摘  要： 如何在各種網(wǎng)絡(luò)中選擇合適的節(jié)點(diǎn)作為初始節(jié)點(diǎn)從而達(dá)到傳播效果最大化已經(jīng)得到了廣泛的關(guān)注和研究，但是目前的研究大部分都局限于網(wǎng)絡(luò)結(jié)構(gòu)本身，忽略了節(jié)點(diǎn)的異構(gòu)性，從而缺乏實(shí)用價(jià)值。基于ABM實(shí)驗(yàn)?zāi)Ｐ?，?gòu)建了由具有異構(gòu)屬性和行為的節(jié)點(diǎn)構(gòu)成的信息傳播模型，在此基礎(chǔ)上，探討了各個(gè)因素對(duì)于節(jié)點(diǎn)重要性的影響。實(shí)驗(yàn)結(jié)果表明，綜合考慮網(wǎng)絡(luò)結(jié)構(gòu)因素和節(jié)點(diǎn)異構(gòu)性因素能夠更有效地找到影響力大的節(jié)點(diǎn)。

　　關(guān)鍵詞： 社會(huì)網(wǎng)絡(luò)；信息傳播；代理；節(jié)點(diǎn)選擇

0 引言

　　社會(huì)多元化和網(wǎng)絡(luò)便捷化推動(dòng)了信息傳播的發(fā)展，如廣告信息的傳播，新政策法規(guī)的傳播，某個(gè)突發(fā)事件的傳播等。信息是在社會(huì)網(wǎng)絡(luò)中傳播的，之前的研究都是把社會(huì)網(wǎng)絡(luò)中的人抽象成同構(gòu)的節(jié)點(diǎn)進(jìn)行研究，如Fourt模型、Woodlock模型[1]、Mansfield模型[2]以及影響力很大的Bass模型[3]，而這些都是一種理想的假設(shè)，實(shí)際上社會(huì)個(gè)體是異構(gòu)的，他們具有不同的屬性，而且他們與社會(huì)網(wǎng)中其他個(gè)體的親密度也是不一樣的，而這些都會(huì)影響信息在由一個(gè)個(gè)異構(gòu)個(gè)體組成的社會(huì)網(wǎng)絡(luò)中的傳播。如何在各種網(wǎng)絡(luò)中選擇合適的節(jié)點(diǎn)作為初始節(jié)點(diǎn)從而達(dá)到傳播效果最大化已經(jīng)得到了廣泛的關(guān)注和研究。然而這些研究都是基于網(wǎng)絡(luò)中的節(jié)點(diǎn)是同構(gòu)的基礎(chǔ)上，沒(méi)有考慮現(xiàn)實(shí)網(wǎng)絡(luò)中節(jié)點(diǎn)的異構(gòu)性。本文利用ABM[4]計(jì)算實(shí)驗(yàn)?zāi)Ｐ蛯⑿畔鞑ゾW(wǎng)絡(luò)的個(gè)體抽象成具有屬性和網(wǎng)絡(luò)連接的個(gè)體，研究了如何選擇合適的初始節(jié)點(diǎn)才能達(dá)到最佳傳播效果。

1 ABM計(jì)算實(shí)驗(yàn)?zāi)Ｐ图靶畔鞑?/strong>

　　1.1 ABM計(jì)算實(shí)驗(yàn)?zāi)Ｐ?/strong>

　　因微分方程的缺陷，人們提出利用ABM計(jì)算實(shí)驗(yàn)?zāi)Ｐ蛠?lái)研究網(wǎng)絡(luò)中不同的個(gè)體，并稱這些異構(gòu)的個(gè)體為代理。這些代理是社會(huì)網(wǎng)絡(luò)中最基本的單元，多個(gè)代理以及它們之間的連接就構(gòu)成了社會(huì)網(wǎng)絡(luò)。代理的定義如圖1所示。

　　1.2 信息傳播

　　現(xiàn)實(shí)社會(huì)中無(wú)時(shí)無(wú)刻不進(jìn)行著信息的傳播，而現(xiàn)在學(xué)者主要是對(duì)信息傳播的一個(gè)分支——?jiǎng)?chuàng)新的傳播進(jìn)行研究。ROGERS E M給出了最具權(quán)威的定義：創(chuàng)新的傳播是指創(chuàng)新通過(guò)一段時(shí)間，經(jīng)由特定的渠道，在某一社會(huì)團(tuán)體的成員中傳播的過(guò)程[5]。ROGERS E M將創(chuàng)新傳播的過(guò)程劃分為認(rèn)知、說(shuō)服、決定、實(shí)施、確認(rèn)。不同社會(huì)個(gè)體對(duì)某個(gè)創(chuàng)新的態(tài)度及行為是不一定的，相對(duì)積極的個(gè)體更傾向于采納創(chuàng)新，并且采納時(shí)間較短。經(jīng)過(guò)研究，這些個(gè)體行為所形成的整體現(xiàn)象是創(chuàng)新的采納人數(shù)隨著時(shí)間呈現(xiàn)“S”形，即初期上升緩慢，隨著采納人數(shù)的增加，會(huì)有一個(gè)迅速上升的過(guò)程，而當(dāng)采納人數(shù)較多時(shí)，上升速度又會(huì)下降。

