Service Science and Management 服务科学和管理, 2019, 8(1), 27-33
Published Online January 2019 in Hans. www.doczj/doc/a70182fd85868762caaedd3383c4bb4cf7ecb7bf.html
/journal/ssem
www.doczj/doc/a70182fd85868762caaedd3383c4bb4cf7ecb7bf.html /10.12677/ssem.2019.81004 Research View Based on Online Social
Network Information Communication Model
Yanyan Luo
The Glorious Sun School of Business and Management, Donghua University, Shanghai
Received: Dec. 20th, 2018; accepted: Jan. 3rd, 2019; published: Jan. 10th, 2019
Abstract
Online social networking has become a popular social media platform with its unique communica-tion advantages. According to the formal characteristics of the information dissemination model in online social networks, combined with the infectious disease dynamics model and the influence model, according to the different research objects and research methods, the online social net-work propagation model proposed by scholars is classified and summarized, and the different re-search theories are comprehensively described. The research theory is comprehensively de-scribed, and finally, based on the existing research results and research methods, I will put for-ward my own thinking on the future research direction. Keywords
Social Network, Information Dissemination, Influence Model, SIR Model
基于在线社交⽹络信息传播模型的研究综述
骆彦彦
东华⼤学旭⽇⼯商管理学院，上海
收稿⽇期：2018年12⽉20⽇；录⽤⽇期：2019年1⽉3⽇；发布⽇期：2019年1⽉10⽇
摘要
在线社交⽹络以其独特的传播优势，已成为⼀种流⾏的社交媒体平台。针对在线社交⽹络中信息传播模式的形式特点，结合传染病动⼒学模型以及影响⼒模型，根据研究对象和研究⽅法的不同，将学者提出的基于在线社交⽹络传播模型进⾏分类和总结，并对不同的研究理论进⾏综合叙述，最后根据已有的研究成果和研究⽅法，对未来的研究⽅向提出⾃⼰的思考。
骆彦彦
关键词
社交⽹络，信息传播，影响⼒模型，SIR模型
Copyright ? 2019 by author(s) and Hans Publishers Inc.
This work is licensed under the Creative Commons Attribution International License (CC BY).
www.doczj/doc/a70182fd85868762caaedd3383c4bb4cf7ecb7bf.html /licenses/by/4.0/
