【自然语言处理与理解】基于内容的热点话题传播模型

第8卷第3期 智能系统学报 Vol.8 No.3 2013年6月 CAAI Transactions on Intelligent Systems Jum.2013 D0I:10.3969/i.issn.1673-4785.201305077 网络出版地址：http://www.cnki.net/kcms/detail/23.1538.TP.20130613.1325.001.html 基于内容的热点话题传播模型 韩忠明，张慧，张梦 (北京工商大学计算机与信息工程学院，北京100048) 摘要：采用传染病模型对网络热点话题的传播进行建模具有重要的价值，但是现有的传染病模型并没有区分话题 类型和不同用户传播话题的概率，为此提出一个基于内容的网络热点话题传播模型模型中引入了用户对话题传播 的敏感度，基于用户话题敏感度定义了单个用户传播话题的概率，融合话题的内容分类特性、用户传播概率、用户重 入概率等因素，借鉴SRS模型的基本思想，构建了话题传播模型(CSRS).在无标度网络、小世界网络、随机网络和 真实社会网络上作了不同实验，实验结果表明CS模型不仅能够呈现一般传染病动力模型的传播模式，还能够呈 现多个波动、小范围长时间传播、快速上升缓慢下降等社会网络热点话题的传播模式该模型为融合网络结构和话题 内容属性建模话题传播过程带来新的研究思路. 关键词：热点话题：传播模型：传染病模型；话题传播模型 中图分类号：TP391文献标志码：A文章编号：1673-4785(2013)03-0233-07 中文引用格式：韩忠明，张慧，张梦.基于内容的热点话题传播模型[J].智能系统学报，2013,8(3)：233-239. 英文引用格式：HAN Zhongming,ZHANG Hui,,ZHANG Meng.A hot topic propagation model based on topic contents[J].CAAI Transactions on Intelligent Systems,2013,8(3):233-239. A hot topic propagation model based on topic contents HAN Zhongming,ZHANG Hui,ZHANG Meng (College of Computer and Information Engineering,Beijing Technology and Business University,Beijing 100048,China Abstract:Current researches suggest a new hot topic propagation modeling pattern,which uses the epidemic mod- el,and adds great value to the industry.Unfortunately,the existing epidemic models make no distinction between topic type and topic propagation probability of different users.A new propagation model based on topic contents for network hot topics was proposed in this paper.User's sensitivity degree to topic propagation was introduced and based on this,the single user propagation probability was defined.By integrating factors such as topic contents clas- sification characteristics,user propagation probability,user re-entry probability,and drawing on the basic idea of SIRS model,a topic propagation model(CSIRS for short)was built.Different experiments were conducted respec- tively in a scale-free network,small-world network,random network and real social network.The experimental re- sults show CSIRS model can not only present the propagation pattern of a general dynamic model of infectious dis- ease,but also present the propagation patterns of hot topics on social networks,such as multiple wave propagation patterns,small scale spreading with long tail propagation pattern and rapidly rising slowly falling propagation pat- tern.CSIRS model provides a new idea for modeling the topic propagation process by integrating network topology and topic attribute. Keywords:hot topic;propagation model;epidemic model;topic propagation model 网络热点话题对虚拟社会和现实社会都具有极 大的影响力，理解并建模热点话题在社会网络上的 传播具有重要价值.网络热点话题传播与人类社会 收稿日期：2013-05-28.网络出版日期：2013-06-13. 中的疾病传播具有高度的一致性，采用传染病传播 基金项目：国家自然科学基金资助项目(61170112)：教育部人文社会 科学研究基金资助项目(13YC860006):北京市属高等学 模型来理解与分析网络中的消息传播具有广泛的基 校科学技术与研究生教育创新工程建设项目(PXM2012 础.如采用传染病模型理解传感网络中的消息传 014213000037). 通信作者：韩忠明.E-mail:hanm@h.bthu.edu.cm. 播】，在社会网络中结合复杂网络和传染病动力学

第 ８ 卷第 ３ 期 智 能 系 统 学 报 Ｖｏｌ．８ №．３ ２０１３ 年 ６ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｊｕｎ． ２０１３ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１３０５０７７ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１３０６１３．１３２５．００１．ｈｔｍｌ 基于内容的热点话题传播模型 韩忠明，张慧，张梦 （北京工商大学 计算机与信息工程学院，北京 １０００４８） 摘 要：采用传染病模型对网络热点话题的传播进行建模具有重要的价值，但是现有的传染病模型并没有区分话题 类型和不同用户传播话题的概率，为此提出一个基于内容的网络热点话题传播模型．模型中引入了用户对话题传播 的敏感度，基于用户话题敏感度定义了单个用户传播话题的概率，融合话题的内容分类特性、用户传播概率、用户重 入概率等因素，借鉴 ＳＩＲＳ 模型的基本思想，构建了话题传播模型（ＣＳＩＲＳ）．在无标度网络、小世界网络、随机网络和 真实社会网络上作了不同实验，实验结果表明 ＣＳＩＲＳ 模型不仅能够呈现一般传染病动力模型的传播模式，还能够呈 现多个波动、小范围长时间传播、快速上升缓慢下降等社会网络热点话题的传播模式．该模型为融合网络结构和话题 内容属性建模话题传播过程带来新的研究思路． 关键词：热点话题；传播模型；传染病模型；话题传播模型 中图分类号： ＴＰ３９１ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１３）０３⁃０２３３⁃０７ 中文引用格式：韩忠明，张慧，张梦． 基于内容的热点话题传播模型［Ｊ］．智能系统学报， ２０１３， ８（３）： ２３３⁃２３９． 