信息传播仿真结果如图3所示。图 2DeSHIR模型与SIR模型对比结果 29现代计算机2023年通过以上仿真结果可以看到，在混合参数及社区规模不变的情况下，网络平均度和传播规模具有明显的正相关性，平均度越大，传播规模越大；且达到传播顶点的时间越短，说明传播速度越快。2 2.3 3混合参数对在线口碑信息传播过程的影响混合参数对在线口碑信息传播过程的影响利用LFR算法生成节点总数为800、平均度为 5、社区规模为 200、混合参数分别为 0.2、0.4、0.6的具有社区结构的网络，混合参数为节点与社团外的边数与节点度数的比值，混合参数越小，越容易发现社区结构，通过网络结构统计参量分析，发现随着混合参数的增大，模块度与平均集聚系数均逐渐减小，社区与社区之间的界限越来越模糊，社区结构逐渐消失。在以上三种网络结构的背景下对在线口碑信息传播过程进行仿真，其仿真结果如图4所示。通过以上仿真结果可以看到，混合参数的大小与在线口碑信息传播规模和传播速度均呈正相关。随着混合参数的增大，社区结构逐渐模糊，但传播规模逐渐增大，当混合参数为0.6时，传播规模最大达到了98%，且传播速度逐渐增快，传播态人数最高达到了41.7%。2 2.4 4社区规模对在线口碑信息传播过程的影响社区规模对在线口碑信息传播过程的影响利用LFR算法生成节点总数为800、平均度为 5、混合参数为 0.2、社区规模分别为 400、200以及130的社交网络结构，社区规模越小，网络的模块度及平均集聚系数越大，社区结构越明显。在不同的社区规模下，在线口碑信息传播的仿真结果如图5所示。社交网络中消费者人数一致的情况下，社区规模越大，社区个数越少，在线口碑信息传播规模越大，传播速度越快。仔细分析仿真结果，发现随着社区规模的减小，传播规模逐渐减小，但变化不大，均在 96%、95%左右，反而是传播的速度显著下降。由此推测，社交网络中总人数一定的情况下，社区规模与在线口碑信息传播呈正相关，但是对传播范围的影响不大，对传播速度的影响显著。平均度为3平均度为5平均度为7图 3平均度对在线口碑信息传播的影响图 4混合参数对在线口碑信息传播的影响 混合参数为 0.6 混合参数为 0.4 混合参数为 0.2 混合参数为0.2混合参数为0.4混合参数为0.6 30李园伟等：社区结构对在线口碑信息传播的影响研究第12期3结语本文主要探究社区结构对在线口碑信息传播过程的影响，首先，融合改进的传染病模型和Deffuant观点交互模型构建了新的在线口碑信息传播模型 DeSHIR；其次，利用 LFR 算法生成具有不同社区结构的社交网络；最后，利用多Agent建模仿真，探究社区结构对在线口碑信息传播过程的影响。通过仿真结果发现，在节点总数相同的情况下，随着网络平均度、混合参数以及社区规模的逐渐增大，社交网络中的社区结构逐渐模糊，在线口碑信息传播的规模和速度逐渐提升。因此得出结论：网络平均度、混合参数以及社区规模均与在线口碑信息传播效果呈正相关，社区结构对在线口碑信息的传播具有明显的抑制作用。本文在研究社区结构对在线口碑信息传播的影响时，只考虑了非重叠社区结构的网络构造，而现实生活中，社交网络往往呈现出重叠社区结构，因此研究在线口碑信息在具有重叠社区结构的复杂网络中如何传播值得深入探讨。参考文献：1 程学旗，沈华伟.复杂网络的社区结构 J.复杂系统与复杂性科学，2011，8（1）：5770.2 刘晓君.基于在线社交网络的口碑信息传播模型研究 D.大连：大连理工大学，2018.3 GARG S，KUMAR S.Modeling and analyzing information diffusion behaviour of social networksCProceedings of the International Conference on Issues&Challenges in Intelligent Computing Techniques，2014：566572.4 魏静，黄阳江豪，林萍，等.基于改进SIR模型的微博网络舆情传播研究 J.情报科学，2019，37（6）：1622.5 LIU Q，WANG X.Social learning with boundedconfidence and heterogeneous agentsJ.Physica A：Statistical Mechanics and its Applications，2013，392（10）：23682374.6 KARATAEV E，ZADOROZHNY V.Adaptive social learning based on crowdsourcing J.IEEE Transactions on Learning Technologies，2017，10（2）：128139.7 王润，赵军.基于多Agent和改进Deffaunt模型的信息传播建模与仿真 J.计算机系统应用，2021，30（2）：237242.8 LI Q，DU Y J，LI Z Y，et al.HKSEIR model ofpublic opinion evolution based on communicationfactors J.Engineering Applications of Artificial Intelligence，2021，100（2）：104192.9 ZHAO N，LIU X.Information propagation in socialnetworks with overlapping community structureJ.KSII Transactions on Internet and Information Systems，2017，11（12）：59275942.10 崔雪莲，那日萨.基于消费者信任关系的在线口碑信息传播模型 J.系统管理学报，2020，29（6）：10901100.11 NEWMAN M E J.The spread of epidemic diseaseon networks J.Physical Review.E，Statistical，Nonlinear，and Soft Matter Physics，2002，66（1）：016128.12 DEFFUANT G，NEAU D，AMBLARD F，et al.Mixing beliefs among interacting agents J.Advancesin Complex Systems，2000，3（01n04）：8798.