在线社交网络信息传播问题研究综述*

彭 川 李元香

(1.中南民族大学计算机学院 武汉 430074)(2.武汉大学软件工程国家重点实验室 武汉 430072)



在线社交网络信息传播问题研究综述*

彭 川1,2李元香2

(1.中南民族大学计算机学院 武汉 430074)(2.武汉大学软件工程国家重点实验室 武汉 430072)

在线社交网络在社会生活的诸多领域中日益显现出重大影响和作用,研究在线社交网络的相关问题已经成为学术界和产业界的共识和迫切需要。信息传播是在线社交网络的核心功能,也是最核心的研究内容。论文首先讨论了在线社交网络的发展现状和信息传播问题的研究意义,然后对现有的相关研究工作特别是信息传播模型进行了详细的讨论和归纳。接着,论文从几种不同的视角讨论了信息传播问题的研究思路。此外,论文还结合在线社交网络的特点讨论了现有工作的不足之处。最后,探讨了当前研究中面临的问题和将来的挑战。

在线社交网络; 信息传播; 信息传播模型; 研究思路

Class Number TP399

1 引言

近年来,以Twitter、Facebook、新浪微博、人人网等为典型代表的在线社交网站不断出现并呈现爆炸式的规模增长,这标志着在线社交开始成为互联网新时代重要的人际交往方式,传统的线下社交网络开始逐步推广到互联网中并形成了更庞大的在线社交网络。虽然这些在线社交网站的主要功能和用途有所差别,但都表现出惊人的在线信息传播能力。

相比于传统社交网络,在线社交网络具有更大的网络规模、更便捷的信息发布手段、更迅速的信息传播速度,所以其造成的社会影响力已经不亚于甚至超出了线下社会网络。在社会学领域里,信息在社会网络中传播的含义是：在一个相对封闭的社会系统中,随着时间的推移,信息、想法、观念通过某个流通途径在个体之间进行传播的过程。而在互联网的时代背景下,在线社交网络的广泛应用使得线下的社会关系扩展到线上,信息的传播变得更加便捷、高效,这也使得信息传播的概念具有了更加丰富的内涵和更大的影响。在线社交网络已经逐步成为人们对各种政治、经济和社会重大事件发表观点、看法以及表达兴趣关注的更为重要的平台。在线社交网络中,众多的用户个体通过种种形式建立起彼此之间的关联。这些个体之间的在线交互行为可以使得信息随着从用户到用户的传递而被共享、修改、再加工,从而不断地传播下去,于是形成了信息在网络中的级联扩散。由于互联网本身具有的特点,与传统社交网络相比,在线社交网络中的信息传播过程表现出更加复杂、多变、隐晦和难以理解的特点。

在线社交网络的蓬勃发展,给现实社会带来了重大的影响。一方面,给人们提供了前所未有的便利性。网络用户比以往任何时候都能更方便地发布、获取信息。在线社交网络的核心功能是进行有意义的信息传播,比如最新的新闻头条、最即时的赛事结果、即将上映的新电影推荐、新产品的在线推广等。在线社交网络中,信息的有效传播无论是对于信息发布者,还是信息获取者都起着十分重要的作用。信息传播的一个典型用途是用于病毒式市场营销,其大体思路是从网络中选择少数有影响力的目标客户首先接受产品,然后通过在网络中发布其对产品的体验、评价等正面信息去影响网络中其他用户,进而通过这些被影响的用户去吸引更多的用户接受产品。随着影响的逐级传播,产品的信息会被越来越多的网络用户所接受,于是达到了产品推销和宣传的目的。实际上,在商业金融领域,利用在线社交网络作为市场营销的重要工具已经成为常见的选择。由此可见,在线社交网络中蕴藏着巨大的商业价值和经济规模。

另一方面,在线社交网络也带来了负面影响。任何事物都是利弊共存,在线社交网络给我们的生活带来了诸多好处的同时,也带来了潜在的弊端。常见的如不法分子蓄意制造和传播有损国家和社会利益的谣言,以达到其特殊的政治目的；通过社交工具发布虚假信息,实施欺诈、诈骗等违法行为；利用网络视频分享应用、社交平台等传播网络色情和暴力信息以达到非法获取利益的目的。由于这类信息本身往往比正常信息更具有诱惑性和煽动性,通常在网络中会以更快的速度传播到很广的范围,从而造成不良影响,严重的影响在线网络环境甚至于最终危害到社会的和谐与稳定。

