社交关系中的影响力是信息传播的重要因素,对于推动信息在社交网络中快速大范围扩散有关键作用。分析影响力机制对于理解信息传播过程、预测信息流行范围、指导病毒营销等工作具有基础意义。由于影响力无法直接观测,近年有很多研究者尝试通过信息传播的效果估算影响力,但通常假设个体之间的影响力是恒定的,不随时间演化。
电子科技大学,互联网科学中心的黄俊铭博士、硕士生李超、王文强与中科院计算所程学旗博士、沈华伟博士、李国杰博士等对新浪微博的数据研究发现,个体之间的影响力并不是静止不变的,而是随着个体之间交互行为的沉默时间间隔增加而呈现幂律衰减。在不同的个体之间,幂律衰减的指数具有明显的个体差异性。为了准确地估计不同个体的衰减指数,黄俊铭等人提出贝叶斯学习模型,在稀疏数据中提取个体影响力衰减的幂指数,得以准确预测未来任意时刻的影响力及其所推动的信息传播效果。相比于传统的基于静态影响力假设的影响力估算算法,黄俊铭等人的算法将信息传播预测错误率降低了一半,并在病毒营销仿真中增加了多达10%的激活用户。
Junming Huang, Chao Li, Wen-Qiang Wang, Hua-Wei Shen,Guojie Li, Xue-Qi Cheng. Temporal scaling in information propagation.Scientific Reports 4, 5334; DOI:10.1038/srep05334 (2014).
http://www.nature.com/srep/2014/140618/srep05334/full/srep05334.html