（下转第64页）社区规模为 130 社区规模为 200 社区规模为 400 社区规模为400社区规模为200社区规模为130图 5社区规模对在线口碑信息传播的影响 31现代计算机2023年展 J.产业与科技论坛，2022，21（14）：3435.5 唐怀远.大数据环境下计算机应用技术和信息管理的整合 J.信息记录材料，2021，22（3）：4244.6 黄琨福.大数据环境下计算机应用技术和信息管理的整合 J.电脑知识与技术，2020，16（36）：2123.7 姚志添.大数据环境下计算机应用技术和信息管理的整合 J.电脑编程技巧与维护，2020（10）：8587.8 王斋.基于大数据环境下计算机应用技术的研究与分析 J.电子技术与软件工程，2020（16）：155156.Analysis and research of computer application technology supported bybig dataWang Fang*（Shenmu Vocational Education Center，Yulin 719300，China）Abstract:With the advent of the information age and the era of big data,people have put forward higher requirements fordata business processing,and they need to constantly update computers to meet the demand and promote the development of the information age.In this environment,the big data support under the analysis and research,the first big data overview,then analyzesthe computer application technology in the field of public security,agriculture,the development of education,and from intelligent,popular,network three directions discusses the future development direction of computer application.Keywords:big data;computer;application technologyResearch on the influence of community structure on online wordofMouthinformation disseminationLi Yuanwei1*，Chen Yunchang2（1.Information technology center,Shandong TV University,Ji nan 250000,China;2.School of Information Engineering,Ningxia University,Yinchuan 750000,China）Abstract:Community structure is an important topological characteristic of social networks.It is of great significance to studythe influence of network community structure on the process of online wordofmouth information dissemination.Based on this,anonline wordofmouth information dissemination model,DeSHIR model,which integrates the SIR infectious disease model and theDeffuant opinion interaction model,is constructed to analyze the online wordofmouth information dissemination process.The LFRalgorithm is used to generate social networks with different community structures,and through multiagent modeling and simulation,the influence of the internal characteristics of the community structure such as average degree,mixing parameters and community size on the dissemination of online wordofmouth information is explored.The simulation results show that:when the totalnumber of nodes is the same,the network average degree,mixing parameters and community size are positively correlated with theonline wordofmouth information dissemination effect,that is,the community structure has a significant inhibitory effect on the online wordofmouth information dissemination.Keywords:multiagent simulation;wordofmouth information dissemination;community structure;infectious disease model;opinion interaction model（上接第31页）64