鉴于在线社交网络对社会生活的重大影响,迫切需要对在线社交网络进行研究,以便深入理解其机制和规律,从而更好地运用在线社交网络为社会生活服务。在线社交网络的主要研究内容可概括为三个核心要素即网络关系结构、群体交互行为、信息传播规律。这三个要素之间相互关联彼此影响,网络关系结构是网络用户通过各种联系形成的复杂关系的总称,网络关系为群体互动和信息传播提供了必要的前提；群体交互是用户之间通过网络的连接呈现出来的复杂动态特征,也是导致信息传播的根本原因；信息传播则是网络关系结构和用户交互行为的直观体现和结果,也是研究在线社交网络的关键内容和最终目的。研究社交网络中的信息传播,能够帮助我们从信息传播的角度对网络的关系结构,用户特征、属性以及彼此之间的影响,以及信息传播所遵循的基本规律有一个系统、全面的认识。对信息传播问题的研究成果则对于市场营销、电子商务、在线金融、舆论监控等诸多领域具有重要的意义,具有广阔的应用前景。

2 研究现状

如前所述,研究在线社交网络的信息传播问题具有重大的现实意义：一方面,利用在线社交网络进行信息传播可以达到产品推广、观念传播等目的；另一方面通过掌握信息传播的本质规律,可以控制特定信息的传播以实现舆论监控等目的。基于信息传播问题所具有的深刻内涵和重要意义,在线社交网络中的信息传播问题引起了产业界和学术界的广泛关注并开展了大量的研究工作。

在线社交网络应用的迅猛发展使得网络用户规模急剧增加,网络中包含的在线信息数据也呈现高速增长趋势。这些海量数据以及不断成熟的数据获取分析技术为研究人员研究信息传播问题提供了丰富的研究素材和物质基础,使得研究人员有可能基于真实的海量数据研究信息传播机制,认识信息传播的规律,因此极大地推动了在线社交网络的研究工作。近几年来,学术界和企业界对在线社交网络中信息传播问题的相关研究已大量展开[1～9]。若干计算机互联网相关的知名国际会议比如ACM SIGKDD的Conference on Knowledge Discovery and Data Mining(KDD)、IEEE International Conference on Data Mining(ICDM)、IEEE International Conference on Distributed Computing Systems(ICDCS)、IEEE International Conference on Computer Communications(INFOCOM)、IEEE Global Communications Conference(GLOBECOM)等每年都会收录、发表关于在线社交网络信息传播的最新研究成果和进展。

国际上,斯坦福大学的Jure Leskovec、Eldar Sadikov,哈佛大学的Nicholas Christakis,康奈尔大学的Jon Kleinberg,卡内基梅隆大学的Christos Faloutsos等著名高校和研究机构的学者较早对在线社交网络信息传播的相关问题进行了研究[1～4,7]。由于在线社交网络目前还属于比较前沿的研究领域,在我国也刚刚处于起步阶段,可参考和借鉴的研究成果相对较少。清华大学、南京大学、北京航空航天大学、中科院计算所等高校及科研单位取得了一些基础性的理论研究成果[10～19]。文献[10]对在线社会网络隐含的拓扑结构、在线用户的交互行为和网络结构的演化等方面进行了综述性讨论,总结了常见的测量方法和典型的网络拓扑参数,讨论了用户行为的表现特征、用户行为对网络拓扑结构的影响以及信息传播过程中网络的动态演变过程。文献[13]讨论了基于理论分析的信息传播模型和基于信息传播级联模式的研究。重点讨论了信息传播的整体特性、信息传播概率、信息传播最大化和竞争性的信息传播最大化等问题。同时也研究了用户影响力的计算问题和信息传播的预测模型。文献[14]提出了一个通过预测用户传播信息能力大小来分析和度量用户社会影响力的方法,并通过实验证明了其方法的有效性。从大量已有的研究成果可以看到,许多的研究工作将重点放在分析和测量在线社会网络的拓扑结构[10,19～20]、网络中用户的交互行为[4～5,25]或网络信息的内容、流量等细节特征[22～23]。这些研究通常采用相对成熟的数据挖掘技术、统计模型方法等手段进行充分的实验研究。

