[论文解读] Asynchronous Opinion Dynamics in Social Networks

Petra Berenbrink, Martin Hoefer+4 more|arXiv (Cornell University)|Jan 30, 2022

Opinion Dynamics and Social Influence被引用 4

一句话总结

本文使用赫格塞曼-克劳泽模型分析社交网络中的异步意见动态，其中个体基于观点相近的邻居更新自身意见。研究证明，对于任意社交网络，系统在 O(n|E|²(ε/δ)²) 个期望更新后收敛至 δ-稳定状态，显著改进了先前的界，并通过路径图和哑铃图上的仿真验证了该边界的紧致性。

ABSTRACT

Opinion spreading in a society decides the fate of elections, the success of products, and the impact of political or social movements. The model by Hegselmann and Krause is a well-known theoretical model to study such opinion formation processes in social networks. In contrast to many other theoretical models, it does not converge towards a situation where all agents agree on the same opinion. Instead, it assumes that people find an opinion reasonable if and only if it is close to their own. The system converges towards a stable situation where agents sharing the same opinion form a cluster, and agents in different clusters do not \mbox{influence each other.} We focus on the social variant of the Hegselmann-Krause model where agents are connected by a social network and their opinions evolve in an iterative process. When activated, an agent adopts the average of the opinions of its neighbors having a similar opinion. By this, the set of influencing neighbors of an agent may change over time. To the best of our knowledge, social Hegselmann-Krause systems with asynchronous opinion updates have only been studied with the complete graph as social network. We show that such opinion dynamics with random agent activation are guaranteed to converge for any social network. We provide an upper bound of $\mathcal{O}(n|E|^2 (\varepsilon/δ)^2)$ on the expected number of opinion updates until convergence, where $|E|$ is the number of edges of the social network. For the complete social network we show a bound of $\mathcal{O}(n^3(n^2 + (\varepsilon/δ)^2))$ that represents a major improvement over the previously best upper bound of $\mathcal{O}(n^9 (\varepsilon/δ)^2)$. Our bounds are complemented by simulations that indicate asymptotically matching lower bounds.

研究动机与目标

• 分析赫格塞曼-克劳泽模型下社交网络中异步意见动态的收敛行为。
• 为任意社交网络拓扑结构的收敛时间建立可证明的紧致上界。
• 为该设定下的异步意见更新提供首个非平凡的理论下界。
• 通过在路径图和哑铃图等结构化网络上的基于代理的仿真验证理论发现。
• 通过分析一般网络结构，扩展了以往仅限于完全图的研究。

提出的方法

• 作者将意见动态建模为基于势函数的过程，其中每个个体将其意见更新为在信心阈值 ε 内邻居意见的平均值。
• 使用势函数 Φ(S) = 1/2 ∑_{i,j} w_ij (x_i - x_j)² 跟踪系统进展，其中当 |x_i - x_j| ≤ ε 时 w_ij = 1，否则为 0。
• 通过随机激活个体和 δ-稳定性条件，对每次更新的势函数期望下降量进行界定。
• 推导出在达到 δ-稳定性之前，期望更新次数的上界为 O(n|E|²(ε/δ)²)。
• 在路径图和哑铃图上的仿真验证了理论边界，显示收敛时间分别按 Θ(n³) 和 Θ(n⁴) 缩放。
• 该方法结合了随机分析与社交网络的结构特性，以界定收敛速度。

实验结果

研究问题

• RQ1 在赫格塞曼-克劳泽模型中，异步意见动态是否对任意社交网络均收敛至 δ-稳定状态？
• RQ2 在一般社交网络中，异步更新的期望收敛时间是多少？其随网络规模和结构如何变化？
• RQ3 能否证明该收敛时间的理论上限在特定网络拓扑下是渐近紧致的？
• RQ4 在路径图等结构化网络与哑铃图等更复杂拓扑之间，收敛行为有何差异？
• RQ5 在异步更新模型中，收敛时间的首个非平凡下界是什么？

主要发现

• 本文为任意社交网络在收敛至 δ-稳定状态前的期望意见更新次数建立了 O(n|E|²(ε/δ)²) 的上界。
• 对于完全图，该界改进为 O(n³(n² + (ε/δ)²))，相较于先前的 O(n⁹(ε/δ)²) 有显著提升。
• 路径图上的仿真显示收敛时间按 Θ(n³) 缩放，与理论上的上界一致。
• 哑铃图上的仿真表明收敛时间按 Θ(n⁴) 缩放，表明在此情况下上界是紧致的。
• 本研究首次提供了异步意见动态的可证明非平凡下界，支持了理论上的上界紧致性。