社交网络中的信息传播 - Meetupfiles.meetup.com/16395762/SocialNetwork-Info-Spreading...8...

1

社交网络中的信息传播

杨洋

浙江大学计算机学院

2016年9月10日

2

研究背景

• 14亿用户• 6.4亿分钟浏览页面/月

• 2.48亿用户• 影响我们生活的点点滴滴

• 8.77亿QQ用户• 7.62亿微信用户

- 估值超1千亿美元

• 6.4亿用户• 9千帖子/秒

• 2.44亿活跃用户• 140亿商品/年 • 3.5亿活跃用户

•“双十一”创下912亿人民币成交额

3

Info. Space

Social Space

Interaction

理解用户间动态交互的根本机理

信息空间 vs. 社交空间

社交网络

Opinion Mining

Innovation diffusion

Business intelligence

4

引自: http://www.ithome.com/html/it/42675.htm

背着藏匿炸弹背包的男子背影照

藏匿炸弹的背包

信息传播：用户之间的信息传递和交流

犯罪嫌疑人照片

5

从波士顿爆炸案看科学问题

意见领袖结构洞用户

微观：形形色色的用户参与了传播过程

金融圈

娱乐圈

6

从波士顿爆炸案看科学问题

宏观：6000+次转

发

7

1. 社会角色与信息传播的关联性分析

2. 社会角色感知的信息传播模型RAIN

3. 情感传播的应用扩展

社会角色感知的信息传播模型

a1

a4

a2a3

a8

a5

a6a0

a7

a9a11

a10

微观：个体传播行为

分析模型应用

8

社会角色

a1

a4

a2a3

a8

a5

a6a0

a7

a9a11

a10跨社区的信息传播

社区1

社区2

社区3

结构洞用户

网络约束(network

constraint)值最低的1%用户

意见领袖

PageRank值最高的1%用户

[1] S. Wu, J. M. Hofman, W. A. Mason, and D. J. Watts. Who says what to whom on twitter. In WWW’11, pages 705–714, 2011.[2] T. Lou and J. Tang. Mining Structural Hole Spanners Through Information Diffusion in Social Networks. In WWW'13. pp. 837-848.

>1.6亿用户>1.7亿帖子2012年10月1日-10月7日间完整的用户日志

9

意见领袖的影响模式:

• 阶段1 - 二度传播理论：意见领袖的传播力度是普通用户的12倍；

• 阶段2 - 信息过载[1]：2-3名意见领袖便足以将一条消息在整个社区中传播；

• 阶段3 - 传播规范：传播行为已成为一种令社区内用户所遵从的社会规范。

[1] Lazarsfeld, P. F.; Berelson, B.; and Gaudet, H. 1944. The peoples choice: How the voter makes up his mind in a presidential election. New York: Duell, Sloan and Pearce .

影响模式分析影响力属性结构

分析意见领袖

结构洞用户

普通用户

10







分析意见领袖

结构洞用户

普通用户

11







分析意见领袖

结构洞用户

普通用户

12







分析意见领袖

结构洞用户

普通用户

13

结构洞用户[2][3]:

• 往往能带来较为罕见的跨社区信息，从而更容易触动其他用户；

• 网络中大部分用户希望桥接不同社区间的信息流。

[2] Burt, R. S. 2001. Structural holes versus network closure as social capital. Social capital: Theory and research 31–56.[3] Burt, R. S. 2009. Structural holes: The social structure of competition . Harvard University Press.


分析意见领袖

结构洞用户

普通用户

14

传播属性分析影响力属性结构

分析

传播过程传播树

15


分析


传播规模：传播树中的结点数

16


分析


传播宽度：传播树中单层的最多结点数

17


分析


传播速度：最早转发根结点的转发时间差

18


分析


传播多样性：传播树中包含的社区个数

19

原始传播树意见领袖对照组

结构洞对照组随机对照组

不同社会角色与传播树基本属性间的关联关系

VS.


分析

20

意见领袖对传播的规模及宽度影响力较强

结构洞用户对传播的多样性及速度影响力较强


分析

21

信息源

传播者

(I) (II) (III) (IV) (V) (VI) (VII)

影响力属性结构

分析

传播原子结构分析

22

0.931

0.405 0.414

(I)


分析


23 传播原子结构趋向于变“宽”，而很难变“深”

结构洞用户

意见领袖


分析


24

输入：

1. 表征用户之间关系的社交网络

2. 表征过往传播过程的传播树

目标：

1. 预测每位用户是否、何时会参与传播

2. 演算每位用户的社会角色

如何利用社会角色信息更好地对信息传播过程建模？

25

模型：基本思想

V1 V2 V3

V

✕传播影响力权重 ρ

用户社会角色分布

λ

传播延迟参数

创新点：在传播模型中引入社会角色，降低模型复杂度O(V2) ->O(VR)