1. 引⾔
近年来，随着计算机⽹络技术的飞速更新和升级，在线社交⽹络得到了长⾜的发展。在线社交⽹络打破了传统Web⽹络以信息内容为中⼼的传播⽅式，把⽤户推向主导地位，任何⼀个⽤户注册后均可以成为信息的创建者、发布者、传播者。这种新的社交⽹络形态迅速获得了空前的⽤户量以及影响⼒，许多企业和运营商也从中发现和获取了巨⼤的商机。
2. 经典的信息传播模型
在诸多学者对在线社交⽹络的信息传播模型的研究中，⽐较经典的信息传播模型包括影响⼒模型和传染病模型。本在线社交⽹络的拓扑结构是各个⽹络节点在物理和逻辑上的连接关系的直观呈现。许多学者对在线社交⽹络拓扑结构的物理架构、重要特征和本质进⾏了深⼊分析。⽬前，⽐较经典的复杂⽹络基本模型有规则⽹络、随机⽹络、⼩世界⽹络和⽆标度⽹络。在线社交⽹络中，部分节点之间遵循相同规则进⾏连接，部分节点之间随机连接，节点之间没有明确描述长度的量化特征，部分节点的度相对较⼤，整体⽽⾔，节点度的分布符合冥律特征，这即是典型的⽆标度⽹络[1]。 鉴于在线社交⽹络的⽹络拓扑结构及特征，研究者提出利⽤“⽹络复杂性分析”的⽅法论来进⾏相关问题的分析和研究。1998年Watts和Strongatz提出了⼩世界⽹络模型[2]，较好地描述了从规则⽹络到随机⽹络的过渡。1999年，Barabdsi和Albert提出BA⽆标度⽹络模型，根据模型的增长算法和优先连接特性演⽰了BA⽆标度⽹络演化的过程。
2.1. 传染病模型
传染病模型利⽤微分⽅程建⽴数学模型，可以准确地描述个体信息在传播过程中随时间的变化状态，从⽽出信息传播的规律，发现信息传播过程中的影响因素，进⽽对信息的传播进⾏有效控制，增强信息传播的效⼒，此外可以对⽤户的信息传播趋势及范围进⾏提前预知。在传染病动⼒学中，主要沿⽤的由Kermack与McKendrick在1927年⽤动⼒学的⽅法建⽴了SIR传染病模型。在现代的信息传播模
型的研究过程中，研究者将信息的传播过程类似于传染病的传播过程，在线社交⽹络的⽤户传播⾏为描述为为⽤户感兴趣就转发，不感兴趣就忽略，转发过该消息之后也忽略等等过程，并将社交⽹络中的节点分为3类：具备传播信息能⼒的传播节点I、从未听说过消息的健康节点S和对消息不感兴趣的免疫节点R.传播规则具体定义如下：
1) 如果⼀个健康节点与⼀个传播节点接触，则健康节点会以概率p1成为传播节点；
2) 如果⼀个免疫节点与⼀个传播节点接触将不会产⽣传播⾏为；
3) ⼀个传播节点在传播过程中以概率p2失去传播兴趣成为免疫节点。
4) SIR信息传播模型的动⼒学⽅程[3]为：
骆彦彦
()
析构()()1d d S t p S t I t t =? (1) ()()()()12d d I t p S t I t p I t t
=? (2) ()
()2d d R t p I t t = (3)
2.2. 影响⼒模型
对于在线社交⽹络的信息传播，影响⼒模型分为三类：
1) 经典影响⼒模型，主要通过节点以及节点之间的影响⼒构建信息的传播过程，但其基于离散时间的⽅式进⾏模型构建，不符合现实的信息传播⽅式。同时这两种模型依赖传播节点的影响⼒，研究学者可以对节点的⾏为进⾏分析从⽽对形象⼒模型的分布及趋势进⾏提前预测；
2) 基于⽤户之间的影响⼒模型，主要是通过已知的信息传播特征确定所构建模型中的影响概率参数，从⽽进⾏信息预测。在社交⽹络模型中，不同⽤户之间的社交影响⼒是不同的，例如微博⼤V 和明星之间的影响⼒以及明星和⼀般⽤户的影响⼒，正是因为不同特征⽤户之间的影响⼒因素不⼀样，所以在⽹络的信息传播中，通常会有基于不同⽤户影响⼒的研究，现实⽣活中明星为了宣传或洗⽩使⽤微博⼤V 进⾏信息散播就是真实的⽤户之间传播影响⼒的应⽤；
3) 基于⽤户影响⼒模型，主要是以⽤户之间的影响⼒为中⼼构建信息传播模型，进⾏信息、话题的预测。但影响⼒模型更多的侧重舆情的预测和跟踪。在社交⽹络模型中，每个⽤户作为⼀个传播节点，基于其个⼈属性及个⼈传播特征，其传播能⼒是不⼀样的，⽐如当前的抖⾳⽤户，有着千万粉丝⽤户的抖⾳⼤咖⼀旦进⾏信息的更新，转发评论围观等⽤户数和抖⾳平台本⾝
给的资源都是不⼀样的，因此造就了⼤咖更⽕的现象，⽽⼀般⽤户想要达到⼤咖的影响⼒则很难实现。
3. 信息传播⽹络模型的演化