英文引用格式：ＨＡＮ Ｚｈｏｎｇｍｉｎｇ， ＺＨＡＮＧ Ｈｕｉ， ＺＨＡＮＧ Ｍｅｎｇ． Ａ ｈｏｔ ｔｏｐｉｃ ｐｒｏｐａｇａｔｉｏｎ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｔｏｐｉｃ ｃｏｎｔｅｎｔｓ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１３， ８（３）： ２３３⁃２３９． Ａ ｈｏｔ ｔｏｐｉｃ ｐｒｏｐａｇａｔｉｏｎ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｔｏｐｉｃ ｃｏｎｔｅｎｔｓ ＨＡＮ Ｚｈｏｎｇｍｉｎｇ， ＺＨＡＮＧ Ｈｕｉ， ＺＨＡＮＧ Ｍｅｎｇ （Ｃｏｌｌｅｇｅ ｏｆ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｂｅｉｊｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｂｕｓｉｎｅｓｓ Ｕｎｉｖｅｒｓｉｔｙ， Ｂｅｉｊｉｎｇ １０００４８， Ｃｈｉｎａ ） Ａｂｓｔｒａｃｔ：Ｃｕｒｒｅｎｔ ｒｅｓｅａｒｃｈｅｓ ｓｕｇｇｅｓｔ ａ ｎｅｗ ｈｏｔ ｔｏｐｉｃ ｐｒｏｐａｇａｔｉｏｎ ｍｏｄｅｌｉｎｇ ｐａｔｔｅｒｎ， ｗｈｉｃｈ ｕｓｅｓ ｔｈｅ ｅｐｉｄｅｍｉｃ ｍｏｄ⁃ ｅｌ， ａｎｄ ａｄｄｓ ｇｒｅａｔ ｖａｌｕｅ ｔｏ ｔｈｅ ｉｎｄｕｓｔｒｙ． Ｕｎｆｏｒｔｕｎａｔｅｌｙ， ｔｈｅ ｅｘｉｓｔｉｎｇ ｅｐｉｄｅｍｉｃ ｍｏｄｅｌｓ ｍａｋｅ ｎｏ ｄｉｓｔｉｎｃｔｉｏｎ ｂｅｔｗｅｅｎ ｔｏｐｉｃ ｔｙｐｅ ａｎｄ ｔｏｐｉｃ ｐｒｏｐａｇａｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｄｉｆｆｅｒｅｎｔ ｕｓｅｒｓ． Ａ ｎｅｗ ｐｒｏｐａｇａｔｉｏｎ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｔｏｐｉｃ ｃｏｎｔｅｎｔｓ ｆｏｒ ｎｅｔｗｏｒｋ ｈｏｔ ｔｏｐｉｃｓ ｗａｓ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ． Ｕｓｅｒ′ｓ ｓｅｎｓｉｔｉｖｉｔｙ ｄｅｇｒｅｅ ｔｏ ｔｏｐｉｃ ｐｒｏｐａｇａｔｉｏｎ ｗａｓ ｉｎｔｒｏｄｕｃｅｄ ａｎｄ ｂａｓｅｄ ｏｎ ｔｈｉｓ， ｔｈｅ ｓｉｎｇｌｅ ｕｓｅｒ ｐｒｏｐａｇａｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｙ ｗａｓ ｄｅｆｉｎｅｄ． Ｂｙ ｉｎｔｅｇｒａｔｉｎｇ ｆａｃｔｏｒｓ ｓｕｃｈ ａｓ ｔｏｐｉｃ ｃｏｎｔｅｎｔｓ ｃｌａｓ⁃ ｓｉｆｉｃａｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ， ｕｓｅｒ ｐｒｏｐａｇａｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｙ， ｕｓｅｒ ｒｅ⁃ｅｎｔｒｙ ｐｒｏｂａｂｉｌｉｔｙ， ａｎｄ ｄｒａｗｉｎｇ ｏｎ ｔｈｅ ｂａｓｉｃ ｉｄｅａ ｏｆ ＳＩＲＳ ｍｏｄｅｌ， ａ ｔｏｐｉｃ ｐｒｏｐａｇａｔｉｏｎ ｍｏｄｅｌ （ＣＳＩＲＳ ｆｏｒ ｓｈｏｒｔ） ｗａｓ ｂｕｉｌｔ． Ｄｉｆｆｅｒｅｎｔ ｅｘｐｅｒｉｍｅｎｔｓ ｗｅｒｅ ｃｏｎｄｕｃｔｅｄ ｒｅｓｐｅｃ⁃ ｔｉｖｅｌｙ ｉｎ ａ ｓｃａｌｅ⁃ｆｒｅｅ ｎｅｔｗｏｒｋ， ｓｍａｌｌ⁃ｗｏｒｌｄ ｎｅｔｗｏｒｋ， ｒａｎｄｏｍ ｎｅｔｗｏｒｋ ａｎｄ ｒｅａｌ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ． Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅ⁃ ｓｕｌｔｓ ｓｈｏｗ ＣＳＩＲＳ ｍｏｄｅｌ ｃａｎ ｎｏｔ ｏｎｌｙ ｐｒｅｓｅｎｔ ｔｈｅ ｐｒｏｐａｇａｔｉｏｎ ｐａｔｔｅｒｎ ｏｆ ａ ｇｅｎｅｒａｌ ｄｙｎａｍｉｃ ｍｏｄｅｌ ｏｆ ｉｎｆｅｃｔｉｏｕｓ ｄｉｓ⁃ ｅａｓｅ， ｂｕｔ ａｌｓｏ ｐｒｅｓｅｎｔ ｔｈｅ ｐｒｏｐａｇａｔｉｏｎ ｐａｔｔｅｒｎｓ ｏｆ ｈｏｔ ｔｏｐｉｃｓ ｏｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ， ｓｕｃｈ ａｓ ｍｕｌｔｉｐｌｅ ｗａｖｅ ｐｒｏｐａｇａｔｉｏｎ ｐａｔｔｅｒｎｓ， ｓｍａｌｌ ｓｃａｌｅ ｓｐｒｅａｄｉｎｇ ｗｉｔｈ ｌｏｎｇ ｔａｉｌ ｐｒｏｐａｇａｔｉｏｎ ｐａｔｔｅｒｎ ａｎｄ ｒａｐｉｄｌｙ ｒｉｓｉｎｇ ｓｌｏｗｌｙ ｆａｌｌｉｎｇ ｐｒｏｐａｇａｔｉｏｎ ｐａｔ⁃ ｔｅｒｎ． ＣＳＩＲＳ ｍｏｄｅｌ ｐｒｏｖｉｄｅｓ ａ ｎｅｗ ｉｄｅａ ｆｏｒ ｍｏｄｅｌｉｎｇ ｔｈｅ ｔｏｐｉｃ ｐｒｏｐａｇａｔｉｏｎ ｐｒｏｃｅｓｓ ｂｙ ｉｎｔｅｇｒａｔｉｎｇ ｎｅｔｗｏｒｋ ｔｏｐｏｌｏｇｙ ａｎｄ ｔｏｐｉｃ ａｔｔｒｉｂｕｔｅ． Ｋｅｙｗｏｒｄｓ：ｈｏｔ ｔｏｐｉｃ； ｐｒｏｐａｇａｔｉｏｎ ｍｏｄｅｌ； ｅｐｉｄｅｍｉｃ ｍｏｄｅｌ； ｔｏｐｉｃ ｐｒｏｐａｇａｔｉｏｎ ｍｏｄｅｌ 收稿日期：２０１３⁃０５⁃２８． 网络出版日期：２０１３⁃０６⁃１３． 基金项目：国家自然科学基金资助项目（６１１７０１１２）；教育部人文社会 科学研究基金资助项目（１３ＹＪＣ８６０００６）；北京市属高等学 校科学技术与研究生教育创新工程建设项目（ ＰＸＭ２０１２＿ ０１４２１３＿００００３７）． 通信作者：韩忠明． Ｅ⁃ｍａｉｌ： ｈａｎｚｍ＠ ｔｈ．ｂｔｂｕ．ｅｄｕ．ｃｎ． 网络热点话题对虚拟社会和现实社会都具有极 大的影响力，理解并建模热点话题在社会网络上的 传播具有重要价值．网络热点话题传播与人类社会 中的疾病传播具有高度的一致性，采用传染病传播 模型来理解与分析网络中的消息传播具有广泛的基 础．如采用传染病模型理解传感网络中的消息传 播［１］ ，在社会网络中结合复杂网络和传染病动力学

·234· 智能系统学报 第8卷 理论构建动力学演化方程组[]等。 基于话题内容的传播模型 在传染病动力学中，仓室模型是最常用的模式， 可根据不同的种群设置形成不同的模型，例如SR 为了克服传染病感染模型的缺点，假设影响话 SIS和SIRS等，这些模型假设种群中个体被感染者 题在社会网络上传播的因素有： 感染的概率相等随着小世界网络、无标度网络为代 1)话题吸引力指数：用来表达话题的内容特 表的复杂网络研究的兴起，将传染病疾病传播与社 性，用0表示.不同类型话题吸引用户参与的强度不 会结构相结合，使传染病传播模型深入到个人层 同，则0值不同. 面3).文献[6]用模拟方法证实了小世界网络能加 2)网络结构：由用户构成的社会网络 快疾病传播进程.文献[5,7-9]是无标度网络上传染 3)话题保持时间长度：一个节点能感知到话题的 病模型的代表，用平均场方法研究了节点无限的无 时间长度，如同疾病的携带期，用π表示.感染用户在 标度网上的SIS和SR模型.文献[9]说明无标度网 话题保持时间长度内，其状态一直为感染状态 络抵抗传染病的能力很弱，可以在任意小的有效传 4)节点对话题的敏感度：每个用户对话题的敏 播率下维持传播.文献[5]发现无标度网络条件下 感程度都不同，设用户i对话题T的敏感度为B SR模型的传播率阈值与节点度的指数截止值相 5)用户重入概率，用8表示，用户可以多次参与 关，随着指数截止值的增加而增大.SpikeM模型[o 话题，也就是可以多次感染.为了简单起见，设用户 解决了SI模型的缺点，即模型服从幂律下降规律的 重新进入易感群的概率为固定值」 同时保证待感染的节点数有限 采用SRS模型作为基础模型，提出一个基于内 除采用传染病传播动力模型外，自激霍克斯过 容的话题传播模型(content based SIRS model, 程(self-excited Hawkes process)[]等随机过程理论 CSIRS),其基本模型中的种群迁移如图1所示. 建模话题也是一个研究思路.Crane用带参数的自激 霍克斯泊松过程对YouTube视频评论进行建模[2]」 文献[13]假设一个暴力事件服从一个自激霍克斯 过程，并实现了复杂事件的自激霍克斯过程参数估 图1CSRS模型种群迁移示意 Fig.I Population migration in CSIRS 计以及事件预测.信息级联模型(information casca- ding model)采用了网络上的级联事件机制建 从图1可以看出，热点话题中涉及到的用户分 模复杂网络上的消息传播，它将网络中的事件看成 为3类种群：潜在参与用户（易感者$）、参与用户 由一系列的级联活动组成，一个参与者独立观察他 (已感染者I)和免疫用户（恢复者R).一个用户在 人的行为并做出自己的决策，这些决策依赖于用户 易感状态($)下，以不同的概率进行传播（感染）.