互聯(lián)網用戶行為分析及信息演化模式研究.pdf

1、隨著網絡的發(fā)展及Web2.0技術的廣泛應用，互聯(lián)網已經成為人們獲取信息、表達心情、交流意見的重要場所。局部的討論在經過網絡的傳播后可能被非線性放大，從而產生突發(fā)事件。因此，網絡輿論究竟會對現(xiàn)實社會產生什么樣的影響，已經受到了大量研究者的關注。然而，在互聯(lián)網尤其是社交網絡中，基于用戶人際網絡的帖子轉發(fā)是信息傳播的重要手段，輿論傳播速度更快;同時，用戶交互的匿名性、隨機性，輿論主體的異質性、主觀性，網絡輿情與現(xiàn)實社會之間的非線性作用等特征使

2、得信息演化環(huán)境更加復雜，不確定性更強。而傳統(tǒng)的輿論模型不足以準確描述互聯(lián)網用戶的微觀交互行為，也難以認識和解釋網絡輿論傳播和演化進程中的現(xiàn)象。鑒于此，本文結合了交叉學科的研究方法和手段，對網絡社區(qū)及社交網絡中的用戶行為特性、信息傳播機制、輿論演化模式、傳播行為及態(tài)勢預測等問題進行了研究，重點研究了網絡用戶的耗散行為及活躍性變化，考察了互聯(lián)網的特異性對群體意見形成的影響及宏觀輿論的相變現(xiàn)象，建模了社交網絡中的信息轉發(fā)過程。論文的研究有助于

3、認識網絡用戶復雜的群體行為及信息傳播、輿論演化的過程，為自組織復雜系統(tǒng)的理論研究提供了一些探索性的結果，對進一步開展輿論引導策略的研究也能提供幫助。
　　論文的研究工作受到了國家自然科學基金項目(No.60972012、61172072)、北京市自然科學基金項目(No.4102047、4112045)和中央高?；究蒲袠I(yè)務費專項資金研究生創(chuàng)新項目(No.2011YJS005)的支持。論文的主要工作和創(chuàng)新點如下:
　　1.實證

4、分析了網絡社區(qū)用戶的參與程度與活躍性變化，并進行了個體行為動力學建模，提出了耗散網絡增長模型;另一方面，分析了用戶的話題興趣分布，建立了用戶興趣驅動的社區(qū)帖子參與模型，還原了用戶回帖的到達過程。研究證實，網絡用戶活躍性衰減的耗散行為使得用戶關系網絡同時具有無標度和小世界特征，有著冪律的度分布、較大的簇系數(shù)及較小的平均最短距離長度，同時網絡用戶的活躍時間服從雙尺度的冪律分布。網絡社區(qū)用戶興趣的差異性促使了帖子吸引力的分化，從而導致了熱門帖

5、子的出現(xiàn)，此外，帖子熱度還受到活躍用戶數(shù)、當前其他帖子數(shù)等因素的影響;模型能產生與實際一致的話題統(tǒng)計分布及帖子達到過程的特性。
　　2.建立了社交網絡的信息傳播動力學模型。根據(jù)社交網絡中基于用戶關系的帖子轉發(fā)機制，引入個體對信息的接觸狀態(tài)，并進一步建模了社交網絡的信息傳播過程。模型中的個體具有傳播態(tài)和免疫態(tài)兩種吸收態(tài)，刻畫了用戶轉發(fā)的帖子對鄰居的作用。平均場分析及蒙特卡羅仿真的結果表明，較小的傳播概率能夠促使信息在大范圍內傳播，不

6、同度的節(jié)點感染密度隨著度的增大而非線性增加;提高網絡的平均度能提高傳播節(jié)點密度，但傳播節(jié)點數(shù)量存在著上限，且更大的網絡平均度并非總是意味著更少的弛豫時間;來自同一局部區(qū)域的信息才能產生相干作用。
　　3.建模了互聯(lián)網的輿論主體、系統(tǒng)結構、傳播環(huán)境對輿論演進過程的影響。根據(jù)社交網絡的特異性，分別建立了基于個體主觀傾向、系統(tǒng)耗散性及人員可信度隱蔽性的觀點交互模型，描述了這些特性在微觀行為中的作用。數(shù)值仿真的結果表明:個體的態(tài)度傾向在觀

7、點演化過程中逐漸形成，將不斷強化初始優(yōu)勢觀點的主導地位，而少數(shù)派也形成了對其偏好觀點的強烈傾向，阻礙了宏觀一致的出現(xiàn);網絡輿情是具有耗散結構的系統(tǒng)，只有外部的推動才能促使群體意見走向一致，而在不夠活躍的系統(tǒng)中，無序性可能進一步擴大而形成觀點嚴格對峙的局面;互聯(lián)網的匿名性造就了人員個性的隱蔽性，在個體擁有對手可信度的不完全信息時，宏觀的輿論動力學過程會被加速。這些模型解釋了社交網絡中一些信息演化的現(xiàn)象，揭示了互聯(lián)網特性的作用過程，論文還討

8、論了促進或阻礙系統(tǒng)全局收斂的策略。
　　4.研究了網絡社區(qū)熱門帖子及社交網絡用戶傳播行為的預測方法。首先，根據(jù)網絡社區(qū)帖子參與人數(shù)的集中性判斷熱門帖子，提取與帖子熱度相關的內容、短期趨勢、時間影響特征，并融合這些特征預測帖子成為熱門的可能性。再使用已知的熱門帖子數(shù)據(jù)訓練模型，并輸入測試數(shù)據(jù)檢驗模型的性能。該模型不依賴于帖子的時間序列，實驗結果表明，模型能夠根據(jù)帖子的早期數(shù)據(jù)，檢測出大部分的熱門帖子。其次，分析并量化了與社交網絡用戶