1。介绍社交网络的不断发展提供了一个独特的现代人类动力学分析的来源。随着移动通信技术的发展,人们可以享受各种社会应用程序更加方便,如Twitter和Facebook尤其如此。应用程序开发的直接结果数据激增,大数据的时代和复杂的系统给了我们一个前所未有的机会来研究人类的行为(
1 ]。在中国,新浪微博(
http://en.wikipedia.org/wiki/Sina_Weibo ),这是类似于Twitter和Facebook的混合,是最受欢迎的社交网站的信息传播和讨论人。2012年5月,新浪微博拥有超过3亿的注册用户,每天产生1亿多微博。它占据了57%的微博用户,以及在中国87%的微博活动。有60%的活跃用户通过移动终端登录(
http://tech.sina.com.cn/i/2012-05-15/12307109653.shtml )。这样的系统有大量的信息,不仅从个人行为的角度,还人工交互。因此,这样的社交网络站点提供巨大的潜力来分析人类行为在社交网络对于理解人类动力学。复杂系统的研究也吸引了各领域的研究人员(
2 - - - - - -
7 ]。
gydF4y2Ba在传统研究人类行为,人类行为活动通常被认为是随机的,因此可以建模为泊松过程(
8 ]。这种假设会导致一个指数interevent人类活动的时间分布。然而,最近大量的实证研究已经证明,这是错误的。例如,巴斯首先发现之间的时间间隔发送和接收电子邮件回复遵循幂律分布,与沉重的尾巴
9 ]。后来,几个类似的统计特性在人类动力学经验发现通过使用不同的数据集,包括网页浏览(
10 ),短信发送(
11 ],cyber-physical网络[
12 在论坛上,网民行为(
13 ),和电影看
14 ]。
gydF4y2Ba理解这样的重尾分布属性的内在因素,巴斯,巴斯克斯总统首先提出一个优先级排队模型,并成功地解释人类行为的现象基于任务队列(
9 ,
15 ,
16 ]。随后,研究人员设计各种人类进一步扩展的动态模型。老龄化模型假定每个任务的优先级是与“最早期限第一”原则是布兰查德和Hongler[提出的
17 ]。邓小平等人考虑任务期限的限制条件和期限的影响的研究任务的等待时间(
18 ]。经济最优方法是用来完成任务的过程中通过达尔'Asta和其他研究人员(
19 ]。这些模型主要是基于任务优先级排队但不适合nontask-driven场景像电影看,享受盛宴,和微博娱乐。
gydF4y2Ba巴斯克斯首先提出一个内存模型来分析人类动力学(
20. ]。的内存模型考虑到人类感知过去的活动,因此人类加速或减少他们的活动率根据他们的记忆。通过内存模型中,Ming-Sheng和同事提出interest-driven人类动力学模型,这表明人们对新事物的兴趣上升据参与频率。例如,由于频繁的参与兴趣消失但可能突然恢复后持久的冷漠。人民利益的变化可能会导致行为的heavy-tail分布(
21 ]。汉等人也注意到这样一个事实,人们对某些活动的兴趣可能是由于改变了他们的感情,从而提出了自适应人类动力机制(
22 ]。燕等人研究新浪微博社区人们的兴趣,他们指出,社会身份,或者定义为他人评论或转发用户的消息,是一个重要因素来调用用户的兴趣(
23 ]。这样的兴趣模型提供了很好地了解可能的动态机制的场景。然而,这些模型专注于个人行为,但他们不适合社交网络场景。在社交网络,不仅是个人行为也是个体之间的交互。
gydF4y2Ba人际互动的影响的人类行为模式是首先解决奥利维拉和巴斯克斯(
24 ]。他们提供了一个最小的模型,该模型包含两个优先级队列,即相互作用(<我nl在e- - - - - -formula>
我米米l:mi>
和不互相作用的<我nl在e- - - - - -formula>
O米米l:mi>
)。人机交互是考虑的方式<我nl在e- - - - - -formula>
我米米l:mi>
执行任务只有当两个人选择执行它们,(即。和类型的协议的执行<我nl在e- - - - - -formula>
我米米l:mi>
任务)。模型适用于这两个交互代理需要完成的场景交互同步工作,如参与电话会议。提出了以下一系列的扩展模型,例如,或类型协议模型(
25 ,
26 和短消息交互模型
27 ]。然而,并非所有的行为遵循和类型协议或或类型的交互协议。除此之外,这些作品主要关注两个代理交互场景,不适合真正的社交网络的结构特征。最近,肖等人研究人类在互联网论坛动态系统和突出了现实生活中的社交网络具有任意的关系(
28 ]。
gydF4y2Ba在微博的背景下社区在线社交网络代表,特点是流动性,人们可以表达他们的观点,参与社会事件的讨论,随时随地和接收的表扬或批评他们所看到和感觉。用户行为受多种因素的影响如用户工作环境、社会身份、人格和社会各界。显然,这种人类行为不是该主页,不是interest-driven或研究所或者干脆两者的混合物,我们将无法解释。
gydF4y2Ba找到究竟是什么驱使人类动力学在社交网络中,我们研究感兴趣的共同影响和节点(即影响。交互)的人类动力学在任意的社交网络。我们分析人类的行为在中国最大的在线社交网络(新浪微博),包括消息发布新微博,评论或转发一个现有的微博。新浪数据集的基础上,实验证据表明,不同类型的intermessage时间分布遵循幂律个体层面和组织层面。此外,我们试图找到究竟是什么驱使人类动力学的社交网络。我们提出一个人类动力学模型,结合了个人行为(即。(即,利息)和节点的影响。、交互)。我们不要简单地把两个部分一起,但建立一个更强的与一个良好的数学模型集成建模与仿真中各种有用的参数。这些参数反映用户行为的影响因素。与现实生活中的社交网络数据集,测试时我们的模型的仿真结果与经验观察是一致的,这意味着我们的模型提供了一个合适的解释人类动力学的幂律特性。
本文组织如下。后部分的介绍
1 ,部分
2 描述数据的起源;部分
3 给出了统计分析;部分
4 提出了混合模型的组合利息和互动;部分
5 对比仿真结果和经验的;部分
6 本文总结道。
年代ec>
2。数据描述经验数据收集从新浪微博(
http://weibo.com 上面的),这是一个在线社交网站在中国。写这篇文章的时候,有超过3亿的注册用户(以独特的id),每天超过1亿的微博。新浪微博的新闻和话题覆盖所有方面,因此它提供了丰富的数据集,以反映中国人民活动和动力学。研究了新浪微博的数据(
23 ),分析使用一个简单的individual-behavior-based intermessage时间分布模型。在本文中,我们研究丰富和混合模型考虑他们的兴趣和交互。
gydF4y2Ba在数据收集的过程中,我们随机选择一个用户作为一个起始点(例如,第一作者的新浪ID),和这个ID的个人资料和链接爬行通过使用广度优先遍历图的算法。每个用户分配一个序列号<我nl在e- - - - - -formula>
年代米米l:mi>
问米米l:mi>
根据下载序列。此外,每个用户发布的微博,评论,每个微博,和用户之间的关系是爬。数据库的逻辑视图如图
1 。用户之间存在多对多关系、一对多关系用户和微博,用户和注释之间一对多关系,微博和评论和一对多关系。完全有49556用户资料下载。从2011/08/21 2012/02/22,这些用户发送3057635微博在六个月。这些微博已经被转发185079821次,评论506765237次,分别。有61880个下载的关系,这些都是用户的社会关系的序列号<我nl在e- - - - - -formula>
年代米米l:mi>
问米米l:mi>
小于200。值得注意的是,<我t一个l我c>
的关系我t一个l我c>场<我t一个l我c>
关系我t一个l我c>表意味着用户之间的社会关系<我t一个l我c>
一个我t一个l我c>和用户<我t一个l我c>
B我t一个l我c>。这一领域可能需要三个值:1、2或3,这意味着<我t一个l我c>
一个我t一个l我c>后<我t一个l我c>
B我t一个l我c>(<我t一个l我c>
一个我t一个l我c>→<我t一个l我c>
B我t一个l我c>),<我t一个l我c>
一个我t一个l我c>之后<我t一个l我c>
B我t一个l我c>(<我t一个l我c>
一个我t一个l我c>
←我t一个l我c>
B我t一个l我c>),<我t一个l我c>
一个我t一个l我c>following-followed<我t一个l我c>
B我t一个l我c>(<我t一个l我c>
一个我t一个l我c>
↔我t一个l我c>
B我t一个l我c>),分别。
图1数据库的逻辑视图。
3所示。统计分析本节提供新浪微博社区的实证研究。我们主要研究人类行为在社交网络从三个方向。首先,我们分析intermessage分布从个体层面和组织层面。之后,四个基本社交元素提出了基于用户行为的数据。和四个基本元素的影响同时对用户行为进行调查。最后,这些元素之间的内在关系进行了进一步的分析。这一部分的工作是我们提出的基础模型。详细的工作是跟进。
上述过程之前,我们首先统计分析的基本数据。结果表明,在总49556用户,45579用户发布的消息。从2011/08/21 2012/02/22,有23100用户发布3057635条消息已被转发185079821次,评论506765237次。如果<我nl在e- - - - - -formula>
N米米l:mi>
代表一个用户发布的消息的数量,23100用户中有22770个用户时<我nl在e- - - - - -formula>
N米米l:mi>
∈米米l:mo>
(米米l:mo>
0,1000米米l:mn>
]米米l:mo>
用户,占总数的98.571%。以下的方式(
14 ,
29日 ),我们把100年作为一个步骤,那么当用户分为10组<我nl在e- - - - - -formula>
N米米l:mi>
∈米米l:mo>
(米米l:mo>
0,1000米米l:mn>
]米米l:mo>
。每组二十个用户随机选择。实证结果表明,intermessage服从幂律分布组水平。由于缺少空间,我们不能提供所有10个实验的阴谋,但图中选择一组