一 的偏好 个用户在感染状态(I)下，以特定的概率转化为免 无论是传统的仓室模式，还是基于复杂网络的 疫用户(R)或者重新进入易感状态(S). 传染病模型，都假设个体感染不同疾病的感染概率 在CSRS模型中，假设每个用户传播话题的概 相同，不同类型的疾病对易感人群的效应也是相同 率不同，下面给出CSIRS的传播概率.设在一个社会 的.然而，这2个假设在社会网络中都不太合理，网 网络中的用户总数为N,一个用户i的相邻用户个 络用户对不同类型的热点话题的敏感程度不同，如 数为N,该用户对话题的敏感度为B,则该用户在 对于一些负面的、批判性的热点话题，用户的参与性 传染时刻成为感染者的概率，也就是用户传播话题 较强：对于明星类热点话题参与性较低.同理，具有 的概率为 不同特征的用户对话题的敏感程度也不同，即个体 p,=1-(1-B,)29 感染疾病的概率不同 式中：δ为用户i的相邻用户中为感染者的符号函 针对上述不足，本文提出基于内容的网络热点 数，也就是 话题传播模型，该模型改进了传统传染病动力模型 (0, 用户j不是感染者： 的缺点，考虑了不同节点对不同话题的敏感度在小 6:= 世界、无标度、随机网络与真实社会网络上进行了不 1,用户j为感染者 根据CSIRS模型的假设条件和传播概率，设计 同的试验，实验结果表明了考虑用户和话题之间的 关系能够呈现出多个波动、小范围长时间传播、快速 传播过程算法，步骤如表1所示.传播过程算法分为 2个部分：1)初始化参数，随机产生初始话题的发起 上升缓慢下降等传播模式，验证了模型的有效性。 者：2)进入迭代循环，达到迭代次数上限或者所有

理论构建动力学演化方程组［２］等． 在传染病动力学中，仓室模型是最常用的模式， 可根据不同的种群设置形成不同的模型，例如 ＳＩＲ、 ＳＩＳ 和 ＳＩＲＳ 等，这些模型假设种群中个体被感染者 感染的概率相等．随着小世界网络、无标度网络为代 表的复杂网络研究的兴起，将传染病疾病传播与社 会结构相结合，使传染病传播模型深入到个人层 面［３⁃５］ ．文献［６］用模拟方法证实了小世界网络能加 快疾病传播进程．文献［５，７⁃９］是无标度网络上传染 病模型的代表，用平均场方法研究了节点无限的无 标度网上的 ＳＩＳ 和 ＳＩＲ 模型．文献［９］说明无标度网 络抵抗传染病的能力很弱，可以在任意小的有效传 播率下维持传播．文献［５］ 发现无标度网络条件下 ＳＩＲ 模型的传播率阈值与节点度的指数截止值相 关，随着指数截止值的增加而增大． ＳｐｉｋｅＭ 模型［１０］ 解决了 ＳＩ 模型的缺点，即模型服从幂律下降规律的 同时保证待感染的节点数有限． 除采用传染病传播动力模型外，自激霍克斯过 程（ｓｅｌｆ⁃ｅｘｃｉｔｅｄ Ｈａｗｋｅｓ ｐｒｏｃｅｓｓ） ［１１］ 等随机过程理论 建模话题也是一个研究思路．Ｃｒａｎｅ 用带参数的自激 霍克斯泊松过程对 ＹｏｕＴｕｂｅ 视频评论进行建模［１２］ ． 文献［１３］假设一个暴力事件服从一个自激霍克斯 过程，并实现了复杂事件的自激霍克斯过程参数估 计以及事件预测．信息级联模型（ ｉｎｆｏｒｍａｔｉｏｎ ｃａｓｃａ⁃ ｄｉｎｇ ｍｏｄｅｌ） ［１４⁃１８］ 采用了网络上的级联事件机制建 模复杂网络上的消息传播，它将网络中的事件看成 由一系列的级联活动组成，一个参与者独立观察他 人的行为并做出自己的决策，这些决策依赖于用户 的偏好． 无论是传统的仓室模式，还是基于复杂网络的 传染病模型，都假设个体感染不同疾病的感染概率 相同，不同类型的疾病对易感人群的效应也是相同 的．然而，这 ２ 个假设在社会网络中都不太合理，网 络用户对不同类型的热点话题的敏感程度不同，如 对于一些负面的、批判性的热点话题，用户的参与性 较强；对于明星类热点话题参与性较低．同理，具有 不同特征的用户对话题的敏感程度也不同，即个体 感染疾病的概率不同． 针对上述不足，本文提出基于内容的网络热点 话题传播模型，该模型改进了传统传染病动力模型 的缺点，考虑了不同节点对不同话题的敏感度．在小 世界、无标度、随机网络与真实社会网络上进行了不 同的试验，实验结果表明了考虑用户和话题之间的 关系能够呈现出多个波动、小范围长时间传播、快速 上升缓慢下降等传播模式，验证了模型的有效性． １ 基于话题内容的传播模型 为了克服传染病感染模型的缺点，假设影响话 题在社会网络上传播的因素有： １）话题吸引力指数：用来表达话题的内容特 性，用 θ 表示．不同类型话题吸引用户参与的强度不 同，则 θ 值不同． ２）网络结构：由用户构成的社会网络． ３）话题保持时间长度：一个节点能感知到话题的 时间长度，如同疾病的携带期，用 π 表示．感染用户在 话题保持时间长度内，其状态一直为感染状态． ４）节点对话题的敏感度：每个用户对话题的敏 感程度都不同，设用户 ｉ 对话题 Ｔ 的敏感度为 βｉ ． ５）用户重入概率，用 δ 表示，用户可以多次参与 话题，也就是可以多次感染．为了简单起见，设用户 重新进入易感群的概率为固定值． 采用 ＳＩＲＳ 模型作为基础模型，提出一个基于内 容 的 话 题 传 播 模 型 （ ｃｏｎｔｅｎｔ ｂａｓｅｄ ＳＩＲＳ ｍｏｄｅｌ， ＣＳＩＲＳ），其基本模型中的种群迁移如图 １ 所示． 图 １ ＣＳＩＲＳ 模型种群迁移示意 Ｆｉｇ．１ Ｐｏｐｕｌａｔｉｏｎ ｍｉｇｒａｔｉｏｎ ｉｎ ＣＳＩＲＳ 从图 １ 可以看出，热点话题中涉及到的用户分 为 ３ 类种群：潜在参与用户（易感者 Ｓ）、参与用户 （已感染者 Ｉ） 和免疫用户（恢复者 Ｒ）．一个用户在 易感状态（Ｓ）下，以不同的概率进行传播（感染）．一 个用户在感染状态（ Ｉ） 下，以特定的概率转化为免 疫用户（Ｒ）或者重新进入易感状态（Ｓ）． 在 ＣＳＩＲＳ 模型中，假设每个用户传播话题的概 率不同，下面给出 ＣＳＩＲＳ 的传播概率．设在一个社会 网络中的用户总数为 Ｎ，一个用户 ｉ 的相邻用户个 数为 Ｎｉ，该用户对话题的敏感度为 βｉ，则该用户在 传染时刻成为感染者的概率，也就是用户传播话题 的概率为 ｐｉ ＝ １ － （１ － βｉ） ∑ Ｎｉ ｊ ＝ １ δｊ ． 式中：δｉ 为用户 ｉ 的相邻用户中为感染者的符号函 数，也就是 δｉ ＝ ０， 用户 ｊ 不是感染者； １， 用户 ｊ 为感染者． { 根据 ＣＳＩＲＳ 模型的假设条件和传播概率，设计 传播过程算法，步骤如表 １ 所示．传播过程算法分为 ２ 个部分：１）初始化参数，随机产生初始话题的发起 者；２）进入迭代循环，达到迭代次数上限或者所有 ·２３４· 智 能 系 统 学 报 第 ８ 卷

第3期 韩忠明，等：基于内容的热点话题传播模型 ·235· 节点状态为R时算法结束，在循环体中，对网络中 直观分析式(1)，用户标签和话题标签的相似 的每个节点进行状态判断，并进行相应的操作」 度越高，用户对话题的敏感度越高，也就越容易传播 表1传播过程算法 话题，这与现实一致。 Table 1 Propagation process algorithm 2.2仿真实验结果与分析 序号 伪代码 实验采用3种网络形态对CSRS模型的传播效 1) 初始化 果进行仿真分析，3种网络形态分别是： 2) 初始化参数 l)无标度网络(scale--free network,FS).无标度 网络具有很强的异质性，少量的节点占据了大量的 3) 随机产生初始的话题发起者 边，因此这些少数节点对于网络的性质会有很大的 4) hile:循环 影响 5) For i in Networks:对网络的每个节点 2)小世界网络(small--world network,WS).小世 6) Ifi==“”:如果节点状态为I 界网络具有小世界特性（较小的平均最短路径）及 1 fi在保持时间范围内： 聚类特性（较大的聚类系数）.采用WS模型生成小 8) 保持 世界网络，其中重连概率p设为0.2 3)随机网络(Erdos-Renyi network,ER).随机网 9) Else:以概率8进行重入 络的结构具有很大的变化，通过Erdos-Renyi模型生 10) Eifi==“S”:如果节点状态为S 成随机网络，其中连接概率设为0.02. 11) 获取相邻节点 为了比较CSRS模型在3种网络上的不同传播效 12) 计算参与概率P 应，对3种网络都采用相同的参数设置，如表2所示其 13) 以概率P,感染 中，话题保持时间长度π是一个随机变量，假设每个用 户对话题的保持时间长度是一个正态分布，为了简单 2 实验结果与分析 起见，设分布的均值为7. 为了分析CSIRS模型的传播模式，采用Python 表2参数设置 语言实现了一个仿真系统，Python中包含一个 Table 2 Parameter settings SimPy(simulation in Python)包，基于SimPy验证 参数 值 CSRS模型的效果.实验分为2个部分：1)仿真实 节点个数N 200 验，用来分析和考察CSRS模型在不同类型复杂网 话题吸引力指数0 0.5 络下的传播模式：2)真实社会网络实验，用来分析 话题保持时间长度π N(7.1) 和考察CSRS模型在一个真实社会网络下的传播 用户重入概率8 0.5 模式. 