从大量研究结论可知,建立信息传播模型是研究信息传播问题的必要方法和可行手段[4,6～8],通过合理的信息传播模型可以更真实、准确地描述在线社交网络中信息传播的复杂动态过程和传播规律,并且能较好的预测信息传播结果及其造成的影响。此外,通过控制和调整模型的系统参数,信息传播模型还可用于比较不同类型信息具有的影响力差异性以及传播结果的不同,或者反过来通过信息传播的影响回溯定位信息传播的源头等颇有重要实际意义的工作。

3 信息传播模型

如果能够建立信息传播的模型对信息传播过程进行描述并对信息传播的结果进行准确预测,对于研究信息传播问题具有至关重要的作用。信息传播模型可分为两大类,一类是基于理论分析的传播模型。这一类模型的建立并不直接依赖于在线社交网络中信息传播的真实数据,而是基于复杂网络的理论研究成果,或者是结合在线社交网络信息传播的特点,将其它传统研究领域中经典的传播模型或者对这些模型进行扩展、改进后再运用于描述在线社交网络中信息传播的动态过程。比如社会学家、传染病学家和市场营销学家分别提出了创新传播模型、流行病传播模型、产品影响力传播模型等,这些模型虽然是针对传统社会网络研究领域的问题而提出的,但由于这些模型所描述的传播过程与在线社交网络中的信息传播过程具有高度的相似性,因此也可有效运用于在线社交网络中信息传播问题的研究。类似的经典模型比如流行病传播模型(Epidemics Model)[9]、线性阈值模型(Linear Threshold Model,LTM)、独立级联模型(Independent Cascade Model,ICM)[20]、博弈理论传播模型(Game-Theoretic Model)[21]等等。

另外一类传播模型的建立则根据收集的真实信息传播数据,对其进行大量实验研究找出信息传播过程中隐含的传播规律和特征,然后利用建模方法建立模型对信息传播过程进行刻画和描述[24～26]。由于基于理论研究的信息传播模型忽略了实际传播数据的本质特征,模型的建立和参数的选择往往都是理论上设定的,因此虽然在某些场合也能对信息传播现象进行较好的模拟,但往往缺乏对信息传播过程和结果进行精确预测的能力。而基于真实传播数据建立起来的模型,由于其相对准确地描述了信息传播的真实特征,一定程度上能反映和揭示信息传播的内在规律,因此能更准确地表示信息传播的复杂过程,并对信息传播结果具有更优的预测能力。

事实上,利用信息传播的模型来描述和预测在线社会网络中信息传播过程的研究工作已经大量展开并取得了不少阶段性成果。文献[27]研究了Facebook社交网络中信息的传播模式,并认为在线社会媒体中信息传播的动态模式往往由较短的“冲突链”触发决定,而不是更早研究中认为的信息传播的主要模式是由一小部分“种子”节点的影响而产生的某些较长的传播路径决定的。文献[28]利用流行病传染模型研究了在线社会网络中新闻和谣言的传播过程。而文献[29]则探讨了如何建立模型来准确预测隐性社会网络中的信息传播。值得注意的是,基于流行病学领域中病毒传播理论的病毒传播模型对在线社会网络中信息传播问题的研究提供了重要的借鉴和参考。许多信息传播模型都是基于病毒传播理论相关模型的改进或者扩展[28]。大量对于信息传播问题的研究成果已经逐步形成到互联网的新技术,有的已经得到广泛的应用。比如互联网在线推荐系统、在线广告推送、在线用户行为预测、垃圾邮件跟踪过滤、网络病毒的防御等等。

上述研究工作都充分表明,建立信息传播模型对于研究在线社会网络中的信息传播问题是非常有效可行的重要研究手段,能够较好地描述信息传播的动态过程并能准确预测信息传播的结果。

