1 / 23

传播学文献研读

传播学文献研读. 刘星宏. 传播蔓延现象的推广模型. 传播与蔓延现象归结为两类: 泊松模型 接触导致的传播概率是独立的 SIR 模型及其变化模型等传染病模型 临界值模型: 超过某一临界值后,传播的感染概率迅速增大 社会网络、经济网络等 Dotts 和 Watts [1] 提出推广模型,将历史的暴露作为记忆引入模型研究传染的影响。. 推广模型: 种群中 N 个个体,存在 S 、 I 、 R 三种状态。

rufina
Download Presentation

传播学文献研读

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. 传播学文献研读 刘星宏

  2. 传播蔓延现象的推广模型 • 传播与蔓延现象归结为两类: • 泊松模型 • 接触导致的传播概率是独立的 • SIR模型及其变化模型等传染病模型 • 临界值模型: • 超过某一临界值后,传播的感染概率迅速增大 • 社会网络、经济网络等 • Dotts和Watts[1]提出推广模型,将历史的暴露作为记忆引入模型研究传染的影响。

  3. 推广模型: • 种群中N个个体,存在S、I、R三种状态。 • 每个时步,个体i随机与个体j相连,如果i是S态,j是I态,则i以概率p得到一个正的剂量di(t), di(t) 服从分布函数f(d)。 • T时期内,i接受的总剂量为: 当Di(t)>di*时,i被感染。 • 在T时期内,易染个体与K个感染个体接触而因此被感染的概率为: 其中T时期内接收到k次剂量而感染的个体平均为: g(d*)是di*的分布函数, 是k个剂量之和超过相应的阈值的概率。

  4. 时,退化成标准的SIR模型 • 当 时,di(t)的变化生成随机或确定的临界值模型。

  5. 当Di(t)<d*时,被感染个体以概率r康复,而后仍会以概率v成为易染状态,SIS模型就是推广模型r=1,v=1的特例。因此,种群中感染个体的稳态值满足如下方程:当Di(t)<d*时,被感染个体以概率r康复,而后仍会以概率v成为易染状态,SIS模型就是推广模型r=1,v=1的特例。因此,种群中感染个体的稳态值满足如下方程:

  6. 时,推广模型中存在分岔行为,分岔点 。当 时,不动点 稳定; 当 时,说明出现病毒流行。由于pc的存在,推广模型此时等价于SIR传染模型,成为临界值模型。 • 当 时,推广模型为衰减临界量模型。 • 当 时,推广模型为纯临界量模型。

  7. 结论: • P1、P2值变化引起不同类型的传播行为,因此可以通过使用某些手段改变其取值来达到遏制全网病毒传播,例如提高个体的被感染阈值。 • 已有的对疾病传播或社会舆情传播的研究,主要关注具有超大影响力的个体,例如,超级传染源或舆论领导者,而在推广模型中,P1集合中的个体相比种群中其他个体更容易被传染,因而其对整个网络病毒传播动力学行为是至关重要的。

  8. 一些网络拓扑模型 • 规则网络-最近邻耦合网络 • 聚类系数高、平均路径长 • 小世界网络 • 聚类系数高、平均路径短 • 随机网络 • 聚类系数低、平均路径长

  9. 传统的传播观点 • 小世界网络的疾病传播速率要比规则网络的快 • 小世界的捷径 • 弱链接具有强作用 • 行为强化过程是否和疾病扩散过程一样? • 行为依赖于养成 • 疾病属于接触传染

  10. 在线实验[2]挑战传统观点 • 实验内容 • 1540名志愿者,随机分配到两类网络的节点上 • 种子节点向直接接触的节点发送email邀请其注册 • 邻居节点注册成功后,向其邻居节点发送邀请 • 两类网络 • 高聚类的规则网络 • 具有小世界特性的随机网络

  11. 网络规模 • A节点数N=98 • B-D节点数N=128 • E-F节点数N=144 • 统计结果 • 规则网络的传播速度快,传播范围广 • 结论 • 增加冗余信号可以提高个体养成行为的可能性