所有的实验都运行在一个平台下，平台实验环 用户对话题的敏感度B 2xITenU B.=7+ 境为ntel I5M5402.53 GHz CPU、4GB内存、300GB 3种不同的网络在相同的参数配置下各执行3 硬盘，操作系统为Windows7,Python版本为2.7. 次仿真实验，并将3次结果进行综合比较.图2~4分 2.1实验设置 别是无标度网络、小世界网络和随机网络上的实验 在仿真环境中，用户对不同话题的敏感程度难 结果综合分析图2~4的传播模式，可以得出如下 以界定，为了真实地仿真用户受话题吸引的程度，采 结论 用模拟标签的方式模拟用户对不同话题的敏感度. 1)CSIRS模型在不同的网络上，话题传播呈现 对话题随机设定3~8个标签，类似地，对用户也 不同的模式.CSRS模型在小世界网络上感染的用 随机设定3~8个标签，然后计算用户标签和话题标 户最多，速度也快，但消息的消退速度也最快：而在 签的相似度作为用户对话题的敏感度.设话题标签为 无标度网络上传播的速度最慢，消退的速度也最慢. T={tag(1),tag(2),…,tag(n)},用户标签为Ua= 2)从图2可以看出，CSRS模型在无标度网络 {tag(1),tag(2),…,tag(n)},则用户i对话题的敏感 上的传播能够呈现出多个波动.由于无标度网络中 度定义为 度很高的节点很少，多数节点的度都很小，因此如果 2×lTae∩UaeI 消息无法传播到度高的节点上，那么话题的传播范 B.=Tp+l Ue (1) 围会很小，如图2(c)所示.如果话题传播过程中传

节点状态为 Ｒ 时算法结束，在循环体中，对网络中 的每个节点进行状态判断，并进行相应的操作． 表 １ 传播过程算法 Ｔａｂｌｅ １ Ｐｒｏｐａｇａｔｉｏｎ ｐｒｏｃｅｓｓ ａｌｇｏｒｉｔｈｍ 序 号 伪代码 １） 初始化 ２） 初始化参数 ３） 随机产生初始的话题发起者 ４） Ｗｈｉｌｅ： 循环 ５） Ｆｏｒ ｉ ｉｎ Ｎｅｔｗｏｒｋｓ： 对网络的每个节点 ６） Ｉｆ ｉ ＝ ＝ “Ｉ”：如果节点状态为 Ｉ ７） Ｉｆ ｉ 在保持时间范围内： ８） 保持 ９） Ｅｌｓｅ：以概率 δ 进行重入 １０） Ｅｌｉｆ ｉ ＝ ＝ “Ｓ”：如果节点状态为 Ｓ １１） 获取相邻节点 １２） 计算参与概率 ｐｉ １３） 以概率 ｐｉ 感染 ２ 实验结果与分析 为了分析 ＣＳＩＲＳ 模型的传播模式，采用 Ｐｙｔｈｏｎ 语言实 现 了 一 个 仿 真 系 统， Ｐｙｔｈｏｎ 中 包 含 一 个 ＳｉｍＰｙ （ ｓｉｍｕｌａｔｉｏｎ ｉｎ Ｐｙｔｈｏｎ） 包， 基于 ＳｉｍＰｙ 验证 ＣＳＩＲＳ 模型的效果．实验分为 ２ 个部分：１） 仿真实 验，用来分析和考察 ＣＳＩＲＳ 模型在不同类型复杂网 络下的传播模式；２） 真实社会网络实验，用来分析 和考察 ＣＳＩＲＳ 模型在一个真实社会网络下的传播 模式． 所有的实验都运行在一个平台下，平台实验环 境为 Ｉｎｔｅｌ Ｉ５ Ｍ５４０ ２．５３ ＧＨｚ ＣＰＵ、４ＧＢ 内存、３００ＧＢ 硬盘，操作系统为 Ｗｉｎｄｏｗｓ７，Ｐｙｔｈｏｎ 版本为 ２．７． ２．１ 实验设置 在仿真环境中，用户对不同话题的敏感程度难 以界定，为了真实地仿真用户受话题吸引的程度，采 用模拟标签的方式模拟用户对不同话题的敏感度． 对话题随机设定 ３～８ 个标签，类似地，对用户也 随机设定 ３ ～ ８ 个标签，然后计算用户标签和话题标 签的相似度作为用户对话题的敏感度．设话题标签为 Ｔｔａｇｓ ＝｛ｔａｇ（１），ｔａｇ（２），…，ｔａｇ（ｎ）｝，用户标签为Ｕｔａｇｓ ＝ ｛ｔａｇ（１），ｔａｇ（２），…，ｔａｇ（ｎ）｝，则用户 ｉ 对话题的敏感 度定义为 βｉ ＝ ２ ×｜ Ｔｔａｇｓ ∩ Ｕｔａｇｓ ｜ ｜ Ｔｔａｇｓ ｜ ＋｜ Ｕｔａｇｓ ｜ ． （１） 直观分析式（１），用户标签和话题标签的相似 度越高，用户对话题的敏感度越高，也就越容易传播 话题，这与现实一致． ２．２ 仿真实验结果与分析 实验采用 ３ 种网络形态对 ＣＳＩＲＳ 模型的传播效 果进行仿真分析，３ 种网络形态分别是： １）无标度网络（ ｓｃａｌｅ⁃ｆｒｅｅ ｎｅｔｗｏｒｋ， ＦＳ）．无标度 网络具有很强的异质性，少量的节点占据了大量的 边，因此这些少数节点对于网络的性质会有很大的 影响． ２）小世界网络（ｓｍａｌｌ⁃ｗｏｒｌｄ ｎｅｔｗｏｒｋ， ＷＳ）．小世 界网络具有小世界特性（较小的平均最短路径） 及 聚类特性（较大的聚类系数）．采用 ＷＳ 模型生成小 世界网络，其中重连概率 ｐ 设为 ０．２． ３）随机网络（Ｅｒｄｏｓ⁃Ｒｅｎｙｉ ｎｅｔｗｏｒｋ， ＥＲ）．随机网 络的结构具有很大的变化，通过 Ｅｒｄｏｓ⁃Ｒｅｎｙｉ 模型生 成随机网络，其中连接概率设为 ０．０２． 为了比较 ＣＳＩＲＳ 模型在 ３ 种网络上的不同传播效 应，对 ３ 种网络都采用相同的参数设置，如表 ２ 所示．其 中，话题保持时间长度 π 是一个随机变量，假设每个用 户对话题的保持时间长度是一个正态分布，为了简单 起见，设分布的均值为 ７． 表 ２ 参数设置 Ｔａｂｌｅ ２ Ｐａｒａｍｅｔｅｒ ｓｅｔｔｉｎｇｓ 参 数 值 节点个数 Ｎ ２００ 话题吸引力指数 θ ０．５ 话题保持时间长度 π Ｎ（７，１） 用户重入概率 δ ０．５ 用户对话题的敏感度 βｉ βｉ ＝ ２× ｜ Ｔｔａｇｓ∩Ｕｔａｇｓ ｜ ｜ Ｔｔａｇｓ ｜ ＋ ｜Ｕｔａｇｓ ｜ ３ 种不同的网络在相同的参数配置下各执行 ３ 次仿真实验，并将 ３ 次结果进行综合比较．图 ２～４ 分 别是无标度网络、小世界网络和随机网络上的实验 结果．综合分析图 ２ ～ ４ 的传播模式，可以得出如下 结论． １）ＣＳＩＲＳ 模型在不同的网络上，话题传播呈现 不同的模式．ＣＳＩＲＳ 模型在小世界网络上感染的用 户最多，速度也快，但消息的消退速度也最快；而在 无标度网络上传播的速度最慢，消退的速度也最慢． ２）从图 ２ 可以看出，ＣＳＩＲＳ 模型在无标度网络 上的传播能够呈现出多个波动．由于无标度网络中 度很高的节点很少，多数节点的度都很小，因此如果 消息无法传播到度高的节点上，那么话题的传播范 围会很小，如图 ２（ ｃ）所示．如果话题传播过程中传 第 ３ 期 韩忠明，等：基于内容的热点话题传播模型 ·２３５·

·236 智能系统学报 第8卷 播到一些度高的节点，那么能引起多个波动，如图2 式，话题快速上升后以近似幂律的形式下降.话题的 (a)所示.另外由于无标度网络的结构复杂性，因此 存活期较短，3次传播的存活期都小于60h,而在无 话题在无标度网络上的存活期长，而且可能在较长 标度网络和随机网络中存活期都超过了60h.这个 时间的静默期后重新传播，如图2(c)所示.图2(b) 结果与Wats等发现疾病在小世界网络中传播速度 则呈现出一般的话题传播模式，但也有一些小的波 比规则网络更快、传播范围更广[20]的结果一致 动.另一方面，从图2的3个子图可以看出，这3个 200 传播模式具有较大的差异，其原因在于节点对话题 的敏感度和节点的度没有必然的相关性，因此话题 150 感染用户 一易感染用户 ,免疫用户 传播范围和速度的决定因素不仅是网络的物理性 100 质，还有节点对话题的敏感程度等，这个现象与文献 [19]中的分析一致， 50 200 感类用户 易感染用户 免疫用户 20 4060 80100 150 t/h (a)第1次实验 100 200m 50 150 感染用户 易感染用户 20 40 60 80 100 …免疫用户 扫 100 (a)第1次实验 50 200 感染用户 染用户 一免疫用户 20 40 60 100 150 h (b)第2次实验 100 200 50 150 感染用户 易感染用户 20 4060 80100 一免疫用户 th 扫 100 (b)第2次实验 200 感染用户 一一易感染用户 一免疫用户 20 4060 80100 150 t/h (c)第3次实验 100 图3小世界网络上的仿真结果 Fig.3 Simulation results under small-world network 4)从图4可以看到，CSRS模型在随机网络上传 播的范围和传播速度都介于无标度网络和小世界网 20 406080100 t/h 络之间随机网络上的话题传播长尾特性比在小世界 (c)第3次实验 网络上的传播明显，这说明由于内容和用户之间存在 图2无标度网络上的仿真结果 不同的敏感程度，话题在传播高峰期后得以在较长的 Fig.2 Simulation results under scale-free network 时间内继续小范围的传播此外，随着随机网络的连 3)图3中3个子图呈现出基本一致的传播模 接概率增大，随机网络的边数将不断增加，节点间的