2(一个) 。图
2 (b) 显示了权力指数之间的关系<我nl在e- - - - - -formula>
N米米l:mi>
在每一个组。我们注意到,这是一个积极的关系<我nl在e- - - - - -formula>
γ米米l:mi>
和<我nl在e- - - - - -formula>
N米米l:mi>
。此后,intermessage分布在个人层面上进行了分析。我们采用随机抽样分析方法。每组50个用户随机选择。实证结果显示主要用户的intermessage分布服从幂律<我nl在e- - - - - -formula>
γ米米l:mi>
∈米米l:mo>
(米米l:mo>
1.0074,1.7383米米l:mn>
]米米l:mo>
。
用户行为分析在集团层面。
(一)我nter米e年代年代age集团时的分布<我nl在e- - - - - -formula>
N米米l:mi>
∈米米l:mo>
(300400)
(b)的影响<我t一个l我c>
N我t一个l我c>力量指数<我nl在e- - - - - -formula>
γ米米l:mi>
。在这里<我nl在e- - - - - -formula>
N米米l:mi>
=米米l:mo>
One hundred.米米l:mn>
意味着<我nl在e- - - - - -formula>
N米米l:mi>
∈米米l:mo>
(0100),<我nl在e- - - - - -formula>
N米米l:mi>
=米米l:mo>
200年米米l:mn>
意味着<我nl在e- - - - - -formula>
N米米l:mi>
∈米米l:mo>
(100200),等等
基于基本数据的统计,我们进一步提出了四个基本元素,推动人类行为在社交网络系统:<我t一个l我c>
社会压力我t一个l我c>,<我t一个l我c>
社会身份我t一个l我c>,<我t一个l我c>
社会参与我t一个l我c>,<我t一个l我c>
社会关系我t一个l我c>。我们用数学符号<我nl在e- - - - - -formula>
年代米米l:mi>
压力米米l:mtext>
,<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
,<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
,<我nl在e- - - - - -formula>
年代米米l:mi>
关系米米l:mtext>
分别代表他们。社会压力是指由社会环境对个人行为的影响,工作条件,社交圈等外生因素。这种效应的表现是用户的消息传递的时间和消息传递量的规律性。图
3(一个) 显示了消息传递的时间和消息传递关系的所有用户在24小时。统计结果完全符合数据发布的新浪办公室(
http://tech.sina.com.cn/i/2012-05-15/12307109653.shtml )。图
3 (b) 显示了类似的实验,但专注于个人层面与4用户随机选择。它可以发现,不同的用户有不同的习惯。我们考虑到这些差异反映用户行为的个人兴趣,习惯,爱好在社会的压力下。
消息数据超过24小时。注意:“1”<我t一个l我c>
x我t一个l我c>设在意味着从“0”到“1”点,“2”是指从“1”到“2”,等等。
(一)时间之间的关系<我t一个l我c>
t我t一个l我c>和消息数量<我t一个l我c>
N我t一个l我c>所有的用户在24小时内
(b)时间之间的关系<我t一个l我c>
t我t一个l我c>和消息数量<我t一个l我c>
N我t一个l我c>在个人层面上24小时
社会身份意味着每个消息的评论吸引了。如果<我nl在e- - - - - -formula>
N米米l:mi>
我米米l:mi>
代表信息的用户的数量<我nl在e- - - - - -formula>
我米米l:mi>
版本,<我nl在e- - - - - -formula>
C米米l:mi>
我米米l:mi>
代表用户评论的数量<我nl在e- - - - - -formula>
我米米l:mi>
收到,然后<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
=米米l:mo>
C米米l:mi>
我米米l:mi>
/米米l:mo>
N米米l:mi>
我米米l:mi>
。图
4(一) 的累积概率分布<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
所有用户发布的消息。因为严重的长尾现象,图
4 (b) 显示了相同的实验结果<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
≤米米l:mo>
One hundred.米米l:mn>
。它可以发现,当用户有90.939%<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
≤米米l:mo>
30.米米l:mn>
。此外,我们把100年作为一个步骤,那么当用户分为10组<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
∈米米l:mo>
(米米l:mo>
0100年米米l:mn>
]米米l:mo>
。实证结果表明,intermessage组级别服从幂律分布,类似于图的统计结果
2(一个) 。不像图
2 (b) ,我们发现权力指数没有正相关<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
。它可以得出的结论是,社会身份反应用户魅力等内生因素不能改变用户的兴趣长期的时间。然而,我们发现,大多数用户(<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
≤米米l:mo>
30.米米l:mn>
)的兴趣将在短时间内兴奋的<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
在很短的时间内同步。图
5 显示一个用户的信息发布序列随机选择,时间尺度的原始实验数据。垂直线代表消息的一天,和黑色的节点代表了麦克斯评论数量相同的一天。这个数字是同步的<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
和消息<我nl在e- - - - - -formula>
N米米l:mi>
。结果表明社会身份的短期刺激效应。它还显示了重要的实时特征的微博系统。
的累积概率分布<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
。
(一)的累积概率分布<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
所有用户的
(b)的累积概率分布<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
的用户<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
≤米米l:mo>
One hundred.米米l:mn>
图5一个用户的信息同步<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
。
社会参与的比例是指用户转发别人的消息。这个参数反映了内源性因素的用户如参加社会活动和社会话题。如果<我nl在e- - - - - -formula>
F米米l:mi>
我米米l:mi>
代表信息的用户的数量<我nl在e- - - - - -formula>
我米米l:mi>
向前,然后<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
=米米l:mo>
F米米l:mi>
我米米l:mi>
/米米l:mo>
N米米l:mi>
我米米l:mi>
。<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
∈米米l:mo>
(米米l:mo>
0 1米米l:mn>
]米米l:mo>
。图
6 的累积概率分布<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
所有的用户。它可以发现<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
服从均匀分布。此外,我们还组织用户<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
和分析之间的关系,<我nl在e- - - - - -formula>
γ米米l:mi>
,结果表明它们之间没有显著相关。结果表明,<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
不能改变用户的兴趣,但可以决定的概率的概率转发消息从别人或加入讨论社交活动。
图6的累积概率分布<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
所有的用户。
社会关系是指两个用户之间的关系。介绍了在节
2 任意两个用户,<我nl在e- - - - - -formula>
一个米米l:mi>
和<我nl在e- - - - - -formula>
B米米l:mi>
有三种关系:后,跟着,或者following-followed。当然,还有另一种情况,没有任何两个用户之间的关系。通过统计分析,我们发现,许多用户主要有重互动只有一些他们的朋友。特别是,约60%的用户交互消息不到80%以上8个知心朋友。这表明主要用户有自己的固定的社交圈。<我nl在e- - - - - -formula>
年代米米l:mi>
关系米米l:mtext>
不能刺激用户兴趣,但可以影响用户之间互动的可能性。
