王曉萌， 方濱興， 張宏莉， 王 星

(哈爾濱工業(yè)大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院, 哈爾濱 150001)

0 引 言

在線社交網(wǎng)絡(luò)與生俱來的自由性和開放性，使其逐漸成為當(dāng)代社會信息傳播的重要集散地，社交網(wǎng)絡(luò)中的信息活躍性達(dá)到了前所未有的程度。隨著國內(nèi)外大量在線社交網(wǎng)絡(luò)服務(wù)的涌現(xiàn)以及用戶的參與，針對社交網(wǎng)絡(luò)信息傳播分析的相關(guān)研究引起了國內(nèi)外學(xué)者的高度關(guān)注。研究社交網(wǎng)絡(luò)中的信息傳播規(guī)律，建立傳播模型，即能從信息傳播的角度對網(wǎng)絡(luò)結(jié)構(gòu)、屬性以及突發(fā)事件遵循的規(guī)律有進(jìn)一步的認(rèn)識。

信息傳播模型是信息傳播研究內(nèi)容的核心，主要任務(wù)是分析信息傳播過程中的影響因素，理解、模擬并驗證擴(kuò)散過程。信息傳播與疾病、文化和行為的傳播是人類社會中常見的現(xiàn)象，很多研究者多借鑒病毒傳播模型[1-2]來研究在線社交絡(luò)中的謠言傳播[3-4]。傳統(tǒng)的傳染病傳播模型中的狀態(tài)表征存在不足，個體只有感染、易感和免疫三種狀態(tài)，許多擴(kuò)展模型并沒有充分考慮信息傳播的內(nèi)在機(jī)理與用戶的影響力，傳播模擬實驗結(jié)論也沒有給出拓?fù)浣Y(jié)構(gòu)對傳播機(jī)理影響的合理解釋。信息傳播具有記憶效應(yīng)(memory effect)[5]，記憶效應(yīng)是指人對于同類信息接觸所具有的記憶上的累積特性，即同一類信息的多次冗余接觸會改變?nèi)藗儗ζ涑跏伎捶?，這種累積特性會對社交網(wǎng)絡(luò)中用戶的轉(zhuǎn)發(fā)行為產(chǎn)生影響。部分在線社交網(wǎng)絡(luò)上的實證研究[6]已經(jīng)驗證的記憶效應(yīng)在社交網(wǎng)絡(luò)信息傳播過程中存在且具有規(guī)律性。

以往的傳播模型大都沒有考慮記憶效應(yīng)這種行為對傳播的影響或考慮不全面。本文中，將同時考慮傳播過程中的記憶效應(yīng)的興趣累積與時效衰減兩方面，還將兼顧社交網(wǎng)絡(luò)中用戶影響力，對在線社交網(wǎng)絡(luò)中的信息傳播行為進(jìn)行詳細(xì)的理論建模與數(shù)值仿真，有助于深入理解社交網(wǎng)絡(luò)中的傳播行為，為輿情研究提供理論基礎(chǔ)。

1 相關(guān)工作

社交網(wǎng)絡(luò)中記憶效應(yīng)的研究最早來自于Centola的郵件推薦實驗[5]，Centola將1 528名的注冊用戶以匿名的方式分配到度相同的規(guī)則網(wǎng)絡(luò)(最近鄰耦合)與隨機(jī)網(wǎng)絡(luò)[7]中，每個用戶通過郵件的方式對鄰居用戶重復(fù)推薦一個健康社區(qū)網(wǎng)站，當(dāng)個體接收到多次郵件推薦后，則更有可能接收該郵件的推薦內(nèi)容并進(jìn)行轉(zhuǎn)發(fā)。而在此之前，傳統(tǒng)結(jié)論一般認(rèn)為具有短平均路徑的隨機(jī)網(wǎng)絡(luò)更有利于信息的傳播，但在線社交網(wǎng)絡(luò)存在記憶效應(yīng)，與此同時還發(fā)現(xiàn)相比于平均路徑較短的隨機(jī)網(wǎng)絡(luò)，具有高聚集系數(shù)的規(guī)則網(wǎng)絡(luò)更有利于行為的傳播與擴(kuò)散。

