社交網絡信息傳播影響力研究范式

毋建軍

(北京政法職業學院信息技術系, 北京 102628)

?

社交網絡信息傳播影響力研究范式

毋建軍

(北京政法職業學院信息技術系, 北京 102628)

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

關鍵詞：社交網絡；信息傳播；傳播介質；媒介分析

一引言

近年來，隨著社交網絡的廣泛應用，微博、微信、QQ群等社交網絡載體在加速信息傳播、影響力擴大化的過程中扮演了非常重要的角色[1]。從大規模的社交網絡用戶中發掘少數具有特殊影響力的意見領袖或關鍵人物，不僅是生物、醫學、社會學、物理學、計算機等多學科在社區發現、網絡和社會信息傳播、疾病傳染、輿情、信任傳播、公共健康等領域的研究熱點，也是廣告定點投放、病毒式或口碑營銷等推廣方式實現以最小化成本、最大化擴散產品影響效應的重點。

通過影響力及傳播的基本屬性，分析和對比現有的影響力及傳播的研究范式和成果關聯，并構建其框架，本文將介紹影響力問題、形成因素及過程模型構建，分析社交網絡模型的研究及其優劣，探討研究的方向趨勢及面臨的問題。

二社交網絡影響力問題

(一)影響力及傳播問題

傳統影響力分析假設的前提，是網絡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，能使信息在網絡中的傳播實現最大化的效應，即影響力最大化(IM)。

Jessin[2]認為傳統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、觸發信息級聯的機會比普通用戶大，但它們對信息的傳播過程貢獻并不明顯，對傳播過程起作用的主要是網絡本身的屬性，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影響力的假設。大部分社交網絡影響的工作，主要圍繞以下幾個問題展開：影響力信息的起源及追溯；對影響力產生作用的因素有哪些；如何才能最大化影響力，能夠對最大化影響其關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提出意見領袖概念、Bakshy根據用戶屬性及轉發URL的行為特點，評分提取影響力用戶；Watts發現驅動影響力事件級聯傳播的人，并不是人們通常所想的社會意見領袖，而是普通的大眾用戶等。

當前雖然大多數影響力任務相似或相關，但由于介質、特征、維度選擇的不同，導致社交影響力模型構建、影響力測量、影響力評價方法比較雜多，沒有統一可解釋的標準模型。本文在前人工作的基礎上，把影響力傳播抽象為人在物化的介質上傳遞信息的過程，包含三元要素和時間因子，三元要素為：人、介質和信息。信息在介質中隨著時間進行傳播，信息傳播的過程是影響力形成的過程，介質的兩端是人，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

影響力分析數據跨越多個學科，早期有疾病、農業、生物基因、協作網絡、論壇、博客等面向不同領域的小數據，近年社交網絡數據海量增長，有基于Facebook、Twitter、Google+等的大數據，不同的數據源有著不同的特征，測試數據來源方式主要有免費公開和自行采集兩種方式，免費公開的測試數據通常只有節點和邊的特征；而自行采集的數據特征較多，對基于內容和屬性的特征建模較為適用。

(三)社交影響力傳播結構構建

社交影響力傳播的介質載體通常映射為圖結構形式處理，圖頂點可以表示用戶、站點、推文或進行自定義含義，邊通常表示節點之間的關系，既可以是顯式的也可以是隱式的，顯式邊表示節點之間明確的鏈接關系，隱式的邊表示節點之間在話題、討論內容、興趣、愛好地理位置、信仰、觀點等方面的關聯關系，邊上可以以權值的方式表示頂點之間的鏈接強度或疏遠、相似程度。

早期衡量介質結構中節點重要性的方法是中心性(centrality),社交網絡中一個節點的中心性越高，表示這個節點的影響力就越大，節點中心性值可以用節點的度簡化表示，分別統計以這個節點為起點的路徑，Freema以平均最短路徑即緊密中心性和節點中介性(betweenness)來評價節點的影響力,節點有可能成為局部或全局社交網絡信息流瓶頸，形成網絡結構洞或網絡橋[3]，刪除橋節點，網絡就散分。節點屬性是節點影響力的標志之一，比如加V、知名人士、意見領袖、領導人等，通常都代表著潛在的影響力、關注度。

社交網絡中邊通常用同質性(homophily)、異質性(Heterogeneity)、互惠性(Reciprocity)等來度量。有邊并不代表有很強的關聯關系，邊分有向的(Twitter為代表)、無向(Facebook為代表)，邊的鏈接關系強度及緊密程度與介質本身的結構形成有很大的關系，也就是說與測試數據直接相關，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、雙向關聯性目前并不清楚，尚待探索，但在介質結構中單向的更容易形成星型結構，雙向的更容易形成團狀結構。格蘭諾維特在《弱連接的優勢》中認為，研究者更容易關注強連接的影響，往往忽視了弱連接的作用。強連接可以使人們之間產生信任，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傳遞擴散，它實現了強連帶所不具有的功能。因此基于鏈接關系的強弱，主要的社交網絡可以分成以下兩類：