4 信息传播的研究视角

从不同的研究方法和角度而言,对在线社交网络中信息传播问题的研究思路大致可分为三类:1)基于实验的特征分析方法；2)基于宏观角度的信息传播建模方法；3)基于微观角度的信息传播建模方法。基于实验分析方法的研究目的在于揭示不同的在线社交网络中信息传播过程中内在的指标特征。文献[30]讨论了微博网络中信息传播的动力学行为。文献[31～32]则通过对大量数据的分析研究了图像共享网站Flickr上照片的级联传播模式。文献[33]通过提取Digg网络和Twitter网络中的信息传播数据集,通过大量实验研究分析了用户对于新闻的关注兴趣是如何在网络中进行传播的。

基于单纯的实验分析方法可以发现信息传播过程中的隐含的一些内在规律,但不能很好地解决对信息传播过程的准确描述乃至预测,而如果能根据这些实验分析得到的特征,针对性的建立某个在线社交网络的信息传播模型则可能较好的解决传播预测问题。基于宏观视角建立的信息传播模型往往从研究信息传播过程的宏观规律出发,重点研究信息传播过程中表现出来的整体变化和类似于用户分布、影响力覆盖范围等总体规律特征。由于在线社交网络中用户规模巨大、拓扑结构复杂且动态变化、用户间的交互也受到线上、线下的多种因素的影响,很多情况下难以对这些细节特征进行描述和建模。此时,可以忽略或者次要考虑这些微观因素对于信息传播的总体影响,而是直观的从宏观特征上准确刻画信息传播的整体进程和结果。

部分研究工作尝试从宏观的角度建立信息传播模型以描述在线社交网络中的信息传播过程。文献[8]不考虑用户交互细节,只考虑信息传播的用户分布、覆盖范围等宏观因素,提出了一种线性传播模型并进行了信息传播的预测。文献[9]使用被广泛讨论的SIS(Susceptible-Infected-Susceptible)疾病传染模型,描述给定时间窗内在线社交网络中信息传播的覆盖范围。文献[29]介绍了一种能够预测信息传播的线性影响力传播模型,该模型能够根据此前被新闻信息影响的用户规模预测当前时间点之后的某个阶段中被影响的新用户数量。文献[35]在忽略网络拓扑结构等微观因素的前提下,讨论了几个不同的信息传播模型,并利用这些模型预测了给定时间内社交网络中的信息传播造成的影响。

不同于宏观方法注重于讨论信息传播过程表现出的整体特征,微观方法则主要研究诸如用户的交互行为、用户关系连接的强弱、拓扑的局部变化等细节特征对于信息传播造成的影响[34]。从微观角度深刻理解用户之间的交互行为也是非常必要的,因为无论对于信息传播复杂动态过程的细节研究,还是超级影响力用户的定位等等一系列重要问题都依赖于对用户的交互细节的准确把握。文献[5]通过研究用户的社会交互行为对信息传播进行了预测。文献[36]提出了几个传播模型用以预测某个特定个体是否对其相邻用户有正面或者负面的影响。文献[37]介绍了用户-用户模型(User to User Model)的交互式原理,通过提取网络用户间的交互细节而得到宏观的用户行为特征,并以此研究微博网络中的用户行为规律对信息传播的影响。较早的研究文献[38]中设计了基于用户关系链的隐性可变传播模型,并用该模型描述相邻用户间的加权朋友关系,这种方法相对于利用传统的二值方法表示的好友关系更具有实际意义。

5 现有工作的不足

虽然已经开展的研究工作取得了一定的研究成果,但这些工作仍然存在欠缺和诸多不足,主要体现在以下几个方面。

1) 建模在线社交网络的信息传播是一项极具挑战性的工作。如前所述,网络个体之间错综复杂的动态行为和社会交互、隐晦难懂的网络关系结构、惊人的网络规模以及网络拓扑的异质、多样、多变等等特征,都使得建立精确的信息传播模型特别是可通用性的传播模型框架具有极大难度。现有的大量工作尝试了基于在线社交网络的拓扑结构对信息传播的规律特征进行研究,虽然在某些局部问题上取得了值得不错的成果,但是无法从整体上准确表达网络本身及信息传播过程。

2) 现有研究工作提出的许多信息传播模型都是基于理论模型的扩展,比如线性阈值模型、流行病传播模型等等。这些模型在传统领域获得了较好的应用,但由于对在线社交网络中的信息传播问题缺少定量的过程描述和准确的参数表达,因此往往无法具备精准预测信息传播的能力。或者通常需要非常复杂的参数寻优过程才能得到相对较好的预测能力,这使得研究工作本身变得更加繁琐和难以实现。

