网络信息传播 

引言

随着互联网和信息技术的快速发展，信息传播的模式及其研究范式都发生着了巨大的变化，也引起了来自多个领域学者们的高度关注。一般而言，信息传播的研究主要分为三个方面：一是数据驱动的信息传播，主要是利用信息传播的真实数据来做传播模式和级联效应的研究； 二是信息传播的动力学建模，主要是通过理解信息传播的机理从微观方面解释并预测信息传播，相关模型主要包括疾病传播模型，级联模型以及阈值模型； 三是信息传播的应用，包括利用信息传播来研究网络重构、舆情预测、疾病防控、案件反演等等。而我们组目前的工作成果主要集中于前两个方面，最后一点目前正在尝试。下面主要介绍一下我们组在前两点上的一些思考。

数据驱动的信息传播

通过分析社交网络事件的具体传播模式，我们将事件的传播渠道大体归为两类，一种是信息通过网络中的个体之间进行传播，即口口相传，这种传播模式也称为内部传播模式；另一种是通过媒体或者大V广播的方式，称为外部传播模式[1]。我们通过信息增益来解释这两种传播模式，并且发现在这两种传播模式的共同影响下，信息会传播的更快更广。这个工作后来还在[2]中用来进一步研究突发事件的传播模式。此外，我们分析了2016年3月份，社交网络中关于‘叶问3票房造假’事件信息传播模式[3]，提出了寻找该事件传播模式的传播源的指标，找到在该事件传播中的关键节点以及异常用户，并且构建了该事件传播的全景图。值得一提的是，由于该类事件具有传播广、速度快、影响大等特点，数据获取和分析都需要极强的及时性和有效性，稍有懈怠， 就只能分析“历史数据”了。此外，我们基于机器学习中的矩阵特征分解理论，提出了constrCRlink算法。该方法在控制信息传播的同时，可以最大程度地保留网络的社团结构[4]。

信息传播的动力学模型

关于信息传播动力学模型的研究，起源可能要比数据驱动相关的工作更早一些，主要研究集中在数据稀缺的情况下建立理想模型，而其中大部分工作是基于传染病传播或者相关的思想。当一种疾病在人群中传播时，这种疾病相关的信息也会随之传播开来。而有关疾病信息的广泛扩散，会警示人们要采取措施预防疾病（当然也可能会引起”集体恐慌”）。但由于信息性质本身与疾病的不同，又会导致出现不同于传染病的传播“盲区效应”[5]。我们基于H7N9和登革热的疾病扩散与信息传播数据，定量地验证了信息传播与疾病传播之间的关联关系, 并发现传染病爆发的多周期现象也跟相关的热议程度密切相关[6]。而在[7,8]中，我们分别建立了基于信息驱动的自适应和动态网络等传播模型。自适应过程是指，信息（患病）个体会自主地改变自己与社会环境的联系模式。而这种自主性的性质，可能是善意也可能是恶意的，将会极大地影响到社会宏观层面的涌现结果（比如舆情爆发、疾病流行、社会安定等）。进一步的理论分析发现由于用户注意力的限制，信息之间也会存在残酷的竞争现象，多数消息都会“胎死腹中”，只有熬过“婴幼期”的信息才有可能见到“雨后彩虹”[8]。

对于信息传播的数据、模型、应用的更多系统性内容，可以参考我们组的综述论文[9,10]，

致谢

这个方向的工作，我们还是初学者。有幸得到了多位前辈和同行的指点。 他们是：瑞士弗里堡大学张翼成教授、香港城市大学祝建华教授、香港中文大学许伯铭教授、华东师范大学刘宗华教授和郑木华博士、山西大学靳祯教授和孙桂全教授、上海理工大学顾长贵副教授、四川大学王伟副教授、杭州师范大学刘闯副教授和韩筱璞副教授、美国圣母大学张初旭博士、荷兰代尔夫特理工大学詹秀秀博士、伦敦玛丽女王大学孙烨博士等。其他还有很多同行前辈都对我们提出过宝贵意见，在此一并表示感谢。

参考文献

[1] Liu, C., Zhan, X. X., Zhang, Z. K., Sun, G. Q., Hui, P. M. (2015). How events determine spreading patterns: information transmission via internal and external influences on social networks. New Journal of Physics, 17(11), 113045.

[2] Wu, J.,  Zheng, M., Zhang, Z.-K, Wang, W., Gu, C. Liu, Z. (2018), A model of spreading of sudden events on social networks. Chaos, 28(3) 033113.

[3] Zhou, N., Zhan, X. X., Ma, Q., Lin, S., Zhang, J., Zhang, Z. K. (2017). Identifying Spreading Sources and Influential Nodes of Hot Events on Social Networks. In International Workshop on Complex Networks and their Applications (pp. 946-954). Springer, Cham.

[4] Zhang C, Yu L, Liu C, Zhang Z. K.,Zhou Tao A Community-Aware Approach to Minimizing Dissemination in Graphs (2017). APWeb-WAIM  Web and Big Data pp 85-99.

[5] Zhang C.X., Zhang Z.K., Han X, Liu C.,(2014) . Emergence of Blind Areas in Information Spreading . PLOS ONE, 9(4): e95785.

[6] Zhan, X. X., Liu, C., Zhou, G., Zhang, Z. K., Sun, G. Q., Zhu, J. J., Jin, Z. (2018). Coupling dynamics of epidemic spreading and information diffusion on complex networks. Applied Mathematics and Computation, 332, 437-448.

[7] Zhan, X. X., Liu, C., Sun, G. Q., Zhang, Z. K. (2018). Epidemic dynamics on information-driven adaptive networks, Chaos, Solitons & Fractals, 108, 196–04.

[8] Liu C, Zhang Z. K. (2014). Information spreading on dynamic social networks. Communications in Nonlinear Science and Numerical Simulation. 19(4), 896–904.

[9] Zhang, Z. K., Liu, C., Zhan, X. X., Lu, X., Zhang, C. X., Zhang, Y. C. (2016). Dynamics of information diffusion and its applications on complex networks. Physics Reports, 651, 1-34.

[10] 张子柯. 在线社交网络信息传播机制与动力学研究综述((2017) 。情报学报. 36 (4) : 422-431

[11] Zhou, N., Zhan, X. X., Lin, S., Yang, S. H., Liu, C., Sun, G. Q., Zhang, Z. K. (2017). Information diffusion on communication networks based on Big Data analysis. The Electronic Library, 35(4), 745-757. 

[12] Zhan, X.X., Liu, C., Zhang, Z.K., Sun, G.Q. (2016). Roles of edge weights on epidemic spreading dynamics. Physica A, 456, 228-234.

[13] Sun Y., Liu C., Zhang C. X., Zhang Z.K (2014). Epidemic Spreading on Weighted Complex Networks. Physics Letters A 378:635–640