隨后，Romero等人[6]對大量Twitter數(shù)據(jù)進(jìn)行統(tǒng)計分類，發(fā)現(xiàn)不同類型話題傳播過程中記憶效應(yīng)的的巔峰概率與接受信息次數(shù)的關(guān)聯(lián)關(guān)系。文獻(xiàn)[8]對海量新浪微博數(shù)據(jù)進(jìn)行統(tǒng)計，發(fā)現(xiàn)不同類型的微博在轉(zhuǎn)發(fā)過程中所表征出來的記憶效應(yīng)曲線存在差異，冗余的信息刺激可能會降低微博的轉(zhuǎn)發(fā)概率。Myers等人[9]認(rèn)為社交網(wǎng)絡(luò)用戶影響力可以近似擬合為一個與信息累積接受次數(shù)相關(guān)的曝光曲線(exposure curve)。文獻(xiàn)[10]建立了一個興趣積累的記憶效應(yīng)傳播模型，并討論該模型在小世界網(wǎng)絡(luò)上的傳播能力，但該模型只考慮了記憶效應(yīng)帶來的概率累積一種情況。

相對于之前的研究，本文將整合上述研究者的工作，探究符合記憶效應(yīng)規(guī)律的信息傳播特征，借鑒傳染病模型，重新劃分社交網(wǎng)絡(luò)上節(jié)點的狀態(tài)集，給出傳播動力學(xué)方程并在模擬網(wǎng)絡(luò)與真實網(wǎng)絡(luò)上進(jìn)行驗證分析。

2 傳播機(jī)理與模型

在線社交網(wǎng)絡(luò)中，用戶發(fā)布或分享的信息會傳遞給該用戶的好友，其好友會依據(jù)興趣程度、是否可信、新鮮程度以及傳播源的影響力等因素以一定概率對信息進(jìn)行轉(zhuǎn)發(fā)擴(kuò)散。然而信息多次累積會產(chǎn)生記憶效應(yīng)，對用戶的轉(zhuǎn)發(fā)行為產(chǎn)生影響，研究中給出了2個過程的表征含義可分述如下。

(1)興趣累積。在社交網(wǎng)絡(luò)中，愛好、謠言以及一些信息真實性辨識度不高的信息在傳播過程中一般表現(xiàn)出興趣累積的記憶效應(yīng)，即接收到同類信息刺激越多，用戶越易產(chǎn)生轉(zhuǎn)發(fā)行為。如圖1中所示“事件一”[8]的傳播概率隨著被推薦次數(shù)的累積而增加，近似呈現(xiàn)指數(shù)式遞增。

(2)時效衰減。即時性強(qiáng)的突發(fā)新聞，社交網(wǎng)絡(luò)用戶越少接觸，則轉(zhuǎn)發(fā)的意愿越強(qiáng)烈。若社交網(wǎng)絡(luò)用戶在某一時刻收到多次轉(zhuǎn)發(fā)，則用戶的興趣度就會隨時間衰減，不易再產(chǎn)生轉(zhuǎn)發(fā)意圖。如圖1中即時性很強(qiáng)的新聞“事件二”[8]，轉(zhuǎn)發(fā)該條微博的用戶一般初次收到就轉(zhuǎn)發(fā)，隨接觸次數(shù)增多轉(zhuǎn)發(fā)概率便逐步遞減。

本節(jié)將首先提出一種涵蓋以上兩種記憶效應(yīng)表征的統(tǒng)一模型，兼具興趣累加與時效衰減兩種特點。該模型中，信息要經(jīng)過興趣累積過程，傳播概率在多次接觸后會達(dá)到峰值，而當(dāng)經(jīng)歷了時效衰減過程，傳播概率逐漸降低，概率函數(shù)性質(zhì)符合圖1中曝光度曲線。在此基礎(chǔ)上將在線社交網(wǎng)絡(luò)節(jié)點劃分為4種狀態(tài)，其狀態(tài)間的轉(zhuǎn)移概率以及傳播過程如圖2所示。本節(jié)中涉及到的縮寫和符號的含義見表1。

圖1 新浪微博中信息傳播的記憶效應(yīng)

圖2 狀態(tài)轉(zhuǎn)移示意圖

表1 相關(guān)符號含義

Tab. 1 Related symbol meaning

符號(縮寫)含義G社交網(wǎng)絡(luò)拓?fù)銿整體拓?fù)潼c集E整體拓?fù)溥吋疨(x)收到信息第x次后轉(zhuǎn)發(fā)的概率α累積效應(yīng)峰值β傳播轉(zhuǎn)發(fā)過程中所能達(dá)到的巔峰概率ri節(jié)點i由傳播態(tài)轉(zhuǎn)為疲勞態(tài)的概率Ci節(jié)點i的個體影響力強(qiáng)度deg(i)節(jié)點i的度R終態(tài)時網(wǎng)絡(luò)中疲勞態(tài)的數(shù)量b影響力差異系數(shù)