3) 在线社交网络中的信息传播是一个同时具有时间和空间方向的二维问题。简而言之信息传播包含了两个子问题,即信息传播的速度和信息传播的广度。因此研究信息传播问题应该同时考虑信息传播包含的时间特征和空间特征,并综合这两个维度的特征建立相应的传播模型。现有的信息传播模型或者只考虑了空间特征(如拓扑结构、个体分布)而忽略了时间特征,或者只考虑了时间特征(用户兴趣变化)而忽略了空间特征,缺乏对于信息传播的实际特征的完整描述。这显然不利于更加准确的表示信息传播过程。只有同时考虑信息传播的时间特征和空间特征,才有可能建立能够更加精确刻画信息传播的模型。

4) 现有的研究工作大多是在某个特定的在线社交网络中提取其中的信息传播数据子集,然后分析并获得该数据集的各种特征,并根据这些特征进行建模。因此,得到的信息传播模型只对特定社交网络中的信息传播具有一定的刻画能力,无法适用于不同类型的其它社交网络,具有较大的局限性。提出有效可行的信息传播模型的通用框架,使得该框架能用于所有在线社交网络信息传播问题的研究是最终的理想目标,也是今后一段时间内更具有挑战性的问题。

6 结语

在线社交网络是互联网发展新时代的产物,无论是在理论上还是相关技术上都属于比较前沿的研究内容。由于人们对用户在线社交网络的本质特征和信息传播基本规律的研究仍然处于初级阶段,到目前为止仍缺乏完整的关于在线社交网络和信息传播的基础理论和方法,所以仍然存在众多未解决的问题,在线社交网络本身极其复杂的特性也决定了这是一项非常具有挑战性的工作,主要体现在三个方面：

1) 在线社交网络规模巨大,包含的节点数量不计其数,节点构成的网络结构复杂多样,而且呈现出随时间变化的动态演变。除了信息本身具有的特征对信息传播造成的影响,结构的动态变化也是影响信息传播的重要因素,而这种结构变化由于节点数量的海量性变的晦涩难懂、难以把握。因此,研究社交网络关系结构的动态变化和信息传播的动态特征都是极大的挑战。

2) 在线社交网络的群体互动具有强互动演变、公众情绪漂移等特点。用户群体的互动比如关注、分享、转发等行为直接导致了信息的传播,而群体互动本身则表现为难以刻画和描述的在线行为。而且除了网络群体的在线互动的作用之外,网络用户的线下情感变化也对信息传播具有不可忽略的影响。因此,如何准确理解复杂的在线交互以及网络之外的因素对信息传播的作用变得十分困难,充满挑战。

3) 在线社交网络的信息传播往往具有多源、并发的特点。在线营销策略中,产品的推广往往同时在多个节点发出；舆论传播时,从多个地方同时发出的信息往往具有更轰动的社会效应。多源传播的实际例子无处不在,而多源传播本身的特点使得信息传播的路径多变,信息内容相互影响、不断演化,从而使得信息传播过程更加复杂,这也给信息传播的研究带来了更大的困难和挑战。

虽然存在诸多困难和挑战,但现有的研究成果给将来的研究工作打下了良好的基础。可以预见,在众多研究者的不断努力下,对于在线社交网络信息传播问题的研究一定会不断推进和深入,从而不断的揭示在线社交网络中蕴含的内在规律和本质特征,最终更好的利用在线社交网络为社会生活的各个方面服务。

[1] Matsubara Y, Sakurai Y, Prakash B A, et al. Rise and fall patterns of information diffusion: model and implications[C]//Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM,2012:6-14.

[2] Cheng, J., Adamic, L., Dow, P. A., Kleinberg, et al. Can cascades be predicted? [C]//Proceedings of the 23rd international conference on World Wide Web. ACM,2014:925-936.

[3] Christakis N A, Fowler J H. Social contagion theory: examining dynamic social networks and human behavior [J]. Statistics in medicine,2013,32(4):556-577.

[4] Rahman M R. Characterizing and predicting information diffusion through social interactions [D]. Davis: University of California,2015.