gydF4y2Ba提出了这些基本元素后,它们之间的内在关系进行了进一步的分析。根据这些元素的定义,每个用户都有一个独一无二的<我nl在e- - - - - -formula>
年代米米l:mi>
压力米米l:mtext>
,<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
,<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
和有很多<我nl在e- - - - - -formula>
年代米米l:mi>
关系米米l:mtext>
与不同的朋友。除此之外,<我nl在e- - - - - -formula>
年代米米l:mi>
压力米米l:mtext>
对用户行为的影响主要体现在用户的消息传递的时间和消息传递。因此,主要的工作重点之间的关系<我nl在e- - - - - -formula>
N米米l:mi>
,<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
,<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
。类似于上面的方法中,用户同样分为10组<我nl在e- - - - - -formula>
N米米l:mi>
∈米米l:mo>
(米米l:mo>
0,1000米米l:mn>
]米米l:mo>
。由于缺乏空间和方便的可视化、三组选择显示直观的三个元素之间的关系图
7 。值得注意的是,我们处理的规范化处理<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
。如图
3 (b) ,因为<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
大多数用户非常小,我们设置变量阈值参数<我nl在e- - - - - -formula>
£米米l:mi>
为50。<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
=米米l:mo>
1米米l:mn>
当<我nl在e- - - - - -formula>
年代米米l:mi>
我米米l:mi>
自我米米l:mtext>
≥米米l:mo>
£米米l:mi>
或<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
=米米l:mo>
年代米米l:mi>
身份米米l:mtext>
/米米l:mo>
£米米l:mi>
其他的事情。处理后,两者兼而有之<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
和<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
∈米米l:mo>
(米米l:mo>
0 1米米l:mn>
]米米l:mo>
。图
8(一个) 显示的用户的百分比<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
≥米米l:mo>
0.8米米l:mn>
在每一个组。图
8 (b) 显示了<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
类似于图
8(一个) 。我们观察到用户更具吸引力的百分比增加当消息的数量<我nl在e- - - - - -formula>
N米米l:mi>
生长。虽然大多数用户失去社会参与<我nl在e- - - - - -formula>
N米米l:mi>
生长。所以<我nl在e- - - - - -formula>
t米米l:mi>
是可以得出结论之间存在负相关<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
和<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
当<我nl在e- - - - - -formula>
N米米l:mi>
生长。
图7直观的关系<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
,<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
,<我nl在e- - - - - -formula>
N米米l:mi>
在每一个组。
用户提供的百分比<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
或<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
每组大于阈值。
(一)的用户的百分比<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
≥米米l:mo>
0.8米米l:mn>
(b)的用户的百分比<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
≥米米l:mo>
0.8米米l:mn>
4所示。模型理解人类动力学的内在机制的社交网络,在本节中,我们提出一个富有模型。这个模型认为内生动态的个人(称为利息)和与社会环境互动(互动);因此,该模型是混合动力车。从利益方面,一个人的热情活跃/不活跃导致社交网络是由社会压力和社会参与。Ming-Sheng和汉族等人提出了interest-driven人类动力学模型等一些场景的浏览网页和看电影
21 ,
22 ]。然而,这些模型并不算出感兴趣的潜在变化的原因。这些模型都是基于单一的代理,不适合社交网络场景中,他们不仅具有特别是通过个人行为,还代理之间的交互。从交互方面,每个人的行为可以影响我们周围的环境(即。相邻节点的社会身份和社会关系与邻近的节点)。此外,用户行为也受到显著的影响<我t一个l我c>
时间我t一个l我c>- - - - - -<我t一个l我c>
限制我t一个l我c>微博系统的特征。因此,我们研究一个混合模型,结合兴趣和相互作用的影响。此外,驱动人类行为的四个基本元素突出显示到模型中。模型的要点如下。(1)
社交网络我t一个l我c>。人(例如,注册用户在新浪微博系统)可以作为directed-weighted图形式化的一个社交网络。<我nl在e- - - - - -formula>
G米米l:mi>
=米米l:mo>
(米米l:mo>
V米米l:mi>
,米米l:mo>
E米米l:mi>
)米米l:mo>
,<我nl在e- - - - - -formula>
V米米l:mi>
=米米l:mo>
{米米l:mo>
v米米l:mi>
1米米l:mn>
,米米l:mo>
v米米l:mi>
2米米l:mn>
,米米l:mo>
…米米l:mo>
,米米l:mo>
v米米l:mi>
我米米l:mi>
,米米l:mo>
…米米l:mo>
,米米l:mo>
v米米l:mi>
n米米l:mi>
}米米l:mo>
代表一个节点集。每个用户在网络表示为一个节点<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
在<我nl在e- - - - - -formula>
V米米l:mi>
节点的数量<我nl在e- - - - - -formula>
n米米l:mi>
=米米l:mo>
|米米l:mo>
V米米l:mi>
|米米l:mo>
。<我nl在e- - - - - -formula>
年代米米l:mi>
压力米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
,<我nl在e- - - - - -formula>
年代米米l:mi>
识别米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
,<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
社会压力、社会身份和社会参与的节点<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
。一组定向边缘<我nl在e- - - - - -formula>
E米米l:mi>
代表了社会关系网络中,即<我t一个l我c>
N我t一个l我c>(<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
)米米l:mo>
=米米l:mo>
{米米l:mo>
v米米l:mi>
我米米l:mi>
1米米l:mn>
,米米l:mo>
v米米l:mi>
我米米l:mi>
2米米l:mn>
,米米l:mo>
…米米l:mo>
,米米l:mo>
v米米l:mi>
我米米l:mi>
米米米l:mi>
}米米l:mo>
代表节点的邻节点集<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
。<我nl在e- - - - - -formula>
e米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
如果是导演的边缘<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
后<我nl在e- - - - - -formula>
v米米l:mi>
j米米l:mi>
。<我nl在e- - - - - -formula>
F米米l:mi>
出米米l:mtext>
(<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
)是紧随其后的节点集<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
。<我nl在e- - - - - -formula>
