在线社交网络信息传播机制与动力学研究

It is always difficult to precisely predict and control the information spreading on online social networks. There are two core problems resulting in this difficulty 1) individual heterogeneity; 2) structural flaws of topology. This project will mine the heterogeneous properties of individual interests and behaviors based on various real datasets of information spreading and social structures, unifying theories and methods from complex networks, machine learning and statistical physics. This project will explore the interplay effects among individual interests and behaviors, network topology and spreading patterns, thereby revealing underlying mechanisms and dynamical rules of information spreading on online social networks. This project intends to design link prediction algorithms based on machine learning and complex network theories, thereby improve the topology social networks, setting the stage for further studies on information spreading dynamical models. Finally, by integrating the above research outcomes, as well as adjustment and online experiment of the proposed model from the perspectives of both micro-level spreading structure and macro-level emergent features, a complete method of information spreading prediction and control will be formed. The outcomes will enrich and deepen the theory of information spreading on online social networks, providing scientific evidences to its various applications.

在线社交网络中的信息传播往往难以准确预测和防控。造成这一困难的核心问题有两个：1）个体异质性；2）网络拓扑结构存在缺陷。本项目拟以大量信息传播和社交网络数据为实验基础，综合运用复杂网络、机器学习、统计物理的理论和方法，挖掘在线社交网络个体兴趣和行为的异质性特征。探索在线社交网络中个体行为兴趣、网络结构特征和信息传播模式之间的相互作用机理，揭示在线社交网络中信息传播内在机制与动力学规律。结合机器学习和复杂网络理论设计符合真实网络结构的链路预测算法，以完善社交网络拓扑结构，为进一步构建信息传播动力学模型提供条件。最后，综合上述研究成果，并基于实证数据的微观传播结构和宏观涌现特征进行模型的校准和在线实验测试，形成系统的信息传播预测和控制方法。项目研究成果将丰富和深化在线社交网络信息传播理论，为舆情监控等实际应用提供科学依据。

在线社交网络中的信息传播往往难以准确预测和防控。造成这一困难的核心问题有两个：1）个体异质性；2）网络拓扑结构存在缺陷。本项目以大量信息传播和在线网络数据为实验基础，综合运用复杂网络、机器学习、统计物理的理论和方法，挖掘在线社交网络个体兴趣和行为的异质性特征，对在线社交网络中信息传播的数据、演化、预测和应用问题，进行了系统而全面的研究。主要包括四部分：1.收集大量在线系统的实际数据，分析在线社交网络中个体行为兴趣、网络结构特征和信息传播模式； 2.结合机器学习和复杂网络理论设计更符合真实网络结构的链路预测算法; 3.基于实证数据的微观传播结构和宏观涌现特征进行模型校准,并对信息传播进行预测和控制；4.对比物理空间和网络空间传播模式的不同，研究了不同空间的信息耦合传播机制。在理论研究的基础上，一定程度地将理论研究应用到实际传播事件中，并通过反馈机制来对模型假设进行验证。共发表和接收论文25篇，SCI收录16篇，SSCI收录2篇，共被SCI引用312次，EI收录4篇，英文综述2篇，中文综述2篇，译著1部，授权专利3项，联合培养博士1名，毕业硕士11人，在读硕士4人。