[5] Matook S, Cummings J, Bala H. Are you feeling lonely? The impact of relationship characteristics and online social network features on loneliness [J]. Journal of Management Information Systems,2015,31(4):278-310.

[6] Gomez-Rodriguez M, Leskovec J, Schölkopf B. c[C]// Proceedings of the 3rd International Conference on Machine Learning,2013:666-674.

[7] Yang J, Leskovec J. Modeling information diffusion in implicit networks[C]// Proceedings of the International Conference on Data Mining. IEEE,2010:599-608.

[8] Wang F, Wang H, Xu K, et al. Characterizing information diffusion in online social networks with linear diffusive model[C]//Proceedings of the 33rd International Conference On Distributed Computing Systems. IEEE,2013:307-316.

[9] Saito K, Kimura M, Ohara K, et al. Efficient discovery of influential nodes for SIS models in social networks[J]. Knowledge and information systems,2012,30(3):613-635.

[10] 徐恪,张赛,陈昊,等.在线社会网络的测量与分析[J].计算机学报,2014,37(1):165-188. XU Ke, ZHANG Sai, CHEN Hao, et al. Measurement and Analysis of Online Social Networks[J]. Chinese Journal of Computers,2014,37(1):165-188.

[11] 吴信东,李毅,李磊.在线社交网络影响力分析[J].计算机学报,2014(4):735-752. WU Xindong, LI Yi, LI Lei. Influence Analysis of Online Social Networks[J]. Chinese Journal of Computers,2014(4):735-752.

[12] 郑众杰,林学练.SFEN-Inf:一种微博信息传播网络推理算法[J].计算机研究与发展,2014(2):94-101. ZHENG Zhongjie, Lin Xuelian. SFEN_Inf: An Inference Algorithm for Weibo Information Diffusion Network[J]. Journal of Computer Research and Development,2014(2):94-101.

[13] 李栋,徐志明,李生,等.在线社会网络中信息扩散[J].计算机学报,2014,37(1): 189-206. LI Dong, XU Zhi, LI Sheng, et al. A Survey on Information Diffusion in Online Social Networks[J]. Chinese Journal of Computers,2014,37(1):189-206.

[14] 毛佳昕,刘奕群,张敏,等.基于用户行为的微博用户社会影响力分析[J].计算机学报,2014,37(4):791-800. MAO Jiaxin, Liu Yiqun, ZHANG Min, et al. Social Influence Analysis for Micro-Blog User Based on User Behavior [J]. Chinese Journal of Computers,2014,37(4):791-800.

[15] Huang R, Sun X. Weibo network, information diffusion and implications for collective action in China [J]. Information, Communication & Society,2014,17(1):86-104.

[16] Yang Y, Tang J, Leung C W, et al. RAIN: Social Role-Aware Information Diffusion[C]// Proceedings of the Conference on Artificial Intelligence,2015:367-373.

[17] Lu Z, Wen Y, Cao G. Information diffusion in mobile social networks: The speed perspective[C]// Proceedings of the Conference on Computer Communications. IEEE,2014:1932-1940.

[18] Li Y, Qian M, Jin D, et al. Revealing the efficiency of information diffusion in online social networks of microblog[J].Information Sciences,2015,293:383-389.

[19] Zhan Q, Zhang J, Wang S, et al. Influence maximization across partially aligned heterogenous social networks[C]// Proceedings of the Pacific-Asia Conference on Knowledge Discovery and Data Mining. Springer International Publishing,2015:58-69.

[20] Kempe D, Kleinberg J, Tardos é. Maximizing the spread of influence through a social network[C]//Proceedings of the 9th ACM international conference on Knowledge discovery and data mining. ACM,2003:137-46.

[21] Young H P. The diffusion of innovations in social networks [J]. The Economy as an Evolving Complex System III: Current Perspectives and Future Directions,2006:267-282.

[22] Stieglitz S, Dang-Xuan L. Emotions and information diffusion in social media—sentiment of microblogs and sharing behavior[J]. Journal of Management Information Systems,2013,29(4):217-248.

[23] Myers S A, Zhu C, Leskovec J. Information diffusion and external influence in networks[C]//Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM,2012:33-41.