2.1 節(jié)點狀態(tài)

社交網(wǎng)絡(luò)形式化描述為G=(V，E)，其中G代表社交網(wǎng)絡(luò)，V是點的集合，表示社交網(wǎng)絡(luò)上的用戶，E為邊的集合(無向邊)，表示用戶間的好友關(guān)系。借鑒SIR模型的思想，將社交網(wǎng)絡(luò)中節(jié)點的類型拓展為4種狀態(tài)，每一時間步，每一個體處于如下4種狀態(tài)之一：

(1)未知態(tài)U(Unknown)。不知道消息的人群，類似于SIR模型中的易感人群。

(2)積蓄態(tài)C(Cumulative)。用戶聽到了這個信息，但是由于不確定信息的準(zhǔn)確性或者已經(jīng)變得不感興趣而不愿意傳播。

(3)傳播態(tài)I(Infected)。個體確認(rèn)了該消息并將該信息擴(kuò)散給其鄰居。

(4)疲勞態(tài)R(Resistant)。個體傳播了信息后失去繼續(xù)傳播該類話題興趣的人群，相當(dāng)于SIR模型中的免疫態(tài)。

2.2 狀態(tài)間遷移概率

(1)傳播概率。假設(shè)積蓄態(tài)節(jié)點轉(zhuǎn)變?yōu)閭鞑B(tài)節(jié)點的概率服從如圖1所示的曝光度曲線，曲線方程定義如下：

(1)

其中，x為截止到t時刻，個體累計接收到的信息次數(shù)，反映了信息傳播的記憶性特征；P(x)為用戶第x次接收到其鄰居轉(zhuǎn)發(fā)的信息后選擇轉(zhuǎn)發(fā)的概率；β∈(0,1]為該類型信息最流行時的傳播概率峰值，稱之為巔峰概率；α∈N*為P(x)=β時的轉(zhuǎn)發(fā)次數(shù)，稱α為累積效應(yīng)峰值。

當(dāng)累積峰值α=1時，所對應(yīng)的信息類型為具有時效衰減性質(zhì)的即時新聞，接觸次數(shù)越多用戶越易失去轉(zhuǎn)發(fā)興趣，傳播概率方程退化為式(2)：

P(x)=βx·exp(1-x),

(2)

(2)恢復(fù)概率。社交網(wǎng)絡(luò)信息傳播過程中的另一個重要因素就是用戶影響力，影響力大的用戶發(fā)布的信息往往具有較長的持續(xù)時效。影響力越大，用戶對其鄰居施加的持續(xù)影響力越大，相對應(yīng)模型中傳播態(tài)變?yōu)槠趹B(tài)的時間就越長，其函數(shù)關(guān)系如式(3)所示：

ri=exp(-b·Ci),

(3)

其中，ri為節(jié)點i由傳播態(tài)變?yōu)槠趹B(tài)的轉(zhuǎn)移概率，b∈[0,)為影響力差異系數(shù)，用于刻畫不同用戶節(jié)點間影響力差異程度。當(dāng)b=0時，用戶間影響力不存在差異，ri=exp(0)=1，傳播態(tài)節(jié)點只對鄰居節(jié)點轉(zhuǎn)發(fā)一次信息便失效，每條邊只使用一次，類似于信息快速更新的微博網(wǎng)絡(luò)。Ci為節(jié)點i的影響力強(qiáng)度，這里研究采用直接反映社交網(wǎng)絡(luò)用戶人際關(guān)系的點度中心度(degree centrality)來表示節(jié)點直接影響力；deg(i)為節(jié)點i的度，則節(jié)點i的影響力強(qiáng)度如式(4)所示：

Ci=deg(i)，

(4)

將式(3)帶入式(2)得：

ri=exp(-b·deg(i)).

