Моделирование диффузии информации в социальной сети
DOI:
https://doi.org/10.52575/2687-0959-2025-57-4-272-278Ключевые слова:
математическое моделирование, социальные сети, диффузия информацииАннотация
Целью работы является разработка модифицированной диффузионной модели распространения информации в социальных сетях на основе одномерного параболического уравнения. Ключевым отличием модели является строгое физическое обоснование ее параметров, что позволяет перейти от качественных к количественным оценкам. Информация рассматривается как непрерывная функция числа пользователей, распространяющих новость. Для адекватного учета дискретной структуры социального графа применяется метод интегрального осреднения. Новизна модели заключается в явном задании распределенных источников информации с помощью свободного члена, включающего пороговую функцию Хевисайда, что отражает реальный механизм активации пользователей в качестве вторичных источников. Численные эксперименты проведены на реальных данных Twitter, касающихся распространения новости об открытии бозона Хиггса. Результаты расчетов демонстрируют высокую точность модели: нормализованная среднеквадратическая ошибка между модельными и экспериментальными данными составила 0,7%. Полученные результаты подтверждают гипотезу о применимости законов физической диффузии для описания информационных потоков.
Благодарности
Исследование выполнено при финансовой поддержке Азово-Черноморского математического центра (Соглашение от 27.02.2025 № 075–02–2025–1608).
Скачивания
Библиографические ссылки
Список литературы
Granovetter M. Threshold Models of Collective Behavior. American Journal of Sociology. 1978;83(6):1420–1443.
Kempe D., Kleinberg J., Tardos E. Maximizing the Spread of Influence through a Social Network. Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining. 2003:137–146.
Daley D.J., Gani J. Epidemic Modelling: An Introduction. Cambridge: Cambridge University Press; 1999. 234 p.
Dritsas E., Trigka M. Machine Learning in Information and Communications Technology: A Survey. Information. 2024;16(1):8. https://doi.org/10.3390/info16010008
Wang F., Wang H., Xu K. Characterizing Information Diffusion in Online Social Networks with Linear Diffusive Model. 2013 IEEE 33rd International Conference on Distributed Computing Systems. 2013:307–316. https://doi.org/10.1109/ICDCS.2013.14
Hu Y., Song R.J., Chen M. Modeling for Information Diffusion in Online Social Networks via Hydrodynamics. IEEE Access. 2017;5:128–135. https://doi.org/10.1109/ACCESS.2016.2605009
Krivorotko O., Zvonareva T., Zyatkov N. Numerical Solution of the Inverse Problem for Diffusion-Logistic Model Arising in Online Social Networks. In: A. Strekalovsky et al. (eds.) MOTOR 2021, CCIS 1476. Cham: Springer; 2021:444–459. https://doi.org/10.1007/978-3-030-86433-0_31
Arabov M., Shaydullina A. Identification of the Original Author of a Social Media Post Based on Text Analysis, Time Dependencies, and the Structure of Reposts Using Combined Neural Networks. 2025 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). 2025:437–441.
Звонарева Т.А., Кабанихин С.И., Криворотько О.И. Численный алгоритм определения источника диффузионно-логистической модели по данным интегрального типа, основанный на тензорной оптимизации. Журнал вычислительной математики и математической физики. 2023;63(9):1513–1523. https://doi.org/10.31857/S0044466923090193
Ben-Avraham D., Barrat A., Barthelemy M., Vespignani A. Dynamical Processes on Complex Networks. Journal of Statistical Physics. 2009;135:773–774. https://doi.org/10.1007/s10955-009-9761-x
Nicosia V., Latora V. Measuring and modeling correlations in multiplex networks. Physical Review E. 2015;92:032805. https://doi.org/10.1103/PhysRevE.92.032805
Lazer D.M.J., Pentland A., Watts D.J., et al. Computational social science: Obstacles and opportunities. Science. 2020;369(6507):1060–1062. https://doi.org/10.1126/science.aaz8170
De Domenico M., Lima A., Mougel P., Musolesi M. The Anatomy of a Scientific Rumor. Scientific Reports. 2013;3(2980):1–9. https://doi.org/10.1038/srep02980
Толстых В.К. Практическая оптимизация, идентификация распределенных систем. М.: Наука; 2025. 355 с.
