CN115422738A - 自媒体消息传播仿真模型的建模方法、仿真方法及*** - Google Patents
自媒体消息传播仿真模型的建模方法、仿真方法及*** Download PDFInfo
- Publication number
- CN115422738A CN115422738A CN202211051624.7A CN202211051624A CN115422738A CN 115422738 A CN115422738 A CN 115422738A CN 202211051624 A CN202211051624 A CN 202211051624A CN 115422738 A CN115422738 A CN 115422738A
- Authority
- CN
- China
- Prior art keywords
- message
- node
- model
- media
- simulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000005540 biological transmission Effects 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 230000001413 cellular effect Effects 0.000 claims abstract description 8
- 208000035473 Communicable disease Diseases 0.000 claims abstract description 5
- 208000015181 infectious disease Diseases 0.000 claims abstract description 5
- 230000002776 aggregation Effects 0.000 claims description 26
- 238000004220 aggregation Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 9
- 230000000644 propagated effect Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 244000097202 Rathbunia alamosensis Species 0.000 description 4
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种自媒体消息传播仿真模型的建模方法,所述方法包括:S1、基于元胞自动机模型构建用于模拟消息自媒体传播平台的无标度网络初始模型,其中,所述无标度网络初始模型包括多个节点,并在每经过一个单位时间后新增一个节点;S2、以无标度网络初始模型中的节点为人群,基于传染病模型配置无标度网络初始模型在消息传递过程中节点的状态转换规则以获得自媒体消息传播仿真模型。基于本发明提供的基于无标度网络自媒体消息传播模型的建模方法及仿真方法,通过调整网络拓扑结构特性指标对无标度网络模型下的消息传播过程进行仿真模拟描述,实现了对同一消息在不同自媒体平台上传播的差异分析,提高了消息传播分析的效率。
Description
技术领域
本发明涉及信息传播技术领域,具体来说,涉及信息传播仿真技术领域,更具体地说,涉及无标度网络信息传播仿真技术领域,即一种基于无标度网络的自媒体消息传播仿真模型的建模方法、自媒体消息传播仿真方法及***。
背景技术
近年来,随着网络技术的迅猛发展和移动终端的快速普及,以Facebook、Twitter、微博等为代表的在线社交网络聚焦于构建网络虚拟社区,成为信息时代的主流传播媒介,全方位深层次地改变着人类日常生产和生活方式。