26

RAIN（Role Aware Information diffusioN）

v2

v4

v3

v1

r4

y1

r3

� 2

r2

μ δ

x

�

r

α

v2, v3, and v4 are

activated user

Input: diffusion process

x2

r

� 3

x3

r

� 4

x4

r

ρ

ƛ

⊗ is a diffusion

function

△ t

2

社会属性生成

1

传播过程生成

社会角色

传播延时

社会属性，如PageRank, network

constraint等

传播影响力权重

转发与否

已激活邻居

27

• 似然函数:

目标函数

用户 v 在时间 t 传播信息 i 的概率

用户v不参与信息i的传播概率：

用户v生成社会属性xvk 的概率

模型先验

All adoptions

Failed adoptions

Assumption here: T >> the last observed timestamp

A mixture of Gaussian

28

模型学习

Gibbs采样:

• 对用户u的每一种社会属性采样隐参r：

• 对每一次传播行为采样社会角色r、时间延迟t、以及成功与否z：

• 根据采样结果更新模型参数

29

转发行为预测

目标: 预测一位用户是否会转发一条帖子

数据: 腾讯微博，中国规模最大的微博之一• >1.6亿用户• >1.7亿帖子

• 2012年11月1日-3日间完整的用户日志

• 对帖子根据话题进行分类：campus, constellation, movie, history,

society, health, political, travel

• 以11月1日-2日的帖子作为训练集，11月3日的帖子作为测试集

30

转发行为预测

对比结果:

• Count: 根据周围参与传播的好友数对用户进

行排序，缺乏监督信息故而效果较差

• SVM: 对用户提取特征后利用SVM对排序进

行学习，在局部话题上表现不错，但由于没有

考虑传播过程而在全局话题表现不佳

• IC Model: 受制于模型复杂度

• RAIN: 提升+32.6% 的预测性能

31

社交网路中的情感传播

32

社交网路中的情感传播

33

社交网路中的情感传播分析

Happy

Fear

Happy Fear X: 扮演不同社会角色的传

播者数目

Y: 被影响者处于一种情感

的概率

意见领袖对正面情感的影响力更大

普通用户对负面情感的影响力更大

34

社交网路中的情感传播分析

Happy

Fear

Happy Fear X: 扮演不同社会角色的传

播者数目

Y: 被影响者处于一种情感

的概率

意见领袖和结构洞用户的情感影响力变化更快

35

(a)基准答案 (b) 随机用户

(c) 意见领袖 (d) 结构洞用户

36

传播规模的动态演化模型

a1

a4

a2a3

a8

a5

a6a0

a7

a9a11

a10

微观：个体传播行为宏观：传播规模

a1

a4

a2a3

a8

a5

a6a0

a7

a9a11

a10

37

传播规模预测

d1

d2

传播规模：4传播规模：4

建模目标缺点

微观模型用户个体行为复杂度高

宏观模型传播规模缺失用户信息

传播率：100%传播率：60%

挑战1：如何平衡计算复杂度与计算粒度？

传播规模：3

38

信息传播的长尾效应

微信微博

信息的传播规模服从幂律分布

13%的微信朋友圈帖子吸引了>80%的转发

<1.1%的微博帖子收到了80%的转发

挑战2：如何解释信息传播的长尾效应？

39

信息传播的近似采样过程

v2 v3

v1

T=1T=2T=3 传播过程传播序列

信息用户接收与否

输入：目标帖子集合{d1,d2,d3}，用户数N，时间T

输出：在时间T，目标帖子的传播规模（参与传播的用户数）

40

传播序列的生成过程

生成传播信息

从D个帖子中，选择传播规模为r的帖子概率为

描述了帖子被选中与其当前传播规模之间的关联关系

• 时，帖子被均匀选择

• 正比于r时，表征传播规模越大的帖子越受欢迎（preferential attachment）

Xr(t)：在时间t，传播规模为r的帖子个数

j(r)

Dj(r)

j(r) =1

j(r)