(5)

2.3 傳播建模

模型中，假定傳播過程開始前網(wǎng)絡(luò)上所有節(jié)點均處于未知狀態(tài)。當(dāng)社交網(wǎng)絡(luò)上的用戶發(fā)布或轉(zhuǎn)發(fā)信息的同時，會擴(kuò)散給其所有的好友，即隨機(jī)選取一個種子節(jié)點，這個種子節(jié)點在每次給其所有的鄰居發(fā)送信息后都以ri的概率置為疲勞態(tài)。在每個時間步內(nèi)，如果一個節(jié)點(未知態(tài)或積蓄態(tài))收到信息，都將立刻變?yōu)榉e蓄態(tài)，并以概率P(x)變?yōu)閭鞑B(tài)，這里x是指個體已經(jīng)接收到信息的次數(shù)。當(dāng)x≤α?xí)r，P(x)的值隨信息接收次數(shù)x的增加而單調(diào)遞增，并在x=α?xí)r達(dá)到最大。當(dāng)x>α?xí)r，P(x)的值隨信息接收次數(shù)x的增加而單調(diào)下降。因此，轉(zhuǎn)發(fā)概率的大小不僅依賴接收信息的次數(shù)，也取決于信息本身的特性。如果一個節(jié)點在某個時間步內(nèi)轉(zhuǎn)變?yōu)閭鞑B(tài)，就將在下一個時間步把信息發(fā)送給其所有的鄰居，同時以概率ri變?yōu)槠趹B(tài)。如果一個處在積蓄態(tài)的節(jié)點，在當(dāng)前的時間步?jīng)]有接收到任何信號，無論已經(jīng)接受到信息的次數(shù)x為多大，都將不會發(fā)生任何狀態(tài)上的改變。詳細(xì)步驟如下。

輸入: 網(wǎng)絡(luò)拓?fù)銰=(V，E)、巔峰概率β、累積峰值α

輸出: 終態(tài)的疲勞態(tài)節(jié)點集R

Step1將所有N個節(jié)點初始化為未知態(tài)。

Step2從N個未知態(tài)節(jié)點中隨機(jī)選取一個節(jié)點置為傳播態(tài)。

Step3所有傳播態(tài)節(jié)點向其所有鄰居轉(zhuǎn)發(fā)消息，這些鄰居節(jié)點中處于未知態(tài)的節(jié)點變?yōu)榉e蓄態(tài)，曝光度x=1；積蓄態(tài)個體曝光度x=x+1。

Step4檢查所有積蓄態(tài)節(jié)點，若隨機(jī)數(shù)random[0,1]

Step5檢查所有傳播態(tài)節(jié)點，若隨機(jī)數(shù)random[0,1]

Step6循環(huán)Step 3～Step 5，直至網(wǎng)絡(luò)中不存在傳播態(tài)節(jié)點。

3 仿真實驗

3.1 數(shù)據(jù)集

在線社交網(wǎng)絡(luò)中存在許多高聚集性的社區(qū)，朋友圈等。社區(qū)內(nèi)部緊密相連，類似規(guī)則網(wǎng)絡(luò)。而不同的社區(qū)間又通過一些共享用戶隨機(jī)地鏈接在一起。這使得在線社交網(wǎng)絡(luò)兼具高聚集系數(shù)與短平均路徑。已有模型如BA模型[11]、WS模型[12]及一些拓展模型，這些模型雖然宏觀上表述了在線社交網(wǎng)絡(luò)的小世界現(xiàn)象與無標(biāo)度特性，但都不能完全表征在線社交網(wǎng)絡(luò)的拓?fù)涮卣?。Centola的電子郵件實驗從宏觀的角度說明了相比于具有較短平均路徑的隨機(jī)網(wǎng)絡(luò)，高聚集系數(shù)的規(guī)則網(wǎng)絡(luò)更有利于行為在人際社會中的傳播。為了驗證這一結(jié)論，研究將首先在規(guī)則網(wǎng)絡(luò)與隨機(jī)網(wǎng)絡(luò)兩種均勻網(wǎng)絡(luò)拓?fù)渖向炞C本文模型的傳播演變過程。

此外，本文選取國內(nèi)較流行的大學(xué)生社交網(wǎng)絡(luò)人人網(wǎng)的用戶數(shù)據(jù)作為非均勻網(wǎng)絡(luò)數(shù)據(jù)，該網(wǎng)絡(luò)上的節(jié)點為注冊用戶，用戶間的好友關(guān)系表示為邊。研究建立了一個基于網(wǎng)頁解析方式的爬蟲程序，首先選取多個同一所學(xué)校的用戶作為種子節(jié)點，遞歸地爬取每個種子用戶的好友關(guān)系，及其好友的好友關(guān)系。然后將爬取得到的多個好友網(wǎng)絡(luò)進(jìn)行拼接與去重，并且對不屬于種子節(jié)點注冊學(xué)校的其它節(jié)點以及邊的關(guān)系進(jìn)行刪除，最終得到一個包含8 102個節(jié)點、45 776條邊的的最大聯(lián)通子圖。各網(wǎng)絡(luò)的拓?fù)鋮?shù)見表2。

