BerandaComputers and TechnologyPenyebaran Informasi dalam Jejaring Sosial Online Berbasis Dinamika Manusia

Penyebaran Informasi dalam Jejaring Sosial Online Berbasis Dinamika Manusia

Kami menyelidiki dampak dinamika manusia pada penyebaran informasi di jejaring sosial online. Pertama, sifat statistik dari perilaku manusia dipelajari menggunakan data dari “Sina Microblog”, yang merupakan salah satu jaringan sosial online paling populer di China. Kami menemukan bahwa pola aktivitas manusia adalah heterogen dan meledak dan sering dijelaskan oleh distribusi waktu interevent power-law . Kedua, kami mengusulkan model propagasi Rentan-Terinfeksi (SI) yang diperluas untuk memasukkan bursty dan perhatian terbatas. Kami mengungkap bagaimana perilaku manusia yang meledak dan perhatian yang terbatas memengaruhi penyebaran informasi di jejaring sosial online. Hasil tulisan ini dapat bermanfaat untuk mengoptimalkan atau mengendalikan penyebaran informasi di jejaring sosial online.

1. Pengantar

Perkembangan teknologi informasi dan komunikasi yang pesat telah meningkatkan penggunaan jaringan sosial online secara luas dalam kehidupan kita. Memang, jejaring sosial online seperti Sina Microblog, Twitter, dan Facebook telah menjadi bagian tak terpisahkan dari kehidupan kita. Setiap hari kami masuk ke beranda kami lebih dari sekali untuk melihat dan berbagi informasi. Jejaring sosial online ini memiliki karakteristik yang sama: instan, kesederhanaan, dan universalitas. Mengambil Sina Microblog, misalnya, tidak seperti blog tradisional, ia memungkinkan penggunaan perangkat seluler untuk menyebarkan informasi dengan panjang teks 140 karakter kapan saja dan di mana saja. Menyelidiki jaringan sosial online sangat penting dalam berbagai pengaturan mulai dari penyebaran informasi dan pemasaran viral hingga tujuan politik.

Beberapa tahun terakhir, jaringan sosial online sebagai platform untuk studi empiris informasi telah menjadi perhatian luas [14]. Terlepas dari kemajuan yang telah dibuat, studi empiris tentang penyebaran informasi masih dalam tahap awal. Studi ke arah ini sebagian besar terhalang oleh kekurangan data skala besar yang tersedia. Namun, ketersediaan data berskala besar dari jejaring sosial online baru-baru ini menciptakan peluang yang belum pernah ada sebelumnya untuk mengeksplorasi dampak perilaku manusia terhadap penyebaran informasi.

Pertama, penyebaran informasi di jejaring sosial online ditentukan oleh ritme dan pola aktivitas manusia [5, 6]. Peningkatan jumlah pengukuran baru-baru ini menunjukkan bahwa pola aktivitas manusia bersifat heterogen dan bursty [711]. Jika hanya mempertimbangkan interval waktu antar kejadian, pola aktivitas manusia ini sering dijelaskan oleh hukum kekuatan distribusi waktu interevent , di mana adalah interval waktu antara dua aktivitas yang berurutan [12]. Belakangan ini, para peneliti mulai menyadari bahwa perilaku manusia yang meledak-ledak memiliki dampak penting terhadap penyebaran informasi [13, 14].

Kedua, adopsi jaringan sosial online yang luas telah meningkatkan persaingan di antara informasi untuk perhatian kami yang terbatas . Setiap hari kami menerima banyak informasi dari berbagai jejaring sosial online. Namun, kami tidak memiliki cukup waktu dan perhatian untuk menyebarkan setiap pesan yang kami terima. Ini adalah pertanyaan yang menarik apakah persaingan semacam itu dapat mempengaruhi kecepatan penyebaran informasi. Masalah perhatian yang terbatas telah dipelajari melalui pesan yang diposting dan diteruskan di jejaring sosial online [15, 16]. Namun, bagaimana perhatian yang terbatas mempengaruhi kecepatan penyebaran informasi masih belum jelas.

