[论文解读] Modeling Information Diffusion in Online Social Networks with Partial Differential Equations

Haiyan Wang, Feng Wang+1 more|arXiv (Cornell University)|Oct 1, 2013

Opinion Dynamics and Social Influence被引用 9

一句话总结

本文提出了一种基于偏微分方程（PDE）的新框架，用于建模在线社交网络（如 Twitter 和 Digg）中信息传播的时间与空间模式。通过利用网络距离（如好友跳数）并结合网络内部结构与外部影响（如主流媒体），PDE 模型在预测受影响用户密度方面实现了超过 90% 的准确率，其理论基础来自行波解与传播速度分析。

ABSTRACT

Online social networks such as Twitter and Facebook have gained tremendous popularity for information exchange. The availability of unprecedented amounts of digital data has accelerated research on information diffusion in online social networks. However, the mechanism of information spreading in online social networks remains elusive due to the complexity of social interactions and rapid change of online social networks. Much of prior work on information diffusion over online social networks has based on empirical and statistical approaches. The majority of dynamical models arising from information diffusion over online social networks involve ordinary differential equations which only depend on time. In a number of recent papers, the authors propose to use partial differential equations(PDEs) to characterize temporal and spatial patterns of information diffusion over online social networks. Built on intuitive cyber-distances such as friendship hops in online social networks, the reaction-diffusion equations take into account influences from various external out-of-network sources, such as the mainstream media, and provide a new analytic framework to study the interplay of structural and topical influences on information diffusion over online social networks. In this survey, we discuss a number of PDE-based models that are validated with real datasets collected from popular online social networks such as Digg and Twitter. Some new developments including the conservation law of information flow in online social networks and information propagation speeds based on traveling wave solutions are presented to solidify the foundation of the PDE models and highlight the new opportunities and challenges for mathematicians as well as computer scientists and researchers in online social networks.

研究动机与目标

• 开发一个数学框架，以捕捉在线社交网络中信息传播的时间与空间动态。
• 通过引入空间结构和外部影响（如主流媒体）来弥补现有基于常微分方程（ODE）模型的局限性。
• 利用 Digg 和 Twitter 的真实数据集验证 PDE 模型，证明其具有高预测准确率。
• 基于行波解与守恒定律，建立信息传播速度的理论基础。
• 探索参数估计与距离异质性，以识别关键传播者并对新闻内容进行分类。

提出的方法

• 使用网络距离（如好友跳数）作为空间维度，构建基于反应-扩散 PDE 的模型，以描述信息传播过程。
• 将来自网络外部的源（如媒体）的影响作为 PDE 中的源项，以反映现实世界中的传播动态。
• 采用行波解分析信息传播的存在性与速度，其中临界速度为 $ c^* = 2\sqrt{d_2(\beta - \gamma)} $。
• 利用 Digg（2009 年 6 月，数百万次投票）和 Twitter 的真实数据集对模型进行验证，重点关注投票数超过 3000 的新闻故事。
• 应用守恒定律以确保信息流的质量平衡，将总影响力与初始条件及模型参数相联系。
• 采用分岔分析与数值方法研究模型行为，并支持参数估计。

实验结果

研究问题

• RQ1 基于 PDE 的模型能否有效捕捉在线社交网络中信息传播的时间与空间模式？
• RQ2 在线网络中信息传播的临界速度是多少？它如何由模型参数决定？
• RQ3 外部影响（如主流媒体）如何改变信息传播的时间与空间动态？
• RQ4 PDE 模型在多大程度上能够预测特定网络距离与时间下受影响用户的密度？
• RQ5 模型参数如何与不同主题的信息内容及用户互动模式相关联？

主要发现

• PDE 模型在 Digg 和 Twitter 上对投票数超过 3000 的新闻故事中，预测受影响用户密度的准确率超过 90%。
• 当基本再生数 $ R_0 = \beta/\gamma > 1 $ 且传播速度 $ c > c^* = 2\sqrt{d_2(\beta - \gamma)} $ 时，非平凡行波解的存在性得以保证。
• 临界速度 $ c^* $ 由线性化系统确定，代表网络中持续信息传播的最小速度。
• 守恒定律确保总影响力（以 $ \int \gamma I(x)dx $ 衡量）等于总流入量，从而验证了模型的一致性。
• 理论分析证实，信息传播速度与信息流行度及采纳率与移除率之差的乘积的平方根成正比。
• 模型表明，外部影响显著改变了传播模式，使在线信息传播与生物性流行病传播区分开来。