在线社交网络信息传播研究综述

第３９卷第４期　２０１７年４月　电子与信息学报　、厂０１．３９ＮＯ．４　Ａｐｒ．２０１７　Ｊｏｕｒｎａｌ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃｓ＆Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ　在线社交网络信息传播研究综述　胡长军　摘许文文　胡　颖　方明哲　刘峰　（北京科技大学计算机与通信工程学院北京　１０００８３）　要：在线社交网络已经成为当今社会信息传播的重要载体，形成了与现实世界交互影响的虚拟社会。大量的研　究工作都致力于理解在线社交网络中的信息传播，包括流行度预测、传播建模、信息溯源等。该文综述了这些研究　工作的最新成果，对当前社交网络信息传播的研究进行了总结。在综述的基础上，结合大规模在线社交网络的特点，　给出了在结构、群体约束下的信息传播进一步的研究方向，包括流行度特征点的预测、信息传播宏微观交互机理研　究、不完整观测条件下观测节点的选取等。　关键词：在线社交网络；信息传播；流行度；传播模型；信息溯源　中图分类号：ＴＰ３９３；ＴＰ３９１　ＤＯＩ：１０．１１９９９／ＪＥＩＴ１６ｌ１３６　文献标识码：Ａ　文章编号：１００９—５８９６（２０１７）０４。０７９４—１１　Ｒｅｖｉｅｗ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｄｉ圩ｕｓｉｏｎ　ｉｎ　０ｎｌｉｎｅ　Ｓｏｃｉａｌ　Ｎｅｔｗｏｒｋｓ　ＨＵ　Ｃｈａｎｇｊｕｎ　ＸＵ　Ｗｅｎｗｅｎ　ＨＵ　Ｙｉｎｇ　ＦＡＮＧ　Ｍｉｎｇｚｈｅ　ＬＩＵ　Ｆｅｎｇ　（Ｓｃｈｏｏｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　ａｎｄ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ　Ｂｅｉｊｉｎｇ，Ｂｅｉｊｉｎｇ　１０００８３，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｏｎｌｉｎｅ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ　ａｒｅ　ｎｏｗ　ｒｅｃｏｇｎｉｚｅｄ　ａｓ　ａｎ　ｉｍｐｏｒｔａｎｔ　ｐｌａｔｆｏｒｍ　ｆｏｒ　ｔｈｅ　ｓｐｒｅａｄ　ｏｆ　ｉｎｆｏｒｍａｔｉｏｎ．Ａ　ｌｏｔ　ｏｆ　ｅｆｆｏｒｔ　ｉｓ　ｍａｄｅ　ｔｏ　ｕｎｄｅｒｓｔａｎｄ　ｔｈｉｓ　ｐｈｅｎｏｍｅｎｏｎ，ｉｎｃｌｕｄｉｎｇ　ｐｏｐｕｌａｒｉｔｙ　ａｎａｌｙｓｉｓ，ｄｉｆｆｕｓｉｏｎ　ｍｏｄｅｌｉｎｇ，ａｎｄ　ｉｎｆｏｒｍａｔｉｏｎ　ｓｏｕｒｃｅ　ｌｏｃａｔｉｎｇ．Ｔｈｉｓ　ｐａｐｅｒ　ｐｒｅｓｅｎｔｓ　ａ　ｓｕｒｖｅｙ　ｏｆ　ｒｅｐｒｅｓｅｎｔａｔｉｖｅ　ｍｅｔｈｏｄｓ　ｄｅａｌｉｎｇ　ｗｉｔｈ　ｔｈｅｓｅ　ｉｓｓｕｅｓ　ａｎｄ　ｓｕｍｍａｒｉｚｅｓ　ｔｈｅ　ｓｔａｔｅ　ｏｆ　ｔｈｅ　ａｒｔ．Ｔｏ　ｆａｃｉｌｉｔａｔｅ　ｆｕｔｕｒｅ　ｗｏｒｋ，ａｎａｌｙｔｉｃａｌ　ｄｉｓｃｕｓｓｉｏｎ　ｒｅｇａｒｄｉｎｇ　ｔｈｅｉｒ　ｓｈｏｒｔｃｏｍｉｎｇｓ　ａｎｄ　ｒｅｌａｔｅｄ　ｏｐｅｎ　ｐｒｏｂｌｅｍｓ　ａｒｅ　ｐｒｏｖｉｄｅｄ．　Ｋｅｙ　ｗｏｒｄｓ：０ｎｌｉｎｅ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ；Ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ；Ｐｏｐｕｌａｒｉｔｙ；Ｄｉｆｆｕｓｉｏｎ　ｍｏｄｅｌｉｎｇ；Ｓｏｕｒｃｅ　ｌｏｃａｔｉｎｇ　１　引言　在线社交网络已经成为当今社会人们信息交流　的重要渠道和载体。在线社交网络服务，例如微博、　术界和工业界的广泛关注。人们尝试捕获，理解，　以及预测在线社交网络中的信息传播。这些工作能　微信等，允许用户建立自己的“媒体”，对外发布、　传播信息。这些信息包含了用户对当前社会各种现　象以及诸多热点问题的看法，话题涉及经济、娱乐、　科技、个人生活等各个领域。另一方面，在线社交　够使我们从信息传播的角度对社交网络的结构属　性、群体属性以及突发事件遵循的规律等有进一步　的认识［卜７］。研究成果在市场营销、购物网站的信　息推荐、社会舆论监控与引导等诸多领域都有着广　泛的应用前景。例如，企业可以根据社交网络中信　息传播的特点和规律来进行产品的推广销售，提高　网络的关注机制使得用户不再受时间、空间的限制，　可以快捷地接收其他人的消息。在线社交网络已经　显示出其在信息传播方面的强大影响力，例如“马　航ＭＨ３７０”、“天津仓库爆炸”等事件中微博实时发　布消息；“冰桶挑战”中Ｆａｃｅｂｏｏｋ引发全民参与；　美国总统大选期间人们在Ｔｗｉｔｔｅｒ上传递消息、表　达观点等。　鉴于在线社交网络信息传播对人们生活、社会　发展的影响，在线社交网络信息传播分析引起了学　收稿日期：２０１６—１０—２５；改回日期：２０１７－０１．２２；网络出版：２０１７—０３—０７　通信作者：许文文ｘｕｗｅｎｗｅｎｕｓｔｂ＠１６３．ｃｏｍ　基金项目：国家重点基础研究发展计划（２０１３ＣＢ３２９６０５）　Ｆｏｕｎｄａｔｉｏｎ　Ｉｔｅｍ：Ｔｈｅ　Ｎａｔｉｏｎａｌ　Ｋｅｙ　Ｂａｓｉｃ　Ｒｅｓｅａｒｃｈ　ａｎｄ　经济效益；社会团体和政府机构可以根据社交网络　中信息传播的特点和规律来进行信息的发布，合理　引导社会舆论，提高管理效率。　信息传播是一个备受关注的研究领域，引起了　许多学科的研究兴趣，例如生物学中对疾病传染情　况的研究，社会学中大众传播研究，复杂网络中病　毒的传播研究等。国家重点基础研究发展计划ｆ９７３　计划１项目“社交网络分析与网络信息传播的基础理　论研究”设置了两个课题对信息传播规律进行研究，　具体从计算机专业的角度出发，有以下问题：ｆ１）如　何刻画信息传播的流行程度；ｆ２）如何对传播过程进　行建模；（３）基于现有传播结果，如何找到信息的源　头。　Ｄｅｐａｒｔｍｅｎｔ　Ｐｒｏｇｒａｍ　ｏｆ　Ｃｈｉｎａ（２０１３ＣＢ３２９６０５）　第４期　胡长军等：在线社交网络信息传播研究综述　一目前有大量工作对上述问题进行研究，例如信　息传播的模式分析、参与人数的预测、用户转发行　为建模、信息溯源等。这些工作多角度、多层次地　对传播现象进行了考察，并取得了一定研究成果。　为理清在线社交网络信息传播分析的脉络，并　开展下一步工作，需要对现有研究进行分析和总结。　步区分为有向图或无向图［９１。在表示信息传播时，　图中每个节点有两种状态：活跃态、非活跃态。活　跃状态指用户接收了某个消息，否则为非活跃状态。　如图１中所示，白色节点处于非活跃态，非白色节　点处于活跃态，虚线箭头表示用户间的关注关系，　实线箭头表示信息的流向。　目前知识发现与数据挖掘会议（ＳＩＧＫＤＤ）、信息及　知识管理会议（ＣＩＫＭ）、数据挖掘会议（ＩＣＤＭ）等是　公认的展示在线社交网络信息传播最新研究成果的　重要国际学术会议。我们对这些会议近５年来发表　的与在线社交网络信息传播分析相关的文章进行收　集，在这些文章的基础上，进一步根据其参考文献　采用“滚雪球”的方式收集文章。由于Ｆａｃｅｂｏｏｋ　２００４　年上线，Ｔｗｉｔｔｅｒ　２００６年上线，其后在线社交网络　才引起学者们的广泛研究，故将２００６年作为文章收　集的下界，即收集的文章其发表时间不能早于２００６　年。我们对收集到的文章进行阅读和筛选，对与　“９７３”项目设定的信息传播３个问题相关的文章进　行保留，对其他议题文章进行排除，并且进一步参　考了文章的被引用次数等指标进行筛选，最后共保　留文章９ｌ篇。通过对这些文章的研读，我们形成了　对现有在线社交网络信息传播研究工作的总结。　本文从在线社交网络信息传播的基础知识出　发，介绍近年来相关研究成果。文章的结构如下：　第２节介绍在线社交网络信息传播的基础知识和相　关综述工作；第３节介绍流行度分析的相关方法；　第４节介绍社交网络信息传播建模的有关研究；第　５节介绍信息溯源方面的研究；最后，对这些研究　工作进行总结，并对未来的研究方向进行了展望。　图１在线社交网络信息传播示意图　宏观上，在线社交网络信息传播表现为信息量　或参与人数等随时间的起伏，其在一段时间内呈现　出：初显一爆发一衰退的过程。那么，如何表示和衡量　信息在社交网络上的宏观传播效果呢？现有研究通　常使用流行度来衡量信息传播的效果。　流行度　流行度指在一段时间内，操作在社交　网络上的某种网络行为的数量度量，如帖子的点击　率、微博的转发量等［１０－１２］。　对流行度进行分析，研究信息的流行程度如何，　怎么随时间变化，何时爆发、顶峰、衰落等，有助　于我们理解信息的传播情况，把握传播态势。　微观上，社交网络信息传播呈现出信息从一个　节点传到另一个节点的过程，形成一定信息级联。　信息级联　信息级联指用户传播其他用户的信　息从而形成的一种传播结构［９，１３］。　在用户众多，且用户间关联关系复杂的网络上，　信息是如何从一个或多个点传播至整个空间的？对　该问题的解答，需要对信息级联现象进行分析，建　２基础知识和相关工作　２．１基础知识　在线社交网络是一种由用户集合及用户之间的　连接关系构成的社会性结构。用户基于相互认识、　兴趣爱好相同或个人崇拜等因素，与其他用户建立　关系，在社交网络上形成复杂的关系结构［８】ｏ社交网　络中的信息主要沿着用户问的关系结构进行传播。　以微博服务为例，当用户发布消息时，该消息会被　推送到其粉丝的页面上，当粉丝中有某用户转发了　此消息时，该消息会进一步推送到该粉丝的粉丝页　面，消息沿着“关注一粉丝”关系结构传播开来。　通常使用图来表示在线社交网络，节点表示网　络中的用户，边表示用户间的连接关系。因为社交　网络中的连接关系有单向关系，如微博中的“关注一　粉丝”关系，又有双向关系，如人人网、微信等中　的“好友”关系，因此，在线社交网络结构图可进　立传播模型，理解传播过程。　在线社交网络信息传播的研究中，除了预测信　息的流行度和对传播过程建模外，如何去追溯信息　传播的源头也是一个十分重要的基本问题。　