強關系：Facebook，人人網，Google+等。信任度高，由于都是熟人，互動性高，由于在環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，傳播范圍有限。

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

三社交網絡影響力評價模型

(一)基于網絡拓撲結構的評價方法

網絡拓撲結構是人們交互信息過程中社交影響力擴散的結果，其節點屬性和邊顯式鏈接關系的形成、采集都比較直接，轉化為圖的結構后，引入圖度量方法測量節點和邊的影響力[4]。Alan[5]對四種社交網絡Flickr、LiveJournal、Orkut、YouTube及Web介質結構的路徑長度、半徑、直徑、出度和入度的關聯性進行了分析，發現除了節點度具有冪定律之外，邊鏈接具有對稱性(symmetry)，同配性(Assortativity)、出入度強相關，高度的節點傾向于連接其他高度的節點具有相同傳播對象，高度節點連接具有反對行為的低度節點,通過聯合度分布(JDD)的無標度行為標準和同配性計算連接相關性。但單獨對節點和邊影響力的測量方法，并沒有考慮社區介質結構的時間特性，只對某一時刻的社區結構進行節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生變化，節點和邊的影響力是一個動態變化的過程。Girvan等[6]也對介質結構中節點和邊影響力測量方法進行了分析和總結。

(二)基于用戶行為的評價模型

用戶所能發生的行為與所應用的網絡拓撲結構直接相關，確定社交網絡拓撲結構，是用戶行為評價的前提。用戶之間的網絡拓撲結構形成是用戶行為活動的結果，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的主要方式，它們都與介質的特性具有很大的關系，如Blog用戶在Blog空間中的行為只能有留言、評論等，但并沒有進行點贊，而Facebook用戶可以發生點贊的行為。Xiang[7]在用戶之間有更強的關系、一定類型的交互行為有更大概率發生的基礎上，把用戶行為的測量轉化為對用戶關系和用戶留言板貼文動作的統計。利用聯合概率和EM(Expectation Maximization)算法，通過學習模型參數，評估用戶之間的關系強度。Amit[8]等把用戶發起行為的原因歸結于用戶或家人影響、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量和用戶所有的行為數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行為受先前事件的影響，設計了強度函數，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，迭代及計算時間復雜度高，并不適用于實時大規模網絡計算。

上述用戶影響力的傳播與社交網絡拓撲結構所聯系的領域緊密耦合，它們在用戶行為特征、拓撲結構、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撲結構其產生的社會影響力也僅限于特定領域，但所有的社交網絡平臺都具有網絡的基本特性，具有用戶(頂點)和鏈接關系(邊)，所以用戶行為的影響力測量、預測潛在都是是基于特定社交網絡平臺、面向特定領域的影響力的測量及預測。用戶行為測量與基于介質結構的影響力測量使用特征更多，精度相對較高，但從模型采用的數據可以看出，用戶行為獲取及應用(限于用戶隱私保護，必須數字化處理)有著較大的局限性。

(三)基于信息擴散效果的評價模型

最大化信息擴散的效果、獲取信息傳播中自發形成的群體以及對信息快速傳播起關鍵作用的人物，是信息擴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、社區影響力、意見領袖發現三個類別。影響力最大化測量研究起源于市場決策、商業管理，主要以新產品的用戶口碑營銷、病毒式市場營銷應用為主。

影響力最大化測量模型的首要關鍵是初始種子用戶的優化選擇問題。在信息傳播的初期，假設所有的用戶都處于非活動狀態，初始種子用戶的選擇，最簡單的測量方法是啟發式模型，通過節點的度中心性、節點間最短距離或度折扣方法計算節點的影響力,方法簡單但在實際社交網絡中節點影響力與啟發式測量方法具有較大的偏差。為了準確度量種子節點，Kempe[11]把選擇影響力種子用戶的問題轉化為離散優化問題。通過線性閾值模型和獨立級聯模型，來促進信息的傳播，但其缺陷是種子節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，對行為聚合結果有影響。

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

四總結及展望

由于社交網絡結構本身具有異質性、復雜性、多變性等特點，在實際環境中，它并不是單一的、靜態、固化的結構，借助社交網絡用戶散播信息、營銷商品、追蹤熱點話題、發起活動、挖掘關系、人肉搜索，它已經成為影響力擴散的觸角，深入和改變著用戶的行為模式。本文通過社交網絡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，在此基礎上，梳理了現有的社交影響力傳播模型，但同時也發現基于不同社交網絡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絡的影響力測量和評價，并沒有統一的結構或標準來進行轉化。因而，造成目前的大多細粒度精準模型基本都與網絡拓撲結構緊耦合，如何實現不同社交網絡的信息特征融合，影響力的跨網絡評價將是下一步的工作。

參考文獻：

[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：北京政法職業學院課題“基于社交網絡的輿情分析技術研究”，編號：KYZX201404。

作者簡介：毋建軍(1977— )，男，山西河津人，北京政法職業學院信息技術系講師，碩士。 研究方向：社交網絡。

中圖分類號:G206

文獻標識碼：A

文章編號：1008-4681(2016)03-0119-03