Dalam makalah ini, kami mengusulkan model penyebaran Rentan-Infeksi (SI) yang diperluas, menggabungkan pola aktivitas manusia yang meledak dan perhatian terbatas untuk pertama kalinya. Kemudian, kami memperoleh sejumlah besar data nyata untuk menguji model. Mengadopsi metode penelitian teoritis dan analisis empiris, kami mempelajari proses penyebaran informasi di jejaring sosial secara kualitatif dan kuantitatif. Kontribusi utama dari penelitian ini diringkas sebagai berikut. (1) Dari hasil statistik empiris kami menemukan bahwa pada tingkat grup, waktu interaktif (selang waktu antara dua beranda mikroblog login berturut-turut) mengikuti hukum pangkat distribusi dengan . Dan distribusi individu yang baru terinfeksi (dihitung sebagai jumlah penerusan baru per hari) mengikuti hukum kekuasaan dengan . Dua nilai kemiringan memenuhi hubungan . (2) Melalui penelitian teoritis dan simulasi, kami membuktikan bahwa jika distribusi waktu pembangkitan mengikuti hukum pangkat dengan eksponen , maka kecepatan perambatan akan ditandai dengan distribusi kekuatan hukum yang sama; jika perilaku manusia yang meledak mengikuti distribusi hukum pangkat dengan eksponen , peluruhan kecepatan propagasi juga mengikuti hukum pangkat dengan eksponen .

Singkatnya , meskipun upaya yang luar biasa telah dilakukan Berkenaan dengan penelitian tentang penyebaran informasi, masih diperlukan studi lanjutan berbasis dinamika manusia untuk mengungkap peran perilaku manusia dalam penyebaran informasi di jejaring sosial online. Sebaliknya, dalam penelitian selanjutnya, kita dapat menggunakan teori lain yang lebih matang untuk meneliti dinamika penyebaran, seperti dalam referensi [17, 18].

Sisa makalah ini disusun sebagai berikut. Bagian 2 memberikan deskripsi data. Di bagian 3 , kami mengusulkan model SI yang diperpanjang. Di bagian 4 , kami menyajikan hasil simulasi dan observasi. Bagian 5 memperkenalkan analisis teoretis. Terakhir, di Bagian 6 , kami menyimpulkan pekerjaan.

2. Deskripsi Data

Dataset makalah ini dikumpulkan dari Sina Microblog ( http://www.weibo.com/ ), salah satu platform mikroblog paling populer di China saat ini. Dataset mencakup 345.095 pesan dari 41667 individu selama 2009/8/16 hingga 2011/6/4, dikumpulkan dengan sampel bola salju. Pesan ini telah diteruskan 203.997.094 kali dan memicu 58.617.139 komentar. Untuk setiap pesan, ID pesan, waktu rilis, waktu penerusan, dan jumlah komentar dicatat. Untuk setiap individu, ID individu dan waktu masuk individu di homepage mikroblognya dicatat.

Hasil statistik dasar menunjukkan bahwa pada tingkat grup, waktu interaktif (interval waktu antara dua halaman login microblog berturut-turut) mengikuti power -pendistribusian hukum dengan (Gambar 1 (a) ). Dan distribusi individu yang baru terinfeksi (dihitung sebagai jumlah penerusan baru per hari) mengikuti hukum kekuasaan dengan (Gambar 1 (b) ). Jika diatur kemiringan distribusi waktu interaktif adalah dan kemiringan distribusi individu yang baru terinfeksi adalah , kami menemukan bahwa ada hubungan di antara dua lereng.

(a)
(Sebuah)

(b)

(b)

3. Model

3.1. Deskripsi Model

Dalam makalah ini, kami menggunakan proses percabangan [19, 20] dalam hubungannya dengan hukum kekuasaan perilaku manusia untuk menggambarkan proses penyebaran informasi. Kami mengadopsi model propagasi Rentan-Infeksi (SI) untuk simulasi penyebaran informasi di jejaring sosial online. Serupa dengan model SI klasik, populasi dibagi menjadi dua negara, baik rentan (S) atau terinfeksi (I). Dalam model penyebaran informasi, bagaimanapun, individu yang rentan didefinisikan sebagai orang yang belum mengetahui sebuah pesan, dan individu yang terinfeksi didefinisikan sebagai orang yang mengetahui pesan tersebut dan membagikan pesan tersebut dengan teman-temannya. Setelah terinfeksi, seseorang tidak akan pernah kembali ke keadaan rentan. Pada waktu , di sana adalah individu yang rentan dan individu yang terinfeksi, dan populasi .