播到一些度高的节点，那么能引起多个波动，如图 ２ （ａ）所示．另外由于无标度网络的结构复杂性，因此 话题在无标度网络上的存活期长，而且可能在较长 时间的静默期后重新传播，如图 ２（ｃ）所示．图 ２（ｂ） 则呈现出一般的话题传播模式，但也有一些小的波 动．另一方面，从图 ２ 的 ３ 个子图可以看出，这 ３ 个 传播模式具有较大的差异，其原因在于节点对话题 的敏感度和节点的度没有必然的相关性，因此话题 传播范围和速度的决定因素不仅是网络的物理性 质，还有节点对话题的敏感程度等，这个现象与文献 ［１９］中的分析一致． （ａ）第 １ 次实验 （ｂ）第 ２ 次实验 （ｃ）第 ３ 次实验 图 ２ 无标度网络上的仿真结果 Ｆｉｇ．２ Ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｕｎｄｅｒ ｓｃａｌｅ⁃ｆｒｅｅ ｎｅｔｗｏｒｋ ３）图 ３ 中 ３ 个子图呈现出基本一致的传播模 式，话题快速上升后以近似幂律的形式下降．话题的 存活期较短，３ 次传播的存活期都小于６０ ｈ，而在无 标度网络和随机网络中存活期都超过了６０ ｈ．这个 结果与 Ｗａｔｔｓ 等发现疾病在小世界网络中传播速度 比规则网络更快、传播范围更广［２０］的结果一致． （ａ）第 １ 次实验 （ｂ）第 ２ 次实验 （ｃ） 第 ３ 次实验 图 ３ 小世界网络上的仿真结果 Ｆｉｇ．３ Ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｕｎｄｅｒ ｓｍａｌｌ⁃ｗｏｒｌｄ ｎｅｔｗｏｒｋ ４）从图 ４ 可以看到，ＣＳＩＲＳ 模型在随机网络上传 播的范围和传播速度都介于无标度网络和小世界网 络之间．随机网络上的话题传播长尾特性比在小世界 网络上的传播明显，这说明由于内容和用户之间存在 不同的敏感程度，话题在传播高峰期后得以在较长的 时间内继续小范围的传播．此外，随着随机网络的连 接概率增大，随机网络的边数将不断增加，节点间的 ·２３６· 智 能 系 统 学 报 第 ８ 卷

第3期 韩忠明，等：基于内容的热点话题传播模型 ·237· 平均路径不断减小：因此，模型传播的范围将不断扩 置.实验结果如图5所示 大，速度也会明显加快 450- 200m 400 感染用户 易感染用户 家 350 感染用户 免疫用户 300 一一易感染用户 家150 2504 一免疫用户 200 100 150 100 50 50 04 20 40 60 80 100 h 20 406080100 t/h (a)第1次实验 (a)第1次实验 450 200r 400- 感染用户 用户 感染用户 易感染用户 150 免疫用 250 一免疫用户 200N 100 1504 100 50 50 20 4060 80 100 20 40 60 80 100 吻 (b)第2次实验 (b)第2次实验 450 200 400 感染用户 易感染用户 感染用户 免疫用户 300 一一易感染用户 150 250 一免疫用户 200 100 150 100 50 20 406080100 h 20 406080100 t/h (c)第3次实验 (c)第3次实验 图5真实社会网络上的实验结果 图4随机网络上的仿真结果 Fig.5 Experimental results under real social network Fig.4 Simulation results under random network 从图5可以看出，真实社会网络上CSRS模型 通过不同网络在相同的参数配置下得到的不同 呈现出基本一致的传播模式，其差异在于传播过程 仿真实验结果说明，CSRS模型不仅能呈现出一般 的上升速度更快，以及传播下降过程中具有局部波 传染病动力模型所呈现的传播模式，还能够呈现出 动和更明显的长尾效应.CSRS模型在真实社会网 多个波动、小范围长时间传播、快速上升缓慢下降等 络上的传播速度非常快，超过了无标度网络和小世 社会网络话题传播模式.这充分说明了考虑话题特 界网络下的传播速度，其原因在于实验采集的是一 性、用户对话题的敏感程度等因素能够较好地刻画 个用户真实的社会网络，平均路径较短，因此很容易 社会网络上的热点话题传播模式 形成话题的快速漫延.CSRS模型下降方式呈现先 2.3真实网络上的传播实验 快后慢的特征，这与现实话题传播一致.另外如图5 为了评估CSRS模型在真实网络上的效应，从 (c)所示，CSIRS模型在真实社会网络上的传播长尾 人人网上采集了一个用户的真实社会网络，网络中 效应要大于小世界网络，这也符合话题在现实网络 的节点个数为445个.真实社会网络具有无标度和 上可能被少数用户在较长时间内局部传播的情况， 小世界的混合特性，采用与仿真实验相同的参数设

平均路径不断减小；因此，模型传播的范围将不断扩 大，速度也会明显加快． （ａ）第 １ 次实验 （ｂ）第 ２ 次实验 （ｃ）第 ３ 次实验 图 ４ 随机网络上的仿真结果 Ｆｉｇ．４ Ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｕｎｄｅｒ ｒａｎｄｏｍ ｎｅｔｗｏｒｋ 通过不同网络在相同的参数配置下得到的不同 仿真实验结果说明，ＣＳＩＲＳ 模型不仅能呈现出一般 传染病动力模型所呈现的传播模式，还能够呈现出 多个波动、小范围长时间传播、快速上升缓慢下降等 社会网络话题传播模式．这充分说明了考虑话题特 性、用户对话题的敏感程度等因素能够较好地刻画 社会网络上的热点话题传播模式． ２．３ 真实网络上的传播实验 为了评估 ＣＳＩＲＳ 模型在真实网络上的效应，从 人人网上采集了一个用户的真实社会网络，网络中 的节点个数为 ４４５ 个．真实社会网络具有无标度和 小世界的混合特性，采用与仿真实验相同的参数设 置．实验结果如图 ５ 所示． （ａ）第 １ 次实验 （ｂ）第 ２ 次实验 （ｃ） 第 ３ 次实验 图 ５ 真实社会网络上的实验结果 Ｆｉｇ．５ Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｕｎｄｅｒ ｒｅａｌ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ 从图 ５ 可以看出，真实社会网络上 ＣＳＩＲＳ 模型 呈现出基本一致的传播模式，其差异在于传播过程 的上升速度更快，以及传播下降过程中具有局部波 动和更明显的长尾效应．ＣＳＩＲＳ 模型在真实社会网 络上的传播速度非常快，超过了无标度网络和小世 界网络下的传播速度，其原因在于实验采集的是一 个用户真实的社会网络，平均路径较短，因此很容易 形成话题的快速漫延．ＣＳＩＲＳ 模型下降方式呈现先 快后慢的特征，这与现实话题传播一致．另外如图 ５ （ｃ）所示，ＣＳＩＲＳ 模型在真实社会网络上的传播长尾 效应要大于小世界网络，这也符合话题在现实网络 上可能被少数用户在较长时间内局部传播的情况． 第 ３ 期 韩忠明，等：基于内容的热点话题传播模型 ·２３７·

·238· 智能系统学报 第8卷 3结论 [10]MATSUBARA Y,SAKURAI Y,PRAKASH B A,et al. Rise and fall patterns of information diffusion:model and 本文基于内容构建了一个话题传播模型 implications[C]//Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data (CSIRS),在无标度网络、小世界网络、随机网络以 Mining.Beijing,China,2012:6-14. 及真实社会网络上做了不同的实验，研究结果表明： [11]HAWKES A G,OAKES D.A cluster representation of a 1)CSIRS模型在不同结构的复杂网络上呈现丰 self-exciting process[J].Journal of Applied Probability, 富的传播特征，尤其是在无标度和真实社会网络上 1974,2(11):493-503. 的传播能体现出真实话题传播的特征： [12]CRANE R,SORNETTE D.Robust dynamic classes re- 2)CSIRS模型在小世界网络和真实社会网络上 vealed by measuring the response function of a social sys- 的传播模式基本一致，这说明在具有小世界特征的 tem[J].Proceedings of the National Academy of Sci- ences,2008,105(41):15649-15653. 