网络信息内容多样，这些信息的传播对现实世　界产生影响。教育、科技等信息的传播给人们生活　带来便利，而暴力、谣言等不良信息的传播会造成　人们恐慌，甚至影响社会稳定。为定位不良信息的　始作俑者，掌握信息的历史传播与演化过程，需要　研究追溯传播源头的方法。　信息溯源信息溯源是通过对社交网络中信息　的广泛采集，对特定信息加以追踪，从而找出其公　电子与信息学报　第３９卷　开环境下的首发站点或者用户，　理清传播脉络的一　种技术手段［１４－１６】。　２．２相关工作　目前已有一些综述性的工作帮助我们认识和理　解在线社交网络。Ａｇｇａｒｗａｌ［　７】从数据挖掘的角度，　对社区发现、影响力计算、传播可视化等多个方面　进行了概述。Ｋｗａｋ等人［１８］基于Ｔｗｉｔｔｅｒ数据，对　Ｔｗｉｔｔｅｒ中用户间的关系、用户的影响力和话题传播　等问题进行了实证分析。Ｆａｎｇ等人【ｓ］围绕网络结构　特性与演化机理、群体行为形成与互动规律、信息　传播规律与演化机理３个维度，介绍了各部分相关　工作，并提出进一步研究方向。具体就在线社交网　络信息传播而言，Ｇｕｉｌｌｅ等人［。】从话题检测、传播建　模和有影响力的传播者识别３个方面进行了介绍。　Ｚｉｎｏｖｉｅｖ［　】从传播者、传播路径和传播机制出发，对　已有研究进行了总结。随着研究的深入，在线社交　网络信息传播的研究出现大量新的模型和方法，以　及新的问题。本文从在线社交网络信息传播的宏微　观表现出发，通过流行度分析、传播建模和信息溯　源３个方面对现有研究工作进行介绍。　３流行度分析　不同社交网络信息传播的流行度量化方法有所　不同。对论坛而言，其流行度可以是帖子的回帖量；　对视频而言，其流行度可以是该视频的观看量；对　微博而言，其流行度可以是该微博的转发量和回复　量的总和。通常情况下，某网络内容的流行度值越　大，该网络内容越“热”，即被传播得越广或者越深。　围绕社交网络信息传播的流行度，目前有两方　面的工作：流行度预测和流行度演化分析。　３．１流行度预测　流行度预测，即根据消息被发布一段时间后的　传播情况，预测其未来可能的流行程度。按照研究　角度的不同，流行度预测可划分为：基于回归分析　的方法，基于用户行为的方法和基于时间序列的方　法。　基于回归分析的方法，认为历史流行度和未来　流行度之间存在某种关系，通过考虑早期某个特定　时间点的流行度或者早期一系列时间点的流行度，　建立和晚期流行度之间的回归模型［ｎ，２０，２１】。经典方法　是Ｓｚａｂｏ和Ｈｕｂｅｒｍａｎ提出的ＳＨ模型＿１１］。他们发　现如果对信息的流行度做对数处理，早期流行度和　晚期流行度会呈现出很强的线性关联性，而且随机　波动可以表现为加性噪声的形式。利用这种强关联　性，建立了线性回归模型，以Ｄｉｇｇ网站上的帖子和　ＹｏｕＴｕｂｅ网站上的视频作为研究对象进行了模型验　证。Ｂａｏ等人　考虑了网络结构特性对流行度的影　响，对ＳＨ模型进行了改进。　基于用户行为的方法，认为信息流行度的变化　和社交网络中用户的行为密切相关［２２－２５］，通过对用　户行为的量化计算，得到信息的流行度。Ｌｅｒｍａｎ和　Ｈｏｇｇ［０　】认为，用户的社交行为，例如注册网站、阅　读某内容、为该内容点“赞”、成为该内容发布者的　好友或粉丝等，可以用随机过程中的状态转移来表　示。用户行为决定网络内容的可视度，以Ｄｉｇｇ网站　为例，帖子积攒了足够多的“赞”后，会被推送到　主页，可视度提高。越容易被用户注意到的帖子，　其流行度越有可能提升，越隐蔽的帖子越容易沉底。　基于该思想，他们建立了基于用户行为的流行度模　型。与此类似，Ｈｅ等人［。４】，Ｚｈａｏ等人［２５］基于用户　评论数和用户的节点度等对流行度进行预测。　基于回归分析和基于用户行为的流行度预测都　是基于样本集的方法，模型中的参数通过样本集训　练出来，适合做长期预测。但是有些话题因为其流　行度演化具有个性，很难为其找到合适的样本集，　导致预测不准确。基于时间序列的方法很好地解决　了这个问题。　时间序列是指某观测变量在不同时间点上的各　个数值，按时间先后顺序排列而形成的序列。时间　序列方法的基本假设是认为事物的发展具有延续　性，即利用历史可以预测未来。基于时间序列的流　行度预测，通过分析出待预测网络内容历史数据的　统计规律和特性，预测其未来流行程度［２６－２８］。Ｈｕ　等人　对热点话题的流行度进行分析，考虑了信息　传播中流行度的趋势、周期、平均值３个特性，提　出了基于时间序列的流行度预测框架。实验结果表　明，与传统ＳＨ模型相比，乘性ＨＷ时间序列模型　取得较高准确率。　表１从核心思想、典型模型、优势及不足的角　度对流行度预测方法进行了总结。　３．２流行度演化分析　传播中，信息的流行度会随着时间不断变化，　这一变化过程称为流行度演化。该部分的相关工作　可分为基于全局变化的流行度演化分析和基于局部　特征的流行度演化分析。　基于全局变化的流行度演化分析，主要通过对　传播时序曲线进行聚类，发现信息传播规律。Ｇｏｌｄｅｒ　等人【。９】，Ｒｏｄｒｉｇｕｅｚ等人　对社交网络中的传播时序　曲线进行分析，发现信息传播并不是随机的，而是　呈现出时间上的起伏模式。Ｙａｎｇ等人［３１］提出Ｋ—ＳＣ　聚类算法来分析流行度演化，他们认为虽然网络平　台多种多样，时序变化的标度也不同，但是信息传　第４期　胡长军等：在线社交网络信息传播研究综述　７９７　播曲线拥有极其相似的形态。Ｋ．ＳＣ算法通过缩减　表２流行度演化模型对比　和移动，在不改变信息传播形状的情况下进行聚类　分析，最后得出了６种信息传播模式。Ｍａｔｓｕｂａｒａ　等人［３２］提出了ＳｐｉｋｅＭ模型，这个模型只要改变其　参数值就可以符合Ｋ—ＳＣ算法所提出的６种网络基　本信息传播模式。　基于全局变化的流行度演化分析，工作量大，　其结论具有统一性，符合了多数流行度时序曲线。　为进一步深入了解流行度的演化特性，部分学者用　峰、趋势等来定义流行度时序上的特征，进而分析　其演化规律，即基于局部特征的流行度演化分析。　在基于局部特征的流行度演化分析方面，Ｃｒａｎｅ　和Ｓｏｒｎｅｔｔｅ［３３，３４］用信息在峰值阶段获得的流行度与　其总流行度的比值将ＹｏｕＴｕｂｅ视频划分为３类：病　起伏模式的信息流行度进一步分析表明，其上升部　分可以用指数函数更准确地拟合，而下降部分用幂　律函数拟合更准确［３２］。这些分析成果具有重要的技　毒型（ｖｉｒａ１）、质量型（ｑｕａｌｉｔｙ）、垃圾型（ｊｕｎｋ）。病毒　型指那些通过传染病传播模式导致流行度具有口口　相传式增长ｗｏｒｄ—ｏｆ－ｍｏｕｔｈ　ｇｒｏｗｔｈ１的视频。质量型　视频与病毒型视频的传播原理相似，但是该类视频　的流行度会突然上升形成峰，而不是从底部平缓地　增长到顶部。垃圾型视频指因为某种偶然的原因流　行度也出现了峰，但是没能在社交网络中传播开。　Ｆｉｇｕｅｒｉｅｄｏ等人［３５，３６］研究了３类视频的流行度演化：　位居榜首的视频、有版权的视频和通过关键字随机　选取的视频。研究结果表明，位居榜首的视频通常　会经历一个突然急剧上升的峰的过程，有版权的视　频其流行度基本都是在传播早期阶段获得的，随机　术和商业价值。从技术的角度看，对信息流行度的　理解，有助于企业对内容分发系统的研发，以及发　现系统中的潜在瓶颈，例如研究人员在研究　ＹｏｕＴｕｂｅ视频请求时发现，仅对流行的视频进行代　理缓存可以提高网络稳定性，减少网络拥堵［３４１。从　商业的角度看，对信息流行度的预测可以帮助内容　提供商、广告商等提供信息服务。　４信息传播建模　构建信息传播模型不仅能可视化网络中信息传　播的过程，而且能够预测信息未来的传播路径和传　播趋势，为基于信息传播的研究和应用提供理论依　据和技术支持。根据建模对象的不同，可将现有信　息传播建模研究划分成两类：单信息传播建模和多　信息传播建模。　４．１单信息传播建模　选取的视频在其传播过程中都能不断获得流行度。　那么，信息的流行度为何会呈现上述变化模式　呢？研究表明话题的持久性　、用户对传播内容的　兴趣［３８］、用户的粉丝数］３９１以及外部因素　等对信息　流行度的演化产生影响。　单信息传播建模，即对单条信息的传播过程建　立模型，从而进行描述和解释。根据建模角度的不　表２从核心思想、典型模型、优势及不足的角　度对流行度演化模型进行了总结。　总体来说，在流行度分析方面，已有研究发现　信息流行度服从幂律分布，即信息流行度的分布是　不均匀的，绝大多数网络信息只能获得很少的流行　度，而只有少数信息可以获得很多流行度。对具有　同，可将建模方法分成两类：基于结构的模型和非　结构模型。　基于结构的模型采用如下假设来研究信息传　播：微观层面的拓扑连接和用户间交互，可以解释　信息的动态传播过程。该类模型主要通过对传统独　立级联模型（Ｉｎｄｅｐｅｎｄｅｎｔ　Ｃａｓｃａｄｅ　Ｍｏｄｅｌ，ＩＣＭ）和　电子与信息学报　第３９卷　线性阈值模型（Ｌｉｎｅａｒ　Ｔｈｒｅｓｈｏｌｄ　Ｍｏｄｅｌ。ＬＴＭ）进行　改进，解释在线社交网络中的信息传播过程。　独立级联模型和线性阈值模型都是从一组初始　的活跃节点开始，基于离散的时间轴上以同步方式　模拟传播过程　。然而在社交网络中，信息沿着连续　的时间轴传播，这一过程中可能发生时间延迟、异　步等。研究学者通过增加时间轴、添加参数等方法　对该问题进行了改进［４１－４５］。Ｓａｉｔｏ等人［４１，４２】使用一个　连续的时间轴，并为图中的每条边添加时间延迟的　参数，将独立级联模型和线性阈值模型扩展成异步　独立级联模型ｆＡｓｙｎｃｈｒｏｎｏｕｓ　Ｉｎｄｅｐｅｎｄｅｎｔ　Ｃａｓｃａｄｅｓ，ＡｓＩＣ）和异步线性阈值模型　（Ａｓｙｎｃｈｒｏｎｏｕｓ　Ｌｉｎｅａｒ　Ｔｈｒｅｓｈｏｌｄ，ＡｓＬＴ）。Ｇｕｉｌｌｅ　等人［４３］在ＡｓＩＣ模型的基础上，提出Ｔ　ＢＡＳＩＣ　（Ｔｉｍｅ—Ｂａｓｅｄ　ａＳｙｎｃｈｒｏｎｏｕｓ　Ｉｎｄｅｐｅｎｄｅｎｔ　Ｃａｓｃａｄｅｓ）　模型，利用用户间社交关系、话题语义以及时间３　个维度来推理节点间的传播概率，实验结果表明该　模型能够较好地捕获信息传播的特征。　基于结构的模型通常应用于传播路径预测、个　性化推荐、传播级联行为研究等方面。