社交网络传播分析系统-开题报告-文献综述-参考文献

1.1研究背景

网络是一种代表像病毒一样的行为、信息、传言和疾病的传播扩散的基本媒介。一个传染源出现在一个网络中的一些节点上，并且像传染病毒一样沿着基本的网络的边从一个节点扩散到另一个节点。例如，在信息传播这件事中，传染病代表一条信息，传染时间正好对应着在网络中节点从它们的一个邻节点那提及或复制一条信息的时间。类似的，我们能考虑一种新的行为或活动类型的传播。比如，买一个新的手机或一种传染性疾病沿着基础社交网络的边进行的传播。

在网络传播的情况下，经常观察到传播的时间路径，然而传染病扩散的路径却是隐蔽的。换句话说，每个节点被感染的时间能观察到，但引起传播的社交网络中的边却不能观察到。比如，人们决定采取一项新行为的时间经常可以观察到但社交网络中的哪个邻居影响了他们做出这种决定却不能明确观察到。在信息传播的情况下，研究中经常观察到人们（或媒体站点）谈论一条新的信息而不会在意这条信息在信息传播网络中到达感兴趣的节点的路径。正如一位流行病专家经常观察病人生病的时间但通常不会告诉病人谁传染的他。在这些例子中，一个人能观察到感染事件本身，但不能知道传染源是沿着网络中的哪条边扩散的。因此，关于网络传播方面的基本的研究问题之一就是推断不同类型的传染源扩散的网络结构。此外，许多时候传染源传播的网络不是静态的而是随时间变化的。基于传染源的类型，已被感染的节点消失的时间和新节点产生的时间，基本网络应该是随时间动态改变的。

为了更好地研究算法，前期工作首先假设网络是静态的并且随时间的变化连接的路径是不变的。然而，在多数情况下，网络是动态的，并且连通的路径是随着时间变化的，这取决于传播他们的传染源。例如，在一个博客的一条帖子变成“病毒”后，它能很快地提升它的受欢迎程度，这可能在信息传播网络中创造新边，所以在将来，博客的内容很可能传播为网络中的很大一部分。类似的，在任何给定的时间一条特殊的新闻可能会发生，一个主题或一条新闻在有限的一段时间里可能变得很受欢迎。这将导致不同信息路径的产生和消失，并因此产生一个随时间变动的基本网络。为了更好的理解这些时间变化，我们需要重构时间变化结构和这些网络的基本时间动态，然后才能更好地研究真实事件，主题或内容的信息路径。

基于上述背景，本次^文档设计对社交网络的动态传播规律进行研究和分析，从而实现推断网络信息动态传播的一般规律，这对于深入了解社交网络的发展方向具有非常重要的指导意义，也必将对其进一步发展起到积极的推动作用。

1.2国内外研究现状

学术界都在积极地理论研究、社区挖掘、用户影响力以及动态社交网络信息传播的推断方面进行不断探索。

在理论研究方面，Sales-Pardo等人提出了基于模块度的用来衡量顶点间相似度的顶点附着力概念[1]。Clauset等人在^范文中引入层次随机图的概念，试图更精准的描述网络层次结构特征[2]。

在社区挖掘方面：社交网络并非完全虚拟的空间，而是由真实的人际关系组成的网络，因此，可以用边和节点来展示社交网络。运用多种方法，根据图理论对社交网络进行分析，从而挖掘出网络中的社区结构，发现网络中的重要顶点、找出与某顶点最为相似的顶点等[3]有价值的信息。

在用户影响力方面：最主要的方法是以概率的形式表现响力。M.G.Rodrigue等提出了从用户日志中学习社交网络结构的算法[4]。Kwak等使用了均匀模型来量化用户间的影响力并对量化得到的结果应用pagerank算法来找到最有影响力的用户[5]。Meng Zhang等拓展了极大似然模型，提出了一个动态模型来量化用户的影响力[6]。

在动态社交网络信息传播的推断方面，斯坦福大学的Jure Leskovec、Manuel、Bernhard Schölkopf等致力于在社交网络级联预测方面的研究，提出了用子模的优化来推理网络连通性的NETINF和MULTITREE算法。有效地推断了感染的传播比率或感染的前期传播概率。

