一种基于网络科学的微博用户关系网络演化模型构造方法

摘要

本发明公开了基于网络科学的微博用户关系网络演化模型构造方法，该方法包括网络初始化阶段和网络演化生成阶段，网络初始化阶段设定初始节点数量以及初始网络的拓扑结构；网络演化生成阶段分别采用随机增长、优先连接、随机连接及反向连接四种机制。本发明充分考虑了微博用户关系网络形成过程中的关键演化机制，能够真实反映微博用户关系网络的拓扑特征，结构简单，且不受网络规模的限制，适用于真实微博用户关系网络各种拓扑特性分析，以及各种信息在微博用户关系网络中的传播机理研究，不仅有助于优化真实网络的拓扑结构，进而提高有用信息的传播效率，而且有利于网络谣言传播的防控，降低其带来的危害。

说明书

技术领域

本发明属于计算机、通信和网络技术等多学科的交叉领域，具体地说是一种用于信息网络，特别是一种能够用于刻画各种真实微博用户关系网络拓扑特征的网络演化模型构造方法。

背景技术

随着互联网的快速发展，谣言借助于社交媒体在人群中传播，其传播速度之快、影响范围之广不仅直接危及互联网的健康发展，甚至还给国家正常的社会秩序带来现实或潜在的威胁，比如2014年的“马航失联客机谣言”、“昆明恐怖袭击谣言”，2013年的“飞机有炸弹谣言”、“H7N9疫情谣言”等。包括我国在内的世界各国政府都密切关注网络谣言传播造成的危害，并采取了多种措施(包括制定法律法规等)对网络谣言进行治理，然而网络谣言的传播依然屡见不鲜。因此，国内外研究者提出应通过探究网络谣言内在的传播机理来设计防控其传播的技术手段。

在传播谣言的网络平台中，由于具有便利、实时、快捷等特点，微博在网络谣言传播方面占有最重要位置。因此，研究网络谣言的传播机理主要是研究谣言在微博中的传播机理。如果要描述微博谣言的传播过程，就必须借助于微博用户关系网络，网络中的节点可以是微博用户的ID号，而边则是微博用户之间相互关注的情况。

微博用户关系网络是一种比较常见的社会网络。根据相关统计，我国微博用户数量已超过3亿，微博在给人们的日常生活带来很多便利的同时，也给社会带来了很大的负面影响，这主要是指谣言借助于微博能够大肆传播。为了降低微博谣言传播产生的危害，国内外研究者对其传播规律展开了深入研究，得到了一些有意义的结论。但是这些研究中采用的网络模型依然是BA网络或是其变型网络，而很少基于真实的微博用户关系网络，这就大幅降低了研究的实用性和参考价值。此外，为了设计出性能高效的网络传播协议，提高有用信息的传播效率，也需要研究网络的拓扑结构特征。随着各种大型数据库的不断出现以及计算机处理能力的快速提升，使得能够对海量网络数据进行处理，有些关于微博谣言传播机理的研究建立在了实证网络之上。然而，这些由真实数据抽象出来的网络规模往往会受到限制，并且可移植性较差。因此，为了有效研究微博谣言的传播机理，就必须构造相关的微博用户关系网络演化模型，并对该模型的拓扑特征进行分析。

发明内容

针对上述缺陷或不足，本发明的目的在于提供一种基于网络科学的微博用户关系网络演化模型构造方法，充分融合真实微博用户关系网络形成过程中的各种机制，算法简单、高效且具有较好的扩展性。

为达到以上目的，本发明的技术方案为：

包括以下步骤：

1)根据需要设定节点数为m₀的网络模型，对每个节点均赋予吸引度，并且确定初始网络的拓扑结构，随机选取一个节点，使得该节点与其余m₀-1个节点均相连，形成初始化网络模型；

2)在网络演化过程中，当有新节点加入网络时，通过随机增长机制和优先连接机制，进行新节点添加，然后通过随机连接机制和反向连接机制对添加新节点后的网络进行节点连接，形成网络演化模型。

所述步骤2具体包括：

2.1)随机增长机制：

在每一个时间间隔中都增加一个新节点到初始化网络模型中，并选取初始化网络模型中m₁个节点进行连接，其中，m₁≤m₀；

2.2)优先连接机制：

获取初始化网络模型中每个节点的概率Π_i，Π_i的表达式为其中k_j为初始网络模型中第j个节点的度，a_j为初始网络模型第j个节点的吸引度；根据每个节点的概率Π_i，从大到小选取m₁个初始化网络模型中的节点，建立由所选取节点指向新加入节点的有向连接；