复杂网络上的话题传播具有相似的模式：但在实际 [13]STOMAKHIN A,SHORT M B,BERTOZZI A L.Recon- 社会网络中话题传播的形态还有很多，还需要进一 struction of missing data in social networks based on tem- 步在模型中加人不同的因素. poral patterns of interactions[].Inverse Problems,2011, 现实的社会网络中同时具有无标度、小世界等 27(11):115013. 特性，其热点话题的传播还受到外部因素、内部相互 [14]赵丽，袁睿翕，管晓宏，等博客网络中具有突发性的话 激励、噪声等多种因素的影响，因此如何融合更多的 题传播模型[J].软件学报，2009,20(5)：1384-1392 ZHAO Li,YUAN Ruixi,GUAN Xiaohong,et al.Bursty 因素，构建更加精确的模型，在更多实际的网络上进 propagation model for incidental events in blog networks 行实验都是值得研究的问题 [J].Journal of Software,2009,20(5):1384-1392. 参考文献： [15]LESKOVEC J,MCGLOHON M,FALOUTSOS C,et al. Cascading behavior in large blog graphs[J].2007 SIAM [1]刘晓凤，黄刘生，吴俊敏，等.传感网络定位中基于传染病 International Conference on Data Mining.Minneapolis, 模型的信息传播研究[J].小型微型计算机系统，2009， USA,2007,551-556. 30(4):647-651. [16]KUMAR R,MAHDIAN M,MCGLOHON M.Dynamies of LIU Xiaofeng,HUANG Liusheng,WU Junmin,et al.Study conversations[C]//Proceedings of the 16th ACM SIGKDD of the false information spread in localization algorithms for International Conference on Knowledge Discovery and Data wireless sensor networks using epidemic model[].Journal Mining.Washington,DC,USA:ACM,2010:553-562. of Chinese Computer Systems,2009,30(4):647-651. [17]PRAKASH B A,CHAKRABARTI D,FALOUTSOS M,et [2]张彦超，刘云，张海峰，等.基于在线社交网络的信息传播 al.Threshold conditions for arbitrary cascade models on ar- 模型[J].物理学报，2011,60(5)：050501. bitrary networks[C]//2011 IEEE 11th International Con- ZHANG Yanchao,LIU Yun,ZHANG Haifeng,et al.The ference on Data Mining.Vancouver,Canada,2011:537- research of information dissemination model on online social 546. network[J].Acta Physica Sinica,2011,60(5):050501. [18]YANG J,LESKOVEC J.Modeling information diffusion in [3]KEELING M J,EAMES K T D.Networks and epidemic implicit networks[C]//2010 IEEE 10th International Con- models[J].Journal of the Royal Society Interface,2005, ference on Data Mining.Sydney,Australia,2010:599- 51(2):295-307. 608. [4]RILEY S.Large scale spatial transmission models of infec- [19]王延，郑志刚.无标度网络上的传播动力学[J].物理学 tious disease[Jl.Science,2007,316(5829):1298-1301. 报，2009,58(7)：4421-4425. [5]NEWMAN M E J.Spread of epidemic disease on networks WANG Yan,ZHENG Zhigang.Spreading dynamics on [J].Physical Review E,2002,66(1):1103-1115 scale-free networks [J.Acta Physica Sinica,2009,58 [6]WATTS D J.STROGATZ S H.Collective dynamics of (7）:4421-4425. small-world networks[J].Nature,1998,393 6684 ) [20]NEWMAN M E J,WATTS D J.Scaling and percolation in 440-442. the small world network model [J].Physical Review E. [7]MAY R M,LLOYD A L.Infection dynamies on scale-free 1999.60(6):7332-7342 networks[J].Physical Review E,2001,64(6):066112. 作者简介： [8]LLOYD A L,MAY R M.How viruses spread among com- 韩忠明，男，1972年生，副教授，博 puters and people[J].Science,2001,292(5520):1316- 士后，主要研究方向为数据仓库与数据 1317. 挖掘、生物信息学.主持和参与国家自 [9]PASTOR-SATORRAS R,VESPIGNANI A.Epidemic sprea- 然科学基金、教育部人文社科基金等项 ding in scale-free networks[J].Physical Review Letters, 目多项，发表学术论文50余篇 2001,86(14):3200-3203

３ 结 论 本文 基 于 内 容 构 建 了 一 个 话 题 传 播 模 型 （ＣＳＩＲＳ），在无标度网络、小世界网络、随机网络以 及真实社会网络上做了不同的实验，研究结果表明： １）ＣＳＩＲＳ 模型在不同结构的复杂网络上呈现丰 富的传播特征，尤其是在无标度和真实社会网络上 的传播能体现出真实话题传播的特征； ２）ＣＳＩＲＳ 模型在小世界网络和真实社会网络上 的传播模式基本一致，这说明在具有小世界特征的 复杂网络上的话题传播具有相似的模式；但在实际 社会网络中话题传播的形态还有很多，还需要进一 步在模型中加入不同的因素． 现实的社会网络中同时具有无标度、小世界等 特性，其热点话题的传播还受到外部因素、内部相互 激励、噪声等多种因素的影响，因此如何融合更多的 因素，构建更加精确的模型，在更多实际的网络上进 行实验都是值得研究的问题． 参考文献： ［１］刘晓凤，黄刘生，吴俊敏，等．传感网络定位中基于传染病 模型的信息传播研究［ Ｊ］．小型微型计算机系统， ２００９， ３０（４）： ６４７⁃６５１． ＬＩＵ Ｘｉａｏｆｅｎｇ， ＨＵＡＮＧ Ｌｉｕｓｈｅｎｇ， ＷＵ Ｊｕｎｍｉｎ， ｅｔ ａｌ． Ｓｔｕｄｙ ｏｆ ｔｈｅ ｆａｌｓｅ ｉｎｆｏｒｍａｔｉｏｎ ｓｐｒｅａｄ ｉｎ ｌｏｃａｌｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｗｉｒｅｌｅｓｓ ｓｅｎｓｏｒ ｎｅｔｗｏｒｋｓ ｕｓｉｎｇ ｅｐｉｄｅｍｉｃ ｍｏｄｅｌ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎｅｓｅ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍｓ， ２００９， ３０（４）： ６４７⁃６５１． ［２］张彦超，刘云，张海峰，等．基于在线社交网络的信息传播 模型［Ｊ］．