消息转发是在线社交网络的重要功能之一,是驱动在线社交网络消息传播和分享的重要内在机制。以微博为代表的在线社交网络中,消息正是通过不同用户及其粉丝和关注人转发才得以大规模传播。分析消息在自媒体传播平台上的传播对一些相关机构(政府、企事业单位等)基于消息传播的态势作出更合适的决策具有重要的意义。分析消息在自媒体传播平台上的传播态势一般是通过构建仿真模型来模拟消息传播过程实现的。现有技术下,基于复杂网络的消息传播仿真模型已有很多建模方法,通过对特定的自媒体传播平台的传播特性进行分析以构建针对性的仿真模型来模拟该平台上的消息传播,例如,申请号为CN201710435528.5的中国专利申请中,公开了一种基于多智能体的信息传播与舆情演化仿真方法,该方法通过选取无标度网络作为仿真的媒介,构建网民个体的传播意愿负指数模型,定义网民的属性以及网民群体之间的交互规则,基于交互规则构建网民的连续观点演化模型,从而对信息的传播与观点的演化进行仿真。但是,现有技术下的消息传播仿真模型构建过程中没有分析不同的自媒体传播平台的差异,导致仿真模型不可用于分析相同消息在不同的自媒体传播平台上的消息传播,针对同一消息在不同自媒体上的传播都需要针对每种自媒体传播平台分别建模,不利于提高消息传播分析的效率。
发明内容
因此,本发明的目的在于克服上述现有技术的缺陷,提供一种能够对不同自媒体传播平台上消息传播的进行仿真的仿真模型的建模方法、仿真方法及***。
根据本发明的第一方面,提供一种自媒体消息传播仿真模型的建模方法,所述方法包括:S1、基于元胞自动机模型构建用于模拟消息自媒体传播平台的无标度网络初始模型,其中,所述无标度网络初始模型包括多个节点,并在每经过一个单位时间后新增一个节点;S2、以无标度网络初始模型中的节点为人群,基于传染病模型配置无标度网络初始模型在消息传递过程中节点的状态转换规则以获得自媒体消息传播仿真模型。
优选的,所述节点的状态转换规则为:
sk(t)+rk(t)+zk(t)×1
其中,k表示消息传递前群体关系的紧密程度,k′表示消息传递后群体关系的紧密程度,sk(t)、rk(t)、zk(t)分别表示在t时刻消息传递前自媒体传播平台上未看到消息者的比例、传播者的比例、不传播者的比例,zk’(t)表示在t时刻消息传递后自媒体传播平台上不传播者的比例,λ表示未看到消息者在看到消息后转化为传播者的概率,α表示随着时间推移传播者转化为不传播者的概率,pi(k′)表示消息传递后节点i的邻居节点中未看到消息者转换为不传播者的概率,wii’表示消息传递后节点i在所有节点之中的关系权重,Γi表示节点i的邻居节点集合,ηi表示消息传递前节点i的邻居节点中未看到消息者转化为不传播者的个数,ηi’表示消息传递后节点i′的邻居节点中未看到消息者转化为不传播者的个数,hi表示节点i的度并用于指示与节点i相连的其他节点数目,hi’表示节点i′的度并用于指示与节点i′相连的其他节点数目。
根据本发明的第二方面,提供一种自媒体消息传播仿真方法,用于对自媒体消息自媒体传播平台的消息传播进行仿真,所述方法包括:F1、根据如权利要求1-2任一所述方法构建的自媒体消息传播仿真模型,对模型进行节点初始化并基于待仿真自媒体消息自媒体传播平台的特性配置仿真模型的网络拓扑结构特性参数;F2、运行经步骤F1完成参数设置的仿真模型运行模型,并在每个时刻基于模型中节点状态转换规则计算消息转发过程中模型节点的状态以及基于此更新下一时刻节点的状态来实现消息传播过程的模拟;F3、在预设的仿真时间内,统计不同时刻的传播者的比例来模拟消息传播的速度。
优选的,在步骤F1中,配置仿真模型的如下网络拓扑结构特性参数:网络平均度、聚集系数、无尺度指标、同配性系数。
优选的,所述网络平均度为:
其中,H表示网络平均度,hi表示网络中节点i的度值,N表示网络中的节点总数;
所述聚集系数为:
其中,节点i的度为hi,ei为hi个邻居节点之间实际存在的边数,Ci为节点i的聚集系数,C为整个网络的聚集系数;
所述无尺度指标为:
其中,Vmax表示图的无尺度指标最大值,E为网络中所有边的集合,(i,j)表示节点i与节点j之间连接形成的边,hi和hj分别表示节点i与节点j的度值;
所述同配性系数为:
其中hn和ln分别表示网络中第n条边对应两个节点的度值。
优选的,在所述步骤F2中,通过如下方式计算每个节点的状态:
Oi(t)=F(Oi(t-1),OΓ(i)(t-1),λ,α)
其中,Oi(t)表示节点i在t时刻的状态,F表示模型中节点状态转换规则,Γi表示节点i的邻居节点集合,λ表示未看到消息者在看到消息后转化为传播者的概率,α表示随着时间推移传播者转化为不传播者的概率。
优选的,在所述步骤F2中,通过如下方式更新节点下一时刻的状态:
根据本发明的第三方面,提供一种自媒体消息传播仿真***,所述***包括:根据权利要求1或2之一的方法生成的仿真模型;仿真模块,其被配置为采用如权利要求3-7任一所述方法基于仿真模型进行消息传播仿真。