表2 各網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)

3.2 仿真結(jié)果

分別選取節(jié)點數(shù)N=8 000，平均度k=11的規(guī)則網(wǎng)絡(luò)與隨機(jī)網(wǎng)絡(luò)，影響力差異系數(shù)b=0.2，迭代次數(shù)T=500。圖3中列出了隨著巔峰概率β取不同值時，規(guī)則網(wǎng)絡(luò)與隨機(jī)網(wǎng)絡(luò)上疲勞態(tài)節(jié)點的比例隨累積峰值α變化的情況，對每組數(shù)據(jù)的結(jié)果都是進(jìn)行500次獨立重復(fù)模擬求均值得到的。當(dāng)累積峰值α=1時，對應(yīng)具有時效衰減類型記憶效應(yīng)的即時新聞，由圖3(a)～(c)可以看出，當(dāng)α=1，β取0.1，0.2，0.3時，隨機(jī)網(wǎng)絡(luò)的R值均略大于規(guī)則網(wǎng)絡(luò)，這是由于規(guī)則網(wǎng)絡(luò)的聚集性強(qiáng)，時效衰減的效果更容易積累，阻礙了傳播。同時，研究還可以觀察到，隨著峰值概率β的上升，規(guī)則網(wǎng)絡(luò)與隨機(jī)網(wǎng)絡(luò)的擴(kuò)散規(guī)模均呈現(xiàn)增加趨勢。當(dāng)β=0.8時，圖3(d)中規(guī)則網(wǎng)絡(luò)與隨機(jī)網(wǎng)絡(luò)的傳播規(guī)模都幾乎覆蓋了全部節(jié)點。由此可以認(rèn)為，當(dāng)峰值概率的值上升到一定程度時，聚集系數(shù)與平均路徑長度這兩個網(wǎng)絡(luò)拓?fù)涮卣饕巡荒茏笥倚畔⒌膫鞑?，信息都將擴(kuò)散至全部網(wǎng)絡(luò)。

疲勞態(tài)節(jié)點密度差值比例與α的變化關(guān)系如圖4所示。由圖4可見，當(dāng)β=0.1，N=8 000，累積效應(yīng)峰值α>1時，規(guī)則網(wǎng)絡(luò)的傳播范圍Rrandom均大于隨機(jī)網(wǎng)絡(luò)的傳播范圍Rregular。聯(lián)合圖3(a)進(jìn)一步分析可發(fā)現(xiàn)，1<α<5時，Rregular-Rrandom呈明顯遞增趨勢，規(guī)則的傳播優(yōu)勢更加明顯；當(dāng)5≤α≤10時，Rregular-Rrandom呈現(xiàn)波動性變化；當(dāng)α>10后，Rregular-Rrandom幾乎維持不變。

此外，可以從圖3中發(fā)現(xiàn)，總是存在臨界值αc，使得當(dāng)1≤α<αc時，Rrandom>Rregular；α>αc時，則Rrandom≤Rregular。保持節(jié)點數(shù)量N=8 000不變，臨界值αc相對于巔峰概率β變化規(guī)律如圖5所示。

圖3 疲勞態(tài)節(jié)點最終密度隨累積峰值α變化的關(guān)系

圖4 疲勞態(tài)節(jié)點密度差值比例與α的變化關(guān)系

Fig. 4 The relationship between the ratio of the difference in fatigue state node density andα

圖5 臨界值αc隨巔峰概率β的變化關(guān)系

Fig. 5 The relationship between the critical valueαcand the peak probabilityβ

由圖5可以看出αc隨著β先增大后減小，當(dāng)β=0.3時，maxαc=5。這說明當(dāng)記憶效應(yīng)呈現(xiàn)出興趣累積特征時，若這種特征不明顯，隨機(jī)網(wǎng)絡(luò)也有可能比規(guī)則網(wǎng)絡(luò)更適合傳播，而Centola的規(guī)則網(wǎng)絡(luò)優(yōu)于隨機(jī)網(wǎng)絡(luò)的結(jié)論在這種場景下并不適用。

