社会记忆网络模型研究

社会记忆网络模型研究

1基于记忆特征的社会网络模型社会网络通常由一系列个体和群体组成，这些个人和群体根据原因形成一定的联系关系。个体或群体被定义为节点,他们之间的关系则定义为节点之间的连接。一般情况下,一个社会网络的一种节点包含2种或3种连接(例如演员网络),有时也会包含2种或2种以上不同的节点。这样的社会网络在现实生活中大量存在,在不同的领域中有广泛的应用,例如疾病传播模型、文化和信息传播、情报与监控、商业管理、保护生物学和行为生态学。社会网络的研究经历了半个多世纪,早期的社会研究集中于静态的社会网络特性分析,社会网络的动态特性在近些年才越来越多地被人关注,网络中节点和连接属性的动态性更是长期被人忽略。针对这个问题,笔者提出了一种基于记忆特征的新型社会网络模型,并分析了动态社会网络中记忆特性的存在及其对网络拓扑结构的影响。本文的部分成果见文献。2社会记忆网络2.1基于ba模型的社会记忆网络模型文献首次提出一个网络进化模型(简称BA模型),以解释无标度网络的生成机制,该模型假设网络中连接度较高的节点被再次连入的概率也较高,这种理论被称为偏好性依附理论,在这种机制下生成的网络具有度的幂率分布特征。但是这个模型有一定的局限性,其网络的动态性仅表现在点和连接的增加方式上,每个点和每条连接都被假设是同质的,忽略了网络中个体属性的差异性和动态性,而且只考虑了一种节点网络的情况。但现实中很多社会网络是多元的,它们的点和连接的属性也是时刻变化的。例如某个型号的汽车其流行度会随用户数量的增加而越来越大,按照BA模型的理论,购买它的客户也会越来越多,此过程循环往复。但是市场数据表明,随着时间的推移,用户对其感兴趣程度会逐渐变化,由刚开始比较感兴趣,到一般感兴趣,再逐渐将兴趣转移到陆续上市的新型号汽车上,以前的流行产品成为过时产品,最终被市场淘汰。通过对诸如此类社会现象的观察和分析,本文提出社会记忆网络模型,该模型基于文献的记忆理论,即人类对信息的记忆量随时间呈指数衰减,记忆量在初期减少很快,在后期减少很慢,同时它可以通过复习来加强。记忆量的衰减表达式如下:Z=Z0e-βt。其中,Z0为原有记忆量;β为记忆衰减指数,表示对信息遗忘的速度。本文认为,一些事件的流行度、重要性、影响力等属性都是一种带有记忆性质的信息,在社会网络中,具备这些属性的点其信息量也会随时间动态衰减。2.2基于smn的吸引度仿真为了更广泛地表述记忆特性对网络演化的意义,本文以具有普遍意义的二元无向社会网络为基础,引入记忆属性,建立社会记忆网络(SocialMemoryNetwork,SMN)模型。二元无向网络的节点包括2种:参与活动的个体(individual),个体所参与的事件(event)。每个独立的事件由一系列个体的动作(action)组成。个体对一个动作的感兴趣程度记作该动作的吸引度(attraction),它是一个具有记忆特征的属性量。每个动作的吸引度随时间衰减,每个事件的吸引度是组成它的动作的吸引度总和。个体的活跃度亦有相似属性。在此基础上建立的SMN模型包括5个参数:{s,p1,β,p2,γ},其中,p1为个体发起新事件的概率;β为事件吸引度衰减指数;p2为新个体加入概率;γ为个体活跃度衰减指数;仿真过程中运行的总步数记为s,由于每一步产生一个动作,因此动作总数也为s。网络生成过程如下:(1)以概率p2生成新的个体A(i+1),并将其设为当前活跃个体;如果当前没有新个体生成,则根据记忆量的衰减表达式计算已有个体的活跃度,并选择一个作为当前活跃个体。个体被选择的概率正比于其相对活跃度。(2)以概率p1生成新的事件E(j+1),生成新事件的动作记为当前动作;如果没有新事件生成,则根据记忆量的衰减表达式计算已有事件中所有动作的吸引度,并回应其中一个动作。动作被回应的概率正比于其相对吸引度,回应的动作记为当前动作。(3)在当前活跃个体与当前动作之间建立一条连接。(4)重复(1)~(3),直到动作次数达到s。随着网络的演化,新的个体和动作不断生成,形成新的事件和连接关系,如图1所示,其包括2个子网络:事件-个体网络和个体-个体网络。本文主要研究事件-个体网络。图2是2个事件吸引度随时间的变化过程。