然而，结构　模型也存在一些不足，从时效性方面看，研究人员　获取的网络拓扑结构都是静态的，相当于原网络的　一个快照，其上记录了被采集为止前所有显性社交　关系，即十年前和一秒钟之前建立的连接被同时采　集；其次，此类模型中，用户间连接的权重一般都　假设为相等或者同分布的值，即有连接的用户彼此　之间具有相同或相似的影响力，该假设下，只接收　过一条消息传递的连接和两个好友之间热烈交流的　连接未能够有效刻画。　在线社交网络用户众多，用户间连接关系复杂，　在某些场景下，信息传播所通过的路径是未知的或　不明确的，因此，需要从其他的角度来研究信息传　播。在传播的过程中，用户对信息的接收可能处于　多种状态，非结构模型对用户在这些状态间的变化　进行建模，从而认识信息传播规律。　非结构模型中主要有基于改进的传染病模型的　方法和基于用户影响力的方法。基于改进的传染病　模型的方法通过描述网络中用户对信息的接收状　态，以及个体在这些状态间的重新分配来研究信息　传播［４６－４８１。Ａｂｄｕｌｌａｈ等人［４０］考虑到处于感染状态的　节点发布相关微博，则其粉丝成为新的易感者，对　ＳＩＲ模型进行了改进。Ｘｉｏｎｇ等人【　７】将Ｔｗｉｔｔｅｒ用　户状态划分为４类，提出ＳＩＣＲ（Ｓｕｓｃｅｐｔｉｂｌｅ　Ｉｎｆｅｃｔｅｄ　Ｃｏｎｔａｃｔｅｄ　Ｒｅ￣ａｃｔｏｒｙ）模型。此模型有两个终结状　态：感染状态和不应状态。处于易感状态的个体或　者被影响进入感染状态，或者接触此消息但是没有　转发，成为接触状态。处于接触状态的个体仍然有　机会阅读该信息，也可能失去兴趣转为不应状态。　实验结果表明，尽管只有少量的感染个体出现，但　是有大量的个体处于接触状态，他们阅读过此信息，　潜在的已经被该信息所影响。　基于用户影响力的方法认为用户在传播信息方　面具有不同的能力，权威用户或者处在中心位置的　用户会产生较大的影响力，促进信息的传播｛４９－５９］。　Ｙａｎｇ等人［　９１提出假设：信息传播由个别节点的影响　力掌控，在此基础上建立了线性影响力模型（Ｌｉｎｅａｒ　Ｉｎｆｌｕｅｎｃｅ　Ｍｏｄｅｌ，ＬＩＭ１。模型中，每一个节点都有　一个影响力函数　（ｆ），表示节点Ｕ被影响ｆ个时间段　之后，其粉丝提及该信息的数量。实验结果表明，　ＬＩＭ模型在预测传播信息的节点数量和传播速度等　方面表现良好。　表３从核心思想、典型模型、优势及不足的角　度对单信息传播建模方法进行了总结。　表３单信息传播建模方法对比　４．２多信息传播建模　在社交网络中有大量的信息在同样的时间进行　传播，这些信息在传播过程中相互影响，从而与独　立信息的传播规律不同。多信息传播建模的研究工　作目前主要有基于博弈论和基于传染病模型的两大　类方法。　基于博弈论的方法从信息的角度出发，认为传　播中信息间既存在竞争关系也存在合作关系［６０－６３］，　通过对信息间相互作用的量化，建立模型来分析传　播情况。Ｍｙｅｒｓ等人［６０１认为竞争式传播降低了每条　信息传播的概率，合作式传播促进单条信息的传播，　在此基础上建立了一个统计模型。Ｓｕ等人［６３】基于进　化博弈论的思想解释社交网络上传播的信息之间的　相互影响，建立信息相互作用和信息传播的关系，　预测不同信息相互作用下的传播情况。具体来讲，　他们将社交网络信息的相互作用类比为生物的进化　博弈，信息类比为不同的生物体，信息的特征或类　第４期　胡长军等：在线社交网络信息传播研究综述　别类比为生物体的遗传基因，信息从顶点到顶点的　提供了指导。基于ＬＩＭ模型［４０１得出的具有较大传播　影响力的用户可以作为“种子用户”推荐给其他人。　传播过程类比为生物产生后代的过程，信息的传播　能力类比为生物繁衍的能力。信息的特征或类别决　定了在社交网络中信息的传播能力，传播能力强的　信息能够获得更大的网络影响力。信息的传播情况　取决于该信息和其他信息是如何互动的，信息的传　５信息溯源分析　信息溯源的基本目标是找出信息传播的最初源　头。通过信息溯源技术来识别不良信息的源头，是　控制虚假和违法信息在社交网络中传播的关键所　播能力不能单纯在孤立状态下测量，必须在整体的　社交网络环境中，在与其他信息的相互作用下被评　估。在Ｄｉｇｇ数据集上的实验表明，该模型的预测精　确度较之独立级联模型，有７４％的提高，有更高的　Ｆ１一Ｓｃｏｒｅ。　基于传染病模型的多信息建模方法从用户的角　度出发，认为用户以一定概率传播某些信息［６４－６６］。　Ｂｅｕｔｅｌ等人［６４］引入交互因子　，描述两个信息之间　的作用强度，对传染病ＳＩＳ模型进行扩展，提出了　信息交互影响的ＳＩｌｌ２Ｓ模型。该模型假设用户有４　种状态：　，表示用户同时传播信息１和信息２；　表　示用户只传播信息１；厶表示用户只传播信息２；Ｓ　表示用户不参与传播。通过一定概率，用户在这４　种状态间转换。他们选用Ｈｕｌｕ和Ｂｌｏｃｋｂｕｓｔｅｒ两个　提供视频服务的网站及Ｆｉｒｅｆｏｘ和Ｇｏｏｇｌｅ　Ｃｈｒｏｍｅ　两种浏览器的使用情况作为案例进行研究，实验结　果表明该模型能够较好地拟合数据，具有一定适用　性。　表４从核心思想、典型模型、优势及不足的角　度对多信息传播建模方法进行了总结。　社交网络信息传播迅速，以基于转发的传播为　例，数据显示，５０％的转发行为发生在信息发布后　的一个小时内，７５％的转发行为发生在２４小时内［１８］。　现有研究发现不同话题其传播机制不同　，用户在　不同话题中的作用不同等。这些分析促进了我们对　社交系统的认识，其成果也被广泛应用于市场营销、　信息推荐和信息溯源等方面。Ｂａｋｓｈｙ等人ｆ　１通过对　基于用户影响力的传播分析，为制定市场营销策略　表４多信息传播建模方法对比　在。现有溯源方法可分为两大类：基于节点属性的　方法和基于传播模型的推理法。　基于节点属性的方法主要通过对节点的属性进　行量化、对比，进而来判断哪些节点是源节点。　Ｆｉｏｒｉｔｉ等人（。７］通过计算每个节点的动力学重要性对　节点进行排序，在假定传播结果为无向连通图的条　件下，能够识别多个源节点或者靠近这些源节点的　近邻。该方法在传播结果所呈现出的图结构近似于　树形结构时表现很好，在其它情况下表现不佳。　Ｃｏｍｉｎ等人【。　】分析了源节点中心度的特点，并提出　一种改进的中心度测量方法来识别源节点。该方法　在ＥＲ网络和无标度网络上都有较高的准确率。　基于传播模型的推理法通过假定信息传播符合　某种模式，推理出信息的可能源节点。Ｌｏｋｈｏｖ等　人［６９］假定信息传播符合ＳＩＲ模型，通过一种基于动　力学消息传递方程的推理算法来进行溯源，计算了　不同节点作为源节点的条件下，其它各个节点处于　ＳＩＲ的３种状态的概率。Ａｎｔｕｌｏｖ—Ｆａｎｔｕｌｉｎ等人［　。１　提出了一种基于极大似然估计的统计推理框架进行　溯源，该研究假设传播过程符合ＳＩＲ模型，依据所　观测到的传播结果，通过似然估计的方法得到源节　点的排序列表。通常我们只能够观测到部分传播结　果，在符合ＳＩＲ模型的传播模式下，部分节点会从　感染状态转变为恢复状态，这增加了信息溯源的难　度。此外，当有多个源节点的共同影响传播时，我　们更加难以确定信息的真实来源。Ｚａｎｇ等人【　１提出　了一种基于反向传播与节点分区的多源溯源方法，　该方法包含以下３个步骤：首先，根据一个反向传　播法来检测网络中已经恢复的感染结点；然后，使　用分区算法将所有感染节点进行分区，即将多点溯　源问题变成多个独立的单点溯源问题；最后，在每　个分区中确定最可能的源节点。实验结果表明，该　方法在随机规则网络上取得较好效果，能够有效地　发现源节点。　表５从核心思想、典型方法、优势及不足的角　度对信息溯源方法进行了总结。　６讨论　本文围绕在线社交网络信息传播研究，从流行　度分析，信息传播建模和信息溯源３个方面展开介　８００　表５信息溯源方法对比　电子与信息学报　第３９卷　６．２信息传播建模　我们区分了单信息传播建模和多信息传播建模　两类，特别对单信息传播建模方法进一步细分为基　于结构的方法和非结构的方法。在社交网络信息传　播建模方面，还存在以下一些问题。　信息传播宏微观交互机理　社交网络信息传播　的宏微观过程间相互作用【８４一阴。，彼此影响。现有研　究有的只研究了信息传播的宏观过程，有的只研究　了微观过程，在微观传播过程与宏观流行度关联分　析方面的研究工作很少。全面的认识社交网络信息　绍，主要内容如图２所示。在此基础上，我们对下　传播，需要从信息传播宏微观交互的角度出发，研　究微观上的网络结构、个体属性等如何促进宏观上　流行度的爆发、顶峰及衰落，同时研究宏观流行度　的变化对微观传播网络产生何种影响。　步工作展开讨论。　６．１流行度分析　一流行度分析是认识在线社交网络信息传播态势　的重要工作。虽然目前流行度分析已经取得一定的　外部影响在线社交网络中的用户不仅受到网　络中邻居节点的影响，还受到外部因素的影响，例　如传统媒体，从而参与到信息的传播中。现有大多　传播建模方法忽略了外部影响的作用。外部因素的　影响是不容忽视的。Ｍｙｅｒｓ等人　研究发现Ｔｗｉｔｔｅｒ　中７１％的信息量基于网络内部影响进行传播，剩余　２９％由网络外的因素引发。下一步工作应通过对外　部因素的引入，对现有建模方法进行改进。　影响因素动态变化在线社交网络中信息传播　受多种因素的影响，且这些因素动态变化［ｓｓ，ｓ９】。现　研究成果，但是还有一些问题有待考虑。　特征点的预测　每条信息的传播都具有其特　性，所以仅仅将信息流行度时序曲线归为有限的几　种模式是不够的。下一步工作可以通过预测有意义　的点来刻画信息流行度的演化过程，例如，通过预　测流行度何时爆发（ｂｕｒｓｔｉｎｇ　ｔｉｍｅ）［　。］，何时峰值　（ｐｅａｋｉｎｇ　ｔｉｍｅ），何时降爆发（ｆａｄｉｎｇ　ｔｉｍｅ），生命周　期长度［７３］等特征点来描述流行度的演化过程。　流行度的形成分析信息流行度的形成是多种　因素共同作用的结果。现有方法，如回归方法、基　于时间序列的方法主要利用数学模型进行模拟，缺　有传播建模方法大多将信息传播看作一个平稳的过　程，利用单一模型表征信息传播的全过程，建模方　法并没有得到充分的验证，不能充分表现出传播的　动态特性。下一步研究需分析影响因素随时间变化　的特性以及研究不同影响因素间的相互作用，建立　传播模型。　６．３信息溯源分析　乏对流行度形成的深入认识。下一步工作可以结合　主题分析和群体互动分析对信息流行度的形成进行　深入研究，可以采用主题分析的方法研究信息内容　的特征［￣４－７６１，同时分析社交网络中群体互动行为，　从交互对象选择［７７－８３１，以及互动层面发现用户行为　与信息流行度之间的关联。　