与现有技术相比,本发明的优点在于:本发明提供了一种基于无标度网络自媒体消息传播模型的建模方法及仿真方法,通过调整网络拓扑结构特性指标对无标度网络模型下的消息传播过程进行仿真模拟描述,实现了对同一消息在不同自媒体平台上传播的差异分析,提高了消息传播分析的效率。
附图说明
以下参照附图对本发明实施例作进一步说明,其中:
图1为根据本发明实施例的仿真模拟流程示意图;
图2为根据本发明实施例的采用本发明方案模拟新浪微博上的消息传播仿真结果示意图;
图3为根据本发明实施例的采用本发明方案模拟微信上的消息传播仿真结果示意图;
图4为根据本发明实施例的采用本发明方案模拟QQ空间上的消息传播仿真结果示意图。
具体实施方式
为了使本发明的目的,技术方案及优点更加清楚明白,以下通过具体实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如背景技术所述的,现有技术下的自媒体传播平台消息传播仿真模型建模过程中没有考虑不同自媒体传播平台的差异,导致分别针对平台进行单独建模,不同平台之间的仿真模型无法共用。为了解决该问题,本发明提出一种能够充分考虑到不同平台的差异,构建一种可通用的仿真模型的方案。
发明人经过对不同自媒体传播平台特性进行研究后发现,不同自媒体传播平台的差异主要体现在自媒体传播平台上不同人群之间的连接关系、人群聚集度以及网络相关性等不一样,在仿真模型中体现为仿真模型中的网络平均度、聚集系数、无尺度指标以及同配性系数不一样。因此,基于该特性,本发明提出构建一个通用的仿真模型,并通过设置仿真模型中的这几个参数来实现对不同自媒体传播平台上消息传播的仿真的方案。
概括来说,本发明包括仿真模型的建模以及消息仿真模拟两个阶段,根据本发明的一个实施例,如图1所示,在建模阶段,主要是定义无标度网络结构,构建描述无标度网络结构下消息传播的特征与过程的规则的模型,并初始化无标度网络以获得仿真模型;在仿真阶段,主要是基于已构建的模型,通过改变网络拓扑结构特性指标对不同平台的消息传播过程进行仿真模拟。
为了更好的理解本发明,下面结合附图及实施例从仿真模型的建模、基于构建好的仿真模型进行自媒体传播平台的消息传播仿真这两个方面分别来说明本发明。
一、仿真模型的建模
根据本发明的一个实施例,本发明基于元胞自动机模型构建无标度网络并定义仿真过程中网络节点状态转换规则。由于无标度网络具有自身网络特性与平台无关的特征,网络中的节点基于元胞自动机模型理论进行演化(一个节点对应于一个元胞),使得这样构建的无标度网络可以通过调整网络参数控制节点转换规则的改变以应用在不同的自媒体传播平台。
其中,无标度网络的结构为:无标度网络初始拥有m0个节点,每经过1个单位时间,引入一个新的节点,该新的节点与m个已存在的节点相连接,其中m<m0,在t个单位时间后,该无标度网络有N=t+m0个节点和mt条边,其中N表示稳态节点总数。其中,无标度网络的初始节点m0是建模时确定的网络参数,本发明不做限定。
根据本发明的一个实施例,基于传染病模型配置无标度网络的节点状态转换规则,即以节点为人群,将人群分为三类:未看到消息者s、传播者z、不传播者r,并引入参数λ和α来分别表示未看到消息者在看到消息后转化为传播者的概率和随着时间推移传播者转化为不传播者的概率,以及采用s(t)、z(t)和r(t)表示t时刻未看到消息者s、传播者z、不传播者r三类人群各自在人群中的比例,在无标度网络模型的基础上引入微分方程得到消息传播的数学模型(以表征无标度网络节点状态转换规则):
sk(t)+rk(t)+zk(t)=1
其中,k表示消息传递前群体关系的紧密程度,k′表示消息传递后群体关系的紧密程度,sk(t)、rk(t)、zk(t)分别表示在t时刻消息传递前自媒体传播平台上未看到消息者的比例、传播者的比例、不传播者的比例,zk’(t)表示在t时刻消息传递后自媒体传播平台上不传播者的比例,λ表示未看到消息者在看到消息后转化为传播者的概率,α表示随着时间推移传播者转化为不传播者的概率,pi(k′)表示消息传递后节点i的邻居节点中未看到消息者转换为不传播者的概率,wii’表示消息传递后节点i在所有节点之中的关系权重,Γi表示节点i的邻居节点集合,ηi表示消息传递前节点i的邻居节点中未看到消息者转化为不传播者的个数,ηi’表示消息传递后节点i′的邻居节点中未看到消息者转化为不传播者的个数,hi表示节点i的度并用于指示与节点i相连的其他节点数目,hi’表示节点i′的度并用于指示与节点i′相连的其他节点数目。