2.3)随机连接机制：

随机选取初始网络模型中的m₂个节点作为终点，根据初始网络模型中其余节点的概率Π_i，从大到小选取m₂个节点作为起始节点，并与所选取的m₂个终点依次建立m₂条有向连接；其中，m₂≤m₀；

2.4)反向连接机制：

预设概率q，根据所预设的概率q，对每条新建的单向连接添加反向连接。

所述吸引度根据网络模型分布设置，所述网络模型分布包括均匀分布、指数分布及幂律分布。

所述初始网络的拓扑结构包括星型拓扑结构和全连通拓扑结构。

与现有技术比较，本发明的有益效果为：

本发明公开了一种基于网络科学的微博用户关系网络演化模型构造方法，首先对网络进行初始化，随后采用随机增长、优先连接、随机连接以及反向连接机制完成整个网络的演化过程，从而使得本发明能够最大程度地反映真实微博用户关系网络的形成过程，尽可能地刻画真实网络具有的各种统计特征。

进一步的，在微博用户关系网络演化生成阶段，每一个时间步都有一个节点加入到网络，以此表明网络规模随机增长的特性；在相互添加关注的过程中，包括了优先关注和随机关注两种情况；而反向关注的添加则以一定概率进行。本发明采用简单规则构造了具有复杂特性的微博用户关系网络，便于以软件的形式实现，能够用于社交媒体的分析、舆情传播控制以及网络通信效率等方面的研究。

进一步发的，本发明在提高实用性的同时进行了效率的优化设计，避免了两个节点之间重复连接的建立以及孤立节点的出现，并且演化生成网络的规模不受限制，能够用于对网络规模要求较大的研究环境。

附图说明

图1是本发明网络初始化算法流程示意图；

图2是本发明演化算法流程示意图。

具体实施方式

下面结合附图对本发明做详细描述。

本发明提供了一种基于网络科学的微博用户关系网络演化模型构造方法，包括以下步骤：

1)根据需要设定节点数为m₀的网络模型，对每个节点均赋予吸引度，并且确定初始网络的拓扑结构，随机选取一个节点，使得该节点与其余m₀-1个节点均相连，形成初始化网络模型；

其中，所述引度可能会满足不同分布，比如均匀分布、指数分布及幂律分布；随后，确定初始网络的拓扑结构，比如星型拓扑结构、全连通拓扑结构，在此基础上进行微博用户关系网络演化模型的构建；

2)在网络演化过程中，当有新节点加入网络时，通过随机增长机制和优先连接机制，进行新节点添加，然后通过随机连接机制和反向连接机制对添加新节点后的网络进行节点连接，形成网络演化模型。

该步骤具体包括：

2.1)随机增长机制：

在每一个时间间隔中都增加一个新节点到初始化网络模型中，并选取初始化网络模型中m₁个节点进行连接，其中，m₁≤m₀；

2.2)优先连接机制：

获取初始化网络模型中每个节点的概率Π_i，Π_i的表达式为其中k_j为初始网络模型中第j个节点的度，a_j为初始网络模型第j个节点的吸引度；根据每个节点的概率Π_i，从大到小选取m₁个初始化网络模型中的节点，建立由所选取节点指向新加入节点的有向连接；

2.3)随机连接机制：

随机选取初始网络模型中的m₂个节点作为终点，根据初始网络模型中其余节点的概率Π_i，从大到小选取m₂个节点作为起始节点，并与所选取的m₂个终点依次建立m₂条有向连接；其中，m₂≤m₀；

2.4)反向连接机制：

预设概率q，根据所预设的概率q，对每条新建的单向连接添加反向连接。

网络演化生成节点采用随机增长、优先连接、随机连接及反向连接四种机制，随机增长机制用于描述微博用户关系网络规模不断增大的特点；优先连接机制用于刻画粉丝越多的用户越容易受到其他用户关注的事实；随机连接机制用于展现微博用户存在随机添加关注对象的情况；反向连接机制用于说明被关注用户添加反向关注的行为；具体包括以下步骤：