信息溯源是理清信息传播过程的一种重要手　在线社交网络信息传播　流行度分析ｌ　ｌ　信息传播建模　ｌ　ｌ信息溯源分析　流行度预测ｌ　ｌ流行度演化分析Ｉ　ｌ单信息传播建模ｌ　ｌ多信息传播建模　趟　燃　攸　蓝　回　旺　燃　露　岛　副　霎　姆　进　副　ｇ　燃　剐　撼　窨　副　靼　垃　堪　黠　窿　鞘　椭　蝴　醐　蛾　图２在线社交网络信息传播研究工作总结　第４期　胡长军等：在线社交网络信息传播研究综述　８０１　段。由于在线社交网络结构复杂，不同的传播模式　具有不同的特点，因此信息溯源分析面临着许多挑　战。　观测节点的选取我们对信息传播结果的观测　是不完整的，只能观测到整个传播结果的一部分。　不完整观测条件下进行信息溯源的关键在于观测节　点的选取。现有方法大多通过事先选取观测节点，　利用观测节点的激活时刻和底层网络结构等信息进　行溯源。如何选取恰当观测节点提高溯源准确率是　一个值得研究的问题。下一步工作需要对多种观测　节点的选取办法进行对比分析，找出某类溯源方法　下最恰当的观测节点选取办法，以降低溯源方法的　时间复杂度，提高溯源的准确度。　传播关系不明确的情况社交网络信息传播中　用户间的传播关系有时是不明确的，甚至是未知的，　例如某用户有多个好友均参与了某信息的传播，我　们无法确定是谁影响该用户的参与［９０，９１］，其上级节　点是不确定的，存在多种可能。在这种情况下，如　何准确地溯源，找到信息源头是十分具有挑战性的。　下一步研究可以从概率建模，历史记录分析等角度　对该问题进行解决。　６．４应用　我们对在线社交网络信息传播现象进行分析，　认识信息传播规律，其目的在于应用。目前社交网　络信息传播的应用侧重于预测和溯源两方面，预测　是为了把握信息传播趋势，溯源为了定位传播源头。　然而，如何结合社交网络信息传播规律，进行信息　引导，实现产品的最大化传播，虚假消息、不良信　息等的最小化传播也是值得研究的问题。　参考文献　１］　ＰＨＡＮ　Ｔ　Ｑ　ａｎｄ　ＡＩＲＯＬＤＩ　Ｅ　Ｍ．Ａ　ｎａｔｕｒａｌ　ｅｘｐｅｒｉｍｅｎｔ　ｏｆ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ　ｆｏｒｍａｔｉｏｎ　ａｎｄ　ｄｙｎａｍｉｃｓ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｎａｔｉｏｎａｌ　Ａｃａｄｅｍｙ　ｏｆＳｃｉｅｎｃｅｓ，２０１５，１１２（２１）：６５９５—６６００．ｄｏｉ：　１０．１０７３／ｐｎａｓ．１４０４７７０１１２．　ＺＨＡＮＧ　Ｙ，ＴＡＮＧ　Ｊ，ＹＡＮＧ　Ｚ，ｅｔ　ａ１．Ｃｏｓｎｅｔ：Ｃｏｎｎｅｃｔｉｎｇ　ｈｅｔｅｒｏｇｅｎｅｏｕｓ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ　ｗｉｔｈ　ｌｏｃａｌ　ａｎｄ　ｇｌｏｂａｌ　ｃｏｎｓｉｓｔｅｎｃｙ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２１ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，　Ｓｙｄｎｅｙ，２０１５：１４８５—１４９４．　ＳＡＩＴＯ　Ｋ，ＫＩＭＵＲＡ　Ｍ，ＯＨＡＲＡ　Ｋ，ｅｔ　ａ１．Ｓｕｐｅｒ　ｍｅｄｉａｔｏｒ　・‘・——Ａ　ｎｅｗ　ｃｅｎｔｒａｌｉｔｙ　ｍｅａｓｕｒｅ　ｏｆ　ｎｏｄｅ　ｉｍｐｏｒｔａｎｃｅ　ｆｏｒ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ　ｏｖｅｒ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ［Ｊ］．Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅｓ，２０１６，３２９：９８５—１０００．ｄｏｉ：１０．１０１６／ｊ．ｉｎｓ．２０１５．０３．０３４．　［４　ＡＮＤＥＲＳＯＮ　Ａ，ＨＵＴＴＥＮＬＯＣＨＥＲ　Ｄ，ＫＬＥＩＮＢＥＲＧ　Ｊ，ｅｔ　ａ１．Ｇｌｏｂａｌ　ｄｉｆｆｕｓｉｏｎ　ｖｉａ　ｃａｓｃａｄｉｎｇ　ｉｎｖｉｔａｔｉｏｎｓ：Ｓｔｒｕｃｔｕｒｅ，　ｇｒｏｗｔｈ，ａｎｄ　ｈｏｍｏｐｈｉｌｙ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２４ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｏｒｌｄ　Ｗｉｄｅ　Ｗｅｂ，Ｆｌｏｒｅｎｃｅ，２０１５　６６—７６．　ＢＡＲＢＩＥＲＩ　Ｎ，ＢＯＮＣＨＩ　Ｆ　ａｎｄ　ＭＡＮＣＯ　Ｇ．Ｗｈｏ　ｔｏ　ｆｏｌｌｏｗ　ａｎｄ　ｗｈｙ：ｌｉｎｋ　ｐｒｅｄｉｃｔｉｏｎ　ｗｉｔｈ　ｅｘｐｌａｎａｔｉｏｎｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，Ｎｅｗ　Ｙｏｒｋ，２０１４：１２６６—１２７５．　ＣＨＡＮＥＹ　Ａ　Ｊ　Ｂ，ＢＬＥＩ　Ｄ　Ｍ，ａｎｄ　ＥＬＩＡＳＳＩ—ＲＡＤ　Ｔ．Ａ　ｐｒｏｂａｂｉｌｉｓｔｉｃ　ｍｏｄｅｌ　ｆｏｒ　ｕｓｉｎｇ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ　ｉｎ　ｐｅｒｓｏｎａｌｉｚｅｄ　ｉｔｅｍ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　９ｔｈ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｒｅｃｏｍｍｅｎｄｅｒ　Ｓｙｓｔｅｍｓ．Ｖｉｅｎｎａ．２０１５：４３—５０．　ＭＹＥＲＳ　Ｓ　Ａ　ａｎｄ　ＬＥＳＫ０ＶＥＣ　Ｊ．Ｔｈｅ　ｂｕｒｓｔｙ　ｄｙｎａｍｉｃｓ　ｏｆ　ｔｈｅ　ｔｗｉｔｔｅｒ　ｉｎｆｏｒｍａｔｉｏｎ　ｎｅｔｗｏｒｋ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２３ｒｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｏｒｌｄ　Ｗｉｄｅ　Ｗｅｂ．Ｓｅｏｕ１．２０１４：　９１３—９２４．　ＦＡＮＧ　Ｂ，ＪＩＡ　Ｙ，ＨＡＮ　Ｙ，　口五Ａ　ｓｕｒｖｅｙ　ｏｆ　ｓｏｃｉｌａ　ｎｅｔｗｏｒｋ　ａｎｄ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｓｓｅｍｉｎａｔｉｏｎ　ａｎａｌｙｓｉｓ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｓｃｉｅｎｃｅ　Ｂｕｌｌｅｔｉｎ，２０１４，５９（３２）：４１６３—４１７２．ｄｏｉ：１０．１００７／ｓｌ１４３４ＩＯ１　０３６８．５．　ＧＵＩＬＬＥ　Ａ，ＨＡＣＩＤ　Ｈ，ＦＷ㈣　ＲＥ　Ｃ，ｅｔ　ａ１㈦　．Ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ　ｉｎ　ｏｎｌｉｎｅ　ｓｏｃｉｌａ　ｎｅｔｗｏｒｋｓ：Ａ　ｓｕｒｖｅｙ［Ｊ］．ＡＣＭ　ＳＩＧＭＯＤ　Ｒｅｃｏｒｄ，２０１３，４２（２）：１７—２８．ｄｏｉ：１０．１１４５／２５０３７９２．　２５０３７９７．　ＷＵ　Ｂ　ａｎｄ　ＳＨＥＮ　Ｈ．Ａｎａｌｙｚｉｎｇ　ａｎｄ　ｐｒｅｄｉｃｔｉｎｇ　ｎｅｗｓ　ｐｏｐｕｌａｒｉｔｙ　ｏｎ　Ｔｗｉｔｔｅｒ［Ｊ］．　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｌ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｍａｎａｇｅｍｅｎｔ，２０１５，３５（６）：７０２～７１１．ｄｏｉ：１０．１０１６　／Ｊ．ｉｊｉｎｆｏｍｇｔ．２０１５．０７．００３．　ＳＺＡＢＯ　Ｇ　ａｎｄ　ＨＵＢＥＲＭＡＮ　Ｂ　Ａ．Ｐｒｅｄｉｃｔｉｎｇ　ｔｈｅ　ｐｏｐｕｌａｒｉｔｙ　ｏｆ　ｏｎｌｉｎｅ　ｃｏｎｔｅｎｔ［Ｊ］．Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ　ｏｆ　ｔｈｅ　ＡＣＭ，２０１０，　５３（８）：８０—８８．ｄｏｉ：１０．１１４５／１７８７２３４．１７８７２５４．　ＭＡＩＴＹ　Ｓ　Ｋ，ＧＵＰＴＡ　Ａ，Ｇ０ＹＡＬ　Ｐ，ｅｔ　ａ１．Ａ　ｓｔｒａｔｉｆｉｅｄ　ｌｅａｒｎｉｎｇ　ａｐｐｒｏａｃｈ　ｆｏｒ　ｐｒｅｄｉｃｔｉｎｇ　ｔｈｅ　ｐｏｐｕｌａｒｉｔｙ　ｏｆ　Ｔｗｉｔｔｅｒ　ｉｄｉｏｍｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　９ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　ＡＡＡＩ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｅｂ　ａｎｄ　Ｓｏｃｉｌａ　Ｍｅｄｉａ，Ｏｘｆｏｒｄ，２０１５：６４２—６４５．　ＣＨＯＯＢＤＡＲ　Ｓ，ＲＩＢＥＩＲ０　Ｐ，ＰＡＲＴＨＡＳＡＲＡＴＨＹ　Ｓ，ｅｔⅡ五　Ｄｙｎａｍｉｃ　ｉｎｆｅｒｅｎｃｅ　ｏｆ　ｓｏｃｉｌａ　ｒｏｌｅｓ　ｉｎ　ｉｎｆｏｒｍａｔｉｏｎ　ｃａｓｃａｄｅｓ［Ｊ］．　Ｄａｔａ　Ｍｉｎｉｎｇ　ａｎｄ　Ｋｎｏｗｌｄｅｇｅ　Ｄｉｓｃｏｖｅｒｙ，２０１５，２９（５）：　１１５２—１１７７．ｄｏｉ：１０．１００７／ｓ１０６１８—０１５—０４０２—５．　ＹＡＮＧ　Ｆ，ＺＨＡＮＧ　Ｒ，ＹＡＯ　Ｙ，ｅｔ　ａ１．Ｌｏｃａｔｉｎｇ　ｔｈｅ　ｐｒｏｐａｇａｔｉｏｎ　ｓｏｕｒｃｅ　ｏｎ　ｃｏｍｐｌｅｘ　ｎｅｔｗｏｒｋｓ　ｗｉｔｈ　Ｐｒｏｐａｇａｔｉｏｎ　Ｃｅｎｔｒａｌｉｔｙ　ａｌｇｏｒｉｔｈｍ［Ｊ］．Ｋｎｏｗｌｄｅｇｅ－Ｂａｓｅｄ　Ｓｙｓｔｅｍｓ，２０１６，１００（ｃ）：　１１２—１２３．ｄｏｉ：１０．１０１６／ｊ．ｋｎｏｓｙｓ．２０１６．０２．０１３．　ＺＨＵ　Ｋ．ＣＨＥＮ　Ｚ．ａｎｄ　ＹＩＮＧ　Ｌ．