二、自媒体传播平台的消息传播仿真
基于上述实施例构建的无标度网络,可以通过配置与不同自媒体传播平台相适应的网络平均度、聚集系数、无尺度指标以及同配性系数,实现网络对不同自媒体传播平台上消息传播的仿真。为了更好的理解本发明,下面分别介绍网络平均度(本发明实施例中用H表示)、聚集系数(本发明实施例中用C表示)、无尺度指标(本发明实施例中用V表示)以及同配性系数(本发明实施例中用r表示)这几个参数与网络特性的关系。
网络平均度H指的是网络中所有节点的度的平均值,可以利用下面的公式计算:
其中,H表示网络平均度,hi表示网络中节点i的度值,N表示网络中的节点总数;其中,与节点连接的其他节点数目称为该节点的度,在自媒体传播平台中,节点度分布符合幂律分布P(h)∝h-v(P(h)表示度分布函数),但是不同的平台的网络平均度也有差异。例如,在新浪微博中,其网络平均度就明显高于微信和QQ空间,微信和QQ与新浪微博很重要的一个区别在于要基于好友才能传递信息,然后再基于好友的好友这种模式进行传递,使得微信和QQ这两种自媒体传播平台对应的仿真模型中每个节点的度就明显小于新浪微博中的一个节点,体现在网络拓扑特性中就是网络平均度不一样,因此,可以通过调整传播仿真模型中的网络平均度来分析不同自媒体传播平台的传播差异,基于网络平均度可以通过网络平均度公式和度分布求得每个节点的度值。
聚集系数C是网络的一个局部参数,其指示的是网络集团化的程度,在仿真过程中,其对应于网络节点转换规则中所述的群体关系的紧密程度k,即k=C。假设节点i的度为hi,即节点i有hi个邻居节点,hi个邻居节点之间实际存在的边数为ei,可能存在的边数为则节点i的聚集系数定义为并将自媒体平台网络中所有节点的聚集系数的平均值定义为整个网络的聚集系数其中|N|为网络中的节点总数。聚集系数的分布函数P(v)表示一个随机选定的节点i的聚集系数恰好位于v附近的概率:
由此,利用P(v)可以了解网络中聚集系数的分布情况,度值大的节点具有较小的聚集系数,而度值较小的节点具有较大的聚集系数。与度分布原理一样,不同的自媒体传播平台其对应的聚集系数也不一样,可以通过调整传播仿真模型中的聚集系数来分析不同自媒体传播平台的传播差异。
无尺度指标V指示的是网络中节点之间的连接与度值的相关性,在仿真过程中,其对应于网络节点转换规则中所述的消息传递后节点在所有节点之中的关系权重w,即w=V,并可通过如下方式计算:
其中,Vmax表示图的无尺度指标的最大值,E为网络中所有边的集合,(i,j)表示节点i与节点j之间连接形成的边,hi和hj分别表示节点i与节点j的度值;V越大表示度值大的节点倾向于与度值大的节点相连接,表现出正相关;V越小表示度值较大的节点倾向于与度值较小的节点连接,表现出负相关。与度分布原理一样,不同的自媒体传播平台其对应的无尺度指标也不一样,可以通过调整传播仿真模型中的无尺度指标来分析不同自媒体传播平台的传播差异。
同配性系数是指连在一起的节点对于度值的个性化相关系数,指示的是网络相关性即目标节点与相邻节点的正/负相关性,在仿真过程中,其对应于网络节点转换规则中所述的未看到消息者在看到消息后转化为传播者的概率λ,即λ=r,并可通过如下方式计算:
其中hn和ln分别表示网络中第n条边对应两个节点的度值,0<r≤1表明网络是正相关的,-1≤r<0表明网络是负相关的。与度分布原理一样,不同的自媒体传播平台其对应的聚集系数也不一样,可以通过调整传播仿真模型中的聚集系数来分析不同自媒体传播平台的传播差异。
针对不同的自媒体传播平台的,可以通过设置本发明构建的基于元胞自动机模型的无标度网络模型中的网络平均度、聚集系数、无尺度指标以及同配性系数,以配置不同传播平台中的节点状态转换规则,实现网络对不同自媒体传播平台上消息传播的仿真,从而实现基于同一种模型对不同自媒体平台的差异性分析。
采用本发明构建的仿真模型对自媒体传播消息仿真时,通过计算和更新网络中每个节点的状态,并统计每个时刻传播者的比例来模拟自媒体传播平台上消息传播的速度。
其中,基于仿真模型配置的节点状态转换规则,根据元胞自动机模型理论通过如下方式计算每个节点的状态,用于模拟自媒体传播平台上消息传播过程中节点的演化过程:
Oi(t)=F(Oi(t-1),OΓ(i)(t-1),λ,α)