A、在本发明提出的演化模型中，如果A用户关注了B用户，表明前者能及时看到后者更新的博文，那么用户A和B之间就建立了一条从B指向A的连接。如果用户B也关注了用户A，两个用户之间将建立一条无向边；

B、初始网络设定：首先，根据需要设定初始网络的节点数m₀，并给每个节点都赋予相应的吸引度，这里的吸引度可能会满足不同分布，比如均匀分布、指数分布及幂律分布等；随后，确定初始网络的拓扑结构，比如星型、全连通等，在此基础上进行微博用户关系网络演化模型的构建；

C、网络规模的增长：在整个演化过程中，网络规模由小到大随机进行增长，并且给每一个新加入网络的节点都赋予一个吸引度；

D、已存在节点的选取：当一个新节点加入网络时，需要选择网络中已存在的m₁个节点建立新连接；连接建立过程中节点的选取则取决于该节点的度与吸引度乘积；

E、已存在节点间建立随机连接：随机选取节点作为新建连接的起始节点，终点的选取由该节点的度与吸引度乘积决定，在此基础上建立由起始节点指向终点的有向连接；

F、反向连接的建立：考虑真实微博用户关系网络中存在反向关注的情况，对新建立连接的节点对添加反向连接。

考虑到节点i的度k_i及吸引度a_i对构造微博用户关系网络的重要性，本发明中，以节点的度及吸引度的乘积作为建立新连接时的判断依据，即度或吸引度越大的节点被选择建立连接的可能性越大；对于一个新加入网络的节点，即使其节点度很小，只要具有较大的吸引度，该节点也能够在较短时间内受到很多微博用户的关注。

本发明中当一个新节点加入网络时，网络中添加新的有向连接；在建立随机连接过程中，边的起始节点随机选取，终点则以概率进行选择；对每一条新建立的连接，都以概率q建立反向连接。

本发明具体算法流程如图1和图2所示。

图1对网络邻接矩阵A进行初始化，初始化后A为一个m₀阶方阵，初始网络为一个全连通网络。初始化过程中，给每一个节点都设定满足某种分布的吸引度，初始网络中的每一条连接都是双向的。

图2表明了演化模型的具体演化过程。在演化过程中，当一个新的节点加入到网络时，要与网络中已存在的m₁个节点建立新的连接。连接建立的过程同时考虑了节点以及节点吸引度的作用，因此被选取用来建立连接的节点取决于概率由于存在关注与被关注的情况，新建连接的方向为由已有节点指向新加入节点，这里的方向是指信息的流向。微博用户关系网络在形成过程中，还存在添加反向关注的情况，本发明假设以概率q为每一条新连接都添加反向连接。

在演化过程中，微博用户之间存在随机添加连接的情况，假设新建立了m₂条随机连接。连接的一端随机在网络中进行选取，而另一端以概率进行选取，连接的方向是由后者指向前者。同时再以概率q为每一条新连接添加反向连接。

从图1、图2可知，演化算法的核心是优先连接机制和随机连接机制，即在微博用户关系网络演化过程中，当一个新节点加入网络时，选取与该节点建立连接节点的概率为当随机建立m₂条连接时，边的一端遵循随机选取原则，而另一端选取的概率是

本发明的有益效果如下：

本发明首先对网络进行初始化，随后采用随机增长、优先连接、随机连接以及反向连接机制完成整个网络的演化过程，从而使得本发明能够最大程度地反映真实微博用户关系网络的形成过程，尽可能地刻画真实网络具有的各种统计特征。

在微博用户关系网络演化生成阶段，每一个时间步都有一个节点加入到网络，以此表明网络规模随机增长的特性；在相互添加关注的过程中，包括了优先关注和随机关注两种情况；而反向关注的添加则以一定概率进行。本发明采用简单规则构造了具有复杂特性的微博用户关系网络，便于以软件的形式实现，能够用于社交媒体的分析、舆情传播控制以及网络通信效率等方面的研究。

本发明在提高实用性的同时进行了效率的优化设计，避免了两个节点之间重复连接的建立以及孤立节点的出现，并且演化生成网络的规模不受限制，能够用于对网络规模要求较大的研究环境。

本发明结合了WS小世界网络生成算法及BA无标度网络生成算法的特点，能够更为客观地再现真实微博用户关系网络的拓扑特征，结构简单，演化速度快，复杂度较低，可移植性较好，适合于刻画各种真实的微博用户关系网络。