近年来，社交网络服务(SNS)飞速发展，如Twitter、Facebook和新浪微博，越来越多的用户通过这些平台与朋友们分享信息。仅2017年6月，Facebook上就有超过201万来自全世界的活跃用户。社交网络具有开放性(如：任何人都可以加入其中并与外部世界产生联系)、互动性(如：通过回复和转发，用户可与朋友就一部电影或一个事件进行互动)和时效性(如：用户可随时更新状态信息)。

用户的参与在社交网络上会产生巨大的数据流。Twitter上平均每天新发推50亿条，包含各种各样的信息。例如，人们可能对突发事件发表自己的看法；或者仅仅是更新状态告诉朋友们自己的日常生活。公司会雇佣有影响力的用户来推销新产品，比如电影和电子产品。

这些信息可以流动，并且在用户间进行传播。一旦用户觉得某个内容有趣，就可能转发给朋友看。转发后，如果朋友们同样喜欢，也可以把这个内容进一步分享给自己的朋友，信息从而得以在网络上传播和扩散，这就是所谓的口口相传。那些接受信息的用户即为受影响用户或活跃用户。

然而，信息如何通过网络进行传播仍然未知。理解海量信息的传播机制非常重要，可将其应用于诸多领域，如病毒式营销(viral marketing)、社会行为预测(social behavior prediction)、社会化推荐(social recommendation)、社区发现(community detection)等。

这些问题吸引了来自流行病学、计算机科学、社会学等不同领域的研究学者，他们提出了不同的信息传播模型(information diffusion models)，用以描述和仿真信息传播的过程，如IC模型(independent cascade model)、LT模型(linear threshold model)和传染病模型(epidemic models)。多数模型认为信息由源(或种子)节点集开始传播，其他节点只能通过源(或种子)节点集的邻近节点获得信息。

这些已经构建好的传播模型得到了广泛应用。例如，首先，通过评估用户带来的影响，可以识别出有影响力的传播者(influential spreaders)、找到专家。

其次，通过将有影响力的用户定为种子用户，增加种子用户的数量，进而实现影响最大化。对于想要借助口碑效应推销新产品的公司，或者在需要布局传感器以快速检测城市水网中的污染物时，这一点都非常重要。

第三，当信息从一组源节点传播了一段时间后，将会影响到更多节点。我们可以根据已经观察到的受影响的节点，推测出源节点，即进行信息源检测(information source detection)。这能帮助避免大型传染病的爆发，也能帮助追踪社交网络中的谣言来源。

来自文章

本文综述了近年来社交网络信息传播分析与应用的最新进展。首先，作者介绍了三种主流的描述社交网络信息传播过程的模型：IC模型(independent cascade model)、LT模型(linear threshold model)、传染病模型(epidemic models)，这些模型主要应用于：效果评价(influence evaluation)、影响最大化(influence maximization)、信息源检测(information source detection)。

社交网络中权威性和影响力评估有助于找到有影响力的传播者及专家，而影响最大化对于病毒式营销和传感器布局非常重要。信息源检测广泛应用于传染病预防及社交网络中的谣言来源追踪。接着，作者讨论了如何基于网络结构来评价权威性和影响力，而后分别详细论述了当前解决影响力最大化问题和信息源检测问题的方法，最后提出未来信息传播分析可以进一步研究的方向。

第一，当前的信息传播模型为后续研究提供了很好的理论指导，但却简化了原本异常复杂的现实场景(real-world scenarios)。用户还可以从电视、报纸、其他网站等外部信息源获得信息，而不仅仅是社交网络中的邻居(neighbors)。同时，网络中会有各种不同种类的信息在传播，如竞争产品的信息。因此，在受外部影响的异构社交网络中(heterogeneous social networks)，构建多种信息传播模型是一个重要的前进方向。

第二，强扩展性(large scalability)给影响最大化和信息源检测的应用带来了很大挑战，特别是对于大型网络而言。在Borgs等人提出反向采样算法(reverse sampling algorithms)后，影响最大化问题的解决取得了很大进展。我们可以加快研究，以进一步解决信息源检测问题。同时，将解决方法应用于分布式编程(distributed programming)也将是另一个研究方向。

第三，当前很多方法可应用于静态网络(static networks)，却忽略了网络实际上是动态可变的。例如，一个用户可能会在某时取消关注某些朋友，个人兴趣也可能转移到不同话题上。也就是说，不同用户间的关系强度(tie strengths)会随着时间的变化而变化。研究时应该将这一点考虑在内，以便更好地分析社交网络中的信息传播。

第四，近年来，深度学习已经应用于社交网络分析的很多问题中，如网络嵌入(network embedding)和链接预测(link prediction)。社交网络中信息的传播过程很复杂，有时甚至无法观察到。我们能否设计出深度学习方法以分析信息传播？例如，只需将网络结构和用户信息，如年龄、性别、发帖等输入到基于深度学习的模型中，就能输出用户的影响力。

第五，把信息传播分析与其他实用问题相结合，如社交媒体用户的行为预测，是一个很有意思的方向。例如，用户通常会同时被不同公司的信息所影响，决定用户消费行为的不仅仅是个人喜好，还有这些信息。

Study on Information Diffusion Analysis in Social Networks and Its Applications

Biao Chang, Tong Xu, Qi Liu, En-Hong Chen

摘要：

Due to the prevalence of social network services, more and more attentions are paid to explore how information diffuses and users affect each other in these networks, which has a wide range of applications, such as viral marketing, reposting prediction and social recommendation. Therefore, in this paper, we review the recent advances on information diffusion analysis in social networks and its applications. Specifically, we first shed light on several popular models to describe the information diffusion process in social networks, which enables three practical applications, i.e., influence evaluation, influence maximization and information source detection. Then, we discuss how to evaluate the authority and influence based on network structures. After that, current solutions to influence maximization and information source detection are discussed in detail, respectively. Finally, some possible research directions of information diffusion analysis are listed for further study.

关键词：

Information diffusion, influence evaluation, influence maximization, information source detection, social network.

全文下载：

https://link.springer.com/article/10.1007/s11633-018-1124-0

点击文末“阅读原文”即可进入全文下载。如您无法免费获取，欢迎加入“IJAC作者服务站”，小编为您下载~