其中,Oi(t)表示节点i(元胞)在t时刻的状态,F表示模型中节点状态转换规则,Γi表示节点i的邻居节点集合,λ表示未看到消息者在看到消息后转化为传播者的概率,α表示随着时间推移传播者转化为不传播者的概率。仿真模型中的节点基于元胞自动机模型理论进行传播演化,并且每个节点的状态遵循基于传染病模型配置的转换规则,经过不断的演化,来模拟自媒体传播平台上的消息传播。
其中,为了方便理解,每个节点i在时刻t的状态Oi(t)可表示为:
根据本发明的一个实施例,节点i从时刻t的状态si(t)更新为下一时刻的状态时遵循的转换规则为:
基于上述演化过程和节点状态更新转换规则,进行自媒体传播平台上消息传播仿真,并统计每个时刻处于传播状态的节点的比例,由此可以模拟出自媒体传播平台上消息传播的速度。
下面结合实验来详细说明本发明。
实验过程中,基于采用本发明建模方法构建的仿真模型,模拟消息在新浪微博、微信、QQ空间中进行消息传播的效果,其中,根据不同自媒体传播平台的差异,按照表1配置不同自媒体传播平台中的网络平均度、聚集系数、无尺度指标以及同配性系数以描述不同自媒体传播平台的网络拓扑结构差异:
表1
自媒体传播平台 | 网络平均度 | 聚集系数 | 无尺度指标 | 同配性系数 |
新浪微博 | 165.23 | 0.302 | 0.35 | 0.202 |
微信 | 65.24 | 0.330 | 0.37 | 0.179 |
QQ空间 | 78.65 | 0.171 | 0.19 | 0.072 |
然后,通过Netlogo仿真平台进行数值模拟,来模拟同一消息在不同自媒体平台的传播过程。如图2-图3所示,分别表示新浪微博、微信、QQ空间中消息传播的模拟结构,其中,横坐标表示时间,纵坐标表示不同时刻传播者的比例,可以看出,同一消息在不同自媒体平台的传播过程都需要经历三个过程:快速上升期—快速下降器—平稳下降期,但是在每个时期的具体速率以及极值点各不相同。在上升期,消息传播的速率为QQ空间>微信>新浪微博;在传播广度方面,新浪微博>微信>QQ空间;在下降期,消息传播的比例下降速度为,QQ空间>微信社交软件>新浪微博;而在平缓下降期,传播速率为新浪微博>微信≈QQ空间,这是完全符合新浪微博、微信、QQ空间这三种自媒体传播平台特性的,由此可见,基于本发明建模方法建模仿真模型并通过调整网络拓扑结构特性对应的参数,是能够实现基于同一个模型对相同消息在不同的自媒体传播平台的消息传播进行差异性分析的。
与现有技术相比,本发明提供了一种基于无标度网络自媒体消息传播模型的建模方法及仿真方法,通过调整网络拓扑结构特性指标对无标度网络模型下的消息传播过程进行仿真模拟描述,实现了对同一消息在不同自媒体平台上传播的差异分析,提高了消息传播分析的效率。
需要说明的是,虽然上文按照特定顺序描述了各个步骤,但是并不意味着必须按照上述特定顺序来执行各个步骤,实际上,这些步骤中的一些可以并发执行,甚至改变顺序,只要能够实现所需要的功能即可。
本发明可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种自媒体消息传播仿真模型的建模方法,其特征在于,所述方法包括:
S1、基于元胞自动机模型构建用于模拟消息自媒体传播平台的无标度网络初始模型,其中,所述无标度网络初始模型包括多个节点,并在每经过一个单位时间后新增一个节点;
S2、以无标度网络初始模型中的节点为人群,基于传染病模型配置无标度网络初始模型在消息传递过程中节点的状态转换规则以获得自媒体消息传播仿真模型。
2.根据权利要求1所述的方法,其特征在于,所述节点的状态转换规则为:
sk(t)+rk(t)+zk(t)=1
其中,k表示消息传递前群体关系的紧密程度,k′表示消息传递后群体关系的紧密程度,sk(t)、rk(t)、zk(t)分别表示在t时刻消息传递前自媒体传播平台上未看到消息者的比例、传播者的比例、不传播者的比例,zk’(t)表示在t时刻消息传递后自媒体传播平台上不传播者的比例,λ表示未看到消息者在看到消息后转化为传播者的概率,α表示随着时间推移传播者转化为不传播者的概率,pi(k′)表示消息传递后节点i的邻居节点中未看到消息者转换为不传播者的概率,wii’表示消息传递后节点i在所有节点之中的关系权重,Γi表示节点i的邻居节点集合,ηi表示消息传递前节点i的邻居节点中未看到消息者转化为不传播者的个数,ηi’表示消息传递后节点i′的邻居节点中未看到消息者转化为不传播者的个数,hi表示节点i的度并用于指示与节点i相连的其他节点数目,hi’表示节点i′的度并用于指示与节点i′相连的其他节点数目。