  12. 收到不同次数email的节点去注册的比例,次数越多注册可能性越高,但相对增加量是减少的,超过两次的影响不再明显。收到不同次数email的节点去注册的比例,次数越多注册可能性越高,但相对增加量是减少的,超过两次的影响不再明显。

  13. 干预和强化对养成行为后的巩固(回访论坛行为)有着非常重要的作用干预和强化对养成行为后的巩固(回访论坛行为)有着非常重要的作用

  14. 重要结论 • 行为方式的传播-多次强化型的传播 • 高聚类网络较多冗余连接 • 疾病和信息的传播-简单的接触型传播 • 小世界网络中长程捷径的存在 • 弱链接的强作用 • 启发 • 为了健康行为的传播和巩固,要特别重视高聚类社团的工作,集体的良好风气和习惯对社团内的个体有重要的影响作用。 • 对个人和周围社会联系人健康情况的关注重于对个人健康的关注,即社会性因素大于个人因素。

  15. 疾病传播模型-物理接触型 • SIR模型、SIS模型、SIRS 模型等等 • 传播效果:随机网络最好,小世界网络其次,规则网络最差 • 谣言、舆论等信息传播模型 • Moreno Y等人提出的谣言传播模型,类似于疾病传播的SIR模型。 • 然而,信息传播过程是否与疾病传播过程类似?

  16. 信息传播的特点[3] • 记忆性(Memory Effects) • 社会加强作用(Social Reinforcement) • 无冗余接触(Non-redundancy of contacts) • 兴趣衰减(Time Decaying Effects) • 强弱链接(Tie Strength) • 信息内容(Information Content) • 传播者的影响力(Role of Spreaders)

  17. 基于信息传播的特点,提出一传播模型: • 每一时间步,每一个体处于以下四种状态之一: • 不知道(Unknown)态; • 知道(Known)态; • 确认(Approved)态; • 疲惫(Exhausted)态; • 节点在时间t确认该消息 的概率为:

  18. 较小时,规则网络的传播比随机网络更快更广 • 随着 的增加至某一临界值时,随机网络的效果更好 • 而当 很大时,网络结构对R态用户数量影响不大。

  19. 临界值随网络规模呈现非单调递增的趋势:先迅速减小,当规模足够大时基本稳定。临界值随网络规模呈现非单调递增的趋势:先迅速减小,当规模足够大时基本稳定。 • 质疑:Centola的在线实验结论只适合较小的网络规模!

  20. 引入随机重连概率p,当b很大时,网络很小的一点随机性都能导致传播性能R提升很大。引入随机重连概率p,当b很大时,网络很小的一点随机性都能导致传播性能R提升很大。 • 最优的重连概率p*随参数b的增加呈现单调递减的趋势,并且这种趋势不受网络规模的影响。

  21. 总结 • 信息传播过程与疾病传播过程不同,其传播具有受个体主观能动性作用影响显著的特点。 • 当网络规模较小时,规则网络的信息传播效果更好,同Centola的在线实验结果,是干预和强化的效果体现。而当网络规模增大时,随机网络的优势显现。 • 在信息传播模型中,在规则网络结构中引入随机重连概率,即小世界网络,其传播效果增益明显。 • 小世界网络的传播率比随机网络的高,传播范围比规则网络的广,所以是最有效的信息传播网络结构

  22. 参考文献 • [1] Dodds P. S. and Watts D. J., Universal Behavior in a Generalized Model of Contagion, 2004 Phys. Rev. Lett. 92 218701. • [2] Damon Centola,The Spread of Behavior in an Online Social Network Experiment, 2010, Science, 329, 1194 • [3] Lin-yuan Lv, Duan-Bing Chen, and Tao Zhou, The small world yields the most effective information spreading, 2011, New Journal of Physics, 13 123005

  23. 谢谢!

More Related