[论文解读] Deep Agent: Studying the Dynamics of Information Spread and Evolution in Social Networks

Iván Garibay, Toktam A. Oghaz+24 more|arXiv (Cornell University)|Mar 25, 2020

Opinion Dynamics and Social Influence参考文献 18被引用 10

一句话总结

本文提出了深度智能体框架（DAF），这是一种理论与数据驱动的基于智能体的仿真系统，用于模拟社交媒体平台上信息传播与演化的认知、情感和社会动态。通过整合领域专业知识、机器学习和高性能计算，DAF在GitHub、Reddit和Twitter上的加密货币、网络威胁和软件漏洞动态建模中实现了卓越的准确性，且通过模型混合与剪枝策略进一步提升了性能。

ABSTRACT

This paper explains the design of a social network analysis framework, developed under DARPA's SocialSim program, with novel architecture that models human emotional, cognitive and social factors. Our framework is both theory and data-driven, and utilizes domain expertise. Our simulation effort helps in understanding how information flows and evolves in social media platforms. We focused on modeling three information domains: cryptocurrencies, cyber threats, and software vulnerabilities for the three interrelated social environments: GitHub, Reddit, and Twitter. We participated in the SocialSim DARPA Challenge in December 2018, in which our models were subjected to extensive performance evaluation for accuracy, generalizability, explainability, and experimental power. This paper reports the main concepts and models, utilized in our social media modeling effort in developing a multi-resolution simulation at the user, community, population, and content levels.

研究动机与目标

• 开发高保真度、多分辨率的在线社交网络中信息传播与演化仿真模型。
• 将人类行为的深度神经认知模型——包括情感、有限理性与社会连接性——整合到基于智能体的仿真中。
• 在三个现实世界领域（加密货币、网络威胁、软件漏洞）中，从用户、社区、群体和内容四个层面评估模型性能。
• 通过模块化、数据驱动且基于理论的智能体设计，提升模型的准确性、泛化能力、可解释性与实验能力。
• 通过使用GitHub、Reddit和Twitter的真实数据，在DARPA SocialSim挑战中证明该框架的有效性。

提出的方法

• 深度智能体框架（DAF）将用户建模为具有三个核心维度的‘深度智能体’：情感（正交理性行为）、有限理性与社会连接性。
• 该框架采用模块化架构，支持对不同社会动态子模型的系统性构建、测试与验证。
• 采用基于多重网络的模型（MBM）与多智能体认知模型（MACM），利用图论与行为规则模拟网络演化与用户级交互。
• 通过机器学习与HPC云计算技术进行模型发现与优化，以提升智能体行为规则的准确性与仿真保真度。
• 采用混合策略，结合手工设计的行为理论与数据驱动模型，通过使用标准历史数据（SHD）进行模型混合，进一步提升性能。
• 性能评估基于57项指标，涵盖准确性、泛化能力、可解释性与实验能力四个维度，采用归一化误差比进行对比。

实验结果

研究问题

• RQ1 如何在基于智能体的仿真中建模深度认知与情感因素，以提升信息扩散的现实感？
• RQ2 模块化、理论驱动的智能体模型在不同社交媒体平台与领域中的泛化能力究竟如何？
• RQ3 使用SHD进行模型混合在模拟用户、社区、群体与内容层级交互时，如何提升性能？
• RQ4 剪枝关键用户对模型准确性与可解释性有何影响？
• RQ5 可解释的、基于理论的模型是否能超越纯粹统计或数据拟合模型，更有效地捕捉复杂社会动态？

主要发现

• 深度智能体框架在所有层级（用户、社区、群体、内容）均实现了低于基线模型的归一化误差比，其中低于0.2的值以粗体标示，表明高性能表现。
• 使用标准历史数据（SHD）进行模型混合显著提升了用户与社区层级的性能，表明在节点级交互模拟中具有更高的准确性。
• 剪枝关键用户提升了MBM模型的性能，但降低了MACM模型的性能，表明理论驱动模型可能已内在地捕捉了关键影响力动态。
• SHD混合策略显著增强了群体层级建模，尤其在度分布与节点级特征方面，表明其在宏观动态中的稳健性。
• 最准确的模型始终是可解释性更高的模型，支持了透明、理论驱动模型能带来更好预测性能的假设。
• 该框架展现出强大的泛化能力与实验能力，在57项指标的全面评估下，成功通过了DARPA SocialSim挑战。