Tolstykh M.A. Identifying the Capacity of a Social Network. Moscow University Computational Mathematics and Cybernetics. 2024;48(1):59–64. https://doi.org/10.3103/S0278641924010084
Кабанихин С.И., Криворотько О.И. Оптимизационные методы решения обратных задач иммунологии и эпидемиологии. Журнал вычислительной математики и математической физики. 2020;60(4):590–600. https://doi.org/10.31857/S0044466920040109
References
Granovetter M. Threshold Models of Collective Behavior. American Journal of Sociology. 1978;83(6):1420–1443.
Kempe D, Kleinberg J, Tardos E. Maximizing the Spread of Influence through a Social Network. Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining. 2003:137–146.
Daley DJ, Gani J. Epidemic Modelling: An Introduction. Cambridge: Cambridge University Press; 1999. 234 p.
Dritsas E, Trigka M. Machine Learning in Information and Communications Technology: A Survey. Information. 2024;16(1):8. https://doi.org/10.3390/info16010008
Wang F,Wang H, Xu K. Characterizing Information Diffusion in Online Social Networks with Linear DiffusiveModel. 2013 IEEE 33rd International Conference on Distributed Computing Systems. 2013:307–316. https://doi.org/10.1109/ICDCS.2013.14
Hu Y, Song RJ, Chen M. Modeling for Information Diffusion in Online Social Networks via Hydrodynamics. IEEE Access. 2017;5:128–135. https://doi.org/10.1109/ACCESS.2016.2605009
Krivorotko O, Zvonareva T, Zyatkov N. Numerical Solution of the Inverse Problem for Diffusion-Logistic Model Arising in Online Social Networks. In: A. Strekalovsky et al. (eds.) MOTOR 2021, CCIS 1476. Cham: Springer; 2021:444–459. https://doi.org/10.1007/978-3-030-86433-0_31
Arabov M, Shaydullina A. Identification of the Original Author of a Social Media Post Based on Text Analysis, Time Dependencies, and the Structure of Reposts Using Combined Neural Networks. 2025 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). 2025:437–441.
Zvonareva TA, Kabanikhin SI, Krivorotko OI. Numerical Algorithm for Source Determination in a Diffusion-Logistic Model from Integral Data Based on Tensor Optimization Computational Mathematics and Mathematical Physics. 2023;63:1654–1663. https://doi.org/10.1134/S0965542523090166
Ben-Avraham D., Barrat A., Barthelemy M., Vespignani A. Dynamical Processes on Complex Networks. Journal of Statistical Physics. 2009;135:773–774. https://doi.org/10.1007/s10955-009-9761-x
Nicosia V., Latora V. Measuring and modeling correlations in multiplex networks. Physical Review E. 2015;92:032805. https://doi.org/10.1103/PhysRevE.92.032805
Lazer D.M.J., Pentland A., Watts D.J., et al. Computational social science: Obstacles and opportunities. Science. 2020;369(6507):1060–1062. https://doi.org/10.1126/science.aaz8170
De Domenico M, Lima A, Mougel P, Musolesi M. The Anatomy of a Scientific Rumor. Scientific Reports. 2013;3(2980):1–9. https://doi.org/10.1038/srep02980
Tolstykh VK. Prakticheskaya optimizatsiya, identifikatsiya raspredelennykh sistem [Practical optimization, identification of distributed systems]. Moscow: Nauka; 2025. 355 p. (In Russian)
Tolstykh MA. Identifying the Capacity of a Social Network. Moscow University Computational Mathematics and Cybernetics. 2024;48(1):59–64. https://doi.org/10.3103/S0278641924010084
Kabanikhin S.I., Krivorotko O.I. Optimization Methods for Solving Inverse Immunology and Epidemiology Problems. Computational Mathematics and Mathematical Physics. 2020;60:580–589. https://doi.org/10.1134/S0965542520040107
Просмотров аннотации: 0
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2025 Прикладная математика & Физика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
