[论文解读] Cascading Behavior in Large Blog Graphs

Jure Leskovec, Mary McGlohon+3 more|ArXiv.org|Apr 20, 2007

Complex Network Analysis Techniques参考文献 17被引用 151

一句话总结

本文分析了包含45,000个博客和220万篇帖子的大规模博客数据集，以揭示信息传播的模式。该研究提出了一种类似SIS的流行病学模型，能够生成与现实世界中流行度衰减、级联规模和网络拓扑结构一致的级联行为，揭示出帖子受欢迎程度呈幂律衰减（指数≈ -1.5），而非通常假设的指数衰减。

ABSTRACT

How do blogs cite and influence each other? How do such links evolve? Does the popularity of old blog posts drop exponentially with time? These are some of the questions that we address in this work. Our goal is to build a model that generates realistic cascades, so that it can help us with link prediction and outlier detection. Blogs (weblogs) have become an important medium of information because of their timely publication, ease of use, and wide availability. In fact, they often make headlines, by discussing and discovering evidence about political events and facts. Often blogs link to one another, creating a publicly available record of how information and influence spreads through an underlying social network. Aggregating links from several blog posts creates a directed graph which we analyze to discover the patterns of information propagation in blogspace, and thereby understand the underlying social network. Not only are blogs interesting on their own merit, but our analysis also sheds light on how rumors, viruses, and ideas propagate over social and computer networks. Here we report some surprising findings of the blog linking and information propagation structure, after we analyzed one of the largest available datasets, with 45,000 blogs and ~ 2.2 million blog-postings. Our analysis also sheds light on how rumors, viruses, and ideas propagate over social and computer networks. We also present a simple model that mimics the spread of information on the blogosphere, and produces information cascades very similar to those found in real life.

研究动机与目标

• 通过分析现实世界中的博客链接模式，理解信息如何在博客圈中传播。
• 识别博客级联中的时间与拓扑模式，特别是帖子受欢迎程度随时间的衰减规律。
• 开发一种生成模型，以模拟现实的信息级联，用于链接预测和异常检测。
• 研究级联形状、规模和入度分布是否遵循幂律或其他重尾分布。
• 评估简单流行病学模型是否能够再现观测到的真实世界级联动态。

提出的方法

• 作者分析了一个包含45,000个博客和220万篇博客帖子的大型博客数据集，通过博客之间的链接提取信息级联。
• 他们使用简化的SIS（易感-感染-易感）流行病学框架来建模影响力传播，将博客帖子视为可被其他帖子链接“感染”的节点。
• 该模型采用时变的感染概率，取决于现有链接数量（入度）和一个衰减参数β，以模拟影响力的消退。
• 生成模型根据帖子的入度和时间衰减因子分配传播概率，参数经调整以匹配实证数据。
• 通过级联规模分布、入度分布和形状频率等指标，将合成级联与真实级联进行比较，对模型进行评估。
• 使用对数-对数图进行统计分析，以评估幂律行为，并对广义Zipf分布和帕累托分布进行拟合。

实验结果

研究问题

• RQ1 博客帖子的受欢迎程度是随时间呈指数衰减，还是按幂律衰减？
• RQ2 博客圈中信息级联的拓扑特征是什么，如形状、规模和度分布？
• RQ3 级联中是否存在常见的结构模式（例如星型、链状），它们出现的频率如何？
• RQ4 一个简单的生成模型能否再现真实博客级联中观测到的幂律模式？
• RQ5 博客网络的结构（核心与外围）如何影响级联传播和规模？

主要发现

• 博客帖子的受欢迎程度随时间呈幂律衰减，指数约为-1.5，与通常假设的指数衰减相反。
• 信息级联的规模分布符合完美的Zipf分布，对应幂律指数为-2。
• 最常见的级联形状是“星型”，即一个帖子接收多个入链，但引用该帖子的帖子本身并未被其他帖子引用。
• 博客的入度与出度之间无相关性，表明高链接量的博客不一定是高产的链接发布者。
• 生成的SIS类模型成功再现了关键经验特性：入度分布、级联规模分布和常见级联形状。
• BoingBoing（一个综合兴趣博客）将其85%的帖子以级联形式发起，传播范围广但深度浅；而政治博客如MichelleMalkin则表现出更深、更大的级联。