F米米l:mi>
在米米l:mtext>
(<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
)是这样的节点集<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
。根据定义,我们知道<我nl在e- - - - - -formula>
N米米l:mi>
(米米l:mo>
v米米l:mi>
我米米l:mi>
)米米l:mo>
=米米l:mo>
F米米l:mi>
出米米l:mtext>
(米米l:mo>
v米米l:mi>
我米米l:mi>
)米米l:mo>
∪米米l:mo>
F米米l:mi>
在米米l:mtext>
(米米l:mo>
v米米l:mi>
我米米l:mi>
)米米l:mo>
。<我nl在e- - - - - -formula>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
意味着距离<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
来<我nl在e- - - - - -formula>
v米米l:mi>
j米米l:mi>
。<我nl在e- - - - - -formula>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
一个变量相关吗<我nl在e- - - - - -formula>
年代米米l:mi>
关系米米l:mtext>
。<我nl在e- - - - - -formula>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
有三个可能的值,也就是说,<我nl在e- - - - - -formula>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
=米米l:mo>
年代米米l:mi>
我米米l:mi>
n米米l:mi>
g米米l:mi>
l米米l:mi>
e米米l:mi>
∥米米l:mo>
米米米l:mi>
u米米l:mi>
t米米l:mi>
u米米l:mi>
一个米米l:mi>
l米米l:mi>
∥米米l:mo>
n米米l:mi>
o米米l:mi>
n米米l:mi>
e米米l:mi>
代表<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
后<我nl在e- - - - - -formula>
v米米l:mi>
j米米l:mi>
,<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
following-followed<我nl在e- - - - - -formula>
v米米l:mi>
j米米l:mi>
,<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
不遵循<我nl在e- - - - - -formula>
v米米l:mi>
j米米l:mi>
,分别。他们三个可调参数,我们需要<我nl在e- - - - - -formula>
米米米l:mi>
u米米l:mi>
t米米l:mi>
u米米l:mi>
一个米米l:mi>
l米米l:mi>
<米米l:mo>
年代米米l:mi>
我米米l:mi>
n米米l:mi>
g米米l:mi>
l米米l:mi>
e米米l:mi>
≪米米l:mo>
n米米l:mi>
o米米l:mi>
n米米l:mi>
e米米l:mi>
。
(2) <我t一个l我c>
时间离散化我t一个l我c>。离散时间步的<我nl在e- - - - - -formula>
δ米米l:mi>
t米米l:mi>
=米米l:mo>
1米米l:mn>
(例如,一分钟在分析我们的新浪数据集)。因此,人们在社交网络行动/不作为时间戳<我nl在e- - - - - -formula>
t米米l:mi>
(使用“分钟”为单位)。
(3)<我t一个l我c>
行动我t一个l我c>。在每一个时间戳<我nl在e- - - - - -formula>
t米米l:mi>
任意节点<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
,节点将发布消息的概率<我nl在e- - - - - -formula>
P米米l:mi>
行动米米l:mtext>
(米米l:mo>
我米米l:mi>
,米米l:mo>
t米米l:mi>
)米米l:mo>
。的概率<我nl在e- - - - - -formula>
P米米l:mi>
行动米米l:mtext>
(米米l:mo>
我米米l:mi>
,米米l:mo>
t米米l:mi>
)米米l:mo>
的<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
有关<我nl在e- - - - - -formula>
年代米米l:mi>
压力米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
,从而影响消息传递的时间和消息传递的用户数量。的价值<我nl在e- - - - - -formula>
P米米l:mi>
行动米米l:mtext>
(米米l:mo>
我米米l:mi>
,米米l:mo>
t米米l:mi>
)米米l:mo>
来自统计结果如图
3 。一次<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
推出一个新消息,新消息将被发送到每个队列的邻居节点<我nl在e- - - - - -formula>
v米米l:mi>
j米米l:mi>
∈米米l:mo>
F米米l:mi>
在米米l:mtext>
(<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
)。当前时间戳<我nl在e- - - - - -formula>
t米米l:mi>
将记录的发射时间的新消息吗<我nl在e- - - - - -formula>
t米米l:mi>
0米米l:mn>
。
(4)<我t一个l我c>
Interaction-Hybrid感兴趣我t一个l我c>。对于一个节点<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
,如果它不推出一个新消息在时间戳<我nl在e- - - - - -formula>
t米米l:mi>
,可以评论或转发一条消息中存在与一个概率的等待队列。一次<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
决定发表评论/转发,等待队列的消息将被删除<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
和一个新的评论/转发消息将被发送给原始消息的发射器。我们假设的概率会降低随着时间的流逝,我们使用一个简单的线性下降功能<我nl在e- - - - - -formula>
1米米l:mn>
/米米l:mo>
(米米l:mo>
1米米l:mn>
+米米l:mo>
一个米米l:mi>
Δ米米l:mi>
t米米l:mi>
)米米l:mo>
来描述这一变化。另一方面,从互动的角度来看,我们加入社会元素,如社会身份的一个节点的功能。鉴于等待队列中的消息的发射器<我nl在e- - - - - -formula>
v米米l:mi>
j米米l:mi>
,那么概率
(4.1)米米l:mtext>
P米米l:mi>
交互米米l:mtext>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
,米米l:mo>
t米米l:mi>
)米米l:mo>
=米米l:mo>
1米米l:mn>
1米米l:mn>
+米米l:mo>
(米米l:mo>
(米米l:mo>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
*米米l:mi>
(米米l:mo>
t米米l:mi>
- - - - - -米米l:mo>
t米米l:mi>
0米米l:mn>
)米米l:mo>
)米米l:mo>
/米米l:mo>
(米米l:mo>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
j米米l:mi>
)米米l:mo>
+米米l:mo>
年代米米l:mi>
participaton米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
)米米l:mo>
)米米l:mo>
。米米l:mo>
(5)<我t一个l我c>
时间限制我t一个l我c>。统计实验的最后一节中,发现微博系统的特点是它的实时。人们可能会改变他们的注意力从一个古老的主题提升到一个新的主题很容易随着时间的流逝。一个阈值参数<我nl在e- - - - - -formula>
T米米l:mi>
马克斯米米l:mi>
代表最大时间限制,设置为1440分钟(一天)的数据显示
3 和
5 。如果消息不评论或转发<我nl在e- - - - - -formula>
T米米l:mi>
马克斯米米l:mi>
,也就是说,<我nl在e- - - - - -formula>
Δ米米l:mi>
t米米l:mi>
=米米l:mo>
t米米l:mi>
- - - - - -米米l:mo>
t米米l:mi>
0米米l:mn>
>米米l:mo>
T米米l:mi>
马克斯米米l:mi>
从等待队列,消息将被删除。
数学,因为一个节点发布的消息<我nl在e- - - - - -formula>
v米米l:mi>
j米米l:mi>
在<我nl在e- - - - - -formula>
t米米l:mi>
0米米l:mn>
,被评论或转发的概率<我nl在e- - - - - -formula>
v米米l:mi>
j米米l:mi>
在时间步<我nl在e- - - - - -formula>
t米米l:mi>
是
(4.2)米米l:mtext>
p米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
,米米l:mo>
Δ米米l:mi>
t米米l:mi>
=米米l:mo>
t米米l:mi>
)米米l:mo>
=米米l:mo>
(米米l:mo>
1米米l:mn>
- - - - - -米米l:mo>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
j米米l:mi>
)米米l:mo>
+米米l:mo>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
j米米l:mi>
)米米l:mo>
+米米l:mo>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
+米米l:mo>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
)米米l:mo>
⋯米米l:mo>
(米米l:mo>
米米l:mi>
1米米l:mn>
米米l:mi>
- - - - - -米米l:mo>
米米l:mi>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
j米米l:mi>
)米米l:mo>
米米l:mi>
+米米l:mo>
米米l:mi>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
j米米l:mi>
)米米l:mo>
米米l:mi>
+米米l:mo>
米米l:mi>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
米米l:mi>
+米米l:mo>
米米l:mi>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
(米米l:mo>
t米米l:mi>
米米l:mi>
- - - - - -米米l:mo>
米米l:mi>
1米米l:mn>
)米米l:mo>
米米l:mi>
)米米l:mo>
×米米l:mo>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
j米米l:mi>
)米米l:mo>
米米l:mi>
+米米l:mo>
米米l:mi>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
j米米l:mi>
)米米l:mo>
米米l:mi>
+米米l:mo>
米米l:mi>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
米米l:mi>
+米米l:mo>
米米l:mi>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
t米米l:mi>
。米米l:mo>
然后
(4.3)米米l:mtext>
⇒米米l:mo>
p米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
,米米l:mo>
Δ米米l:mi>
t米米l:mi>
=米米l:mo>
t米米l:mi>
)米米l:mo>
=米米l:mo>
(米米l:mo>
(米米l:mo>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
j米米l:mi>
)米米l:mo>
+米米l:mo>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
)米米l:mo>
/米米l:mo>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
)米米l:mo>
!米米l:mo>
(米米l:mo>
t米米l:mi>
- - - - - -米米l:mo>
1米米l:mn>
)米米l:mo>
!米米l:mo>
(米米l:mo>
(米米l:mo>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
j米米l:mi>
)米米l:mo>
+米米l:mo>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
)米米l:mo>
/米米l:mo>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
)米米l:mo>
(米米l:mo>
(米米l:mo>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
j米米l:mi>
)米米l:mo>
米米l:mi>
+米米l:mo>
米米l:mi>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
)米米l:mo>
/米米l:mo>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
米米l:mi>
+米米l:mo>
米米l:mi>
t米米l:mi>
)米米l:mo>
!米米l:mo>
,米米l:mo>
⇒米米l:mo>
p米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
,米米l:mo>
Δ米米l:mi>
t米米l:mi>
=米米l:mo>
t米米l:mi>
)米米l:mo>
=米米l:mo>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
j米米l:mi>
)米米l:mo>
+米米l:mo>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
B米米l:mi>
(米米l:mo>
t米米l:mi>
,米米l:mo>
1米米l:mn>
+米米l:mo>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
j米米l:mi>
)米米l:mo>
+米米l:mo>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
)米米l:mo>
,米米l:mo>
⇒米米l:mo>
p米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
,米米l:mo>
Δ米米l:mi>
t米米l:mi>
=米米l:mo>
t米米l:mi>
)米米l:mo>
~米米l:mo>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
j米米l:mi>
)米米l:mo>
+米米l:mo>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
t米米l:mi>
- - - - - -米米l:mo>
(米米l:mo>
1米米l:mn>
+米米l:mo>
(米米l:mo>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
j米米l:mi>
)米米l:mo>
+米米l:mo>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
)米米l:mo>
/米米l:mo>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
)米米l:mo>
。米米l:mo>
基于上述分析,intermessage分布的节点<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
遵循幂律指数<我nl在e- - - - - -formula>
γ米米l:mi>
=米米l:mo>
1米米l:mn>
+米米l:mo>
(米米l:mo>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
j米米l:mi>
)米米l:mo>
+米米l:mo>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
)米米l:mo>
/米米l:mo>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
。在个体层面,为用户<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
,米米l:mo>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
~米米l:mo>
N米米l:mi>
(米米l:mo>
μ米米l:mi>
我米米l:mi>
,米米l:mo>
σ米米l:mi>
我米米l:mi>
2米米l:mn>
)米米l:mo>
。从实证实验如图
4 (b) 和
8(一个) 众所周知,<我nl在e- - - - - -formula>
μ米米l:mi>
我米米l:mi>
∝米米l:mo>
P米米l:mi>
行动米米l:mtext>
(米米l:mo>
我米米l:mi>
,米米l:mo>
t米米l:mi>
)米米l:mo>
¯米米l:mo>
,<我nl在e- - - - - -formula>
μ米米l:mi>
我米米l:mi>
≥米米l:mo>
0米米l:mn>
和<我nl在e- - - - - -formula>
μ米米l:mi>
我米米l:mi>
通常是非常小的。从数据
6 和
8 我们知道,(b)<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
是一个固定值,<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
∝米米l:mo>
(米米l:mo>
1米米l:mn>
/米米l:mo>
P米米l:mi>
行动米米l:mtext>
(米米l:mo>
我米米l:mi>
,米米l:mo>
t米米l:mi>
)米米l:mo>
)米米l:mo>
¯米米l:mo>
。在集团层面,<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
服从幂律分布,如图
4(一) 。的<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
分布服从均匀分布,如图
6 。
年代ec>
5。模拟来验证我们的混合模型,仿真分为两个步骤。首先,仿真是在两个代理之间的一个场景。这个实验的目的是为了简化模型,强调了基本的社会元素对人类行为的影响在个体层面上的社交网络。简化是合理的,因为它已经发现,主要用户有自己的固定的社交圈在统计实验部分。在第二步中,我们建立一个网络和模拟群体行为基于真实用户关系数据。虽然强调真实网络的拓扑结构,人类动力学原理复杂系统的进一步研究。
gydF4y2Ba与两个代理交互的场景,假设用户<我nl在e- - - - - -formula>
一个米米l:mi>
和用户<我nl在e- - - - - -formula>
b米米l:mi>
。就像前面提到的
4 ,我们的模型有四种主要参数,也就是<我nl在e- - - - - -formula>
P米米l:mi>
行动米米l:mtext>
(米米l:mo>
一个米米l:mi>
∥米米l:mo>
b米米l:mi>
,米米l:mo>
t米米l:mi>
)米米l:mo>
,<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
一个米米l:mi>
∥米米l:mo>
b米米l:mi>
)米米l:mo>
,<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
一个米米l:mi>
∥米米l:mo>
b米米l:mi>
)米米l:mo>
,<我nl在e- - - - - -formula>
D米米l:mi>
(米米l:mo>
一个米米l:mi>
,米米l:mo>
b米米l:mi>
)米米l:mo>
∥米米l:mo>
D米米l:mi>
(米米l:mo>
b米米l:mi>
,米米l:mo>
一个米米l:mi>
)米米l:mo>
。它们对应于上面的四个基本元素:<我nl在e- - - - - -formula>
P米米l:mi>
行动米米l:mtext>
(米米l:mo>
一个米米l:mi>
∥米米l:mo>
b米米l:mi>
,米米l:mo>
t米米l:mi>
)米米l:mo>
是一个函数的时间戳<我nl在e- - - - - -formula>
t米米l:mi>
。它的价值来自于实证实验。我们选择均值图
3(一个) 作为<我nl在e- - - - - -formula>
P米米l:mi>
行动米米l:mtext>
(米米l:mo>
一个米米l:mi>
∥米米l:mo>
b米米l:mi>
,米米l:mo>
t米米l:mi>
)米米l:mo>
。<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
(米米l:mo>
我米米l:mi>
)米米l:mo>
~米米l:mo>
N米米l:mi>
(米米l:mo>
μ米米l:mi>
我米米l:mi>
,米米l:mo>
σ米米l:mi>
我米米l:mi>
2米米l:mn>
)米米l:mo>
和<我nl在e- - - - - -formula>
我米米l:mi>
=米米l:mo>
一个米米l:mi>
∥米米l:mo>
b米米l:mi>
。从上面的分析,<我nl在e- - - - - -formula>
μ米米l:mi>
我米米l:mi>
是一个小的正整数的主要用户,然后呢<我nl在e- - - - - -formula>
σ米米l:mi>
我米米l:mi>
是一个小比吗<我nl在e- - - - - -formula>
μ米米l:mi>
我米米l:mi>
。我们假设<我nl在e- - - - - -formula>
μ米米l:mi>
我米米l:mi>
≤米米l:mo>
5米米l:mn>
,<我nl在e- - - - - -formula>
σ米米l:mi>
我米米l:mi>
≤米米l:mo>
20.米米l:mn>
基于分析结果图
4 。为一个特定的用户,<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
是一个固定值。
gydF4y2Ba从模型的定义,我们知道<我nl在e- - - - - -formula>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
=米米l:mo>
年代米米l:mi>
我米米l:mi>
n米米l:mi>
g米米l:mi>
l米米l:mi>
e米米l:mi>
∥米米l:mo>
米米米l:mi>
u米米l:mi>
t米米l:mi>
u米米l:mi>
一个米米l:mi>
l米米l:mi>
∥米米l:mo>
n米米l:mi>
o米米l:mi>
n米米l:mi>
e米米l:mi>
,<我nl在e- - - - - -formula>
年代米米l:mi>
我米米l:mi>
n米米l:mi>
g米米l:mi>
l米米l:mi>
e米米l:mi>
<米米l:mo>
米米米l:mi>
u米米l:mi>
t米米l:mi>
u米米l:mi>
一个米米l:mi>
l米米l:mi>
≪米米l:mo>
n米米l:mi>
o米米l:mi>
n米米l:mi>
e米米l:mi>
。为了反映代理之间的交互,社会关系<我nl在e- - - - - -formula>
一个米米l:mi>
和<我nl在e- - - - - -formula>
b米米l:mi>
被认为是相互的,也就是说,<我nl在e- - - - - -formula>
D米米l:mi>
(米米l:mo>
一个米米l:mi>
,米米l:mo>
b米米l:mi>
)米米l:mo>
=米米l:mo>
D米米l:mi>
(米米l:mo>
b米米l:mi>
,米米l:mo>
一个米米l:mi>
)米米l:mo>
=米米l:mo>
D米米l:mi>
。
gydF4y2Ba时间戳的时间尺度<我nl在e- - - - - -formula>
t米米l:mi>
设置从0加速到60 (m) * 24 (h) * 180 (d),这是与实验数据一致。用户的intermessage分布<我nl在e- - - - - -formula>
一个米米l:mi>
遵循幂律,如图
9(一个) ,类似于用户<我nl在e- - - - - -formula>
b米米l:mi>
。通过以上分析,可调幅度<我nl在e- - - - - -formula>
D米米l:mi>
是世界上最大的所有参数。通过固定其他参数,参数的影响<我nl在e- - - - - -formula>
D米米l:mi>
对权力指数(<我nl在e- - - - - -formula>
γ米米l:mi>
)如图
9 (b) 。我们观察到,虽然<我nl在e- - - - - -formula>
D米米l:mi>
从0.1到10,<我nl在e- - - - - -formula>
γ米米l:mi>
从0.62713到2.9092不等。范围涵盖的范围<我nl在e- - - - - -formula>
γ米米l:mi>
经验的实验。从理论上讲,<我nl在e- - - - - -formula>
D米米l:mi>
任意可能是非常小的,即<我nl在e- - - - - -formula>
D米米l:mi>
→米米l:mo>
0米米l:mn>
。实际上,与任何朋友总有一段距离。所以这是不可能的<我nl在e- - - - - -formula>
D米米l:mi>
是一个非常小的参数。另一方面,当<我nl在e- - - - - -formula>
D米米l:mi>
足够大,即<我nl在e- - - - - -formula>
D米米l:mi>
≥米米l:mo>
6米米l:mn>
,intermessage时间开始失去了幂律分布特征。此外,对于主要用户,<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
非常小,稳定。的影响<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
在<我nl在e- - - - - -formula>
γ米米l:mi>
并不重要。然而,用户行为的影响<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
在短期内。的价值<我nl在e- - - - - -formula>
σ米米l:mi>
我米米l:mi>
影响的振幅范围<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
。同步化的<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
和<我nl在e- - - - - -formula>
γ米米l:mi>
如图
9 (c) 验证,我们的模型模拟与实证结果在图一致
5 。此外,如果<我nl在e- - - - - -formula>
D米米l:mi>
(米米l:mo>
一个米米l:mi>
,米米l:mo>
b米米l:mi>
)米米l:mo>
=米米l:mo>
年代米米l:mi>
我米米l:mi>
n米米l:mi>
g米米l:mi>
l米米l:mi>
e米米l:mi>
(我们假设用户<我nl在e- - - - - -formula>
一个米米l:mi>
以下用户<我nl在e- - - - - -formula>
b米米l:mi>
),<我nl在e- - - - - -formula>
一个米米l:mi>
将同步<我nl在e- - - - - -formula>
b米米l:mi>
单向只有当<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
(米米l:mo>
一个米米l:mi>
)米米l:mo>
足够大,但<我nl在e- - - - - -formula>
b米米l:mi>
不会与<我nl在e- - - - - -formula>
一个米米l:mi>
作为<我nl在e- - - - - -formula>
0米米l:mn>
≤米米l:mo>
D米米l:mi>
(米米l:mo>
一个米米l:mi>
,米米l:mo>
b米米l:mi>
)米米l:mo>
≪米米l:mo>
D米米l:mi>
(米米l:mo>
b米米l:mi>
,米米l:mo>
一个米米l:mi>
)米米l:mo>
。
仿真结果与两个代理的场景。
(一)我nter米e年代年代age分布的一个代理
(b)参数的影响<我t一个l我c>
D我t一个l我c>对权力的指数<我nl在e- - - - - -formula>
γ米米l:mi>
(c)一个代理的信息同步<我nl在e- - - - - -formula>
年代米米l:mi>
身份米米l:mtext>
在模拟
在第二步中,我们构建的网络新浪用户的真实关系。人类行为在集团层面进一步模拟。就像前面提到的
2 61880下载的关系,其中包括所有的用户的社会关系<我nl在e- - - - - -formula>
年代米米l:mi>
问米米l:mi>
小于200 (<我nl在e- - - - - -formula>
年代米米l:mi>
问米米l:mi>
≤米米l:mo>
200年米米l:mn>
)。这些人的社交网络图所示
10 。在这个图,边与黑色意味着相互关系和边缘灰色意味着单一的关系。上面的数字表示每个节点<我nl在e- - - - - -formula>
u米米l:mi>
年代米米l:mi>
e米米l:mi>
r米米l:mi>
我米米l:mi>
d米米l:mi>
。我们的模拟是基于网络。用户分为5组根据他们的信息的数量<我nl在e- - - - - -formula>
N米米l:mi>
。为每个节点<我nl在e- - - - - -formula>
v米米l:mi>
我米米l:mi>
,主要有五个参数:<我nl在e- - - - - -formula>
P米米l:mi>
行动米米l:mtext>
(米米l:mo>
我米米l:mi>
,米米l:mo>
t米米l:mi>
)米米l:mo>
,<我nl在e- - - - - -formula>
μ米米l:mi>
我米米l:mi>
,<我nl在e- - - - - -formula>
σ米米l:mi>
我米米l:mi>
,<我nl在e- - - - - -formula>
年代米米l:mi>
参与米米l:mtext>
,<我nl在e- - - - - -formula>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
(米米l:mo>
j米米l:mi>
∈米米l:mo>
N米米l:mi>
(米米l:mo>
v米米l:mi>
我米米l:mi>
)米米l:mo>
)。第一个四个参数可以从分析计算实验。<我nl在e- - - - - -formula>
D米米l:mi>
(<我nl在e- - - - - -formula>
我米米l:mi>
,<我nl在e- - - - - -formula>
j米米l:mi>
)有三个可能的值,也就是说,<我nl在e- - - - - -formula>
D米米l:mi>
(米米l:mo>
我米米l:mi>
,米米l:mo>
j米米l:mi>
)米米l:mo>
=米米l:mo>
年代米米l:mi>
我米米l:mi>
n米米l:mi>
g米米l:mi>
l米米l:mi>
e米米l:mi>
∥米米l:mo>
米米米l:mi>
u米米l:mi>
t米米l:mi>
u米米l:mi>
一个米米l:mi>
l米米l:mi>
∥米米l:mo>
n米米l:mi>
o米米l:mi>
n米米l:mi>
e米米l:mi>
。我们设置<我nl在e- - - - - -formula>
年代米米l:mi>
我米米l:mi>
n米米l:mi>
g米米l:mi>
l米米l:mi>
e米米l:mi>
=米米l:mo>
5米米l:mn>
,<我nl在e- - - - - -formula>
米米米l:mi>
u米米l:mi>
t米米l:mi>
u米米l:mi>
一个米米l:mi>
l米米l:mi>
=米米l:mo>
1米米l:mn>
,<我nl在e- - - - - -formula>
n米米l:mi>
o米米l:mi>
n米米l:mi>
e米米l:mi>
=米米l:mo>
∞米米l:mi>
在模拟。由于缺少空间,一组的intermessage分布如图
(11日) 。它可以得出结论,也服从幂律分布组级别。指数<我nl在e- - - - - -formula>
γ米米l:mi>
在每组如图
11 (b) ,也证实了我们的模型模拟与实证结果在图一致
2 (b) 。
图10真正的社交网络的仿真。
仿真结果与实际的社交网络。
(一)我nter米e年代年代age分布仿真的社交网络
(b)力量指数<我nl在e- - - - - -formula>
γ米米l:mi>
每组的模拟
6。结论微博等社交网站系统(例如,新浪微博在中国)提供了一种独特的方式快速信息休会和讨论。研究法律基础等社交网站用户行为意味着很多在理解人类动力学,进而可以提供更好的服务。人类动力学等传统的研究大多局限于一个简单的模型,微不足道的利益机制或简单的只有两个代理的交互。在本文中,我们首先提供一个混合和丰富的模型,能够结合个人兴趣和用户之间的交互的影响在一个大的社交网络。我们不要简单地把两个部分一起,但建立一个更强的与一个良好的数学模型集成建模与仿真中各种有用的参数。我们设计了一个混合模型,可以充分整合双方。此外,当我们讨论“交互”,真正的网络拓扑特性和四个社交网络背后的基本社交元素深入考虑。我们模拟的混合模型与两个代理的场景和真实社交网络的可替换主体与现实场景和评估上面的微博系统在中国。我们专注于分析的基本要素对人类行为的影响。基于我们的模拟和实证研究之间的比较,我们看到类似的幂律intermessage时间分布使用不同的场景。 Therefore, our model can offer an understanding of the dynamic mechanism of human dynamics in social networks.
本文定义了四种基本的社交元素简单,假设社会身份等平均每个消息评论吸引了。进一步提高我们的混合模型,我们将应用先进的指标量化这些参数。例如,我们将考虑链接分析算法如PageRank模型节点的社会身份。此外,我们将社交网络的演化模型,研究其对社会活动的影响,为了更好地理解人类动力学发展的社交环境。
年代ec>
承认这项工作是支持的国家重点基础研究计划(973计划),中国(2013 cb329603),自然科学基金(60905025,61074128,61272400,71231002),和部分为NCET程序。联合建筑科学技术研究计划下的重庆市教育委员会授予KJ110529,重庆邮电大学自然科学基金(A2009-39, A2010-13 A2011-16),重庆邮电大学和教育改革项目(XJG1031 XJG1216)承认。
一个ck>
[
]1
巴巴斯年代urn一个米e>
一个。
破裂:我们所做的一切背后的隐藏的模式我t一个l我c>
2010年
纽约,纽约,美国
达顿
[
]2
美国瓦茨年代urn一个米e>
d . J。
“年代urn一个米e>
s . H。
集体的小世界网络的动力学一个rt我cle-title>
自然我t一个l我c>
1998年
393年<我年代年代ue>
6684年我年代年代ue>
440年
442年
2 - s2.0 - 0032482432
[
]3
Eubank年代urn一个米e>
年代。
Guclu年代urn一个米e>
H。
库马尔年代urn一个米e>
v . s . A。
Marathe年代urn一个米e>
m V。
Srinivasan年代urn一个米e>
一个。
Toroczkai年代urn一个米e>
Z。
王年代urn一个米e>
N。
造型疾病暴发在现实城市社会网络一个rt我cle-title>
自然我t一个l我c>
2004年
429年<我年代年代ue>
6988年我年代年代ue>
180年
184年
2 - s2.0 - 2442686815
10.1038 / nature02541
[
]4
李年代urn一个米e>
C。
吴年代urn一个米e>
年代。
冯年代urn一个米e>
G·G。
廖年代urn一个米e>
X。
在离散时间延迟神经网络稳定脉冲的影响一个rt我cle-title>
IEEE神经网络我t一个l我c>
2011年
22<我年代年代ue>
2我年代年代ue>
323年
329年
2 - s2.0 - 79951669716
10.1109 / TNN.2010.2100084
[
]5
李年代urn一个米e>
C。
冯年代urn一个米e>
G。
黄年代urn一个米e>
T。
在神经网络混合冲动和切换一个rt我cle-title>
IEEE系统,人,控制论,B部分:控制论我t一个l我c>
2008年
38
1549年
1560年
2 - s2.0 - 54749145514
10.1109 / TSMCB.2008.928233
[
]6
石屏温年代urn一个米e>
t·H。
曾年代urn一个米e>
Z。
