毋建軍

(北京政法職業(yè)學(xué)院信息技術(shù)系, 北京 102628)

?

社交網(wǎng)絡(luò)信息傳播影響力研究范式

毋建軍

(北京政法職業(yè)學(xué)院信息技術(shù)系, 北京 102628)

摘要：隨著社交網(wǎng)絡(luò)的快速發(fā)展,社交網(wǎng)絡(luò)信息在傳播介質(zhì)、傳播源、傳播類型等方面都發(fā)生了很大的變化，社交網(wǎng)絡(luò)信息傳播規(guī)律的研究逐漸成為社交網(wǎng)絡(luò)研究領(lǐng)域的一個重要方向，已取得許多研究進(jìn)展，但它仍然存在許多挑戰(zhàn)及問題。通過對信息傳播基本問題進(jìn)行厘清及分析其形成原因，構(gòu)建了社交網(wǎng)絡(luò)信息傳播過程模型，分類綜述了社交網(wǎng)絡(luò)信息傳播研究進(jìn)展，并對其未來管控及發(fā)展方向進(jìn)行了探討和展望。

關(guān)鍵詞：社交網(wǎng)絡(luò)；信息傳播；傳播介質(zhì)；媒介分析

一引言

近年來，隨著社交網(wǎng)絡(luò)的廣泛應(yīng)用，微博、微信、QQ群等社交網(wǎng)絡(luò)載體在加速信息傳播、影響力擴(kuò)大化的過程中扮演了非常重要的角色[1]。從大規(guī)模的社交網(wǎng)絡(luò)用戶中發(fā)掘少數(shù)具有特殊影響力的意見領(lǐng)袖或關(guān)鍵人物，不僅是生物、醫(yī)學(xué)、社會學(xué)、物理學(xué)、計算機(jī)等多學(xué)科在社區(qū)發(fā)現(xiàn)、網(wǎng)絡(luò)和社會信息傳播、疾病傳染、輿情、信任傳播、公共健康等領(lǐng)域的研究熱點，也是廣告定點投放、病毒式或口碑營銷等推廣方式實現(xiàn)以最小化成本、最大化擴(kuò)散產(chǎn)品影響效應(yīng)的重點。

通過影響力及傳播的基本屬性，分析和對比現(xiàn)有的影響力及傳播的研究范式和成果關(guān)聯(lián)，并構(gòu)建其框架，本文將介紹影響力問題、形成因素及過程模型構(gòu)建，分析社交網(wǎng)絡(luò)模型的研究及其優(yōu)劣，探討研究的方向趨勢及面臨的問題。

二社交網(wǎng)絡(luò)影響力問題

(一)影響力及傳播問題

傳統(tǒng)影響力分析假設(shè)的前提，是網(wǎng)絡(luò)信息傳播中總能找到一小部分人，把它們作為信息傳播的起始種子用戶，能使信息在網(wǎng)絡(luò)中的傳播實現(xiàn)最大化的效應(yīng)，即影響力最大化(IM)。

Jessin[2]認(rèn)為傳統(tǒng)影響力分析中沒有考慮普通用戶在信息傳播中的作用，雖然種子用戶對信息本身的影響力、觸發(fā)信息級聯(lián)的機(jī)會比普通用戶大，但它們對信息的傳播過程貢獻(xiàn)并不明顯，對傳播過程起作用的主要是網(wǎng)絡(luò)本身的屬性，而不是小部分用戶。目前影響力最大化分析工作大部分還是基于傳統(tǒng)影響力的假設(shè)。大部分社交網(wǎng)絡(luò)影響的工作，主要圍繞以下幾個問題展開：影響力信息的起源及追溯；對影響力產(chǎn)生作用的因素有哪些；如何才能最大化影響力，能夠?qū)ψ畲蠡绊懫潢P(guān)鍵作用的用戶如何選取。

(二)影響力傳播過程模型

影響力、傳播涉及因素眾多，大多數(shù)工作把影響力工作集中于圖1抽象的影響力傳播過程模型中人的要素上，如Merton提出意見領(lǐng)袖概念、Bakshy根據(jù)用戶屬性及轉(zhuǎn)發(fā)URL的行為特點，評分提取影響力用戶；Watts發(fā)現(xiàn)驅(qū)動影響力事件級聯(lián)傳播的人，并不是人們通常所想的社會意見領(lǐng)袖，而是普通的大眾用戶等。

