[论文解读] Do Diffusion Protocols Govern Cascade Growth?

Justin Cheng, Jon Kleinberg+5 more|arXiv (Cornell University)|May 18, 2018

Complex Network Analysis Techniques参考文献 32被引用 9

一句话总结

本文研究了扩散协议——即信息传播的社会机制——如何影响Facebook上信息级联的传播规模，识别出四种协议类型（临时/持久复制、提名制、志愿制），并表明参与成本与不参与的社会成本是关键的制衡因素。尽管结构不同，所有级联均表现出一致的再生数（约1.8），表明更高的单次曝光采纳率可弥补复杂协议中较低的曝光率。

ABSTRACT

Large cascades can develop in online social networks as people share information with one another. Though simple reshare cascades have been studied extensively, the full range of cascading behaviors on social media is much more diverse. Here we study how diffusion protocols, or the social exchanges that enable information transmission, affect cascade growth, analogous to the way communication protocols define how information is transmitted from one point to another. Studying 98 of the largest information cascades on Facebook, we find a wide range of diffusion protocols - from cascading reshares of images, which use a simple protocol of tapping a single button for propagation, to the ALS Ice Bucket Challenge, whose diffusion protocol involved individuals creating and posting a video, and then nominating specific others to do the same. We find recurring classes of diffusion protocols, and identify two key counterbalancing factors in the construction of these protocols, with implications for a cascade's growth: the effort required to participate in the cascade, and the social cost of staying on the sidelines. Protocols requiring greater individual effort slow down a cascade's propagation, while those imposing a greater social cost of not participating increase the cascade's adoption likelihood. The predictability of transmission also varies with protocol. But regardless of mechanism, the cascades in our analysis all have a similar reproduction number ($\approx$ 1.8), meaning that lower rates of exposure can be offset with higher per-exposure rates of adoption. Last, we show how a cascade's structure can not only differentiate these protocols, but also be modeled through branching processes. Together, these findings provide a framework for understanding how a wide variety of information cascades can achieve substantial adoption across a network.

研究动机与目标

• 理解不同的社会机制（扩散协议）如何控制社交媒体上大规模信息级联的传播规模。
• 识别扩散协议的重复类别，并分析其在级联动态中的结构与行为影响。
• 研究个体参与成本与不参与的社会成本之间的权衡如何塑造级联的采纳率与传播速度。
• 评估分支过程模型是否能捕捉不同协议类型下级联的结构特性。
• 确定仅凭级联结构是否足以区分其背后的扩散协议。

提出的方法

• 收集并分析了Facebook上最大的98个级联，按其背后的扩散协议进行分类。
• 从两个维度对协议进行分类：个体参与所需付出的努力，以及不参与的社会成本。
• 从真实级联中抽取子树（d = 3）以评估分支过程模型。
• 拟合三种分支过程模型：期望度模型、基于度的模型以及基于条件度的模型。
• 使用随机森林分类器评估模型性能，以区分真实子树与合成子树，AUC值越低表示拟合效果越好。
• 采用基于条件度的分支过程对级联结构进行建模，该模型与实证数据的拟合效果最佳。

实验结果

研究问题

• RQ1 不同扩散协议（由参与努力与不参与的社会成本定义）如何影响信息级联的传播规模与结构？
• RQ2 分支过程模型在多大程度上能准确反映不同协议类型下级联的结构动态？
• RQ3 能否仅通过级联的结构特征推断其背后的扩散协议？
• RQ4 在不同协议下，曝光率、单次曝光采纳率与整体级联规模之间存在何种关系？
• RQ5 为何如冰桶挑战这类高参与成本的级联仍能实现大规模传播，尽管其曝光率较低？

主要发现

• 所有研究级联的基本再生数约为1.8，表明无论协议复杂度如何，每位采纳者平均会带来约1.8个新采纳者。
• 低努力与低社会成本的级联（如简单转发）传播迅速，通常在单次曝光后即被采纳，但因曝光量过高而难以预测。
• 需要更高参与努力的级联（如提名制或志愿制）传播较慢，但具有更高的单次曝光采纳率，因此更容易预测。
• 基于条件度的分支过程模型与实证子树数据的拟合效果最佳，当d ≤ 2时AUC ≈ 0.50，表明其结构与真实级联高度相似。
• 尽管传播机制存在差异，仅凭级联结构即可区分不同协议类型，表明协议类型会在结构上留下特定印记。
• 持久复制协议比临时复制协议带来更高的不参与社会成本，从而在曝光率较低的情况下仍能提升采纳可能性。