Ｌｏｃａｔｉｎｇ　ｔｈｅ　ｃｏｎｔａｇｉｏｎ　ｓｏｕｒｃｅ　ｉｎ　ｎｅｔｗｏｒｋｓ　ｗｉｔｈ　ｐａｒｔｉａｌ　ｔｉｍｅｓｔａｍｐｓ［Ｊ］．Ｄａｔａ　Ｍｉｎｉｎｇ　ａｎｄ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ，２０１４，３０（５）：１２１７－１２４８．ｄｏｉ：１０．　１００７／ｓ１０６１８—０１５—０４３５—９．　ＰＲＡＫＡＳＨ　Ｂ　Ａ．ＶＲＥＥＫＥＮ　Ｊ．ａｎｄ　ＦＡＬＯＵＴＳ０Ｓ　Ｃ．　Ｓｐｏｔｔｉｎｇ　ｃｕｌｐｒｉｔｓ　ｉｎ　ｅｐｉｄｅｍｉｃｓ：ｈｏｗ　ｍａｎｙ　ａｎｄ　ｗｈｉｃｈ　ｏｎｅｓ？［Ｃ】　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｄａｔａ　Ｍｉｎｉｎｇ，Ｌａｓ　Ｖｅｇａｓ，２０１２：　１１—２０．　ＡＧＧＡＲＷＡＬ　Ｃ　Ｃ．Ａｎ　Ｉｎｔｒｏｄｕｃｔｉｏｎ　ｔｏ　Ｓｏｃｉａｌ　Ｎｅｔｗｏｒｋ　Ｄａｔａ　Ａｎａｌｙｔｉｃｓ［Ｍ］．Ｎｅｗ　Ｙｏｒｋ：Ｓｐｒｉｎｇｅｒ　ＵＳ．２０１１：１—１５．　ＫＷＡＫ　Ｈ，ＬＥＥ　Ｃ，ＰＡＲＫ　Ｈ，ｅｔ　ａ１．Ｗｈａｔ　ｉｓ　Ｔｗｉｔｔｅｒ，ａ　ｓｏｃｉｌａ　ｎｅｔｗｏｒｋ　ｏｒ　ａ　ｎｅｗｓ　ｍｅｄｉａ？［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１９ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｏｒｌｄ　Ｗｉｄｅ　Ｗｅｂ．Ｎｏｒｔｈ　Ｃａｒｏｌｉｎａ，２０１０：５９１—６００．　㈣　电子与信息学报　第３９卷　ｆ１９】ＺＩＮＯＶＩＥＶ　Ｄ．Ｉｎｆｏｒｍａｔｉｏｎ　Ｄｉｆｆｕｓｉｏｎ　ｉｎ　Ｓｏｃｉａｌ　Ｎｅｔｗｏｒｋｓ］Ｍ］．　Ｔｈｅ　Ｕｎｉｔｅｄ　Ｓｔａｔｅｓ　ｏｆ　Ａｍｅｒｉｃａ：Ｓｏｃｉａｌ　Ｎｅｔｗｏｒｋｉｎｇ　ａｎｄ　Ｃｏｍｍｕｎｉｔｙ　Ｂｅｈａｖｉｏｒ　Ｍｏｄｅｌｉｎｇ：　Ｑｕａｌｉｔａｔｉｖｅ　ａｎｄ　Ｑｕａｎｔｉｔａｔｉｖｅ　Ｍｅａｓｕｒｅｓ：　Ｑｕａｌｉｔａｔｉｖｅ　ａｎｄ　Ｑｕａｎｔｉｔａｔｉｖｅ　Ｍｅａｓｕｒｅｓ，２０１１：１４６—１６３．　【２０］ＰＩＮＴＯ　Ｈ，ＡＬＭＥＩＤＡ　Ｊ　Ｍ，ａｎｄ　ＧＯＮｑＡＬＶＥＳ　Ｍ　Ａ．Ｕｓｉｎｇ　ｅａｒｌｙ　ｖｉｅｗ　ｐａｔｔｅｒｎｓ　ｔｏ　ｐｒｅｄｉｃｔ　ｔｈｅ　ｐｏｐｕｌａｒｉｔｙ　ｏｆ　ｙｏｕｔｕｂｅ　ｖｉｄｅｏｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　６ｔｈ　ＡＣＭ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｅｂ　Ｓｅａｒｃｈ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，Ｒｏｍｅ，２０１３：　３６５—３７４．　［２１】ＢＡＯ　Ｐ，ＳＨＥＮ　Ｈ　Ｗ，ＨＵＡＮＧ　Ｊ，ｅｔ　ａ１．Ｐｏｐｕｌａｒｉｔｙ　ｐｒｅｄｉｃｔｉｏｎ　ｉｎ　ｍｉｃｒｏｂｌｏｇｇｉｎｇ　ｎｅｔｗｏｒｋ：ａ　ｃｓａｅ　ｓｔｕｄｙ　ｏｎ　ｓｉｎａ　ｗｅｉｂｏ［Ｃ］．　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２２ｎｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｏｒｌｄ　Ｗｉｄｅ　Ｗｅｂ，Ｒｉｏ　ｄｅ　Ｊａｎｅｉｒｏ，２０１３：１７７—１７８．　【２２］ＬＥＲＭＡＮ　Ｋ　ｎａｄ　ＨＯＧＧ　Ｔ．Ｕｓｉｎｇ　ａ　ｍｏｄｅｌ　ｏｆ　ｓｏｃｉａｌ　ｄｙｎａｍｉｃｓ　ｔｏ　ｐｒｅｄｉｃｔ　ｐｏｐｕｌａｒｉｔｙ　ｏｆ　ｎｅｗｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１９ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｏｒｌｄ　Ｗｉｄｅ　Ｗｅｂ，Ｎｏｒｔｈ　Ｃａｒｏｌｉｎａ，２０１０：６２１—６３０．　［２３］ＰＡＬＵＣＫ　Ｅ　Ｌ，ＳＨＥＰＨＥＲＤ　Ｈ，ａｎｄ　ＡＲＯＮＯＷ　Ｐ　Ｍ．　Ｃｈａｎｇｉｎｇ　ｃｌｉｍａｔｅｓ　ｏｆ　ｃｏｎｆｌｉｃｔ：Ａ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ　ｅｘｐｅｒｉｍｅｎｔ　ｉｎ　５６　ｓｃｈｏｏｌｓ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏ｜ｔｈｅ　Ｎａｔｉｏｎａｌ　Ａｃａｄｅｍｙ　ｏ｜　Ｓｃｉｅｎｃｅｓ，　２０１６，　１１３（３）：　５６６—５７１．ｄｏｉ：　１０．１０７３／ｐｎａｓ．　１５１４４８３１１３．　［２４】ＨＥ　ｘ，ＧＡＯ　Ｍ，ＫＡＮ　Ｍ　Ｙ，ｅｔ　ａ１．Ｐｒｅｄｉｃｔｉｎｇ　ｔｈｅ　ｐｏｐｕｌａｒｉｔｙ　ｏｆ　ｗｅｂ　２．０　ｉｔｅｍｓ　ｂａｓｅｄ　ｏｎ　ｕｓｅｒ　ｃｏｍｍｅｎｔｓ］Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　３７ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｒｅｓｅａｒｃｈ＆Ｄｅｖｅｌｏｐｍｅｎｔ　ｉｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｒｅｔｒｉｅｖａｌ，Ｇｏｌｄ　Ｃｏａｓｔ，２０１４１　２３３—２４２．　［２５】　ＺＨＡＯ　Ｑ，ＥＲＤＯＧＤＵ　Ｍ　Ａ，ＨＥ　Ｈ　Ｙ，ｅｔ　ａ１．ＳＥＩＳＭＩＣ：Ａ　ｓｅｌｆ－ｅｘｃｉｔｉｎｇ　ｐｏｉｎｔ　ｐｒｏｃｅｓｓ　ｍｏｄｅｌ　ｆｏｒ　ｐｒｅｄｉｃｔｉｎｇ　ｔｗｅｅｔ　ｐｏｐｕｌａｒｉｔｙ］Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２１ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，　Ｓｙｄｎｅｙ，２０１５：１５１３—１５２２．　［２６】　ＳＡＮＬＩ　Ｃ　ａｎｄ　ＬＡＭＢＩＯＴＴＥ　Ｒ．Ｌｏｃａｌ　ｖａｒｉａｔｉｏｎ　ｏｆ　ｈａｓｈｔａｇ　ｓｐｉｋｅ　ｔｒａｉｎｓ　ａｎｄ　ｐｏｐｕｌａｒｉｔｙ　ｉｎ　Ｔｗｉｔｔｅｒ［Ｊ］．ＰｌｏＳ　Ｏｎｅ，２０１５，　１Ｏ（７）：ｅ０１３１７０４．ｄｏｉ：１０．１３７１／ｊｏｕｒｎａ１．ｐｏｎｅ．０１３１７０４．　［２７］ＰＥＲＶＩＮ　Ｎ，ＰＨＡＮ　Ｔ　Ｑ，ＤＡＴＴＡ　Ａ，ｅｔ　ａ１．Ｈａｓｈｔａｇ　ｐｏｐｕｌｒａｉｔｙ　ｏｎ　ｔｗｉｔｔｅｒ：Ａｎａｌｙｚｉｎｇ　ｃｏ－ｏｃｃｕｒｒｅｎｃｅ　ｏｆ　ｍｕｌｔｉｐｌｅ　ｈａｓｈｔａｇｓ［Ｃ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｓｏｃｉａｌ　Ｃｏｍｐｕｔｉｎｇ　ａｎｄ　Ｓｏｃｉｌａ　Ｍｅｄｉａ，Ｌｏｓ　Ａｎｇｅｌｅｓ，２０１５：１６９—１８２．　【２８］ＨＵ　Ｃ，ＨＵ　Ｙ，ＸＵ　Ｗ，ｅｔ　ａ１．Ｕｎｄｅｒｓｔｎａｄｉｎｇ　ｐｏｐｕｌａｒｉｔｙ　ｅｖｏｌｕｔｉｏｎ　ｐａｔｔｅｒｎｓ　ｏｆ　ｈｏｔ　ｔｏｐｉｃｓ　ｂａｓｅｄ　ｏｎ　ｔｉｍｅ　ｓｅｒｉｅｓ　ｆｅａｔｕｒｅｓ］Ｃ］．Ａｓｉａ－Ｐａｃｉｉｆｃ　Ｗｅｂ　Ｃｏｎｆｅｒｅｎｃｅ，Ｃｈａｎｇｓｈａ，２０１４：　５８—６８．　｛２９］ＧＯＬＤＥＲ　Ｓ　Ａ，ＷＩＬＫＩＮＳＯＮ　Ｄ　Ｍ，ａｎｄ　ＨＵＢＥＲＭＡＮ　Ｂ　Ａ．　Ｒｈｙｔｈｍｓ　ｏｆ　Ｓｏｃｉａｌ　Ｉｎｔｅｒａｃｔｉｏｎ：Ｍｅｓｓａｇｉｎｇ　Ｗｉｔｈｉｎ　ａ　Ｍａｓｓｉｖｅ　Ｏｎｌｉｎｅ　Ｎｅｔｗｏｒｋ［Ｍ］．Ｌｏｎｄｏｎ：Ｓｐｒｉｎｇｅｒ，２００７：４１—６６．　ｆ３０］ＲＯＤＲＩＧＵＥＺ　Ｍ　Ｇ，ＢＡＬＤＵＺＺＩ　Ｄ，ＳＣＨＯＬＫＯＰＦ　Ｂ，ｅｔ　ａ１．　Ｕｎｃｏｖｅｒｉｎｇ　ｔｈｅ　ｔｅｍｐｏｒａｌ　ｄｙｎａｍｉｃｓ　ｏｆ　ｄｉｆｆｕｓｉｏｎ　ｎｅｔｗｏｒｋｓ［Ｃ］．　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ，Ｗａｓｈｉｎｇｔｏｎ，　２０１１：５６１—５６８．　『３１１　ＹＡＮＧ　Ｊ　ａｎｄ　ＬＥＳＫＯＶＥＣ　Ｊ．Ｐａｔｔｅｒｎｓ　ｏｆ　ｔｅｍｐｏｒａｌ　ｖａｒｉａｔｉｏｎ　ｉｎ　ｏｎｌｉｎｅ　ｍｅｄｉａ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　４ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｅｂ　Ｓｅａｒｃｈ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，Ｈｏｎｇ　Ｋｏｎｇ，　２０１１：１７７－１８６．　Ｍ　ＬＴＳＵＢＡＲＡ　Ｙ．ＳＡＫＵＲＡＩ　Ｙ，ＰＲＡＫＡＳＨ　Ｂ　Ａ，ｅｔ　ａ／．Ｒｉｓｅ　ａｎｄ　ｆａｌｌ　ｐａｔｔｅｒｎｓ　ｏｆ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ：ｍｏｄｅｌ　ａｎｄ　ｉｍｐｌｉｃａｔｉｏｎｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１８ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，　Ｂｅｉｊｉｎｇ，２０１２：６－１４．　ＣＲＡＮＥ　Ｒ　ａｎｄ　ＳＯＲＮＥＴＴＥ　Ｄ．Ｒｏｂｕｓｔ　ｄｙｎａｍｉｃ　ｃｌｓａｓｅｓ　ｒｅｖｅａｌｅｄ　ｂｙ　ｍｅａｓｕｒｉｎｇ　ｔｈｅ　ｒｅｓｐｏｎｓｅ　ｆｕｎｃｔｉｏｎ　ｏｆ　ａ　ｓｏｃｉａｌ　ｓｙｓｔｅｍ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ　０｜ｔｈｅ　Ｎａｔｉｏｎａｌ　Ａｃａｄｅｍｙ　ｏ｛Ｓｃｉｅｎｃｅｓ，　２００８，１０５（４１）：１５６４９—１５６５３．ｄｏｉ：１０．１０７３／ｐｎａｓ．