Awalnya semua individu rentan kecuali satu individu yang terinfeksi. Berbeda dengan model tradisional, pada langkah waktu tertentu, individu yang terinfeksi dapat menjadi tidak aktif; Artinya, individu yang terinfeksi tidak akan menulari individu rentan yang terhubung pada tahap itu. Interval waktu antara dua langkah aktif akibat dari individu yang terinfeksi didefinisikan sebagai waktu interaktif, yang sering dicirikan oleh distribusi hukum kekuasaan di tingkat grup. Sedangkan individu yang berbeda memiliki interval waktu aktif yang berbeda dan masing-masing individu bertindak dengan waktu interaktif yang tidak berubah .

Di sisi lain, kemunculan jaringan sosial online telah sangat menurunkan biaya pembuatan dan penyebaran informasi, meningkatkan potensi jangkauan setiap pesan. Namun, banyaknya informasi yang kita temukan melalui jejaring sosial online melebihi kapasitas kita untuk mengkonsumsinya. Karena waktu dan perhatian yang terbatas, individu tidak dapat terus menerus memeriksa pembaruan informasi di beranda. Kami berasumsi bahwa individu berinteraksi di jaringan sosial online terarah. Setiap individu dilengkapi dengan dua daftar. Salah satunya adalah layar tempat pesan yang diterima direkam dan disimpan dalam daftar pesan yang diurutkan berdasarkan waktu. Yang lainnya adalah memori di mana pesan-pesan yang menarik dicatat. Setiap individu dapat membagikan beberapa pesan dari daftar dengan teman-temannya. Teman-teman pada gilirannya memperhatikan pesan yang baru diterima dengan menempatkannya di bagian atas daftar mereka. Karena perhatian yang terbatas, kami mengizinkan pesan untuk bertahan di layar individu untuk waktu yang terbatas . Sementara itu, kami berasumsi bahwa setiap individu hanya meneruskan setiap pesan satu kali, dan kemudian individu tersebut kehilangan minat pada pesan tersebut. Selain itu, jika individu tidak meneruskan pesan dalam , individu tersebut tidak akan lagi mengkhawatirkan pesan tersebut dan menghapusnya dari layar. Setiap pesan dapat menarik perhatian individu dengan probabilitas ; Artinya, individu akan meneruskan pesan dengan probabilitas

.

3.2. Model SI Berdasarkan Bursty dan Perhatian Terbatas

Menurut uraian sebelumnya, model SI yang menggabungkan bursty dan perhatian terbatas diilustrasikan pada Gambar 2

. Kami mencirikan waktu penyebaran informasi berdasarkan waktu pembuatan , yang didefinisikan sebagai interval waktu antara penerusan individu dan penerusan pengikutnya.

Singkatnya, model SI yang diperluas didefinisikan sebagai berikut.

Langkah 1. Pada langkah waktu , seorang individu memposting pesan. Sedangkan individu menerima pesan, di mana dan adalah himpunan individu .

Langkah 2. Untuk setiap individu , langkah waktu aktif pertama adalah , , dan individu akan aktif pada langkah waktu , di mana adalah interval waktu aktif individu .

Langkah 3. Di setiap langkah waktu aktif, individu akan meneruskan pesan dengan probabilitas . Jika individu meneruskan pesan pada langkah waktu , kami memperoleh waktu pembuatan dan waktu pembangkitan harus memenuhi syarat .

Langkah 4. Perbarui langkah waktu dan ulangi Langkah 1 ke Langkah 3 hingga langkah waktu yang telah ditentukan.

Selain itu, kami juga memperkenalkan dua indikator untuk mencirikan kecepatan penyebaran informasi: (1) langkah pertama kali ketika jumlah individu yang terinfeksi melebihi setengah dari populasi, didefinisikan sebagai waktu paruh ; (2) waktu infeksi rata-rata seseorang setelah wabah, didefinisikan sebagai waktu rata-rata , di mana adalah langkah simulasi maksimum, seperti dalam simulasi kami

.