　　信息傳播與創(chuàng)新傳播有很多共同點(diǎn)，都是從一個(gè)或多個(gè)節(jié)點(diǎn)向其他節(jié)點(diǎn)傳播的過(guò)程，傳播效果受節(jié)點(diǎn)間的連接和屬性影響。傳播時(shí)采納人數(shù)隨著時(shí)間呈現(xiàn)“S”形。而信息傳播不考慮節(jié)點(diǎn)對(duì)信息的采納，即ROGERS E M對(duì)創(chuàng)新傳播劃分的五個(gè)部分不適用于信息傳播。信息傳播除了轉(zhuǎn)發(fā)外不需要個(gè)體采取現(xiàn)實(shí)性的行動(dòng)，所以信息傳播的過(guò)程相對(duì)要簡(jiǎn)單迅速。人們一般是接收到某個(gè)信息，然后對(duì)信息進(jìn)行判斷處理，最后決定是否轉(zhuǎn)發(fā)。所以可以把信息傳播的過(guò)程劃分為三個(gè)部分：接收、處理、決定。

2 基于ABM初始節(jié)點(diǎn)選擇

　　如何最大化傳播效果一直是人們關(guān)注的問(wèn)題。社會(huì)網(wǎng)絡(luò)中影響最大化問(wèn)題（即如何選擇k個(gè)種子節(jié)點(diǎn)，使其在傳播過(guò)程結(jié)束之后，傳播的范圍達(dá)到最大）已被證明是一個(gè)NP-hard問(wèn)題。目前，大多數(shù)的研究尋找度最大的節(jié)點(diǎn)、網(wǎng)絡(luò)關(guān)系中的關(guān)鍵節(jié)點(diǎn)、網(wǎng)絡(luò)中的中心節(jié)點(diǎn)等作為初始節(jié)點(diǎn)，如貪婪算法[6]、k-shell算法等，但是這些都是在傳播網(wǎng)絡(luò)理想化的基礎(chǔ)上。那么以ABM計(jì)算實(shí)驗(yàn)?zāi)Ｐ偷幕A(chǔ)上，該如何選擇初始節(jié)點(diǎn)才能使傳播效果最大化理想化？

　　2.1 度最大的節(jié)點(diǎn)

　　擁有較多鄰居的節(jié)點(diǎn)能夠?qū)⑿畔鞑サ礁嗟木W(wǎng)絡(luò)中的其他節(jié)點(diǎn)。在一個(gè)社會(huì)網(wǎng)絡(luò)中，某節(jié)點(diǎn)度數(shù)最高，該點(diǎn)就居于中心位置，即該點(diǎn)所對(duì)應(yīng)的節(jié)點(diǎn)為此網(wǎng)絡(luò)中的中心人物即最具影響[7]。圖2是由10個(gè)節(jié)點(diǎn)構(gòu)成的網(wǎng)絡(luò)，灰色節(jié)點(diǎn)擁有最大的度5，顯然該節(jié)點(diǎn)在傳播一步和兩步的情況下，傳播到的節(jié)點(diǎn)數(shù)最多。所以在選擇初始節(jié)點(diǎn)時(shí)，考慮度最大的節(jié)點(diǎn)。

　　2.2 鏈路權(quán)值和最大的節(jié)點(diǎn)

　　每個(gè)人認(rèn)識(shí)的人就是度，但一般情況下只與關(guān)系比較密切的人交流。用鏈路權(quán)值來(lái)表示節(jié)點(diǎn)間的親疏關(guān)系。如果不僅考慮節(jié)點(diǎn)的人脈，還考慮節(jié)點(diǎn)的影響力，用0~1之間的數(shù)值代表節(jié)點(diǎn)之間不同的親密程度，連接權(quán)值的和代表了節(jié)點(diǎn)的影響力的大小。如圖3所示，在這種情況下，灰色的節(jié)點(diǎn)就不是最佳的初始節(jié)點(diǎn)，因?yàn)槠滏溌窓?quán)值和只有0.9，相反，淺灰色節(jié)點(diǎn)的鏈路權(quán)值和達(dá)到了1.5，所以淺灰色的節(jié)點(diǎn)是最佳的初始節(jié)點(diǎn)。

　　2.3 屬性值最佳的節(jié)點(diǎn)

　　社會(huì)個(gè)體財(cái)富、性格、社會(huì)地位等方面都各不相同，而這些屬性也影響了個(gè)體的重要性。如果要傳播的是一個(gè)理財(cái)產(chǎn)品的信息，那么財(cái)富值低的節(jié)點(diǎn)可能會(huì)對(duì)這個(gè)信息做丟棄處理。如圖4所示，在這種情況下，淺灰色的節(jié)點(diǎn)可能就是最佳的初始點(diǎn)。