０８０３６８５１０５．　ＣＲＡＮＥ　Ｒ　ａｎｄ　Ｓ０ＲＮＥＴＴＥ　Ｄ．Ｖｉｒ　，ｑｕａｌｉｔｙ，ａｎｄ　ｊｕｎｋ　ｖｉｄｅｏｓ　ｏｎ　ｙｏｕｔｕｂｅ：Ｓｅｐａｒａｔｉｎｇ　ｃｏｎｔｅｎｔ　ｆｒｏｍ　ｎｏｉｓｅ　ｉｎ　ａｎ　ｉｎｆｏｒｍａｔｉｏｎ－ｒｉｃｈ　ｅｎｖｉｒｏｎｍｅｎｔ［Ｃ］．ＡＡＡＩ　Ｓｐｒｉｎｇ　Ｓｙｍｐｏｓｉｕｍ：　Ｓｏｃｉｌａ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｐｒｏｃｅｓｓｉｎｇ，Ｃａｌｉｆｏｒｎｉａ，２００８：１８—２０．　ＦＩＧＵＥＩＲＥＤ０　Ｆ．Ｏｎ　ｔｈｅ　ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ｐｏｐｕｌａｒｉｔｙ　ｏｆ　ｔｒｅｎｄｓ　ａｎｄ　ｈｉｔｓ　ｆｏｒ　ｕｓｅｒ　ｇｅｎｅｒａｔｅｄ　ｖｉｄｅｏｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｓｉｘｔｈ　ＡＣＭ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗ　ｂ　Ｓｅａｒｃｈ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，Ｒｏｍｅ，２０１３：７４１—７４６．　ＦＩＧＵＥＩＲＥＤ０　Ｆ．ＢＥＮＥＶＥＮＵＴ０　Ｆ．ａｎｄ　ＡＬＭＥＩＤＡ　Ｊ　Ｍ．　Ｔｈｅ　ｔｕｂｅ　ｏｖｅｒ　ｔｉｍｅ：Ｃｈａｒａｃｔｅｒｉｚｉｎｇ　ｐｏｐｕｌａｒｉｔｙ　ｇｒｏｗｔｈ　ｏｆ　ｙｏｕｔｕｂｅ　ｖｉｄｅｏｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｆｏｕｒｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗ　ｂ　Ｓｅａｒｃｈ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ．Ｈｏｎｇ　Ｋｏｎｇ．　２０１１：７４５—７５４．　Ｒ０ＭＥＲＯ　Ｄ　Ｍ．ＭＥＥＤＥＲ　Ｂ．ａｎｄ　ＫＬＥＩＮＢＥＲＧ　Ｊ．　Ｄｉｆｅｒｅｎｃｅｓ　ｉｎ　ｔｈｅ　ｍｅｃｈａｎｉｃｓ　ｏｆ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ　ａｃｒｏｓｓ　ｔｏｐｉｃｓ：Ｉｄｉｏｍｓ，ｐｏｌｉｔｉｃａｌ　ｈａｓｈｔａｇｓ，ａｎｄ　ｃｏｍｐｌｅｘ　ｃｏｎｔａｇｉｏｎ　ｏｎ　ｔｗｉｔｔｅｒ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２０ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎⅥｂｒ１ｄ　Ｗｉｄｅ　Ｗｅｂ．Ｈｙｄｅｒａｂａｄ．２０１１：６９５—７０４．　ＡＳＵＲ　Ｓ．ＨＵＢＥＲＭＡＮ　Ｂ　Ａ　ＳＺＡＢＯ　Ｇ．ｅｔ　ａ１．Ｔｒｅｎｄｓ　ｉｎ　ｓｏｃｉａｌ　ｍｅｄｉａ：Ｐｅｒｓｉｓｔｅｎｃｅ　ａｎｄ　ｄｅｃａｙ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　５ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａ１　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｅｂｌｏｇｓ　ａｎｄ　ＳｏｃｉａＩ　Ｍｅｄｉａ，　Ｂａｒｃｅｌｏｎａ，２０１１：４３４—４３７．　ＡＲＤＯＮ　Ｓ，ＢＡＧＣＨＩ　Ａ，ＭＡＨＡＮＴＩ　Ａ，ｅｔ　ａ１．Ｓｐａｔｉｃ￣　ｔｅｍｐｏｒａｌ　ａｎｄ　ｅｖｅｎｔｓ　ｂａｓｅｄ　ａｎａｌｙｓｉｓ　ｏｆ　ｔｏｐｉｃ　ｐｏｐｕｌａｒｉｔｙ　ｉｎ　ｔｗｉｔｔｅｒ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２２ｎｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ＆Ｋｎｏｗｌｅｄｇｅ　Ｍａｎａｇｅｍｅｎｔ，Ｂｕｒｌｉｎｇａｍｅ，２０１３　２１９—２２８．　ＬＥＨＭＡＮＮ　Ｊ，ＧＯＮｑＡＬＶＥＳ　Ｂ，ＲＡＭＡＳＣ０　Ｊ　Ｊ，　０　Ｄｙｎａｍｉｃａｌ　ｃｌｓａｓｅｓ　ｏｆ　ｃｏｌｌｅｃｔｉｖｅ　ａｔｔｅｎｔｉｏｎ　ｉｎ　ｔｗｉｔｔｅｒ［Ｃ１．　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２１ｓｔ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｏｒｌｄ　ＷｉｄｅⅥ，ｅｂ．Ｌｙｏｎ．２０１２：２５１—２６０．　ＳＡＩＴ０　Ｋ，ＫＩＭＵＲＡ　Ｍ，０ＨＡＲＡ　Ｋ，ｅｔ　０　Ｂｅｈａｖｉｏｒａｌ　ａｎａｌｙｓｅｓ　ｏｆ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ　ｍｏｄｅｌｓ　ｂｙ　ｏｂｓｅｒｖｅｄ　ｄａｔａ　ｏｆ　ｓｏｃｉａ１　ｎｅｔｗｏｒｋ［Ｃ１．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｓｏｃｉａｌ　Ｃｏｍｐｕｔｉｎｇ，Ｂｅｈａｖｉｏｒａｌ　Ｍｏｄｅｌｉｎｇ，ａｎｄ　Ｐｒｅｄｉｃｔｉｏｎ，Ｂｅｔｈｃｓｄａ，　２０１０：１４９—１５８．　ＳＡＩＴ０　Ｋ，ＫＩＭＵＲＡ　Ｍ，０ＨＡＲＡ　Ｋ，ｅｔ　ａ１．Ｓｅｌｅｃｔｉｎｇ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ　ｍｏｄｅｌｓ　ｏｖｅｒ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ　ｆｏｒ　ｂｅｈａｖｉｏｒａｌ　ａｎａｌｙｓｉｓ［Ｃ］．Ｅｕｒｏｐｅａｎ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ　ｎａｄ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ｉｎ　Ｄａｔａｂａｓｅｓ，Ｂａｒｃｅｌｏｎａ，　２０１０：１８０—１９５．　ＧＵＩＬＬＥ　Ａ　ａｎｄ　ＨＡＣＩＤ　Ｈ．Ａ　ｐｒｅｄｉｃｔｉｖｅ　ｍｏｄｅｌ　ｆｏｒ　ｔｈｅ　ｔｅｍｐｏｒａｌ　ｄｙｎａｍｉｃｓ　ｏｆ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ　ｉｎ　ｏｎｌｉｎｅ　ｓｏｃｉａ１　第４期　胡长军等：在线社交网络信息传播研究综述　ｎｅｔｗｏｒｋｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２１ｓｔ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　Ｃｏｍｐａｎｉｏｎ　ｏｎ　Ｗｏｒｌｄ　Ｗｉｄｅ　Ｗｌｅｂ．Ｌｙｏｎ，２０１２：　１１４５～１１５２．　ＺＨ０Ｕ　Ｆ．ＪＩＡ０　Ｊ　Ｒ．ａｎｄ　ＬＥＩ　Ｂ．Ａ　ｌｉｎｅａｒ　ｔｈｒｅｓｈｏｌｄ－ｈｕｒｄｌｅ　ｍｏｄｅｌ　ｆｏｒ　ｐｒｏｄｕｃｔ　ａｄｏｐｔｉｏｎ　ｐｒｅｄｉｃｔｉｏｎ　ｉｎｃｏｒｐｏｒａｔｉｎｇ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ　ｅｆｆｅｃｔｓ［Ｊ］．Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅｓ，２０１５，３０７：９５—１０９．　ｄｏｉ：１０．１０１６／ｊ．ｉｎｓ．２０１５．０２．０２７．　ＢＯＵＲＩＧＡＵＩ　Ｓ．ＬＡＭＰＲＩＥＲ　Ｓ，ａｎｄ　ＧＡＬＬＩＮＡＲＩ　Ｐ．　Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ　ｌｅａｒｎｉｎｇ　ｆｏｒ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ　ｔｈｒｏｕｇｈ　ｓｏｃｉｌａ　ｎｅｔｗｏｒｋｓ：Ａｎ　ｅｍｂｅｄｄｅｄ　ｃａｓｃａｄｅ　ｍｏｄｅｌ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｎｉｎｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗ　ｂ　Ｓｅａｒｃｈ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，Ｃａｌｉｆｏｒｎｉａ，２０１６：５７３—５８２．　ＡＢＤＵＬＬＡＨ　Ｓ　ａｎｄ　ＷＵ　Ｘ．Ａｎ　ｅｐｉｄｅｍｉｃ　ｍｏｄｅｌ　ｆｏｒ　ｎｅｗｓ　ｓｐｒｅｄａｉｎｇ　ｏｎ　ｔｗｉｔｔｅｒ［Ｃ［．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２３ｒｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｔｏｏｌｓ　ｗｉｔｈ　Ａｒｔｉｉｆｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，　Ｆｌｏｒｉｄａ，２０１１：１６３—１６９．　Ｘ１０ＮＧ　Ｆ，ＬＩＵ　Ｙ，ＺＨＡＮＧ　Ｚ，ｅ　ａ１．Ａｎ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ　ｒｅｔｗｅｅｔｉｎｇ　ｍｅｃｈａｎｉＭ　ｓｍ　ｆｏｒ　ｏｎｌｉｎｅ　ｓｏｃｉａｌ　ｍｅｄｉａ［Ｊ］．Ｐｈｙｓｉｃｓ　Ｌｅｔｔｅｒｓ　Ａ，２０１２，３７６（３０）：２１０３—２１０８．ｄｏｉ：　１０．１０１６／ｊ．ｐｈｙｓｌｅｔａ．２０１２．０５．０２１．　ＬＩＵ　Ｄ　ａｎｄ　ＣＨＥＮ　Ｘ．