随着移动互联技术的发展，移动社交⽹络正改变着⼈们进⾏信息交流与共享的模式。在线社交⽹络是⼀种基于Web2.0的典型社会化⽹络应⽤服务，是⼀种建⽴在虚拟空间之上的真实存在的⼈际关系，是以互联⽹为背景的⼈际关系新形态。在社交⽹络的平台中，⽤户通常在交友类社交⽹络、传播类社交⽹络及分享型社交⽹络进⾏信息传播，不同的传播平台提供了不同的传播途径，同时也对不同类型的⽤户给予了不同的传播影响⼒，因此在线社交⽹络模型的演化通常是基于不同的社交⽹络平台对⽤户节点或传播平台的性质进⾏演化。
3.1. 基于⽤户影响⼒模型的演化
论⽂使⽤经典影响⼒模型构建在线社交⽹络的信息传播模型，主要的⼯作是通过信息传播的特征确定该模型中的影响概率参数并对经典影响⼒模型进⾏改进。
郑蕾[4]在基于当前的LT 传播模型，以微博类⽤户的在线传播⾏为进⾏实证分析，通过研究，提出了以微博社交⽹络为对象的多信息竞争传播模型，并得到当前信息传播模型的幂律分布。Yang [5]等⼈基
于国外的信息传播媒体twitter 为研究对象，通过对该信息传播⽹络的⽤户进⾏传播⾏为的定量分析，提出了⼀种新的信息传播模型，该模型通过对⽹络对象的节点影响进⾏评估，从⽽预测该信息传播⽹络进⾏发散状态的趋势，从⽽对其进⾏预测。同时通过数据实证分析证明该模型能够精准评估⽹络模型的节点影响⼒，也可以快速可靠的预测出短时的信息传播趋势。张闯[6]等⼈将⽹络中节点属性分成静态和动态，并提出预测⽬标的节点影响⼒，在此基础上提出⼀种基于节点属性进⾏信息预测的属性、节点数、丫髻山碧霞元君祠遗址
骆彦彦
倾向(ANV)模型。实验采⽤BP神经⽹络预测⽅法，通过新浪微博数据预测电影票房，其结果表明，带有节点属性的⽅法⽐没有节点属性的⽅法的拟合和预测更为准确。
曹玖新[7]等⼈将粉丝数、⽤户影响⼒(PageRank法)、⽤户转发信息频率、交互强度、相似度、微博内容等15影响因素考虑在模型之中，分别通过Logistic回归、朴素贝叶斯、贝叶斯⽹络等规则函数分析了⽤户转发信息概率的变化，三种⽅法中Logistic 回归表现最佳。⽽后⼜将15个因素从内容上划分为⽤户特征因素、社交特征因素、微博特征因素等三类，分别分析了每⼀类影响因素对⽤户转发⾏为的影响，发现社交类特征因⼦对转发⾏为影响最⼤，⽽微博类特征因⼦对其影响最⼩，得出了在线社交⽹络⽤户对社交的需求⼤于对信息内容的需求的结论。
张胜兵[8]设计实验，选取CDBLP、Arvix作为信息交换类社交⽹络的代表，选择Wiki投票⽹络、Enron 电⼦邮件⽹作为实体关系类型的社交⽹络代表，分别进⾏测。实验表明，移去弱连接不能实现对信息交换类社交⽹络的传播控制，但是，控制弱连接能够实现对实体关系类社交⽹络有效控制。Gruhl [9]等⼈对IC 模型进⾏了改进，通过给出⼀种计算节点间阅读概率和复制概率的算法，给每条边赋予⼀个传播⾏为发⽣概率，使IC模型能够适⽤于传播可能发⽣延迟的环境。在此基础上，Saito [10]等⼈考虑传播中连续时间延迟的影响，进⼀步提出了CTIC (continuous time delay independent cascade)和CTLT (continuous time delay linear threshold)。为了使模型更能适应真实社会⽹络，Saito等⼈考虑传播的异步性将IC和LT模型扩展成AsIC和AsLT模型，模型中使⽤⼀个连续的时间轴，并为图中的每条边添加时间延迟的参数。
3.2. 基于SIR传播模型的演化
对于在线社交⽹络的信息传播模型的研究过程中，许多研究学者从不同的⾓度，利⽤不同的⽅法提出了新的改进的信息传播模型。其中，有些学者以基本的SIR传染病模型为基础进⾏研究。
王超[11]等⼈在研究信息传播时，结合Anderson等⼈研究的⾃然界中的传染病问题时，在经典的SIR 模型中增加了潜伏节点(E)得到的SEIR模型，引⼊的潜伏节点⽤于模拟还不能传播该传染病的患者。王超等⼈借鉴其研究结果，在SIR模型中引⼊潜伏节点，⽤来表⽰能接收但还不能传播信息的离线⽤户，因此SEIR模型可⽤于刻画SNS⽤户的⾏为特征，很好地克服了SIR 等模型的局限性。