3.一种自媒体消息传播仿真方法,用于对自媒体消息自媒体传播平台的消息传播进行仿真,其特征在于,所述方法包括:
F1、根据如权利要求1-2任一所述方法构建的自媒体消息传播仿真模型,对模型进行节点初始化并基于待仿真自媒体消息自媒体传播平台的特性配置仿真模型的网络拓扑结构特性参数;
F2、运行经步骤F1完成参数设置的仿真模型运行模型,并在每个时刻基于模型中节点状态转换规则计算消息转发过程中模型节点的状态以及基于此更新下一时刻节点的状态来实现消息传播过程的模拟;
F3、在预设的仿真时间内,统计不同时刻的传播者的比例来模拟消息传播的速度。
4.根据权利要求3所述的方法,其特征在于,在步骤F1中,配置仿真模型的如下网络拓扑结构特性参数:
网络平均度、聚集系数、无尺度指标、同配性系数。
6.根据权利要求5所述的方法,其特征在于,在所述步骤F2中,通过如下方式计算每个节点的状态:
Oi(t)=F(Oi(t-1),OΓ(i)(t-1),λ,α)
其中,Oi(t)表示节点i在t时刻的状态,F表示模型中节点状态转换规则,Γi表示节点i的邻居节点集合,λ表示未看到消息者在看到消息后转化为传播者的概率,α表示随着时间推移传播者转化为不传播者的概率。
8.一种自媒体消息传播仿真***,其特征在于,所述***包括:
根据权利要求1或2之一的方法生成的仿真模型;
仿真模块,其被配置为采用如权利要求3-7任一所述方法基于仿真模型进行消息传播仿真。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序可被处理器执行以实现权利要求1-2、3-7任一所述方法的步骤。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如权利要求1-2、3-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211051624.7A CN115422738A (zh) | 2022-08-31 | 2022-08-31 | 自媒体消息传播仿真模型的建模方法、仿真方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211051624.7A CN115422738A (zh) | 2022-08-31 | 2022-08-31 | 自媒体消息传播仿真模型的建模方法、仿真方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115422738A true CN115422738A (zh) | 2022-12-02 |
Family
ID=84199403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211051624.7A Pending CN115422738A (zh) | 2022-08-31 | 2022-08-31 | 自媒体消息传播仿真模型的建模方法、仿真方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115422738A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116319379A (zh) * | 2023-05-17 | 2023-06-23 | 云目未来科技(湖南)有限公司 | 一种基于传播链的网络信息引导干预方法及*** |
CN118071529A (zh) * | 2023-10-26 | 2024-05-24 | 中国电子科技集团公司第十五研究所 | 舆情演化轨迹确定方法、装置、设备和介质 |
-
2022
- 2022-08-31 CN CN202211051624.7A patent/CN115422738A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116319379A (zh) * | 2023-05-17 | 2023-06-23 | 云目未来科技(湖南)有限公司 | 一种基于传播链的网络信息引导干预方法及*** |
CN116319379B (zh) * | 2023-05-17 | 2023-08-01 | 云目未来科技(湖南)有限公司 | 一种基于传播链的网络信息引导干预方法及*** |