　　2.4 基于ABM的初始節(jié)點(diǎn)選擇

　　由前文可知，節(jié)點(diǎn)的度、鏈路權(quán)值和以及屬性值都會(huì)影響節(jié)點(diǎn)的重要性，所以選擇初始節(jié)點(diǎn)時(shí)需要綜合考慮這三個(gè)方面的因素，即Q=a×Degree+b×Link+（1-a-b）×Attribute，其中Degree代表節(jié)點(diǎn)度，Link代表鏈路權(quán)值和，Attribute代表屬性值。Q值最大的節(jié)點(diǎn)作為初始節(jié)點(diǎn)的傳播效果會(huì)更好，而Q值受a和b的影響，不同的信息傳播模型有不同的最佳a(bǔ)、b值。通過(guò)綜合三方面因素，可以找出最佳的初始節(jié)點(diǎn)。

3 仿真模型及結(jié)果

　　仿真模型包括社會(huì)網(wǎng)絡(luò)的模擬構(gòu)建、網(wǎng)絡(luò)節(jié)點(diǎn)的異構(gòu)性設(shè)置、信息的傳播。本文基于無(wú)標(biāo)度網(wǎng)絡(luò)模型構(gòu)建社會(huì)網(wǎng)絡(luò)，即節(jié)點(diǎn)度服從冪次分布。為了簡(jiǎn)化模型，只設(shè)置了單個(gè)節(jié)點(diǎn)屬性財(cái)富值，服從標(biāo)準(zhǔn)正態(tài)分布。模型傳播一條理財(cái)產(chǎn)品信息，節(jié)點(diǎn)進(jìn)行接收、處理、決定。節(jié)點(diǎn)接收信息后根據(jù)自身的財(cái)富值來(lái)判斷對(duì)該信息的興趣度，人們一般選擇與自己親密度較高的個(gè)體即與自己連接強(qiáng)度大的鄰居。網(wǎng)絡(luò)、節(jié)點(diǎn)、信息以及節(jié)點(diǎn)的行為規(guī)則構(gòu)成了基于ABM的信息傳播模型。

　　圖5顯示了信息傳播比例變化，整體上傳播比例隨著時(shí)間步先緩慢上升，在中間有一個(gè)快速上升躍變的過(guò)程后趨于緩慢變化，整體呈現(xiàn)“S”形，與ROGERS E M的創(chuàng)新采納比例變化趨勢(shì)相吻合。第1條曲線選擇了鏈路權(quán)值和前5%的節(jié)點(diǎn)為初始節(jié)點(diǎn)，第2條為節(jié)點(diǎn)屬性值前5%，第3條為節(jié)點(diǎn)的度前5%，第4條為Q值前5%，其中a=b=1-a-b。從圖中可以看到，以鏈路權(quán)值和來(lái)選擇效果最差，以屬性值來(lái)選擇效果中等，而以度和Q值來(lái)選擇效果較好。以Q值來(lái)選擇的傳播效果雖然在起步階段沒(méi)有以度來(lái)選擇的傳播效果好，但是其“S”形上升階段更陡峭，最后達(dá)到的傳播比例更大。所以綜合考慮三個(gè)方面的Q值更適合用于選擇合適的初始節(jié)點(diǎn)。

4 結(jié)論

　　本文研究了基于ABM的信息傳播下代理在信息傳播中的行為。在無(wú)標(biāo)度網(wǎng)絡(luò)的社會(huì)網(wǎng)絡(luò)模型中定義了代理的屬性和行為。在達(dá)到傳播效果最大化問(wèn)題上，本文考慮了除網(wǎng)絡(luò)結(jié)構(gòu)之外的其他因素，并在基于ABM的信息傳播模型上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)表明，在選擇初始節(jié)點(diǎn)時(shí)考慮除網(wǎng)絡(luò)結(jié)構(gòu)以外的因素，能夠使傳播效果更好、更快。

參考文獻(xiàn)

　　[1] FOURT L A， WOODLOCK J W. Early prediction of market success for new grocery products[J]. Journal of Marketing，1960，25：31-38.

　　[2] MANSFIELE E. Technical change and the rate of initation[J]. Econometrica， 1961，29（4）：741-766

　　[3] BASS F M. A new product growth for model consumer durables[J]. Management Science， 1969，15（2）：215-227.

　　[4] BANERJEE A， CHANDRASEKHAR A G， DUFLO E， et al. The diffusion of microfinance[J]. Science，2013，341：363-370.

　　[5] ROGERS E M. Diffusion of innovations（5th edition）[M]. New York： Free Press， 2003.

　　[6] Chen Wei， Wang Yajun， Yang Siyu. Efficient influence maximization in social networks[C]. Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining， Paris， France， 2009： 199-208.

　　[7] Lin Juren. Social network analysis： theory， methods and applications[M]. Beijing： Beijing Normal University Press， 2009.