4. Hasil Simulasi dan Pengamatan

Dalam simulasi kami, pada awalnya semua individu rentan kecuali satu individu yang terinfeksi. Setiap individu memiliki waktu interaktif yang tidak berubah , yang mengikuti distribusi hukum kekuasaan dengan . Kami mengatur langkah waktu. Ini karena pesan akan bertahan dalam daftar individu suatu hari nanti, yaitu 1440 menit [15]. Simulasi dilakukan pada jaringan BA dengan ukuran dan . Kami mengatur tingkat perhatian dan secara acak memilih node awal yang terinfeksi. Untuk perbandingan terperinci, kami juga melakukan dinamika SI yang sama dengan distribusi waktu interaktif eksponensial . Dari hasil simulasi numerik (Angka 3 dan 4 ), kami memiliki pengamatan berikut dari proses propagasi.

(a)
(Sebuah)

(b)
(b)

(a)
(Sebuah)

(b)
(b)

Pengamatan 1. Dalam kasus power-law, rata-rata jumlah individu yang baru terinfeksi dan waktu pembuatan ikuti distribusi power-law dengan eksponen (Gambar 3 ).

Pengamatan 2. Semakin kecil eksponennya dari distribusi waktu interaktif, yaitu, heterogenitas waktu interaktif yang lebih besar, mengakibatkan kecepatan yang lebih lambat. Paruh waktu dan waktu rata-rata penurunan monotonik dengan peningkatan eksponen (Gambar 4 ).

Untuk menyelidiki dampak perhatian pada proses propagasi, kami memperbaiki waktu interaktif setelah kekuatan distribusi er-law dengan eksponen dan secara acak pilih node awal yang terinfeksi. Dari parameter lain , simulasi juga dilakukan pada jaringan BA dengan ukuran dan . Hasilnya dirata-ratakan berjalan independen. Dari hasil simulasi numerik (Gambar 5 ), kami memiliki pengamatan berikut dari proses propagasi .

(a)
(Sebuah)

(b)
(b)

Pengamatan 3. Semakin tinggi tingkat perhatian, semakin cepat kecepatan. Paruh waktu dan waktu rata-rata penurunan monotonik dengan peningkatan perhatian (Gambar 5 ).

5. Analisis Teoritis

Pada bagian ini, sifat-sifat dinamika propagasi dianalisis. Kami membuktikan bahwa eksponen peluruhan kecepatan propagasi sama dengan distribusi waktu pembangkitan. Selanjutnya, kami juga membuktikan bahwa eksponen karakterisasi bursty terkait dengan peluruhan kecepatan propagasi oleh relasi .

Proposisi 1. Jika distribusi waktu pembangkitan mengikuti hukum listrik dengan , peluruhan kecepatan propagasi juga mengikuti hukum pangkat dan dengan eksponen yang sama .

Bukti. Kami mempertimbangkan teori umum proses propagasi di jejaring sosial online. Kami berasumsi bahwa proses penyebaran wabah dimulai dari satu individu yang terinfeksi pada suatu waktu . Dalam hal ini, jumlah rata-rata individu baru yang terinfeksi pada suatu waktu

adalah [19] dimana adalah jumlah rata-rata individu pada generasi jauh dari individu yang terinfeksi pertama, di mana menunjukkan operasi konvolusi; sebagai contoh,

Untuk yang terbatas , kita bisa mendapatkan dimana , adalah beberapa skala waktu karakteristik, dan mewakili distribusi Retribusi dengan eksponen .
Untuk , distribusi Retribusi dapat dinyatakan sebagai [21] Singkatnya, ketika , kami memperoleh ; yaitu, . Dengan demikian dalil tersebut telah terbukti.

Kata depan ini berarti jika distribusi waktu pembangkitan mengikuti hukum pangkat dengan eksponen , maka peluruhan kecepatan propagasi akan ditandai dengan distribusi power-law yang sama.

Proposisi 2. Jika distribusi waktu interaktif mengikuti hukum kekuatan dengan , peluruhan kecepatan propagasi juga mengikuti distribusi power-law dengan dan .