CN118071529A (zh) * | 2023-10-26 | 2024-05-24 | 中国电子科技集团公司第十五研究所 | 舆情演化轨迹确定方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115422738A (zh) | 自媒体消息传播仿真模型的建模方法、仿真方法及*** | |
CN113792937B (zh) | 一种基于图神经网络的社交网络影响力预测方法、装置 | |
CN108962238A (zh) | 基于结构化神经网络的对话方法、***、设备及存储介质 | |
CN107818514B (zh) | 一种控制在线社交网络信息传播的方法、装置及终端 | |
CN109299808B (zh) | 基于群体劝说力建模的网民观点演化趋势预测方法 | |
CN111224966B (zh) | 基于演化网络博弈的最优防御策略选取方法 | |
CN109213953B (zh) | 一种社交网络多信息传播模型的建模方法 | |
CN113254719B (zh) | 一种基于地位理论的在线社交网络信息传播方法 | |
Banks et al. | Statistical challenges in agent-based modeling | |
van Maanen et al. | An agent-based approach to modeling online social influence | |
Wu et al. | Estimating fund-raising performance for start-up projects from a market graph perspective | |
Chuang et al. | Simulating opinion dynamics with networks of llm-based agents | |
CN107798623A (zh) | 媒体干预下三分意见群体网络舆情传播模型 | |
AU2021102006A4 (en) | A system and method for identifying online rumors based on propagation influence | |
CN112507185B (zh) | 用户肖像的确定方法和装置 | |
Feng | Self-generation fuzzy modeling systems through hierarchical recursive-based particle swarm optimization | |
CN104123274B (zh) | 评价中间语的词语的方法和装置以及机器翻译方法和设备 | |
Gu et al. | Social network public opinion evolution model based on node intimacy | |
CN113222774A (zh) | 社交网络种子用户选择方法和装置、电子设备、存储介质 | |
CN111737466A (zh) | 一种用于深度神经网络交互信息量化的方法 | |
Lewis et al. | Development of a mutable meme model in the context of a contagion spread simulation | |
Lakkaraju et al. | Using social simulations to train, test and evaluate ML models for social prediction. | |
CN111078969A (zh) | 一种基于ai的异常人群识别方法 | |
Chuang et al. | Reconstructing networks via discrete state dynamical data: A mini-review | |
Bakhshaii et al. | Electric load forecasting for western Canada: A comparison of two non-linear methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |