[論文レビュー] What Stops Social Epidemics?

Greg Ver Steeg, Rumi Ghosh+1 more|arXiv (Cornell University)|Feb 9, 2011

Complex Network Analysis Techniques参考文献 22被引用数 45

ひとこと要約

本稿は、ソーシャルネットワーク上での情報エピデミックの広がりを制限する2つの要因を特定している。1つは、高いネットワーククラスタリングによる繰り返しの露出であり、もう1つは、繰り返しの露出に伴い共有の可能性が低下する減衰還元効果である。Diggのデータを用いて、著者らは、初期の急速な広がりにもかかわらず、ユーザーが複数回露出を経験するたびにコンテンツの再共有確率が低下するため、エピデミックの規模が著しく制限されることを示している。これは、エピデミック閾値が低いネットワークであっても同様に成り立つ。

ABSTRACT

Theoretical progress in understanding the dynamics of spreading processes on graphs suggests the existence of an epidemic threshold below which no epidemics form and above which epidemics spread to a significant fraction of the graph. We have observed information cascades on the social media site Digg that spread fast enough for one initial spreader to infect hundreds of people, yet end up affecting only 0.1% of the entire network. We find that two effects, previously studied in isolation, combine cooperatively to drastically limit the final size of cascades on Digg. First, because of the highly clustered structure of the Digg network, most people who are aware of a story have been exposed to it via multiple friends. This structure lowers the epidemic threshold while moderately slowing the overall growth of cascades. In addition, we find that the mechanism for social contagion on Digg points to a fundamental difference between information spread and other contagion processes: despite multiple opportunities for infection within a social group, people are less likely to become spreaders of information with repeated exposure. The consequences of this mechanism become more pronounced for more clustered graphs. Ultimately, this effect severely curtails the size of social epidemics on Digg.

研究の動機と目的

• Diggのようなソーシャルメディア上での情報カスケードが、初期の急速な伝播にもかかわらず、エピデミック規模に達しない理由を理解すること。
• 特にクラスタリングを特徴とするネットワーク構造と、社会的伝染メカニズムの相互作用が、カスケードの規模にどのように影響するかを調査すること。
• 標準的なエピデミックモデルが捉えきれない、Diggにおける情報拡散の観察された実証的行動を説明するモデルを構築すること。
• 繰り返しの露出がユーザーの共有行動に与える影響を定量化し、それが大規模なカスケードを抑制する役割を果たすかどうかを明らかにすること。

提案手法

• 著者らは、Digg APIを介して収集された実際のユーザー投票およびフレンドシップデータを用いて、3,553件のDiggストーリーカスケードを分析した。
• アクティブユーザーの有向ファンネットワークを再構築し、シードストーリーから投票者およびそのフォロワーへの情報の流れをモデル化した。
• 繰り返しの露出に伴い伝染性が低下するという、Diggでの観察されたユーザー行動を反映するように、修正されたカスケードモデルを提案した。
• 実際のDiggネットワークおよび類似した性質を持つ合成ネットワークの両方でシミュレーションを実行し、構造的要因と行動的要因を分離した。
• カスケード生成関数を用いて個々のカスケードを抽出・再構築し、時間経過に伴う伝搬ダイナミクスの分析を可能にした。
• 時間に依存する活性化確率および伝搬確率をモデルに組み込み、パrameterは実証データから推定した。

実験結果

リサーチクエスチョン

• RQ1 Diggにおける情報カスケードは、初期の急速な広がりを示すにもかかわらず、なぜエピデミック規模に達しないのか？
• RQ2 ネットワークのクラスタリングは、ソーシャルメディア上での情報カスケードの成長および最終的規模にどのように影響するのか？
• RQ3 同じストーリーを繰り返し露出することで、Diggにおけるさらなる共有確率はどの程度低下するのか？
• RQ4 クラスタリングと露出に伴う還元効果の組み合わせが、どのように大規模エピデミックを抑制するのか？
• RQ5 露出に伴い伝染性が低下するように修正されたカスケードモデルは、Diggで観察された実証的カスケードサイズ分布を再現できるか？

主な発見

• Diggカスケードの大部分は初期フェーズ以降、ゆっくりと成長し、ネットワーク全体の0.1％にしか影響しない。
• 高いネットワーククラスタリングにより、大多数のユーザーが繰り返し露出を経験し、その結果、拡散者としての可能性が低下する。
• 露出に伴う伝染性の低下というメカニズムが、カスケードサイズを制限する主要因であり、単にネットワーク構造の要因よりも顕著である。
• クラスタリングと露出に伴う還元効果の組み合わせは、協同的にエピデミックの規模を著しく縮小し、実際にはエピデミック閾値が消失する効果をもたらす。
• 標準的なエピデミックモデルは、伝染性が露出に伴い一定または増加すると仮定しているが、これはDiggにおける実際のユーザー行動を反映していないため、カスケードサイズを過大評価している。
• 伝染性が低下するカスケードダイナミクスを組み込んだ提案されたフレンド飽和モデルは、Diggで観察された実証的カスケードサイズ分布を正確に再現している。