當(dāng)前雖然大多數(shù)影響力任務(wù)相似或相關(guān)，但由于介質(zhì)、特征、維度選擇的不同，導(dǎo)致社交影響力模型構(gòu)建、影響力測量、影響力評價方法比較雜多，沒有統(tǒng)一可解釋的標(biāo)準(zhǔn)模型。本文在前人工作的基礎(chǔ)上，把影響力傳播抽象為人在物化的介質(zhì)上傳遞信息的過程，包含三元要素和時間因子，三元要素為：人、介質(zhì)和信息。信息在介質(zhì)中隨著時間進(jìn)行傳播，信息傳播的過程是影響力形成的過程，介質(zhì)的兩端是人，人具有影響力，信息自身也具有影響力，信息的傳播過程是不可逆轉(zhuǎn)的線性過程，其影響力傳播過程模型如圖1所示。

圖1　影響力傳播過程模型

影響力分析數(shù)據(jù)跨越多個學(xué)科，早期有疾病、農(nóng)業(yè)、生物基因、協(xié)作網(wǎng)絡(luò)、論壇、博客等面向不同領(lǐng)域的小數(shù)據(jù)，近年社交網(wǎng)絡(luò)數(shù)據(jù)海量增長，有基于Facebook、Twitter、Google+等的大數(shù)據(jù)，不同的數(shù)據(jù)源有著不同的特征，測試數(shù)據(jù)來源方式主要有免費公開和自行采集兩種方式，免費公開的測試數(shù)據(jù)通常只有節(jié)點和邊的特征；而自行采集的數(shù)據(jù)特征較多，對基于內(nèi)容和屬性的特征建模較為適用。

(三)社交影響力傳播結(jié)構(gòu)構(gòu)建

社交影響力傳播的介質(zhì)載體通常映射為圖結(jié)構(gòu)形式處理，圖頂點可以表示用戶、站點、推文或進(jìn)行自定義含義，邊通常表示節(jié)點之間的關(guān)系，既可以是顯式的也可以是隱式的，顯式邊表示節(jié)點之間明確的鏈接關(guān)系，隱式的邊表示節(jié)點之間在話題、討論內(nèi)容、興趣、愛好地理位置、信仰、觀點等方面的關(guān)聯(lián)關(guān)系，邊上可以以權(quán)值的方式表示頂點之間的鏈接強(qiáng)度或疏遠(yuǎn)、相似程度。

早期衡量介質(zhì)結(jié)構(gòu)中節(jié)點重要性的方法是中心性(centrality),社交網(wǎng)絡(luò)中一個節(jié)點的中心性越高，表示這個節(jié)點的影響力就越大，節(jié)點中心性值可以用節(jié)點的度簡化表示，分別統(tǒng)計以這個節(jié)點為起點的路徑，F(xiàn)reema以平均最短路徑即緊密中心性和節(jié)點中介性(betweenness)來評價節(jié)點的影響力,節(jié)點有可能成為局部或全局社交網(wǎng)絡(luò)信息流瓶頸，形成網(wǎng)絡(luò)結(jié)構(gòu)洞或網(wǎng)絡(luò)橋[3]，刪除橋節(jié)點，網(wǎng)絡(luò)就散分。節(jié)點屬性是節(jié)點影響力的標(biāo)志之一，比如加V、知名人士、意見領(lǐng)袖、領(lǐng)導(dǎo)人等，通常都代表著潛在的影響力、關(guān)注度。