Bukti. Ketika distribusi waktu interaktif mengikuti hukum kekuatan dengan , interval waktu aktif mempunyai sebuah rata-rata terbatas .
Sejak generasi Fungsi kepadatan probabilitas waktu terkait dengan fungsi kepadatan probabilitas waktu interaktif [21], oleh karena itu kami punya Menurut Proposisi 1 , kami dapatkan Yaitu, Dengan demikian dalil tersebut terbukti.

6. Kesimpulan

Model SI diperpanjang diusulkan dalam makalah ini. Berbeda dengan analisis topologi jaringan, kami mempelajari penyebaran informasi di jejaring sosial online dari perspektif dinamika manusia. Kami menemukan bahwa perilaku manusia sangat mempengaruhi jangkauan dan kecepatan penyebaran informasi.

Di masa depan, dengan berkembangnya sistem sosial online, mungkin terdapat faktor lain yang mempengaruhi penyebaran informasi di jejaring sosial online. Oleh karena itu, kita harus meningkatkan model propagasi agar dapat lebih menjelaskan proses propagasi.

Ucapan Terima Kasih

Penulis ingin berterima kasih kepada Liang Huang dan Byungjoon Min atas diskusi yang bermanfaat. Pekerjaan ini didukung oleh Program untuk New Century Excellent Talents in University (NCET-11-0597) dan Fundamental Research Funds for the Central Universities (2012RC1002).