当时，且，Xr服从幂律分布，亦即，

其中幂次参数，同时C>0为一个常数。

j(r) =r

btb ³1 p(Xr ) = cXr

a

a = -1

tt =

qkrkåbD

定理

创新点：用preferential attachment机制解释传播规模的长尾效应

41

传播序列的生成过程：消息接收者

用户状态：周围好友数对转发概率的影响

状态1 状态2

状态K的用户比例，转发概率

等概率选择一名消息接收者，则处于状态K的用户进行转发的概率为

qk rk

qkrk

42

传播规模的动态演化模型

传播量的演化

用户状态演化

r0

s 0

1- r1

1

在每个单位时间，

Xr的变化为

的变化为 dqkdt

= (rk-1qk-1s k-1 - rkqks k )XrjråD

qk

dXr

dt= (Xr-1jr-1 - Xrjr )

qkrkåD

创新点：对传播规模和用户状态进行联合建模

43

拟合传播规模

祖国母亲生日快乐！

运动员刘翔演员杨洋普通用户

转发规模大、转发概率高转发频率高转发概率、频率均低

44

社交网络分析引

擎

传播模型

图采样算法

社会关系分析

动态图算法

…

SAE

45

小结

微观：社会角色对信息传播过程的影响力

意见领袖 Vs. 结构洞用户

信息传播 Vs. 情感传播

宏观：传播规模的动态演化模型

阐述传播规模长尾效应背后的根本机理

46

相关论文

--微观, --宏观, --应用

1. Yang Yang, Jia Jia, Boya Wu, and Jie Tang. Social Role-Aware Emotion Contagion in Image Social Networks. AAAI'16.

2. Yang Yang, Yizhou Sun, Jie Tang, Bo Ma, and Juanzi Li. Entity Matching across Heterogeneous Sources. KDD'15.

3. Yang Yang, Jie Tang, Cane Wing-Ki Leung, Yizhou Sun, Qicong Chen, Juanzi Li, and Qiang Yang. RAIN: Social Role-Aware information

Diffusion. AAAI'15.

4. Yang Yang and Jie Tang. Beyond Query: Interactive User Intention Understanding. ICDM'15.

5. Yang Yang, Jia Jia, Shumei Zhang, Boya Wu, Qicong Chen, Juanzi Li, Chunxiao Xing, and Jie Tang. How Do Your Friends on Social

Media Disclose Your Emotions? AAAI'14.

6. Yang Yang, Walter Luyten, Lu Liu, Marie-Francine Moens, Jie Tang, and Juanzi Li. Forecasting Potential Diabetes Complications.

AAAI'14.

7. Yang Yang, Jie Tang, Jacklyne Keomany, Yanting Zhao, Ying Ding, Juanzi Li, and Liangwei Wang. Mining Competitive Relationships by

Learning across Heterogeneous Networks. CIKM'12.

8. Yang Yang, Jianfei Wang, Yutao Zhang, Wei Chen, Jing Zhang, Honglei Zhuang, Zhilin Yang, Bo Ma, Zhanpeng Fang, Sen Wu, Xiaoxiao

Li, Debing Liu, and Jie Tang. SAE: Social Analytic Engine for Dynamic Networks. KDD'13.

9. Yuxiao Dong, Yang Yang, Jie Tang, Yang Yang, and Nitesh V. Chawla. Inferring User Demographics and Social Strategies in Mobile

Social Networks. KDD'14.

10. Jie Tang, Bo Wang, Yang Yang, Po Hu, Yanting Zhao, Xinyu Yan, Bo Gao, Minlie Huang, Peng Xu, Weichang Li, and Adam K. Usadi.

PatentMiner: Topic-driven Patent Analysis and Mining. KDD'12.

11. Boya Wu, Jia Jia, Yang Yang, Peijun Zhao, and Jie Tang. Understanding the Emotions Behind Social Images: Inferring with User

Demographics. ICME'15.

12. Tieyun Qian, Yang Yang, Shuo Wang. Refining Graph Partitioning for Social Network Clustering. WISE’10.

13. Yang Yang, Jie Tang, Yuxiao Dong, Qiaozhu Mei, Reid A. Johnson, and Nitesh V. Chawla. Modeling the Interplay Between Individual

Behavior and Network Distributions. 2016. (Preprint).

14. Yang Yang, Yizhou Sun, and Jie Tang. Modeling the Heavy-Tailed Phenomenon in Information Cascades with a Potential Explanation.

2016. (Preprint)

47个人主页（提供代码和数据下载）: http://yangy.org

谢谢!

我的合作人: Jie Tang, Juanzi Li, and Jia Jia (THU),

Yizhou Sun (NEU), Cane Leung (Huawei),

Qiaozhu Mei (UM), Qiang Yang (HKUST),

Marie-Francine Moens and Walter Luyten (KU Leuven).

社交网络中的信息传播 - Meetupfiles.meetup.com/16395762/SocialNetwork-Info-Spreading...8...

Documents

Transcript of 社交网络中的信息传播 - Meetupfiles.meetup.com/16395762/SocialNetwork-Info-Spreading...8...