社交網(wǎng)絡(luò)中邊通常用同質(zhì)性(homophily)、異質(zhì)性(Heterogeneity)、互惠性(Reciprocity)等來度量。有邊并不代表有很強(qiáng)的關(guān)聯(lián)關(guān)系，邊分有向的(Twitter為代表)、無向(Facebook為代表)，邊的鏈接關(guān)系強(qiáng)度及緊密程度與介質(zhì)本身的結(jié)構(gòu)形成有很大的關(guān)系，也就是說與測試數(shù)據(jù)直接相關(guān)，如互惠性在Twitter中并不明顯，但在Flikr中相對較多。影響力傳播與邊的單向、雙向關(guān)聯(lián)性目前并不清楚，尚待探索，但在介質(zhì)結(jié)構(gòu)中單向的更容易形成星型結(jié)構(gòu)，雙向的更容易形成團(tuán)狀結(jié)構(gòu)。格蘭諾維特在《弱連接的優(yōu)勢》中認(rèn)為，研究者更容易關(guān)注強(qiáng)連接的影響，往往忽視了弱連接的作用。強(qiáng)連接可以使人們之間產(chǎn)生信任，降低不確定性，加速信息在熟悉的圈子中快速傳播，但弱連帶有利于推動消息在更廣的范圍內(nèi)傳遞擴(kuò)散，它實現(xiàn)了強(qiáng)連帶所不具有的功能。因此基于鏈接關(guān)系的強(qiáng)弱，主要的社交網(wǎng)絡(luò)可以分成以下兩類：

強(qiáng)關(guān)系：Facebook，人人網(wǎng)，Google+等。信任度高，由于都是熟人，互動性高，由于在環(huán)境中都是真實的朋友，他們愿意互動、交流、分享信息；信息的傳播速度快，但傳播局限于朋友圈子內(nèi)，傳播范圍有限。

弱關(guān)系：Twitter，新浪微博、Plurk等。信任度低，互動性低，名人或意見領(lǐng)袖的作用更為明顯，在粉絲數(shù)量足夠大的情況下，會有非常好的廣播效果，可以達(dá)到一定的廣度和深度。

三社交網(wǎng)絡(luò)影響力評價模型

(一)基于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的評價方法

網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)是人們交互信息過程中社交影響力擴(kuò)散的結(jié)果，其節(jié)點屬性和邊顯式鏈接關(guān)系的形成、采集都比較直接，轉(zhuǎn)化為圖的結(jié)構(gòu)后，引入圖度量方法測量節(jié)點和邊的影響力[4]。Alan[5]對四種社交網(wǎng)絡(luò)Flickr、LiveJournal、Orkut、YouTube及Web介質(zhì)結(jié)構(gòu)的路徑長度、半徑、直徑、出度和入度的關(guān)聯(lián)性進(jìn)行了分析，發(fā)現(xiàn)除了節(jié)點度具有冪定律之外，邊鏈接具有對稱性(symmetry)，同配性(Assortativity)、出入度強(qiáng)相關(guān)，高度的節(jié)點傾向于連接其他高度的節(jié)點具有相同傳播對象，高度節(jié)點連接具有反對行為的低度節(jié)點,通過聯(lián)合度分布(JDD)的無標(biāo)度行為標(biāo)準(zhǔn)和同配性計算連接相關(guān)性。但單獨對節(jié)點和邊影響力的測量方法，并沒有考慮社區(qū)介質(zhì)結(jié)構(gòu)的時間特性，只對某一時刻的社區(qū)結(jié)構(gòu)進(jìn)行節(jié)點和邊影響力的測量，而用戶實際影響力會隨時間的變化而發(fā)生變化，節(jié)點和邊的影響力是一個動態(tài)變化的過程。Girvan等[6]也對介質(zhì)結(jié)構(gòu)中節(jié)點和邊影響力測量方法進(jìn)行了分析和總結(jié)。