张彦超[12]等⼈在构建新的基于在线社交⽹络的信息传播模型时，提出了⼀个基于SNS的信息传播模型，考虑了节点度和传播机理的影响，结合复杂⽹络和传染病动⼒学理论，进⼀步建⽴了动⼒学演化⽅程组。该⽅程组刻画了不同类型节点随着时间的演化关系，反映了传播动⼒学过程受到⽹络拓扑结构和传播机理的影响。该模型模拟了在线社交⽹络中的信息传播过程，并分析了不同类型节点在⽹络中的⾏为规律。仿真结果表明：由于在线社交⽹络的⾼度连通性，信息在⽹络中传播的门槛⼏乎为零；初始传播节点的度越⼤，信息越容易在⽹络中迅速传播；中⼼节点具有较⼤的社会影响⼒；具有不同度数的节点在⽹络中的变化趋势⼤体相同。研究表明该模型符合在线社交⽹络的特性，有助于更深刻地理解发⽣在在线社交⽹络中的传播⾏为。
程晓涛[13]等⼈在研究社交⽹络的信息传播模型时发现，针对传统传播模型更适⽤于均匀⽹络⽽⽆法有效应⽤于现实⾮均匀⽆标度社交⽹络的问题，提出⼀种基于⽤户局域信息的社交⽹络信息传播模型。
模型中考虑了⽆标度⽹络中⽤户间拓扑特征差异和⽤户影响⼒不同对信息传播的影响，根据节点周边邻居节点的感染情况和权威性计算感染概率，模拟现实社交⽹络中的信息传播情况。模型中借鉴统计物理中平均场的核⼼思想：把⽹络中相互作⽤的整体效果等价于⼀个“平均场”，不去计算局部的、处处不同的相互作⽤情况。即假设⽹络中个体具有⼀致感染率与恢复率(或称治愈率)。这种假设在均匀⽹络中是合理的，但社交⽹络是⼀个⾮均匀的⽆标度⽹络，各节点间存在⼀定的拓扑差异，并且在实
际的社交⽹络中，名⼈⽤户与普通⽤户的影响⼒与权威度是不同的。因此在构建信息传播模型时，不仅考虑了信息
骆彦彦
内容的因素，更考虑了传播节点周围拓扑结构、邻居感染情况和⽤户影响⼒差异等局域信息的影响。通过在采集的真实微博⽹络数据上进⾏仿真实验，结果表明该模型较传统的SIR模型更能体现社交⽹络中信息传播的快速性与范围的⼴泛性；通过调整模型中的相关参数，验证了相关管控措施对传播效果的影响。
蒙在桥[14]等⼈在研究信息传播的模型时，发现传统传播模型较难描述在线社交⽹络中的复杂活跃模式以及节点间的拓扑差异，并且其接触式的传播者退化⽅式也与现实不符。针对理论模型模拟与现实消息传播的不符，提出⼀个基于在线社交⽹络的动态消息传播模型D-SIR。该模型考虑了在线社交⽹络中影响消息传播的⼀些实际因素，引⼊基于传播延迟的退化⽅式使传播者⾃发地退化成免疫者，动态指定节点的权威度和免疫⼒以适应⾮均质⽹络，并考虑接收增强信号效应以及外部社会加强效果。考虑到社交⽹络的⽆标度特性，模型根据节点出度动态指定节点的权威度和免疫⼒，并且该模型还可以扩展外部社会加强的影响因素。在采集的新浪微博真实传播⽹络数据中，通过参数变化的传播仿真实验验证了D-SIR模型可以有效反映在线社交⽹络的现实传播情形，并且较传统模型更具灵活性及可扩展性。
Liu [15]等⼈参考SIR传播模型，使⽤Net Logo构造了⼀个基于主体的模型。模型中，将⽤户分成传播者、未知者和不受影响者三类，并使⽤⽤户出⼊度的⽐例代表其影响⼒，同时考虑了类似Twitter 的微博⽹络结构的⽆标度性、信息传播的特性以及谣⾔的最⼤传播时间。许晓东[16]等⼈根据微博社区信息传播⽹的特性，使⽤SIR病毒传染模型刻画谣⾔传播过程，并借助计算机仿真研究传染率和⽹络的拓扑结构对谣⾔传播规模的影响，发现降低有效传播率和减⼩⽹络度分布熵有利于缩⼩谣⾔传播规模。Xiong [17]等⼈将Twitter⽹络中的⽤户按对信息的接受程度划分为四种类型
(susceptible，infected，contacted，refractory)，并提出SCIR型，探讨了模型仿真过程中随着传播速率改变的整个模型⽹络的动态变化。
韩佳[18]等⼈针对在线社交⽹络中信息传播模式的形式特点，结合传染病动⼒学原理，提出了在线社交⽹络中的信息传播模型。模型考虑了不同⽤户⾏为对传播机理的影响，并建⽴了不同⽤户节点的演化⽅程组，模拟了信息传播的过程，分析了不同类型的⽤户在⽹络中的⾏为特征以及影响信息传播的主要因素。实验结果表明：不同类型的⽤户在信息传播过程中有着特定的⾏为规律，信息不会⽆限制地传播，并在最终达到平稳状态，并且传播系数和免疫系数越⼤，信息传播达到稳态的速度就越快。
3.3. 基于其他传播模型的演化
张晓伟[19]在研究信息传播模型时，通过借鉴⽇常⽣活中⼈与⼈之间的信任原理，提出了⼀种基于信