物理学报， ２０１１， ６０（５）： ０５０５０１． ＺＨＡＮＧ Ｙａｎｃｈａｏ， ＬＩＵ Ｙｕｎ， ＺＨＡＮＧ Ｈａｉｆｅｎｇ， ｅｔ ａｌ． Ｔｈｅ ｒｅｓｅａｒｃｈ ｏｆ ｉｎｆｏｒｍａｔｉｏｎ ｄｉｓｓｅｍｉｎａｔｉｏｎ ｍｏｄｅｌ ｏｎ ｏｎｌｉｎｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ［Ｊ］． Ａｃｔａ Ｐｈｙｓｉｃａ Ｓｉｎｉｃａ， ２０１１， ６０（５）： ０５０５０１． ［３］ ＫＥＥＬＩＮＧ Ｍ Ｊ， ＥＡＭＥＳ Ｋ Ｔ Ｄ． Ｎｅｔｗｏｒｋｓ ａｎｄ ｅｐｉｄｅｍｉｃ ｍｏｄｅｌｓ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｒｏｙａｌ Ｓｏｃｉｅｔｙ Ｉｎｔｅｒｆａｃｅ， ２００５， ５１（２）： ２９５⁃３０７． ［４］ＲＩＬＥＹ Ｓ． Ｌａｒｇｅ ｓｃａｌｅ ｓｐａｔｉａｌ ｔｒａｎｓｍｉｓｓｉｏｎ ｍｏｄｅｌｓ ｏｆ ｉｎｆｅｃ⁃ ｔｉｏｕｓ ｄｉｓｅａｓｅ［Ｊ］． Ｓｃｉｅｎｃｅ， ２００７， ３１６（５８２９）： １２９８⁃１３０１． ［５］ＮＥＷＭＡＮ Ｍ Ｅ Ｊ． Ｓｐｒｅａｄ ｏｆ ｅｐｉｄｅｍｉｃ ｄｉｓｅａｓｅ ｏｎ ｎｅｔｗｏｒｋｓ ［Ｊ］． Ｐｈｙｓｉｃａｌ Ｒｅｖｉｅｗ Ｅ， ２００２， ６６（１）： １１０３⁃１１１５． ［６］ ＷＡＴＴＳ Ｄ Ｊ， ＳＴＲＯＧＡＴＺ Ｓ Ｈ． Ｃｏｌｌｅｃｔｉｖｅ ｄｙｎａｍｉｃｓ ｏｆ ｓｍａｌｌ⁃ｗｏｒｌｄ ｎｅｔｗｏｒｋｓ ［ Ｊ ］． Ｎａｔｕｒｅ， １９９８， ３９３ （ ６６８４ ）： ４４０⁃４４２． ［７］ＭＡＹ Ｒ Ｍ， ＬＬＯＹＤ Ａ Ｌ． Ｉｎｆｅｃｔｉｏｎ ｄｙｎａｍｉｃｓ ｏｎ ｓｃａｌｅ⁃ｆｒｅｅ ｎｅｔｗｏｒｋｓ［Ｊ］． Ｐｈｙｓｉｃａｌ Ｒｅｖｉｅｗ Ｅ， ２００１， ６４（６）： ０６６１１２． ［８］ＬＬＯＹＤ Ａ Ｌ， ＭＡＹ Ｒ Ｍ． Ｈｏｗ ｖｉｒｕｓｅｓ ｓｐｒｅａｄ ａｍｏｎｇ ｃｏｍ⁃ ｐｕｔｅｒｓ ａｎｄ ｐｅｏｐｌｅ［ Ｊ］． Ｓｃｉｅｎｃｅ， ２００１， ２９２（５５２０）： １３１６⁃ １３１７． ［９］ＰＡＳＴＯＲ⁃ＳＡＴＯＲＲＡＳ Ｒ， ＶＥＳＰＩＧＮＡＮＩ Ａ． Ｅｐｉｄｅｍｉｃ ｓｐｒｅａ⁃ ｄｉｎｇ ｉｎ ｓｃａｌｅ⁃ｆｒｅｅ ｎｅｔｗｏｒｋｓ ［ Ｊ］． Ｐｈｙｓｉｃａｌ Ｒｅｖｉｅｗ Ｌｅｔｔｅｒｓ， ２００１， ８６（１４）： ３２００⁃３２０３． ［１０］ 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． Ｂｅｉｊｉｎｇ， Ｃｈｉｎａ， ２０１２： ６⁃１４． ［１１］ＨＡＷＫＥＳ Ａ Ｇ， ＯＡＫＥＳ Ｄ． Ａ ｃｌｕｓｔｅｒ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ａ ｓｅｌｆ⁃ｅｘｃｉｔｉｎｇ ｐｒｏｃｅｓｓ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｐｒｏｂａｂｉｌｉｔｙ， １９７４， ２（１１）： ４９３⁃５０３． ［１２］ ＣＲＡＮＥ Ｒ， ＳＯＲＮＥＴＴＥ Ｄ． Ｒｏｂｕｓｔ ｄｙｎａｍｉｃ ｃｌａｓｓｅｓ ｒｅ⁃ ｖｅａｌｅｄ ｂｙ ｍｅａｓｕｒｉｎｇ ｔｈｅ ｒｅｓｐｏｎｓｅ ｆｕｎｃｔｉｏｎ ｏｆ ａ ｓｏｃｉａｌ ｓｙｓ⁃ ｔｅｍ［ Ｊ ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｎａｔｉｏｎａｌ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉ⁃ ｅｎｃｅｓ， ２００８， １０５（４１）： １５６４９⁃１５６５３． ［１３］ ＳＴＯＭＡＫＨＩＮ Ａ， ＳＨＯＲＴ Ｍ Ｂ， ＢＥＲＴＯＺＺＩ Ａ Ｌ． Ｒｅｃｏｎ⁃ ｓｔｒｕｃｔｉｏｎ ｏｆ ｍｉｓｓｉｎｇ ｄａｔａ ｉｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｂａｓｅｄ ｏｎ ｔｅｍ⁃ ｐｏｒａｌ ｐａｔｔｅｒｎｓ ｏｆ ｉｎｔｅｒａｃｔｉｏｎｓ［Ｊ］． Ｉｎｖｅｒｓｅ Ｐｒｏｂｌｅｍｓ， ２０１１， ２７（１１）： １１５０１３． ［１４］赵丽，袁睿翕，管晓宏，等．博客网络中具有突发性的话 题传播模型［Ｊ］．软件学报， ２００９， ２０（５）： １３８４⁃１３９２． ＺＨＡＯ Ｌｉ， ＹＵＡＮ Ｒｕｉｘｉ， ＧＵＡＮ Ｘｉａｏｈｏｎｇ， ｅｔ ａｌ． Ｂｕｒｓｔｙ ｐｒｏｐａｇａｔｉｏｎ ｍｏｄｅｌ ｆｏｒ ｉｎｃｉｄｅｎｔａｌ ｅｖｅｎｔｓ ｉｎ ｂｌｏｇ ｎｅｔｗｏｒｋｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｓｏｆｔｗａｒｅ， ２００９， ２０（５）： １３８４⁃１３９２． ［１５］ ＬＥＳＫＯＶＥＣ Ｊ， ＭＣＧＬＯＨＯＮ Ｍ， ＦＡＬＯＵＴＳＯＳ Ｃ， ｅｔ ａｌ． Ｃａｓｃａｄｉｎｇ ｂｅｈａｖｉｏｒ ｉｎ ｌａｒｇｅ ｂｌｏｇ ｇｒａｐｈｓ［ Ｊ］． ２００７ ＳＩＡＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｄａｔａ Ｍｉｎｉｎｇ． Ｍｉｎｎｅａｐｏｌｉｓ， ＵＳＡ， ２００７， ５５１⁃５５６． ［１６］ＫＵＭＡＲ Ｒ， ＭＡＨＤＩＡＮ Ｍ， ＭＣＧＬＯＨＯＮ Ｍ． Ｄｙｎａｍｉｃｓ ｏｆ ｃｏｎｖｅｒｓａｔｉｏｎｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １６ｔｈ ＡＣＭ ＳＩＧＫＤＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ． Ｗａｓｈｉｎｇｔｏｎ， ＤＣ， ＵＳＡ： ＡＣＭ， ２０１０： ５５３⁃５６２． ［１７］ＰＲＡＫＡＳＨ Ｂ Ａ， ＣＨＡＫＲＡＢＡＲＴＩ Ｄ， ＦＡＬＯＵＴＳＯＳ Ｍ， ｅｔ ａｌ． Ｔｈｒｅｓｈｏｌｄ ｃｏｎｄｉｔｉｏｎｓ ｆｏｒ ａｒｂｉｔｒａｒｙ ｃａｓｃａｄｅ ｍｏｄｅｌｓ ｏｎ ａｒ⁃ ｂｉｔｒａｒｙ ｎｅｔｗｏｒｋｓ［Ｃ］ ／ ／ ２０１１ ＩＥＥＥ １１ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎ⁃ ｆｅｒｅｎｃｅ ｏｎ Ｄａｔａ Ｍｉｎｉｎｇ． Ｖａｎｃｏｕｖｅｒ， Ｃａｎａｄａ， ２０１１： ５３７⁃ ５４６． ［１８］ＹＡＮＧ Ｊ， ＬＥＳＫＯＶＥＣ Ｊ． Ｍｏｄｅｌｉｎｇ ｉｎｆｏｒｍａｔｉｏｎ ｄｉｆｆｕｓｉｏｎ ｉｎ ｉｍｐｌｉｃｉｔ ｎｅｔｗｏｒｋｓ［Ｃ］ ／ ／ ２０１０ ＩＥＥＥ １０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎ⁃ ｆｅｒｅｎｃｅ ｏｎ Ｄａｔａ Ｍｉｎｉｎｇ． Ｓｙｄｎｅｙ， Ａｕｓｔｒａｌｉａ， ２０１０： ５９９⁃ ６０８． ［１９］王延，郑志刚．无标度网络上的传播动力学［ Ｊ］．物理学 报， ２００９， ５８（７）： ４４２１⁃４４２５． ＷＡＮＧ Ｙａｎ， ＺＨＥＮＧ Ｚｈｉｇａｎｇ． Ｓｐｒｅａｄｉｎｇ ｄｙｎａｍｉｃｓ ｏｎ ｓｃａｌｅ⁃ｆｒｅｅ ｎｅｔｗｏｒｋｓ ［ Ｊ］． Ａｃｔａ Ｐｈｙｓｉｃａ Ｓｉｎｉｃａ， ２００９， ５８ （７）： ４４２１⁃４４２５． ［２０］ＮＥＷＭＡＮ Ｍ Ｅ Ｊ， ＷＡＴＴＳ Ｄ Ｊ． Ｓｃａｌｉｎｇ ａｎｄ ｐｅｒｃｏｌａｔｉｏｎ ｉｎ ｔｈｅ ｓｍａｌｌ ｗｏｒｌｄ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ［ Ｊ］． Ｐｈｙｓｉｃａｌ Ｒｅｖｉｅｗ Ｅ， １９９９， ６０（６）： ７３３２⁃７３４２． 作者简介： 韩忠明，男，１９７２ 年生，副教授，博 士后，主要研究方向为数据仓库与数据 挖掘、生物信息学．主持和参与国家自 然科学基金、教育部人文社科基金等项 目多项，发表学术论文 ５０ 余篇． ·２３８· 智 能 系 统 学 报 第 ８ 卷