Referensi

  1. Q. Yan, L. Wu, dan L. Yi, “Penelitian tentang dinamika manusia dalam komunitas seluler berdasarkan identitas sosial,” Dinamika Diskrit di Alam dan Masyarakat , vol. 2012, ID Artikel 672756, 13 halaman, 2012. Lihat di: Situs Penerbit | Beasiswa Google | MathSciNet
  2. Y. P. Xiao, B. Wang, YB Liu et al., “Menganalisis, pemodelan, dan simulasi untuk dinamika manusia di jaringan sosial,” Analisis Abstrak dan Terapan , vol. 2012, ID Artikel 208791, 16 halaman, 2012. Lihat di: Beasiswa Google | MathSciNet
  3. Y. P. Xiao, B. Wang, B. Wu, Z. Yan, S. Jia, dan Y. Liu, “Model dinamika manusia hibrid dalam menganalisis hotspot di jaringan sosial” Dinamika Diskrit dalam Alam dan Masyarakat , vol. 2012, ID Artikel 678286, 13 halaman, 2012. Lihat di: Beasiswa Google | Zentralblatt MATEMATIKA | MathSciNet
  4. Q. Yan dan L. Wu, “Dampak aktivitas manusia yang meledak p latar belakang popularitas konten online, ” Dinamika Diskrit di Alam dan Masyarakat , vol. 2012, ID Artikel 872908, 11 halaman, 2012. Lihat di: Situs Penerbit | Beasiswa Google
  5. SEBUAH. L. Barabási, “Asal muasal semburan dan ekor berat dalam dinamika manusia,” Alam, vol. 435, no. 7039, hlm. 207–211, 2005. Lihat di: Situs Penerbit | Beasiswa Google
  6. H. H. Jo, M. Karsai, J. Kertesz, dan K. Kaski, “Pola sirkadian dan ledakan dalam komunikasi ponsel,” Jurnal Fisika Baru , vol. 14, ID Artikel 013055, 2012. Lihat di: Beasiswa Google
  7. SEBUAH. Vazquez, JG Oliveira, Z. Dezso, KI Goh, I. Kondor, dan AL Barabasi, “Modeling burst dan heavy tail in human dynamics,” Ulasan Fisik E , vol. 73, ID Artikel 036127, 2006. Lihat di: Beasiswa Google
  8. J. G. Oliveira dan AL Barabási, “Dinamika manusia: pola korespondensi Darwin dan Einstein,” Alam, vol. 437, no. 7063, hal. 1251, 2005. Lihat di: Situs Penerbit | Beasiswa Google
  9. Z. D. Zhao, H. Xia, MS Shang, dan T. Zhou, “Analisis empiris tentang dinamika manusia dari sistem komunikasi pesan singkat berskala besar,” Surat Fisika Cina , vol. 28, tidak. 6, ID Artikel 068901, 2011. Lihat di: Penerbit Situs | Beasiswa Google
  10. W. Hong, XP Han, T. Zhou, dan BH Wang, “Statistik berekor berat dalam komunikasi pesan singkat,” Surat Fisika Cina , vol. 26, ID Artikel 028902, 2009. Lihat di: Beasiswa Google
  11. Y. Wu, C. Zhou, J. Xiao, J. Kurths, dan HJ Schellnhuber, “Bukti distribusi bimodal dalam komunikasi manusia”, Prosiding National Academy of Sciences of the United States of America , vol. 107, tidak. 44, hlm. 18803–18808, 1880. Lihat di: Beasiswa Google
  12. Y. Wu, Q. Ye, L. Li, dan J. Xiao, “Sifat hukum kekuatan pandangan manusia dan perilaku balasan dalam masyarakat online,” Masalah Matematika dalam Teknik , vol. 2012, ID Artikel 969087, 7 halaman, 2012. Lihat di: Publis Situsnya | Beasiswa Google | MathSciNet
  13. B. Min, KI Goh, dan A. Vazquez, “Dinamika yang menyebar mengikuti pola aktivitas manusia yang meledak”, Ulasan Fisik E , vol. 83, tidak. 3, ID Artikel 036102, 2011. Lihat di: Situs Penerbit | Beasiswa Google
  14. SEBUAH. Vazquez, B. Racz, A. Lukacs, dan AL Barabasi, “Dampak pola aktivitas non-Poissonian pada proses penyebaran,” Surat Ulasan Fisik , vol. 98, ID Artikel 158702, 2007. Lihat di: Google Sch olar
  15. L. Weng, A. Flammini, A. Vespignani, dan F. Menczer, “Persaingan antar meme di dunia dengan perhatian terbatas,” Laporan Ilmiah , vol. 2, pasal 335, 2012. Lihat di: Beasiswa Google
  16. Q. Yan, LL Yi, dan LR Wu, “Model dinamis manusia didorong oleh minat dan identitas sosial dalam komunitas MicroBlog,” Fisika A , vol. 391, hlm. 1540–1545, 2012. Lihat di: Google Sc holar
  17. H. L. Dong, ZD Wang, dan HJ Gao, “Pemfilteran terdistribusi untuk kelas sistem dengan variasi waktu melalui jaringan sensor dengan kesalahan kuantisasi dan putus paket yang berurutan,” Transaksi IEEE pada Pemrosesan Sinyal , vol. 60, tidak. 6, hlm. 3164–3173, 2012. Lihat di: Penerbit Situs | Beasiswa Google | MathSciNet
  18. H. L. Dong, ZD Wang, DWC Ho, dan HJ Gao, “Estimasi status H-infinity terdistribusi dengan parameter stokastik dan nonlinier melalui jaringan sensor: kasing cakrawala hingga,” Otomatisa , vol. 48, tidak. 8, hlm. 1575–1585, 2012. Lihat di: Publi Situs sher | Beasiswa Google | MathSciNet
  19. SEBUAH. Vazquez, “Pertumbuhan polinomial dalam proses percabangan dengan jumlah reproduksi yang berbeda,” Surat Ulasan Fisik , vol. 96, tidak. 3, ID Artikel 038702, 2006. Lihat di: Situs Penerbit | Beasiswa Google
  20. T. E. Harris, Teori Proses Percabangan , Springer, Berlin, Jerman, 2002. Lihat di: MathSciNet
  21. W. Penebang, Pengantar Teori Probabilitas dan Aplikasinya , Wiley, New York, NY, AS, 1967.

Hak Cipta © 2013 Qiang Yan et al. Ini adalah artikel akses terbuka yang didistribusikan di bawah Kutu Atribusi Creative Commons nse , yang memungkinkan penggunaan, distribusi, dan reproduksi dalam media apapun, asalkan karya asli dikutip dengan benar.

Read More

RELATED ARTICLES

LEAVE A REPLY

Please enter your comment!
Please enter your name here

Most Popular

Recent Comments