任度的消息传播模型。该模型⾸先利⽤个体的公开信息，使⽤数据挖掘的算法对个体进⾏分类；然后，根据同类和不同类个体之间的关系计算个体之间的信任度；最后，使⽤消息与个体的属性相似性以及信任度来计算消息可能传播范围。给出了相应的计算⽅法，并与两种基准⽅法对⽐，结果表明，该模型在准确度上提升15%左右，⽽所⽤时间降低50%以上。与数据集统计结果对⽐，该实验的结果与统计结果相差5%左右，充分表明该模型在实际应⽤中有⽐较好的效果。
Wu [20]等⼈以微博平台作为社交⽹络信息传播媒介的研究对象，对该平台⽤户发表、查看、评论、分享等基本⾏为进⾏研究，对该平台的信息传播模式进⾏加⼯和归纳，微博中⽤户发表、浏览、回复和转发博⽂的基本⾏为，将微博的信息传播分成发布、接收、加⼯、传播四个阶段，并考虑信息丢失的情况，然后听出基于信息动态传播的竞争窗⼝模型提出竞争窗⼝模型。在该模型中，只是基于⽤户对信息的四个阶段的状态进⾏建模，没有对不同⽤户之间的影响⼒及整个拓扑结构的诧异对信息传播的影响。
肖如良[21]等⼈在研究社交⽹络的信息传播时，借⽤物理学中引⼒势理论，推导了社交⽹络中的信息传递过程，并在分析各变量因⼦的基础上，得出了信息传播的动⼒学概率模型。该模型主要考虑了信源
骆彦彦
信息的时效性、⽤户之间的关系远近以及信息价值对社交⽹络中信息传播的影响。实验结果表明：信源信息的价值时效性是先增⼤后逐渐减⼩直⾄保持不变的；当⽤户之间的关系越远时，两个⽤户之间的信息传播必然经历多次信息运动模式，说明信息源产⽣势的范围越⼴并且信息传播的越深远；信息价值的⼤⼩与信息传播范围之间的关系呈现“S”型的变化特性。
王杨[22]等⼈提出⼀种基于灰⾊神经⽹络的信息传播预测模型，建⽴了含有初始根节点数⽬、根节点净传播数、⼦节点净传播数、根节点与⼦节点重复传播率、根节点传播重复率、⼦节点传播重复率等6个参数的神经⽹络模型。实验结果发现信息传播具有先平稳传播、后迅速传播、⽽后⼜逐渐稳定的传播规律。黄启发[23]等⼈在分析信息在在线社交⽹络上的传播时，分了两阶段博弈。第⼀阶段是两个⽤户是否传播信息的博弈，两⽤户的策略集均为{传播，不传播}，⽤户的收益由发送信息收益、接受信息收益、发送信息成本、⽤户间的关系紧密度决定；该阶段博弈得出⽤户间关系紧密度越⾼，两⽤户选择传播策略的可能性更⼤。第⼆阶段博弈考虑了⽹络⽔军等⽤户的存在，⽤户在传播信息时可能因受额外利益的诱惑⽽选择共谋，建⽴了简化的三⽤户博弈；三⽤户的策略集均为{共谋，⾮共谋}，⽤户的收益由发送信息收益、接受信息收益、发送信息成本、⽤户间的关系紧密度、共谋额外收益、⾮共谋损失决定；同样，⽤户之间的关系密度越⾼，选择共谋的概率越；另外，较⾼的谋额外收益或者⾼的⾮共谋损失也会使得⽤更加倾向于选择共谋。
孔素真[24]等⼈考虑到⽤户之间的好友关系存在多种类型，且不同类型的好友关系信息传播偏好不同，
提出了⼀种多关系类型社交⽹络信息传播模型，并建⽴了信息传播的动⼒学⽅程。在该模型中，⽤户根据⾃⾝的传播偏好决定是否分享或传播信息，
并根据信息传播偏好主动选择可能的好友关系分享或传播信息．数据仿真结果表明：在多关系类型社交⽹络中，信息的传播范围和信息在⽹络中持续的时间与信息的特征有关；信息通过多种类型的好友关系传播能够有效提⾼信息的传播范围和传播速度。第七届中国国际动漫节
3.4. 未来研究⽅向
对于在线社交⽹络信息传播的研究多数是沿着其他类型的社会⽹络的研究⽅法展开的，但是由于社交⽹络具有⾃⼰的新特征，其研究⾓度和⽅法都有待改进。未来的研究可以考虑以下⼏个⽅向：
1) ⽬前绝⼤部分的信息传播分析都是以静态⽹络拓扑结构为基础的，但是在现实的在线社交⽹络中，
⽤户之间的关系⽹络是随时间动态变化的。下⼀步的⼯作需要将在线社交⽹络的动态变化特征添加到信息传播模型中，研究其演化规律。
2) 基于影响⼒的信息传播模型中，⼤部分的参数都是根据经验取值，并没有通过真实的传播数据统
计获取，这样势必会影响模型的准确性，⽽不能很好地预测信息传播的趋势。所以在未来的研究中，获取精确的微博数据来训练模型参数是构建传播模型的重要⽅⾯。
3) 在研究动态⽹络的过程中，基于⽤户的体的度并没有深⼊的了解，不同的度的⽤户节点对于消
息传播有着怎样的影响也需要进⼀步的研究和探索。
4. 总结与展望