第3期 韩忠明，等：基于内容的热点话题传播模型 ·239. 张慧，女，1989年生，硕士研究生 张梦，女，1991年生.硕士研究生. 主要研究方向为互联网检索与数据挖 主要研究方向为互联网检索与数据挖 掘、社会网络。 掘、社会网络。 2013第8届智能系统与知识工程国际会议(ISKE2013) 2013 International Conference on Intelligent Systems and Knowledge Engineering (ISKE2013) The 2013 International Conference on Intelligent Systems and Knowledge Engineering (ISKE2013)is the eighth in a series of ISKE conferences.ISKE2013 follows the successful ISKE2006 in Shanghai (China),ISKE2007 in Chengdu (China), ISKE2008 in Xiamen (China),ISKE2009 in Hasselt Belgium),ISKE2010 in Hangzhou (China),ISKE2011 in Shang- hai (China),ISKE2012 in Beijing (China),and will be held on Nov.20-23,2013 in Shenzhen (China).This confer- ence is sponsored by Shenzhen University,and technically co-sponsored by Southwest Jiaotong University,University of Technology,Sydney.ISKE2013 emphasizes current practice,experience and promising new ideas in the broad area of in- telligent systems and knowledge engineering.ISKE2013 accepts submissions that have not been published or submitted in any form elsewhere.Besides technical/research papers,submissions reporting on industrial case studies are also welcome. Accepted papers will be published by Springer and submitted for indexing to EI and ISTP.Some selected papers will be published in the well-known international journals(SCI or EI indexed). Paper Submission Prospective authors are encouraged to submit full papers for review in PDF-format.Only original papers that have not been published or submitted for publication elsewhere will be considered,written in English,Please submit your papers using the online submission system in:https://www.easychair.org/conferences/?conf=iske2013. Important Dates Special session proposals:May 1,2013 Full paper submission deadline:June 20,2013 Acceptance notification:July 20,2013 Final papers submissions:August 20,2013 Final registration:August 20,2013 Contact us Address:Nanhai Ave 3688,Shenzhen,Guangdong,P.R.China,518060 Tel:Qian Zhiling +86-13524123968 Website:http://kjb.szu.edu.cn/iske E-mail:iske2013@gmail.com

张慧，女，１９８９ 年生，硕士研究生， 主要研究方向为互联网检索与数据挖 掘、社会网络． 张梦，女，１９９１ 年生，硕士研究生， 主要研究方向为互联网检索与数据挖 掘、社会网络． ２０１３ 第 ８ 届智能系统与知识工程国际会议（ ＩＳＫＥ２０１３） ２０１３ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ ａｎｄ Ｋｎｏｗｌｅｄｇｅ Ｅｎｇｉｎｅｅｒｉｎｇ （ ＩＳＫＥ２０１３） Ｔｈｅ ２０１３ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ ａｎｄ Ｋｎｏｗｌｅｄｇｅ Ｅｎｇｉｎｅｅｒｉｎｇ （ＩＳＫＥ２０１３） ｉｓ ｔｈｅ ｅｉｇｈｔｈ ｉｎ ａ ｓｅｒｉｅｓ ｏｆ ＩＳＫＥ ｃｏｎｆｅｒｅｎｃｅｓ． ＩＳＫＥ２０１３ ｆｏｌｌｏｗｓ ｔｈｅ ｓｕｃｃｅｓｓｆｕｌ ＩＳＫＥ２００６ ｉｎ Ｓｈａｎｇｈａｉ （Ｃｈｉｎａ）， ＩＳＫＥ２００７ ｉｎ Ｃｈｅｎｇｄｕ （Ｃｈｉｎａ）， ＩＳＫＥ２００８ ｉｎ Ｘｉａｍｅｎ （Ｃｈｉｎａ）， ＩＳＫＥ２００９ ｉｎ Ｈａｓｓｅｌｔ （Ｂｅｌｇｉｕｍ）， ＩＳＫＥ２０１０ ｉｎ Ｈａｎｇｚｈｏｕ （Ｃｈｉｎａ）， ＩＳＫＥ２０１１ ｉｎ Ｓｈａｎｇ⁃ ｈａｉ （Ｃｈｉｎａ）， ＩＳＫＥ２０１２ ｉｎ Ｂｅｉｊｉｎｇ （Ｃｈｉｎａ）， ａｎｄ ｗｉｌｌ ｂｅ ｈｅｌｄ ｏｎ Ｎｏｖ． ２０—２３， ２０１３ ｉｎ Ｓｈｅｎｚｈｅｎ （Ｃｈｉｎａ）． Ｔｈｉｓ ｃｏｎｆｅｒ⁃ ｅｎｃｅ ｉｓ ｓｐｏｎｓｏｒｅｄ ｂｙ Ｓｈｅｎｚｈｅｎ Ｕｎｉｖｅｒｓｉｔｙ， ａｎｄ ｔｅｃｈｎｉｃａｌｌｙ ｃｏ⁃ｓｐｏｎｓｏｒｅｄ ｂｙ Ｓｏｕｔｈｗｅｓｔ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， Ｓｙｄｎｅｙ． ＩＳＫＥ２０１３ ｅｍｐｈａｓｉｚｅｓ ｃｕｒｒｅｎｔ ｐｒａｃｔｉｃｅ， ｅｘｐｅｒｉｅｎｃｅ ａｎｄ ｐｒｏｍｉｓｉｎｇ ｎｅｗ ｉｄｅａｓ ｉｎ ｔｈｅ ｂｒｏａｄ ａｒｅａ ｏｆ ｉｎ⁃ ｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ ａｎｄ ｋｎｏｗｌｅｄｇｅ ｅｎｇｉｎｅｅｒｉｎｇ． ＩＳＫＥ２０１３ ａｃｃｅｐｔｓ ｓｕｂｍｉｓｓｉｏｎｓ ｔｈａｔ ｈａｖｅ ｎｏｔ ｂｅｅｎ ｐｕｂｌｉｓｈｅｄ ｏｒ ｓｕｂｍｉｔｔｅｄ ｉｎ ａｎｙ ｆｏｒｍ ｅｌｓｅｗｈｅｒｅ． Ｂｅｓｉｄｅｓ ｔｅｃｈｎｉｃａｌ ／ ｒｅｓｅａｒｃｈ ｐａｐｅｒｓ， ｓｕｂｍｉｓｓｉｏｎｓ ｒｅｐｏｒｔｉｎｇ ｏｎ ｉｎｄｕｓｔｒｉａｌ ｃａｓｅ ｓｔｕｄｉｅｓ ａｒｅ ａｌｓｏ ｗｅｌｃｏｍｅ． Ａｃｃｅｐｔｅｄ ｐａｐｅｒｓ ｗｉｌｌ ｂｅ ｐｕｂｌｉｓｈｅｄ ｂｙ Ｓｐｒｉｎｇｅｒ ａｎｄ ｓｕｂｍｉｔｔｅｄ ｆｏｒ ｉｎｄｅｘｉｎｇ ｔｏ ＥＩ ａｎｄ ＩＳＴＰ． Ｓｏｍｅ ｓｅｌｅｃｔｅｄ ｐａｐｅｒｓ ｗｉｌｌ ｂｅ ｐｕｂｌｉｓｈｅｄ ｉｎ ｔｈｅ ｗｅｌｌ⁃ｋｎｏｗｎ ｉｎｔｅｒｎａｔｉｏｎａｌ ｊｏｕｒｎａｌｓ （ＳＣＩ ｏｒ ＥＩ ｉｎｄｅｘｅｄ）． Ｐａｐｅｒ Ｓｕｂｍｉｓｓｉｏｎ Ｐｒｏｓｐｅｃｔｉｖｅ ａｕｔｈｏｒｓ ａｒｅ ｅｎｃｏｕｒａｇｅｄ ｔｏ ｓｕｂｍｉｔ ｆｕｌｌ ｐａｐｅｒｓ ｆｏｒ ｒｅｖｉｅｗ ｉｎ ＰＤＦ⁃ｆｏｒｍａｔ． Ｏｎｌｙ ｏｒｉｇｉｎａｌ ｐａｐｅｒｓ ｔｈａｔ ｈａｖｅ ｎｏｔ ｂｅｅｎ ｐｕｂｌｉｓｈｅｄ ｏｒ ｓｕｂｍｉｔｔｅｄ ｆｏｒ ｐｕｂｌｉｃａｔｉｏｎ ｅｌｓｅｗｈｅｒｅ ｗｉｌｌ ｂｅ ｃｏｎｓｉｄｅｒｅｄ， ｗｒｉｔｔｅｎ ｉｎ Ｅｎｇｌｉｓｈ， Ｐｌｅａｓｅ ｓｕｂｍｉｔ ｙｏｕｒ ｐａｐｅｒｓ ｕｓｉｎｇ ｔｈｅ ｏｎｌｉｎｅ ｓｕｂｍｉｓｓｉｏｎ ｓｙｓｔｅｍ ｉｎ： ｈｔｔｐｓ： ／ ／ ｗｗｗ．ｅａｓｙｃｈａｉｒ．ｏｒｇ ／ ｃｏｎｆｅｒｅｎｃｅｓ／ ？ ｃｏｎｆ ＝ ｉｓｋｅ２０１３． Ｉｍｐｏｒｔａｎｔ Ｄａｔｅｓ Ｓｐｅｃｉａｌ ｓｅｓｓｉｏｎ ｐｒｏｐｏｓａｌｓ： Ｍａｙ １， ２０１３ Ｆｕｌｌ ｐａｐｅｒ ｓｕｂｍｉｓｓｉｏｎ ｄｅａｄｌｉｎｅ： Ｊｕｎｅ ２０， ２０１３ Ａｃｃｅｐｔａｎｃｅ ｎｏｔｉｆｉｃａｔｉｏｎ： Ｊｕｌｙ ２０， ２０１３ Ｆｉｎａｌ ｐａｐｅｒｓ ｓｕｂｍｉｓｓｉｏｎｓ： Ａｕｇｕｓｔ ２０， ２０１３ Ｆｉｎａｌ ｒｅｇｉｓｔｒａｔｉｏｎ： Ａｕｇｕｓｔ ２０， ２０１３ Ｃｏｎｔａｃｔ ｕｓ Ａｄｄｒｅｓｓ： Ｎａｎｈａｉ Ａｖｅ ３６８８，Ｓｈｅｎｚｈｅｎ，Ｇｕａｎｇｄｏｎｇ，Ｐ．Ｒ．Ｃｈｉｎａ，５１８０６０ Ｔｅｌ： Ｑｉａｎ Ｚｈｉｌｉｎｇ ＋８６－１３５２４１２３９６８ Ｗｅｂｓｉｔｅ： ｈｔｔｐ： ／ ／ ｋｊｂ．ｓｚｕ．ｅｄｕ．ｃｎ ／ ｉｓｋｅ Ｅ⁃ｍａｉｌ： ｉｓｋｅ２０１３＠ ｇｍａｉｌ．ｃｏｍ 第 ３ 期 韩忠明，等：基于内容的热点话题传播模型 ·２３９·