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·