[24] 彭川,李元香.一种在线社会网络的信息扩散预测模型[J].计算机与数字工程,2014,42(11):2103-2106. PENG Chuan, Li Yuanxiang. A Prediction Model of Information Diffusion in Online Social Networks [J].Journal of Computer and Digital Engineering,2014,42(11):2103-2106.

[25] Li, Cheng-Te, et al. Modeling and evaluating information propagation in microblogging social network [J]. Social Network Analysis and Mining, 2013, 3(3):341-357.

[26] Chuan P, Kuai X, Feng W, Haiyan W. Predicting information diffusion initiated from multiple sources in online social networks[C]// Proceedings of 6th International Symposium on Computational Intelligence and Design. IEEE,2013(2):96-99.[27] Sun E, Rosenn I, Marlow C, et al. Modeling Contagion through Facebook News Feed[C]// Proceedings of the 3rd International AAAI Conference on Weblogs and Social Media. AAAI,2009:146-153.

[28] F. Fang. Epidemiological modeling of news and rumors on Twitter[C]//Proceedings of the 7th Workshop on Social Network Mining and Analysis. ACM,2013:8-15.

[29] Yang J, Leskovec J. Modeling information diffusion in implicit networks[C]//Proceedings of IEEE 10th International Conference on Data Mining. IEEE,2010:599-608.

[30] Gruhl D, Guha R, Liben-Nowell D, et al. Information diffusion through blogspace[C]// Proceedings of the Proceedings of the 13th international conference on World Wide Web. ACM,2004:491-501.

[31] Bourigault, Simon, et al. Learning social network embeddings for predicting information diffusion[C]// Proceedings of the 7th ACM international conference on Web search and data mining. ACM,2014:393-402.

[32] Karlova, Natascha A., and Karen E. Fisher. A social diffusion model of misinformation and disinformation for understanding human information behaviour[J]. Information Research,2013,18(1):1-17.

[33] Stieglitz, Stefan, and Linh Dang-Xuan. Emotions and Information Diffusion in Social Media—Sentiment of Microblogs and Sharing Behavior [J]. Journal of Management Information Systems,2013,29(4):217-248.

[34] An W. Models and methods to identify peer effects [J]. The Sage Handbook of Social Network Analysis London: Sage,2011:515-532.

[35] Ghosh, Rumi, and Kristina Lerman. A framework for quantitative analysis of cascades on networks[C]//Proceedings of the fourth ACM international conference on Web search and data mining. ACM,2011:665-674.

[36] Leskovec J, Huttenlocher D, Kleinberg J. Predicting positive and negative links in online social networks [C]// Proceedings of the 19th international conference on World wide web.ACM,2010:641-650.

[37] Goetz M, Leskovec J, McGlohon M, et al. Modeling Blog Dynamics[C]//Proceedings of the Third International AAAI Conference on Weblogs and Social Media. ACM,2009:26-33.

[38] Xiang R, Neville J, Rogati M. Modeling relationship strength in online social networks[C]// Proceedings of the 19th international conference on World Wide Web. ACM,2010:981-90.

Survey of Information Diffusion in Online Social Networks

PENG Chuan1,2LI Yuanxiang2

(1.School of Computer Science, South-Central University for Nationalities, Wuhan 430074) (2.State Key Laboratory of Software Engineering, Wuhan University, Wuhan 430072)

Nowadays, online social network increasingly plays a significant role in fields of politics, economy, culture and commercial. It is urgently important for either research community or industry to study problems related to online social network. Information diffusion is the most important one among the series of unresolved issues. Firstly, this paper gives out a detailed discussion on existing research works on information diffusion over online social networks, especially the information diffusion models. Then the paper comprehensively summarizes some research ideas from three different perspectives. Finally, the paper concludes current difficulties in research and gives out challenges in the future work.

online social network, information diffusion, diffusion model, research ideas

2016年5月8日,

2016年6月24日

国家自然科学基金(编号：61201268)；中央高校科研业务专项基金(编号：CZY15005)资助。

彭川，男，博士，讲师，研究方向：智能计算、在线社交网络。李元香，男，博士，教授，研究方向：智能计算。

TP399

10.3969/j.issn.1672-9722.2016.11.021