(二)基于用戶行為的評價模型

用戶所能發(fā)生的行為與所應(yīng)用的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)直接相關(guān)，確定社交網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，是用戶行為評價的前提。用戶之間的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)形成是用戶行為活動的結(jié)果，在形成過程中，用戶個體的行為、個體與個體的交互行為、個體與群體的交互行為是行為表現(xiàn)的主要方式，它們都與介質(zhì)的特性具有很大的關(guān)系，如Blog用戶在Blog空間中的行為只能有留言、評論等，但并沒有進(jìn)行點贊，而Facebook用戶可以發(fā)生點贊的行為。Xiang[7]在用戶之間有更強(qiáng)的關(guān)系、一定類型的交互行為有更大概率發(fā)生的基礎(chǔ)上，把用戶行為的測量轉(zhuǎn)化為對用戶關(guān)系和用戶留言板貼文動作的統(tǒng)計。利用聯(lián)合概率和EM(Expectation Maximization)算法，通過學(xué)習(xí)模型參數(shù)，評估用戶之間的關(guān)系強(qiáng)度。Amit[8]等把用戶發(fā)起行為的原因歸結(jié)于用戶或家人影響、外部事件影響、自身是活躍用戶三個方面，通過對用戶受影響的行為數(shù)量和用戶所有的行為數(shù)量的比值來計算用戶的影響力。Tomoharu[9]研究了用戶采用事件觸發(fā)行為受先前事件的影響，設(shè)計了強(qiáng)度函數(shù)，模型化用戶u在時間t采用條目i受用戶 在時間 采用條目i的影響，與Kazumi[10]CTIC算法采用了最大似然模型化用戶影響力、排序用戶影響力，EM求解一樣，迭代及計算時間復(fù)雜度高，并不適用于實時大規(guī)模網(wǎng)絡(luò)計算。

上述用戶影響力的傳播與社交網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)所聯(lián)系的領(lǐng)域緊密耦合，它們在用戶行為特征、拓?fù)浣Y(jié)構(gòu)、時間特性方面的都有很大的不同，其中用戶行為在不同的拓?fù)浣Y(jié)構(gòu)其產(chǎn)生的社會影響力也僅限于特定領(lǐng)域，但所有的社交網(wǎng)絡(luò)平臺都具有網(wǎng)絡(luò)的基本特性，具有用戶(頂點)和鏈接關(guān)系(邊)，所以用戶行為的影響力測量、預(yù)測潛在都是是基于特定社交網(wǎng)絡(luò)平臺、面向特定領(lǐng)域的影響力的測量及預(yù)測。用戶行為測量與基于介質(zhì)結(jié)構(gòu)的影響力測量使用特征更多，精度相對較高，但從模型采用的數(shù)據(jù)可以看出，用戶行為獲取及應(yīng)用(限于用戶隱私保護(hù)，必須數(shù)字化處理)有著較大的局限性。

(三)基于信息擴(kuò)散效果的評價模型

最大化信息擴(kuò)散的效果、獲取信息傳播中自發(fā)形成的群體以及對信息快速傳播起關(guān)鍵作用的人物，是信息擴(kuò)散影響力測量的主要問題，針對它們的測量模型有影響力最大化、社區(qū)影響力、意見領(lǐng)袖發(fā)現(xiàn)三個類別。影響力最大化測量研究起源于市場決策、商業(yè)管理，主要以新產(chǎn)品的用戶口碑營銷、病毒式市場營銷應(yīng)用為主。

影響力最大化測量模型的首要關(guān)鍵是初始種子用戶的優(yōu)化選擇問題。在信息傳播的初期，假設(shè)所有的用戶都處于非活動狀態(tài)，初始種子用戶的選擇，最簡單的測量方法是啟發(fā)式模型，通過節(jié)點的度中心性、節(jié)點間最短距離或度折扣方法計算節(jié)點的影響力,方法簡單但在實際社交網(wǎng)絡(luò)中節(jié)點影響力與啟發(fā)式測量方法具有較大的偏差。為了準(zhǔn)確度量種子節(jié)點，Kempe[11]把選擇影響力種子用戶的問題轉(zhuǎn)化為離散優(yōu)化問題。通過線性閾值模型和獨立級聯(lián)模型，來促進(jìn)信息的傳播，但其缺陷是種子節(jié)點的選擇評估處理運行時間長。此外，模型中的閾值受許多因素影響，對行為聚合結(jié)果有影響。

預(yù)測影響力模型與的線性影響力模型、獨立級聯(lián)模型、共享級聯(lián)泊松處理(SCPP)等相比較，有獨立性的假設(shè)，但在社交網(wǎng)絡(luò)影響力傳播過程中，用戶的行為通常受周圍用戶的行為影響，所以獨立假設(shè)實踐中并不存在。