健壮的<我nl在e- - - - - -formula>
H米米l:mi>
∞米米l:mi>
输出跟踪控制模糊网络系统随机抽样和乘法噪声一个rt我cle-title>
非线性动态我t一个l我c>
2012年
70年
1061年
1077年
10.1007 / s11071 - 012 - 0513 - 0
[
]7
石屏温年代urn一个米e>
t·H。
曾年代urn一个米e>
Z。
memristor-based复发性神经网络的指数稳定性分析与时变延迟一个rt我cle-title>
Neurocomputing我t一个l我c>
2012年
97年
233年
240年
10.1016 / j.neucom.2012.06.014
[
]8
海特年代urn一个米e>
f。
泊松分布的手册我t一个l我c>
1967年
纽约,纽约,美国
约翰威利& Sons
习+ 168
出版物在运筹学,不。11年代er我e年代>
MR0208713
ZBL0152.37706
[
]9
巴巴斯年代urn一个米e>
a . L。
爆发的起源和沉重的尾巴在人类动力学一个rt我cle-title>
自然我t一个l我c>
2005年
435年<我年代年代ue>
7039年我年代年代ue>
207年
211年
2 - s2.0 - 18744406314
10.1038 / nature03459
[
]10
Dezso年代urn一个米e>
Z。
Almaas年代urn一个米e>
E。
卢卡奇年代urn一个米e>
一个。
Racz年代urn一个米e>
B。
Szakadat年代urn一个米e>
我。
巴巴斯年代urn一个米e>
A.-L。
在网络上动力学的信息访问一个rt我cle-title>
物理评论E我t一个l我c>
2006年
73年
066132年
[
]11
在香港年代urn一个米e>
W。
汉年代urn一个米e>
x P。
周年代urn一个米e>
T。
王年代urn一个米e>
b . H。
重尾分布统计数据在短消息通信一个rt我cle-title>
中国物理快报我t一个l我c>
2009年
26<我年代年代ue>
2我年代年代ue>
2 - s2.0 - 66149092755
10.1088 / 0256 - 307 x / 26/2/028902
028902年
[
]12
李年代urn一个米e>
M。
赵年代urn一个米e>
W。
访问权力法律cyber-physical网络系统一个rt我cle-title>
数学问题在工程我t一个l我c>
2012年
2012年
13
302786年
10.1155 / 2012/302786
[
]13
吴年代urn一个米e>
Y。
叶年代urn一个米e>
Q。
李年代urn一个米e>
l
肖年代urn一个米e>
J。
幂律特性,人类查看和回复行为在网络社会一个rt我cle-title>
数学问题在工程我t一个l我c>
2012年
2012年
7
969087年
10.1155 / 2012/969087
[
]14
周年代urn一个米e>
T。
Kiet年代urn一个米e>
h·a·T。
金年代urn一个米e>
b . J。
王年代urn一个米e>
b . H。
河中沙洲年代urn一个米e>
P。
活动在人类动力学的作用一个rt我cle-title>
Europhysics字母我t一个l我c>
2008年
82年<我年代年代ue>
2我年代年代ue>
2 - s2.0 - 79051468986
10.1209 / 0295 - 5075/82/28002
28002年
[
]15
巴斯克斯年代urn一个米e>
一个。
奥利维拉年代urn一个米e>
j·G。
Dezso年代urn一个米e>
Z。
吴年代urn一个米e>
k . I。
Kondor年代urn一个米e>
我。
巴巴斯年代urn一个米e>
a . L。
人类动力学建模破裂和沉重的尾巴一个rt我cle-title>
物理评论E我t一个l我c>
2006年
73年<我年代年代ue>
3我年代年代ue>
1
19
2 - s2.0 - 33645307370
10.1103 / PhysRevE.73.036127
036127年
[
]16
巴斯克斯年代urn一个米e>
一个。
人类动力学的精确结果barabsi模型一个rt我cle-title>
物理评论快报我t一个l我c>
2005年
95年<我年代年代ue>
24我年代年代ue>
248701年
[
]17
布兰查德年代urn一个米e>
P。
Hongler年代urn一个米e>
m . O。
建模人类活动的精神barabsi排队系统一个rt我cle-title>
物理评论E我t一个l我c>
2007年
75年<我年代年代ue>
2,第2部分我年代年代ue>
026102年
[
]18
邓年代urn一个米e>
Z.-D。
张年代urn一个米e>
N。
李年代urn一个米e>
人类。
Iflnuence期限的人类动力学模型一个rt我cle-title>
人类行为的动态模型我t一个l我c>
2008年
香港
上海系统科学出版社
[
]19
达尔'Asta年代urn一个米e>
l
马西里海山年代urn一个米e>
M。
销年代urn一个米e>
P。
在完成任务网络优化一个rt我cle-title>
杂志的统计力学:理论和实验我t一个l我c>
2008年
2008年<我年代年代ue>
2我年代年代ue>
2 - s2.0 - 40549116335
10.1088 / 1742 - 5468/2008/02 / P02003
P02003
[
]20.
巴斯克斯年代urn一个米e>
一个。
记忆对人类动力学的影响一个rt我cle-title>
自然史答:统计力学及其应用我t一个l我c>
2007年
373年
747年
752年
2 - s2.0 - 33750474423
10.1016 / j.physa.2006.04.060
[
]21
Ming-Sheng年代urn一个米e>
年代。
Guan-Xiong年代urn一个米e>
C。
双行年代urn一个米e>
D。
Bing-Hong年代urn一个米e>
W。
周年代urn一个米e>
T。
Interest-driven人类动力学模型一个rt我cle-title>
中国物理快报我t一个l我c>
2010年
27<我年代年代ue>
4我年代年代ue>
048701年
10.1088 / 0256 - 307 x / 27/4/048701
[
]22
汉年代urn一个米e>
x P。
周年代urn一个米e>
T。
王年代urn一个米e>
B.-H。
建模与adaptiveinterest人类动力学一个rt我cle-title>
新物理学杂志我t一个l我c>
2008年
10
073010年
10.1088 / 1367 - 2630/10/7/073010
[
]23
严年代urn一个米e>
Q。
吴年代urn一个米e>
l
易年代urn一个米e>
l
人类动力学研究在移动社区基于社会身份一个rt我cle-title>
离散动力学性质和社会我t一个l我c>
2012年
2012年
13
672756年
10.1155 / 2012/672756
MR2880876
[
]24
奥利维拉年代urn一个米e>
j·G。
巴斯克斯年代urn一个米e>
一个。
相互作用对人类动力学的影响一个rt我cle-title>
自然史答:统计力学及其应用我t一个l我c>
2009年
388年<我年代年代ue>
2 - 3我年代年代ue>
187年
192年
2 - s2.0 - 55949106364
10.1016 / j.physa.2008.08.022
[
]25
最小值年代urn一个米e>
B。
吴年代urn一个米e>
K.-I。
金年代urn一个米e>
I.-M。
等待时间的动态优先级队列网络一个rt我cle-title>
物理评论E我t一个l我c>
2009年
79年<我年代年代ue>
5我年代年代ue>5
056110年
10.1103 / PhysRevE.79.056110
[
]26
赵年代urn一个米e>
w·K。
最小值年代urn一个米e>
B。
吴年代urn一个米e>
k . I。
金年代urn一个米e>
i M。
广义优先队列网络动力学:团队和层次结构的影响一个rt我cle-title>
物理评论E-Statistical、非线性和软物质物理学我t一个l我c>
2010年
81年<我年代年代ue>
6我年代年代ue>
2 - s2.0 - 77953660214
10.1103 / PhysRevE.81.066109
066109年
[
]27
吴年代urn一个米e>
Y。
周年代urn一个米e>
C。
肖年代urn一个米e>
J。
Kurths年代urn一个米e>
J。
舍恩胡贝尔年代urn一个米e>
h·J。
依据人类交流的双峰分布一个rt我cle-title>
美国国家科学院院刊》上的美利坚合众国我t一个l我c>
2010年
107年<我年代年代ue>
44我年代年代ue>
18803年
18808年
2 - s2.0 - 78650446626
10.1073 / pnas.1013140107
[
]28
肖年代urn一个米e>
y . P。
王年代urn一个米e>
B。
吴年代urn一个米e>
B。
严年代urn一个米e>
z . X。
贾年代urn一个米e>
美国年代。
刘年代urn一个米e>
y . B。
一个混合人类动力学模型在社会网络分析的热点地区一个rt我cle-title>
离散动力学性质和社会我t一个l我c>
2012年
2012年
13
10.1155 / 2012/678286
678286年
[
]29日
王年代urn一个米e>
P。
周年代urn一个米e>
T。
汉年代urn一个米e>
X.-P。
王年代urn一个米e>
B.-H。
人类动力学建模相关一个rt我cle-title>
http://arxiv.org/abs/1007.4440