[论文解读] Influence Activation Model: A New Perspective in Social Influence Analysis and Social Network Evolution

Yang Yang, Nitesh V. Chawla+2 more|arXiv (Cornell University)|May 26, 2016

Opinion Dynamics and Social Influence参考文献 13被引用 6

一句话总结

本文提出了影响激活模型（IAM），这是一种新颖的网络演化框架，通过整合局部性和流行度影响，解释社会影响如何驱动社交网络的结构变化。通过将链接形成建模为与相互影响成比例（通过加权级联过程计算），IAM 在复制现实世界网络属性（如度分布和聚类）方面优于传统模型，表明社会影响是网络演化的重要驱动力，超越单纯的拓扑机制。

ABSTRACT

What drives the propensity for the social network dynamics? Social influence is believed to drive both off-line and on-line human behavior, however it has not been considered as a driver of social network evolution. Our analysis suggest that, while the network structure affects the spread of influence in social networks, the network is in turn shaped by social influence activity (i.e., the process of social influence wherein one person's attitudes and behaviors affect another's). To that end, we develop a novel model of network evolution where the dynamics of network follow the mechanism of influence propagation, which are not captured by the existing network evolution models. Our experiments confirm the predictions of our model and demonstrate the important role that social influence can play in the process of network evolution. As well exploring the reason of social network evolution, different genres of social influence have been spotted having different effects on the network dynamics. These findings and methods are essential to both our understanding of the mechanisms that drive network evolution and our knowledge of the role of social influence in shaping the network structure.

研究动机与目标

• 探究社会影响（超越网络结构）是否驱动社交网络的演化。
• 开发一种结合局部性和流行度影响机制的新网络演化模型。
• 验证该模型重现经验网络属性（如度分布、聚类和测地距离）的能力。
• 厘清局部性影响与流行度影响在塑造网络动态中各自的作用。

提出的方法

• 影响激活模型（IAM）将链接形成概率建模为节点间相互影响的函数，该影响通过加权级联过程推导得出。
• 影响传播通过广度优先搜索计算，以确定源节点到任意可达节点的最大激活概率。
• 两个节点之间的影响力定义为所有可能激活路径中的最大值，同时考虑边权重和节点度数。
• 该模型整合了局部性影响（通过局部网络关系）和流行度影响（通过全局节点影响力，以优先连接原则建模）。
• 通过基于计算出的影响得分迭代添加新链接来模拟网络演化，参数经调整以匹配DBLP和Facebook的真实数据。
• 使用标准指标评估模型性能：AUROC、AUPR、ROC曲线及精确率-召回率曲线，同时结合度分布和聚类系数等结构度量。

实验结果

研究问题

• RQ1 社会影响活动在多大程度上塑造了社交网络的演化，超越结构约束？
• RQ2 局部性影响与流行度影响在影响网络拓扑和链接形成方面有何不同？
• RQ3 是否能够通过整合两种影响类型的模型，比传统模型更准确地重现经验网络属性？
• RQ4 影响机制与优先连接在网络增长中的相对贡献是什么？

主要发现

• IAM 模型在 DBLP 和 Facebook 数据集上均成功重现了关键经验网络属性，包括幂律度分布和单调递减的聚类系数。
• 实验表明，社会影响（尤其是流行度影响）在塑造网络结构中起着关键作用，基于影响的链接形成在预测新链接方面优于传统模型。
• 实验结果表明，同时整合局部性和流行度影响可更准确地模拟现实世界网络演化，优于仅依赖度数或拓扑机制的模型。
• 基于加权级联和广度优先搜索的影响传播机制，有效捕捉了影响传播的动力学及其对网络形成的影响。
• 该模型在链接预测任务中表现优异，AUROC 和 AUPR 分数表明其基于影响潜力预测新链接具有强大预测能力。