随着在线社交⽹络的服务不断升级，信息传播的模式也不断的多样化，⽤户的⾏为将对信息传播起着重要的推动作⽤。在学者对于基于在线社交⽹络的信息传播模型进⾏研究时，不同的研究模型有着不同的⾓度及⽅法。学者们提出的新模型不断的完善了信息传播模型领域的内容，同时也对其发展起了决定性的推动作⽤。未来学者在研究相关的模型时，可以适当关注⽤户⾏为、动态⽹络的模型建⽴以及在线社交⽹络的信息传播的安全等不同的领域，为在线社交⽹络的信息传播模型的发展注⼊更多的研究成果及⽅法。
骆彦彦
参考⽂献
最小二乘估计
[1]Barabasi, A.L. (2012) Special Issue on Complexity. Nature Physics, 8, 14-16.美丽加减法
[2]Watts, D.J. and Strogatz, S.H. (1998) Collective Dynamics of Small-World Networks. Nature, 393, 440-442.
www.doczj/doc/a70182fd85868762caaedd3383c4bb4cf7ecb7bf.html /10.1038/30918
[3]王⾦龙, 刘⽅爱, 朱振⽅. ⼀种基于⽤户相对权重的在线社交⽹络信息传播模型[J]. 物理学报, 2015(5): 500-501.
[4]郑蕾. ⾯向社会⽹络的信息传播模型研究[D]: [硕⼠学位论⽂]. 上海: 上海交通⼤学, 2011.
[5]Yang, J. and Leskovec, J. (2010) Modeling Information Diffusion in Implicit Networks. Proceedings of the 10th IEEE International Conference on Data Mining, IEEE Computer Society, Washington DC, 599-608.
www.doczj/doc/a70182fd85868762caaedd3383c4bb4cf7ecb7bf.html /10.1109/ICDM.2010.22
[6]张闯, 姜杨, 吴铭, 等. 基于社会化媒体节点属性的信息预测[J]. 北京邮电⼤学学报, 2012, 35(4): 24-27.
[7]曹玖新, 吴江林, ⽯伟, 等. 新浪微博⽹信息传播分析与预测[J]. 计算机学报, 2014, 37(4): 779-790.
抢抢族
[8]张胜兵. 弱连接对不同类型在线社交⽹络信息传播范围的影响研究[J]. 计算机⼯程与科学, 2015, 37(1): 42-47.
[9]Gruhl, D., Guhar, Liben-Nowell, D., et al. (2004) Information Diffusion through Blogspace. Proceedings of the 13th International Conference on World Wide Web, ACM Press, New York, 491-501.
www.doczj/doc/a70182fd85868762caaedd3383c4bb4cf7ecb7bf.html /10.1145/988672.988739
[10]Saito, K., Kimura, M., Ohara, K., et al. (2010) Behavioral Analyses of Information Diffusion Models by Observed Da-
ta of Social Network. Proceedings of the 3rd International Conference on Social Computing, Behavioral Modeling and Prediction, Springer-Verlag, Berlin, 149-158.
www.doczj/doc/a70182fd85868762caaedd3383c4bb4cf7ecb7bf.html /10.1007/978-3-642-12079-4_20
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议