社交网络如何进行信息传播，以及如何利用社交网络上的信息传播规律推断信息网络的动态发展过程，推动信息的快速有效传播，成为了当下重要的研究课题。

二、^范文提纲

1基于社交网络信息传播的相关理论及模型

1.1相关理论

1.1.1“六度分隔”和“小世界网络”理论，“六度分隔”和“小世界网络”理论是社会化媒体的主要理论依据。

1.1.2信息在媒体中的传播

1.2相关概念

1.2.1网络级联和米姆

1.2.2准确率和召回率

1.3信息传播模型

1.3.1 SI模型

1.3.2 SIR模型

1.3.3 IC模型

1.3.4 LT模型

1.4边传播率参数模型

1.4.1指数分布模型

1.4.2幂分布模型

1.4.3瑞利分布模型

2 具体算法的相关研究

2.1 前期探索

2.2问题公式化

2.2.1观察的数据

2.2.2成对传播的似然值

2.2.3级联的似然值

2.2.4动态网络推理问题

2.3INFOPATH算法。主要提出基本随机梯度方法。

2.3.1预测随机梯度

2.3.2老化的边

2.3.3级联抽样

2.3.4INFOPATH算法的实现过程

2.4推断动态网络

3实验评估。为了对INFOPATH算法的性能进行评估，研究时使用模拟真实网络结构的人工合成的时变网络和真实的数据进行实验，并通过实验得出的精确度和准确度进行分析得出评估结论。

3.1实验数据

3.2实验装置

3.3实验结果

三、参考文献

[1]M，S.-P.，Extracting the hierarchical organization of complex systems. Proc.Natl.Acad.Sci.USA 104，2007，104(39):15224-15229.

[2]A，C.，M.C，and N.ME，Hierarchical structure and the prediction of missing links in networks.Nature，2008，453(7191):98-101.

[3]才华，周春光，王喆.动态社会网络中的社区挖掘算法研究[J].吉林大学学报，2008，26(4):380-385.

[4]Leskovec，J. and A.Krause，Inferring Networks of Diffusion and Influence. In KDD’10，2012，5(4):1019-1028.

[5]Kwak，H.，et al.，What is Twitter，a Social Network or a News Media? In  ’10:Proceedings of the 19th international conference on World Wide Web，2010.

[6]Zhang，M.，C.Sun，and W.Liu.Identifying influential users of micro-blogging services:A dynamic action-based network approach.In Pacific Asia Conference on Information Systems (PACIS) 2011 Proceedings，2011.

[7]Wang，C.，et al.，Dynamic Social Influence Analysis through Time-Dependent Factor Graphs.Advances in Social Networks Analysis and Mining(ASONAM).2011 International Conference on，2011.

[8]Weng，J.，et al.，TwitterRank:finding topic-sensitive influential twitterers.In WSDM，2010.

[9]Pal，A. and S.Counts.Identifying topical authorities in microblogs.in Proceedings of the fourth ACM international conference on Web search and data mining，2011.

[10]Rodriguez M G，Leskovec J，Krause A.Inferring networks of diffusion and influence[J].Proceedings of Acm Sigkdd International Conference on Knowledge Discovery & Data Mining，2010，5(4):1019-1028..

[11]Goyal，A.，F.Bonchi，and L.V.Lakshmanan.Learning influence probabilities in social networks.In Proceedings of the third ACM international conference on Web search and data mining，2010.

[12]Welch，M.J.，et al. Topical semantics of twitter links.In Proceedings of the fourth ACM international conference on Web search and data mining，2011. 

[13]M.Gomez-Rodriguez，J.Leskovec，and B. Schokopf. Structure and dynamics of information pathways in online media. In WSDM’13，2013:23-32.

[14]Zhang.M.，Dai.C.，Ding.C.，and Chen.E.2013d.Probabilistic solutions of influence propagation on social networks.In CIKM’13:429-438.

[15]Sadikov E，Medina M，Leskovec J，et al. Correcting for missing data in information cascades.[J].Proceedings of Acm International Conference on Web Search & Data Mining Wsdm，2011. 

[16]Gomez-Rodriguez M，Sch02lkopf D B B.Uncovering the temporal dynamics of diffusion networks[J].In Proc. of the 28th Int. Conf. on Machine Learning，2011.