除了傳播過程中的巔峰概率α與累積效應(yīng)峰值β外，另一個重要的影響因素是網(wǎng)絡(luò)的規(guī)模N。研究中保持巔峰概率β=0.1，網(wǎng)絡(luò)平均度k=11不變，在100～8 000間不同網(wǎng)絡(luò)規(guī)模N上分別對α=1，α=10，α=20這三種取值進(jìn)行實驗?zāi)M。如圖6所示。研究分析發(fā)現(xiàn)當(dāng)N≤500時，隨機(jī)網(wǎng)絡(luò)總是優(yōu)于規(guī)則網(wǎng)絡(luò)。這是由于規(guī)模小的網(wǎng)絡(luò)，節(jié)點彼此間收到信息次數(shù)差異不明顯。而在網(wǎng)絡(luò)規(guī)模N>500后，α=10與α=20對應(yīng)的曲線總體上都呈現(xiàn)上升趨勢。這是因為網(wǎng)絡(luò)規(guī)模N上升，隨機(jī)網(wǎng)絡(luò)的聚集系數(shù)/N隨之下降，而規(guī)則網(wǎng)絡(luò)聚集系數(shù)恒定的優(yōu)勢逐漸顯現(xiàn)出來，這使得單個節(jié)點的信息接收次數(shù)更易積累，這與Centola的行為傳播實驗結(jié)論是一致的。

在線社交網(wǎng)絡(luò)的度分布是不均勻的，分別選取人人網(wǎng)數(shù)據(jù)集中度最大的節(jié)點kmax=221與度最小的節(jié)點kmin=1為初始傳播節(jié)點。當(dāng)α=1，N=8 102時，在線社交網(wǎng)絡(luò)中處于疲勞態(tài)R的節(jié)點占總數(shù)量N的比值隨時間變化情況用R(t)/N表示，如圖7所示?？梢园l(fā)現(xiàn)，網(wǎng)絡(luò)規(guī)模均為N=8 102時，在線社交網(wǎng)絡(luò)上的信息傳播速度要快于隨機(jī)網(wǎng)絡(luò)與規(guī)則網(wǎng)絡(luò)，這是由于社交網(wǎng)絡(luò)中存在一些度較大的節(jié)點，使信息得以快速擴(kuò)散。還可以發(fā)現(xiàn)，初始節(jié)點的選擇對信息傳播的規(guī)模存在影響，度較大則達(dá)到的最終傳播規(guī)模更大，但這種規(guī)模并沒有超越隨機(jī)網(wǎng)絡(luò)，而是介于隨機(jī)網(wǎng)絡(luò)與規(guī)則網(wǎng)絡(luò)之間，這說明在聚集系數(shù)低的隨機(jī)網(wǎng)絡(luò)上記憶效應(yīng)更不容易累積。

圖6 疲勞態(tài)節(jié)點數(shù)量差值比例與網(wǎng)絡(luò)規(guī)模的關(guān)系

Fig. 6 Relationship between the ratio of the difference of fatigue state nodes number and the network scale

圖7 初始節(jié)點度最大與度最小情況下的傳播情況

Fig. 7 Propagation of the maximum degree and the minimum degree of initial node

4 結(jié)束語

本文首先討論了在線社交網(wǎng)絡(luò)上信息傳播的記憶效應(yīng)，及其不同表征過程。然后針對社交網(wǎng)絡(luò)上傳播行為的記憶效應(yīng)與個體影響力對傳統(tǒng)傳染病模型進(jìn)行改進(jìn)，并在此基礎(chǔ)上設(shè)計提出了基于記憶效應(yīng)的在線社交網(wǎng)絡(luò)傳播模型。再由模擬網(wǎng)絡(luò)與人人網(wǎng)數(shù)據(jù)集合搭建的實驗網(wǎng)絡(luò)中對信息傳播進(jìn)行仿真，實驗結(jié)果表明，該模型能夠表征在線社交網(wǎng)絡(luò)的傳播特性，并且信息在不同結(jié)構(gòu)網(wǎng)絡(luò)上的傳播效果存在差異，對此可表述如下。

(1)具有時效衰減特征的信息在隨機(jī)網(wǎng)絡(luò)上進(jìn)行傳播更廣，拓展了Centola的實驗結(jié)論。

(2)謠言、愛好等具有興趣累加類型記憶效應(yīng)的信息更容易在規(guī)模較大規(guī)則網(wǎng)絡(luò)上傳播，如學(xué)校的在線社區(qū)，且這種趨勢會隨著網(wǎng)絡(luò)規(guī)模與累積峰值的增大而更加顯著。

本文研發(fā)提出的模型針對的是單一信息的獨立傳播，而真實社交網(wǎng)絡(luò)中信息是多種類且并行傳播的，會產(chǎn)生互相影響，從而與獨立信息的傳播規(guī)律不同。研究多信息傳播的規(guī)律并建立驗證模型將是今后的研究方向。