[论文解读] Topic Diffusion and Emergence of Virality in Social Networks

S. Rajyalakshmi, Amitabha Bagchi+2 more|arXiv (Cornell University)|Feb 10, 2012

Complex Network Analysis Techniques参考文献 15被引用 10

一句话总结

本文提出了一种小世界社交网络中话题扩散的随机模型，其中话题通过局部同龄人影响和外部引入传播。研究证明，病毒式传播并非源于弱连接，而是源于紧密连接、同质性高的用户群簇合并为一个巨大连通组件所致，该结论通过与真实Twitter数据对比得到验证，显示其在病毒事件期间具有相似的峰值动态和持续的用户基础。

ABSTRACT

We propose a stochastic model for the diffusion of topics entering a social network modeled by a Watts-Strogatz graph. Our model sets into play an implicit competition between these topics as they vie for the attention of users in the network. The dynamics of our model are based on notions taken from real-world OSNs like Twitter where users either adopt an exogenous topic or copy topics from their neighbors leading to endogenous propagation. When instantiated correctly, the model achieves a viral regime where a few topics garner unusually good response from the network, closely mimicking the behavior of real-world OSNs. Our main contribution is our description of how clusters of proximate users that have spoken on the topic merge to form a large giant component making a topic go viral. This demonstrates that it is not weak ties but actually strong ties that play a major part in virality. We further validate our model and our hypotheses about its behavior by comparing our simulation results with the results of a measurement study conducted on real data taken from Twitter.

研究动机与目标

• 理解在线社交网络中话题病毒式传播的机制，特别是为何某些话题能广泛流行而其他话题不能。
• 以反映现实世界动态（如话题衰减和邻居影响）的方式，对用户注意力的竞争进行建模。
• 探究强连接或弱连接在病毒式话题出现过程中哪个更为关键。
• 将模型与Twitter的真实世界数据进行对比，特别是关于病毒式话题的增长与持续性。
• 为病毒式营销、基础设施规划和灾难管理等应用提供基础模型。

提出的方法

• 模型使用Watts-Strogatz小世界网络表示社交图，捕捉局部聚类与短路径长度特性。
• 话题通过泊松过程（外源输入）进入网络，其权重随时间呈指数衰减，以反映兴趣的减弱。
• 用户在泊松分布的时间点更新其话题列表，基于全局列表条目与邻居影响项的加权和选择话题。
• 每个用户的决策在概率上偏向权重更高的话题，以模拟注意力竞争与同伴压力。
• 模型强制每个节点的总权重保持恒定，反映有限的认知能力及用户注意力的隐性竞争。
• 病毒式传播定义为某一话题在短时间内同时拥有大量活跃实例，分析重点在于话题特定子图中巨大连通组件的出现。

实验结果

研究问题

• RQ1 社交网络中何种条件会导致病毒式话题的出现，其与非病毒式话题有何不同？
• RQ2 病毒式传播是由长程连接（弱连接）驱动，还是由高度连接的本地社区群簇合并驱动？
• RQ3 话题的局部权重（即讨论该话题的邻居比例）与其全局传播程度之间有何相关性？
• RQ4 模型的模拟结果在多大程度上与Twitter数据中观察到的真实世界模式一致？
• RQ5 重叠的、同质性的用户群簇在话题突然、广泛传播中起到何种作用？

主要发现

• 病毒式传播并非由弱连接驱动，而是由多个紧密连接、同质性高的用户群簇合并为单一巨大连通组件所致。
• 当群簇中的本地话题采纳导致重叠社区间迅速同步传播时，模型达到病毒式传播状态。
• 局部话题权重的直方图显示，病毒式话题的峰值接近1.0，表明当几乎所有邻居同时讨论该话题时，多数节点会采纳。
• 对于非病毒式话题，高局部权重（接近1.0）较为罕见；而对于病毒式话题，此类配置常见，并通过反馈回路进一步推动采纳。
• 对Twitter数据中话题'IRANELECTION'的分析显示，用户数在约10^5的峰值后趋于稳定或下降，表明病毒式传播主要由同一核心用户群维持。
• 晶格群簇合并现象可解释话题的突然、广泛传播：当来自不同类别的群簇发生交集时，中间用户同时受到双方影响，从而加速传播。