四總結(jié)及展望

由于社交網(wǎng)絡(luò)結(jié)構(gòu)本身具有異質(zhì)性、復(fù)雜性、多變性等特點，在實際環(huán)境中，它并不是單一的、靜態(tài)、固化的結(jié)構(gòu)，借助社交網(wǎng)絡(luò)用戶散播信息、營銷商品、追蹤熱點話題、發(fā)起活動、挖掘關(guān)系、人肉搜索，它已經(jīng)成為影響力擴(kuò)散的觸角，深入和改變著用戶的行為模式。本文通過社交網(wǎng)絡(luò)信息傳播影響力的起源、傳播影響的因素、影響力評價模型分析，提出了影響力傳播過程模型，在此基礎(chǔ)上，梳理了現(xiàn)有的社交影響力傳播模型，但同時也發(fā)現(xiàn)基于不同社交網(wǎng)絡(luò)的信息傳播影響力評價模型不盡相同，即使同一評價方法，也不一定適用于跨社交網(wǎng)絡(luò)的影響力測量和評價，并沒有統(tǒng)一的結(jié)構(gòu)或標(biāo)準(zhǔn)來進(jìn)行轉(zhuǎn)化。因而，造成目前的大多細(xì)粒度精準(zhǔn)模型基本都與網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)緊耦合，如何實現(xiàn)不同社交網(wǎng)絡(luò)的信息特征融合，影響力的跨網(wǎng)絡(luò)評價將是下一步的工作。

參考文獻(xiàn)：

[1]E Bakshy,I Rosenn,C Marlow,et al.The role of social networks in information diffusion[J].The International Conference of World Wide Web,2012.

[2]Y Jessie.A survey on influence analysis in social networks[J].Patterns of Influence: Local and Cosmopolitan,2011.

[3]R S Burt.Struturalholes:The social structure of competition[M]. Cambridge:Harvard University Press,1992.

[4]P Michel,C Michel.Survey on social community detection.Social Media Retrieval[M].Springer，2013.

[5]M Alan,M Masimiliano,G Krishna P. Measurement and analysis of online social networks[J].IMC’07,2007.

[6]M Girvan,M E J Newman.Community structure in social and biological networks[J].Proceedings of the National Academy of Science of the United States of American,2002,(12).

[7]R Xiang,J Neville,M Rogati. Modeling relationship strength in online social networks[J].In Proceeding of the 19th international conference on World Wide Web,2010.

[8]A Goyal,F Bonchi,L V Lakshmanan.Learning influence probabilities in social networks[J].In Proceedings of the 3st ACM International Conference on Web Search and Data Mining,2010.

[9]I Tomoharu,S Arnar,G Zoubin. Discovery latent influence in online social activities via shared cascade poissonprocesses[J].KDD’13,2013.

[10]S Kazumi,K Masahiro,O Kouzou,et al. Learning continuous-time information diffusion model for social beahaviors data analysis[J]. Proceeding ACML '09 Proceedings of the 1st Asian Conference on Machine Learning: Advances in Machine Learning,2009.

[11]D Kempe,J M.Kleinberg,E Tardos.Maximizing the spread of influence through a social network[J].KDD’03,2003.

(責(zé)任編校：余中華)

Survey on Influence Propagation Based on Information Diffusion through Online Social Network

WU JianJun

(Department of Computer, Beijing College of Politics and Law, Beijing 102628, China)

Abstract：Recently,social network service has become very popular by providing and sharing real-time information contributed towards various factors that are related to propagation media,information spreader,diffusion patterns,etc.A number of research efforts have been made for information diffusion modeling and influential spreaders identification. In this paper,we address the problem of information diffusion methods and propose a taxonomy that summarizes the state-of-the-art. Our comparisons show interesting and userful findings for researchers， offering future possible improvments channel or guiding principles.

Key Words：social network; information disseminate; propagation media;media analysis

收稿日期：2016-01-15

基金項目：北京政法職業(yè)學(xué)院課題“基于社交網(wǎng)絡(luò)的輿情分析技術(shù)研究”，編號：KYZX201404。

作者簡介：毋建軍(1977— )，男，山西河津人，北京政法職業(yè)學(xué)院信息技術(shù)系講師，碩士。 研究方向：社交網(wǎng)絡(luò)。

中圖分類號:G206

文獻(xiàn)標(biāo)識碼：A

文章編號：1008-4681(2016)03-0119-03