事件1和事件2都有4个动作,由两者吸引度的变化规律可以发现,在刚开始时,事件1包含的动作次数较多,事件1吸引度远远高于事件2,然而随着时间的推移,事件1的吸引度衰减,事件2不断有个体参与,提升了吸引度,此消彼长。在T9时刻,虽然两者个体参与的次数(动作数量)相同,但吸引度却不同,这是记忆效应带来的变化,也是社会记忆网络模型与偏好性依附模型的不同之处。3网络结构的结构模型由于模型引入了记忆特性,其网络演化的动态性与偏好性依附模型有本质区别。为了分析记忆特性的存在性及其对网络结构的影响,本文收集了中国科大瀚海星云BBS的数据对其加以分析验证。在BBS系统中,ID根据文章的吸引度进行发帖回复动作,ID对应于个体,主题对应于事件,文章对应于动作,一个主题由一篇或一系列有延续性回复关系的文章组成。图3是BBS的Test版面上ID与文章组成的网络生长结构,每个点代表一篇文章,每一行上的点组成一个主题,用户根据自己的兴趣加入不同的主题发表文章,网络由此不断生长。若一个主题在较长时间内没有人回复,其吸引度就会逐渐衰减,成为旧主题;若主题有人回复,则其吸引度会增加并吸引更多的人参与,但是其吸引度的衰减和新主题的产生导致它无法一直保持高吸引度的状态,最终失去吸引力,变成旧主题并被淘汰。因此,事件的发展在网络结构上呈现出新旧交替的新陈代谢式现象。图3(b)是主题连接度的分布统计,与现实中大多数社会网络一样,也符合幂率分布规律。图4是以社会记忆网络模型模拟的BBS网络生长结构图,其中,s=6120;p1=0.15;β=0.027;p2=0.027;γ=0.03。此时,不仅网络的结构形态与Test版面的结果相近,主题连接度的分布幂率指数也一致。若β=0,事件的吸引度并不衰减,那么模型退化为偏好性依附模型,与β不为0时的模型结果相反,旧事件会一直保持较高的吸引度,而新生成的事件很难获得发展,无法观察到新陈代谢现象。这种传统的网络与本文模型结构明显不同,因此,不再给出具体图形比较。本文对多组真实数据多项指标进行了分析测试,对于不同的网络,SMN模型都可以较准确地模拟出该数据的结构特征,所不同的是,不同的网络有不同的衰减指数,如表1所示,其中,Topics表示主题数目;IDs表示参与讨论的ID数目;Power-law表示主题度分布的幂率指数;Avg_life为主题的平均寿命长度;D表示ID-ID网络中平均最短距离;C表示ID-ID网络平均聚类系数。通过为社会记忆网络模型提供不同的参数得到2个模拟网络,与2组不同的真实网络数据(Test版面和Love版面)做比较,可以看出,网络结构几个最重要的特征值Power-law,D和C都一致。这说明社会网络中记忆效应的确存在,并且是影响网络演化的关键因素。4事件的吸引度由于记忆特性的存在,具有相同连接的点不一定具有相同的被再连接概率(吸引度),而且记忆特性是网络呈现新陈代谢现象的内在原因,并导致不同的网络演化过程,这些都是在偏好性依附模型中无法观察到的。为了更好地了解记忆特性在网络演化过程中扮演的角色,本文设计了多组实验并做进一步分析。实验采用不同的衰减指数β,在第5000步时记录各事件的吸引度分布,并按出现时间的先后顺序作图(图5)。图6示出了第1个事件的吸引度随时间变化的结果。当β=0.1时,事件的吸引度随着x轴快速增长,说明事件的吸引度衰减速度很快,新事件容易引起个体的关注,旧事件容易被淘汰。在图6中,第1个事件的吸引度迅速衰减,其寿命约为80。当β=0.01时,图5中事件的吸引度有轻微增长现象,而第1个事件的寿命也增长到约2800。当β=0时,事件的吸引度不随时间衰减,其值等于其连接度(相当于带权重),此时的模型退化为偏好性依附模型,新的事件吸引度低,旧的事件吸引度高,并且始终占据主导地位。因此,当β为0时,网络中不存在新陈代谢现象。而只要β不为0,事件的寿命就始终是有限的,旧的事件不断消亡,新的事件不断产生,从而形成网络演化的新陈代谢过程。而且β的值越大,事件的平均寿命越短。5社会记忆网络模型分析通过仿真模拟并将结果与真实的BBS网络数据做对比验证,本文认为,记忆属性在一些真实网络中存在,并且是影响网络演化过程的关键因素,是网络结构