Ｒｕｍｏｒ　ｐｒｏｐａｇａｔｉｏｎ　ｉｎ　ｏｎｌｉｎｅ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ　ｌｉｋｅ　Ｔｗｉｔｔｅｒ——一Ａ　ｓｉｍｕｌａｔｉｏｎ　ｓｔｕｄｙ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｔｈｉｒｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｍｕｌｔｉｍｅｄｉａ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｎｅｔｗｏｒｋｉｎｇ　ａｎｄ　Ｓｅｃｕｒｉｔｙ，Ｓｈａｎｇｈａｉ，２０１ｌ：　２７８—２８２．　ＹＡＮＧ　Ｊ　ａｎｄ　ＬＥＳＫ０ＶＥＣ　Ｊ．Ｍｏｄｅｌｉｎｇ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ　ｉｎ　ｉｍｐｌｉｃｉｔ　ｎｅｔｗｏｒｋｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｄａｔａ　Ｍｉｎｉｎｇ，Ｌａｓ　Ｖｅｇａｓ，２０１０：５９９—６０８．　ＢＡＲＢＩＥＲＩ　Ｎ，ＢＯＮＣＨＩ　Ｆ．ａｎｄ　ＭＡＮＣＯ　Ｇ．Ｔｏｐｉｃ—ａｗａｒｅ　ｓｏｃｉａｌ　ｉｎｆｌｕｅｎｃｅ　ｐｒｏｐａｇａｔｉｏｎ　ｍｏｄｅｌｓ［Ｊ］．Ｋｎｏｗｌｅｄｇｅ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｙｓｔｅｍｓ，２０１３，３７（３）：５５５—５８４．ｄｏｉ：１０．１ＯＯ７／　ｓｌ０１１５－０１３－０６４６．６．　ＢＡＫＳＨＹ　Ｅ，ＫＡＲＲＥＲ　Ｂ，ａｎｄ　ＡＤＡＭＩＣ　Ｌ　Ａ．Ｓｏｃｉａｌ　ｉｎｆｌｕｅｎｃｅ　ａｎｄ　ｔｈｅ　ｄｉｆｕｓｉｏｎ　ｏｆ　ｕｓｅｒ—ｃｒｅａｔｅｄ　ｃｏｎｔｅｎｔ［Ｃ］．　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１０ｔｈ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｅｌｅｃｔｒｏｎｉｃ　Ｃｏｍｍｅｒｃｅ，　Ｌｉｎｚ，２００９：３２５—３３４．　ＢＡＫＳＨＹ　Ｅ，ＨＯＦＭＡＮ　Ｊ　Ｍ，ＭＡＳ０Ｎ　Ｗ　Ａ，ｅｔ　ａ１．Ｅｖｅｒｙｏｎｅ’ｓ　ｎａ　ｉｎｆｌｕｅｎｃｅｒ：　Ｑｕａｎｔｉｆｙｉｎｇ　ｉｎｆｌｕｅｎｃｅ　ｏｎ　Ｔｗｉｔｔｅｒ［Ｃ［．　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｆｏｕｒｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｅｂ　Ｓｅａｒｃｈ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，Ｃａｍｂｒｉｄｇｅ，２０１１：６５—７４．　ＨＡ　Ｊ，ＫＩＭ　Ｓ　Ｗ，ＦＡＬＯＵＴＳ０Ｓ　Ｃ，ｅｔ　ａ１．Ａｎ　ａｎａｌｙｓｉｓ　ｏｎ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｕｓｉｏｎ　ｔｈｒｏｕｇｈ　ＢｌｏｇＣａｓｔ　ｉｎ　ａ　ｂｌｏｇｏｓｐｈｅｒｅ［Ｊ］．　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅｓ，２０１５，２９０（Ｃ）：４５—６２．ｄｏｉ：１０．１Ｏ１６／　ｊ．ｉｎｓ．２０１４．０８．０４２．　ＬＩＭ　Ｓ，ＪＵＮＧ　Ｉ，ＬＥＥ　Ｓ，ｅｔ　ａ１．Ａｎａｌｙｓｉｓ　ｏｆ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ　ｆｏｒ　ｔｈｒｅｓｈｏｌｄ　ｍｏｄｅｌｓ　ｏｎ　ａｒｂｉｔｒｒａｙ　ｎｅｔｗｏｒｋｓ［Ｊ］．　Ｅｕｒｏｐｅａｎ　Ｐｈｙｓｉｃａｌ　Ｊｏｕｒｎａｌ　Ｂ，２０１５，８８（８）：卜１４．ｄｏｉ：１０．１１４０／　ｅｐｊｂ／ｅ２０１５—６０２６３－６．　ＹＡＮＧ　Ｙ，ＴＡＮＧ　Ｊ，ＬＥＵＮＧ　Ｃ　Ｗ，ｅｔ　０　ＲＡＩＮ：Ｓｏｃｉｌａ　ｒｏｌｅ－ａｗａｒｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ［Ｃ］．Ｐｒｏｃｅｄｉｎｇｓ　ｏｆ　Ｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｒｔｉｆｉｃｉｌａ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，Ａｕｓｔｉｎ　Ｔｅｘａｓ，２０１５：　３６７—３７３．　ＤＵ　Ｎ，ＬＩＡＮＧ　Ｙ，ＢＡＬＣＡＮ　Ｍ，ｅｔ　ａ１．Ｉｎｆｌｕｅｎｃｅ　ｆｕｎｃｔｉｏｎ　ｌｅａｒｎｉｎｇ　ｉｎ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ　ｎｅｔｗｏｒｋｓ［Ｃ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ，Ｂｅｉｊｉｎｇ，２０１４：２０１６—２０２４．　ＤＵ　Ｎ，Ｓ０ＮＧ　Ｌ，Ｇ０ＭＥＺＲ０ＤＲＩＧＵＥＺ　Ｍ，　ａ１．Ｓｃａｌａｂｌｅ　ｉｎｆｌｕｅｎｃｅ　ｅｓｔｉｍａｔｉｏｎ　ｉｎ　ｃｏｎｔｉｎｕｏｕｓ－ｔｉｍｅ　ｄｉｆｆｕｓｉｏｎ　ｎｅｔｗｏｒｋｓ［Ｃ１．　Ｎｅｕｒａｌ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｐｒｏｃｅｓｓｉｎｇ　Ｓｙｓｔｅｍｓ，Ｎｅｖａｄａ，２０１３：　３１４７—３１５５．　Ｈ０ＲＥＬ　Ｔ　ａｎｄ　ＳＩＮＧＥＲ　Ｙ．Ｓｃａｌａｂｌｅ　ｍｅｔｈｏｄｓ　ｆｏｒ　ａｄａｐｔｉｖｅｌｙ　ｓｅｅｄｉｎｇ　ａ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２４ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｏｒｌｄ　ＷｉｄｅⅥｒｅｂ，Ｆｌｏｒｅｎｃｅ，２０１５：　４４１—４５１．　Ｒ０ＮＧ　Ｙ，ＣＨＥＮＧ　Ｈ，ａｎｄ　Ｍ０　Ｚ．Ｗｈｙ　ｉｔ　ｈａｐｐｅｎｅｄ：　ｉｄｅｎｔｉｆｙｉｎｇ　ａｎｄ　ｍｏｄｅｌｉｎｇ　ｔｈｅ　ｒｅａｓｏｎｓ　ｏｆ　ｔｈｅ　ｈａｐｐｅｎｉｎｇ　ｏｆ　ｓｏｃｉｌａ　ｅｖｅｎｔｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２１ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，　Ｓｙｄｎｅｙ，２０１５：１０１５—１０２４．　ＭＹＥＲＳ　Ｓ　Ａ　ａｎｄ　ＬＥＳＫ０ＶＥＣ　Ｊ．Ｃｌｓａｈ　ｏｆ　ｔｈｅ　ｃｏｎｔａｇｉｏｎｓ：　ｃｏｏｐｅｒａｔｉｏｎ　ａｎｄ　ｃｏｍｐｅｔｉｔｉｏｎ　ｉｎ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ［Ｃ］．　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｄａｔａ　Ｍｉｎｉｎｇ，Ｌａｓ　Ｖｅｇａｓ，２０１２：　５３９—５４８．　Ｇ０ＭＥＺＲ０ＤＲＩＧＵＥＺ　Ｍ，ＬＥＳＫ０ＶＥＣ　Ｊ，ＳＣＨＯＥＬＫ０ＰＦ　Ｂ，　ａ１．Ｍｏｄｅｌｉｎｇ　ｉｎｆｏｒｍａｔｉｏｎ　ｐｒｏｐａｇａｔｉｏｎ　ｗｉｔｈ　ｓｕｒｖｉｖａｌ　ｔｈｅｏｒｙ［Ｃ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ，　Ａｔｌｎａｔａ，２０１３：６６６—６７４．　Ⅵ砸ＮＧ　Ｌ，　ＦＬＡＭＭＩＮＩ　Ａ，　ＶＥＳＰＩＧＮＡＮＩ　Ａ，　以　Ｃｏｍｐｅｔｉｔｉｏｎ　ａｍｏｎｇ　ｍｅｍｅｓ　ｉｎ　ａ　ｗｏｒｌｄ　ｗｉｔｈ　ｌｉｍｉｔｅｄ　ａｔｔｅｎｔｉｏｎ　［Ｊ］．Ｓｃｉｅｎｔｉｆｉｃ　Ｒｅｐｏｒｔｓ，２０１２，２（７３９１）：３３５—３４２．ｄｏｉ：１０．１０３８／　ｓｔｅｐ００３３５．　ＳＵ　Ｙ，ＺＨＡＮＧ　Ｘ，ＬＩＵ　Ｌ，ｅｔ　ａ１．Ｕｎｄｅｒｓｔａｎｄｉｎｇ　ｉｎｆｏｒｍａｔｉｏｎ　ｉｎｔｅｒａｃｔｉｏｎｓ　ｉｎ　ｄｉｆｆｕｓｉｏｎ：Ａｎ　ｅｖｏｌｕｔｉｏｎａｒｙ　ｇａｍｅ—ｔｈｅｏｒｅｔｉｃ　ｐｅｒｓｐｅｃｔｉｖｅ［Ｊ］．Ｆｒｏｎｔｉｅｒｓ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，２０１６，１０（３）：　５１８—５３１．ｄｏｉ：１０．１００７／ｓ１１７０４—０１５—５００８－ｙ．　ＢＥＵＴＥＬ　Ａ，ＰＲＡＫＡＳＨ　Ｂ　Ａ，ＲＯＳＥＮＦＥＬＤ　Ｒ，ｅ￡ｎｆ．　Ｉｎｔｅｒｃａｔｉｎｇ　ｖｉｒｕｓｅｓ　ｉｎ　ｎｅｔｗｏｒｋｓ：ｃｎａ　ｂｏｔｈ　ｓｕｒｖｉｖｅ？［Ｃ］．　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１８ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，Ｂｅｉｊｉｎｇ，２０１２：　４２６—４３４．　ＣＡＳＴＥＬＬＡＮ０　Ｃ　ａｎｄ　ＰＡＳＴ０Ｒ—ＳＡＴＯＲＲＡＳ　Ｒ．Ｃｏｍｐｅｔｉｎｇ　ｃａｔｉｖａｔｉｏｎ　ｍｅｃｈａｎｉｓｍｓ　ｉｎ　ｅｐｉｄｅｍｉｃｓ　ｏｎ　ｎｅｔｗｏｒｋｓ［Ｊ］．Ｓｃｉｅｎｔｉｉｆｃ　Ｒｅｐｏｒｔｓ，２０１２，２（１６）：３７１—３７６．ｄｏｉ：１０．１Ｏ３８／ｓｒｅｐ００３７１．　ＳＡＨＮＥＨ　Ｆ　Ｄ，ＳＣ０ＧＬＩＯ　Ｃ，ＶＡＮ　Ｍｉｅｇｈｅｍ　Ｐ，ｅｔ　ａ１．　Ｇｅｎｅｒａｌｉｚｅｄ　ｅｐｉｄｅｍｉｃ　ｍｅａｎ－ｆｉｅｌｄ　ｍｏｄｅｌ　ｆｏｒ　ｓｐｒｅａｄｉｎｇ　ｐｒｏｃｅｓｓｅｓ　ｏｖｅｒ　ｍｕｌｔｉｌａｙｅｒ　ｃｏｍｐｌｅｘ　ｎｅｔｗｏｒｋｓ［Ｊ］．Ａ　ＣＭ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｎｅｔｗｏｒｋｉｎｇ，２０１３，２１（５）：１６０９—１６２０．ｄｏｉ：　１０．１ｌ０９／ＴＮＥＴ．２０１３．２２３９６５８．　ＦＩＯＲＩＴＩ　Ｖ　ａｎｄ　ＣＨＩＮＮＩＣＩ　Ｍ．Ｐｒｅｄｉｃｔｉｎｇ　ｔｈｅ　ｓｏｕｒｃｅｓ　ｏｆ　ａｎ　ｏｕｔｂｒｅａｋ　ｗｉｔｈ　ａ　ｓｐｅｃｔｒａｌ　ｔｅｃｈｎｉｑｕｅ［Ｊ］．Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，　２０１２，８（１）：６７７５—６７８２．ｄｏｉ：１０．１２９８８／ａｍｓ．２０１４．４９６９３．　Ｃ０ＭＩＮ　Ｃ　Ｈ　ａｎｄ　ＤＡ　ＦＯＮＴＯＵＲＡ　Ｃ　Ｌ．Ｉｄｅｎｔｉｆｙｉｎｇ　ｔｈｅ　ｓｔａｒｔｉｎｇ　ｐｏｉｎｔ　ｏｆ　ａ　ｓｐｒｅａｄｉｎｇ　ｐｒｏｃｅｓｓ　ｉｎ　ｃｏｍｐｌｅｘ　ｎｅｔｗｏｒｋｓ［Ｊ］．　Ｐｈｙｓｉｃａｌ　Ｒｅｖｉｅｗ　Ｅ　２０１１，８４（５）：０５６１０５．ｄｏｉ：１０．１１０３／　ＰｈｙｓＲｅｖＥ．８４．０５６１０５．　ＬＯＫＨＯＶ　Ａ　Ｙ，ＭＩ￣ＺＡＲＤ　Ｍ，ＯＨＴＡ　Ｈ，ｅｔ　ａ１．Ｉｎｆｅｒｒｉｎｇ　ｔｈｅ　ｏｒｉｇｉｎ　ｏｆ　ａｎ　ｅｐｉｄｅｍｉｃ　ｗｉｔｈ　ａ　ｄｙｎａｍｉｃ　ｍｅｓｓａｇｅ－ｐａｓｓｉｎｇ　电子与信息学报　㈣　第３９卷　ａｌｇｏｒｉｔｈｍ［Ｊ］．Ｐｈｙｓｉｃａｌ　Ｒｅｎｅｗ最２０１４，９０（１）：０１２８０１．ｄｏｉ：　１０．１ｌ０３／ＰｈｙｓＲｅｖＥ．９０．０１２８０１．　ＡＮＴＵＬ０Ｖ—ＦＡＮＴＵＬＩＮ　Ｎ，ＬＡＮＣＩＣ　Ａ，ＳＴＥＦＡＮＣＩＣ　Ｈ，　ａ１．Ｓｔａｔｉｓｔｉｃａｌ　ｉｎｆｅｒｅｎｃｅ　ｆｒａｍｅｗｏｒｋ　ｆｏｒ　ｓｏｕｒｃｅ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｃｏｎｔａｇｉｏｎ　ｐｒｏｃｅｓｓｅｓ　ｏｎ　ａｒｂｉｔｒａｒｙ　ｎｅｔｗｏｒｋ　ｓｔｒｕｃｔｕｒｅｓ［Ｃ］．　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　Ｅｉｇｈｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｓｅｌｆ－Ａｄａｐｔｉｖｅ　ａｎｄ　Ｓｅｌｆ－Ｏｒｇａｎｉｚｉｎｇ　Ｓｙｓｔｅｍｓ　Ｗｏｒｋｓｈｏｐｓ，　Ｌｏｎｄｏｎ，２０１４：７８—８３．　ＺＡＮＧ　Ｗ，ＺＨＡＮＧ　Ｐ，ＺＨＯＵ　Ｃ，ｅｔ　ａ１．Ｄｉｓｃｏｖｅｒｉｎｇ　ｍｕｌｔｉｐｌｅ　ｄｉｆｆｕｓｉｏｎ　ｓｏｕｒｃｅ　ｎｏｄｅｓ　ｉｎ　ｓｏｃｉｌａ　ｎｅｔｗｏｒｋｓ［Ｊ］．Ｐｒｏｃｅｄｉａ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，２０１４，２９：４４３—４５２．ｄｏｉ：１０．１０１６／ｊ．ｐｒｏｃｓ．　２０１４．０５．０４０．　ＫＯＮＧ　Ｓ，ＭＥＩ　Ｑ，ＦＥＮＧ　Ｌ，ｅ￡ａ１．Ｐｒｅｄｉｃｔｉｎｇ　ｂｕｒｓｔｓ　ａｎｄ　ｐｏｐｕｌａｒｉｔｙ　ｏｆ　ｈａｓｈｔａｇｓ　ｉｎ　ｒｅｌａ—ｔｉｍｅ［Ｃ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｒｅｓｅａｒｃｈ　ａｎｄ　Ｄｅｖｅｌｏｐｍｅｎｔ　ｉｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｒｅｔｒｉｅｖａｌ，Ｇｏｌｄ　Ｃｏａｓｔ，２０１４：９２７－９３０．　ＫＯＮＧ　Ｓ，ＦＥＮＧ　Ｌ，ＳＵＮ　Ｇ，ｅｔ　ａ１．Ｐｒｅｄｉｃｔｉｎｇ　ｌｉｆｅｓｐａｎｓ　ｏｆ　ｐｏｐｕｌａｒ　ｔｗｅｅｔｓ　ｉｎ　ｍｉｃｒｏｂｌｏｇ［Ｃ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｒｅｓｅａｒｃｈ　ａｎｄ　Ｄｅｖｅｌｏｐｍｅｎｔ　ｉｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｒｅｔｒｉｅｖａｌ，Ｏｒｅｇｏｎ，　２０１２：１　１２９—１　１３０．　ＢＡＯ　Ｐ，ＳＨＥＮ　Ｈ　Ｗ，ＣＨＥＮ　Ｗ，ｅｔ　ａ１．Ｃｕｍｕｌａｔｉｖｅ　ｅｆｆｅｃｔ　ｉｎ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｕｓｉｏｎ：Ｅｍｐｉｒｉｃａｌ　ｓｔｕｄｙ　ｏｎ　ａ　ｍｉｃｒｏｂｌｏｇｇｉｎｇ　ｎｅｔｗｏｒｋ［Ｊ［．ＰｌｏＳ　Ｏｎｅ，２０１３，８（１０）：ｅ７６０２７．ｄｏｉ：１０．１３７１／　ｊｏｕｒｎａ１．ｐｏｎｅ．００７６０２７．　ＢＥＲＮＡＢ￣－ＭＯＲＥＮＯ　Ｊ，ＴＥＪＥＤＡ—ＬＯＲＥＮＴＥ　Ａ，ＰＯＲＣＥＬ　Ｃ．ｅｔ　ｎ￡Ａ　ｎｅｗ　ｍｏｄｅｌ　ｔｏ　ｑｕａｎｔｉｆｙ　ｔｈｅ　ｉｍｐａｃｔ　ｏｆ　ａ　ｔｏｐｉｃ　ｉｎ　ａ　ｌｏｃａｔｉｏｎ　ｏｖｅｒ　ｔｉｍｅ　ｗｉｔｈ　Ｓｏｃｉｌａ　Ｍｅｄｉａ［Ｊ［．Ｅｘｐｅｒｔ　Ｓｙｓｔｅｍｓ　ｗｉｔｈ　Ａｐｐｌｉａｃｔｉｏｎｓ，２０１５，４２（７）：３３８１—３３９５．ｄｏｉ：１０．１０１６／ｊ．ｅｓｗａ．　２０１４．１１．０６７．　ＷＥＮＧ　Ｌ　ａｎｄ　ＭＥＮＣＺＥＲ　Ｆ．Ｔｏｐｉｃａｌｉｔｙ　ａｎｄ　ｉｍｐａｃｔ　ｉｎ　ｓｏｃｉａｌ　ｍｅｄｉａ：Ｅｉｖｅｒｓｅ　ｍｅｓｓａｇｅｓ，ｆｏｃｕｓｅｄ　ｍｅｓｓｅｎｇｅｒｓ［Ｊ］．ＰｌｏＳ　Ｏｎｅ，　２０１５，１０（２）：ｅ０１１８４１０．ｄｏｉ：１０．１３７１￣ｏｕｒｎａ１．ｐｏｎｅ．０１１８４１０．　ＸＵ　Ｂ，ＨＵＡＮＧ　Ｙ，ＫＷＡＫ　Ｈ，ｅｔ　ａ１．Ｓｔｒｕｃｔｕｒｅｓ　ｏｆ　ｂｒｏｋｅｎ　ｔｉｅｓ：　Ｅｘｐｌｏｒｉｎｇ　ｕｎｆｏｌｌｏｗ　ｂｅｈａｖｉｏｒ　Ｏｉｌ　ｔｗｉｔｔｅｒ［Ｃ］．Ｃｏｍｐｕｔｅｒ　Ｓｕｐｐｏｒｔｅｄ　Ｃｏｏｐｅｒａｔｉｖｅ　Ｗｏｒｋ，Ｔｅｘａｓ，２０１３：８７１—８７６．　ＺＨＡＮＧ　Ｊ，Ｔ　ＮＧ　Ｊ，ＬＩ　Ｊ，ｅ￡ｎ＾Ｗｈｏ　ｉｎｆｌｕｅｎｃｅｄ　ｙｏｕ？　ｐｒｅｄｉｃｔｉｎｇ　ｒｅｔｗｅｅｔ　ｖｉａ　ｓｏｃｉｌａ　ｉｎｆｌｕｅｎｃｅ　ｌｏｃａｌｉｔｙ［Ｊ］．Ａ　ＣＭ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ加ｍ　Ｄａｔａ（ＴＫＤＤ），　２０１５，９（３）：２５．ｄｏｉ：１０．１１４５／２７００３９８．　ＦＥＮＧ　Ｌ，ＨＵ　Ｙ，ＬＩ　Ｂ，ｅｔ　ａＬ　Ｃｏｍｐｅｔｉｎｇ　ｆｏｒ　ａｔｔｅｎｔｉｏｎ　ｉｎ　ｓｏｃｉａｌ　ｍｅｄｉａ　ｕｎｄｅｒ　ｉｎｆｏｒｍａｔｉｏｎ　ｏｖｅｒｌｏａｄ　ｃｏｎｄｉｔｉｏｎｓ［Ｊ］．ＰｌｏＳ　Ｏｎｅ，　２０１５，１Ｏ（７）：ｅ０１２６０９０．ｄｏｉ：１０．１３７１￣ｏｕｒｎａ１．ｐｏｎｅ．０１２６０９０．　ＰＡＰＡＤｏＰＯＵＬＯＳ　Ｆ，ＫＩＴＳＡＫ　Ｍ，ＳＥＲＲＡＮＯ　Ｍ　Ａ，ｅ￡Ⅱ正　Ｐｏｐｕｌａｒｉｔｙ　ｖｅｒｓｕｓ　ｓｉｍｉｌａｒｉｔｙ　ｉｎ　ｇｒｏｗｉｎｇ　ｎｅｔｗｏｒｋｓ［Ｊ［．Ｎａｔｕｒｅ，　２０１１，４８９（７４１７）：５３７—５４０．ｄｏｉ：１０．１０３８／ｎａｔｕｒｅｌ１４５９．　ＧＡＬＬ０Ｓ　Ｌ　Ｋ，ＲＹＢＳＫＩ　Ｄ，ＬＩＬＪＥＲ０Ｓ　Ｆ，ｅｔ　ａ１．Ｈｏｗ　ｐｅｏｐｌｅ　ｉｎｔｅｒａｃｔ　ｉｎ　ｅｖｏｌｖｉｎｇ　ｏｎｌｉｎｅ　ａｆｉｆｌｉａｔｉｏｎ　ｎｅｔｗｏｒｋｓ［Ｊ］．Ｐｈｙｓｉｃａｌ　Ｒｅｖｉｅｗ五２０１１，２（３）．ｄｏｉ：１０．１１０３／ＰｈｙｓＲｅｖＸ．２．０３１０１４．　Ｇ０ＮＣＡＬＶＥＳ　Ｂ，ＰＥＲＲＡ　Ｎ，ＶＥＳＰＩＧＮＡＮＩ　Ａ，ｅ￡以　Ｍｏｄｅｌｉｎｇ　ｕｓｅｒｓ’ａｃｔｉｖｉｔｙ　ｏｎ　ｔｗｉｔｔｅｒ　ｎｅｔｗｏｒｋｓ：Ｖａｌｉｄａｔｉｏｎ　ｏｆ　Ｄｕｎｂａｒ’ｓ　ｎｕｍｂｅｒ［Ｊ］．ＰｌｏＳ　Ｏｎｅ，２０１１，６（８）．ｄｏｉ：１０．１３７１／　ｊｏｕｒｎａ１．ｐｏｎｅ．００２２６５６．　ＬＩＮ　Ｓ，ＨＵ　Ｑ，ＷＡＮＧ　Ｆ，ｃｔ　ａ１．Ｓｔｅｅｒｉｎｇ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ　ｄｙｎａｍｉｃｌａｌｙ　ａｇａｉｎｓｔ　ｕｓｅｒ　ａｔｔｅｎｔｉｏｎ　ｌｉｍｉｔａｔｉｏｎ［Ｃ］．　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｄａｔａ　Ｍｉｎｉｎｇ，Ｓｈｅｎｚｈｅｎ，２０１４：　３３０—３３９．　ＣＨＯＯＢＤＡＲ　Ｓ，ＲＩＢＥＩＲＯ　Ｐ，ＰＡＲＴＨＡＳＡＲＡＴＨＹ　Ｓ，ｅｔ　ａ１．　Ｄｙｎａｍｉｃ　ｉｎｆｅｒｅｎｃｅ　ｏｆ　ｓｏｃｉｌａ　ｒｏｌｅｓ　ｉｎ　ｉｎｆｏｒｍａｔｉｏｎ　ｃａｓｃａｄｅｓ［Ｊ］．　Ｄａｔａ　Ｍｉｎｉｎｇ　ａｎｄ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｙｒ，２０１５，２９（５）：　１１５２—１１７７．ｄｏｉ：１０．１００７／ｓ１０６１８—０１５—０４０２－５．　ＬＩ　Ｙ，ＱＩＡＮ　Ｍ．ＪＩＮ　Ｄ，ｅｔ　０Ｌ　Ｒｅｖｅａｌｉｎｇ　ｔｈｅ　ｅｆｉｆｃｉｅｎｃｙ　ｏｆ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ　ｉｎ　ｏｎｌｉｎｅ　ｓｏｃｉｌａ　ｎｅｔｗｏｒｋｓ　ｏｆ　ｍｉｃｒｏｂｌｏｇ［Ｊ］　．Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅｓ，２０１５，２９３（１）：３８３—３８９．ｄｏｉ：１０．１０１６／　ｊ．ｉｎｓ．２０１４．０９．０１９．　ＧＯＭＥＺ　Ｒ　Ｍ　ａｎｄ　ＳＯＮＧ　Ｌ．Ｄｉｆｆｕｓｉｏｎ　ｉｎ　ｓｏｃｉｌａ　ａｎｄ　ｉｎｆｏｒｍａｔｉｏｎ　ｎｅｔｗｏｒｋｓ：Ｒｅｓｅａｒｃｈ　ｐｒｏｂｌｅｍｓ，ｐｒｏｂａｂｉｌｉｓｔｉｃ　ｍｏｄｅｌｓ　ｎａｄ　ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ　ｍｅｔｈｏｄｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２１ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，Ｓｙｄｎｅｙ，２０１５：２３１５—２３１６．　ＭＹＥＲＳ　Ｓ　Ａ，ＺＨＵ　Ｃ，ａｎｄ　ＬＥＳＫＯＶＥＣ　Ｊ．Ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ　ａｎｄ　ｅｘｔｅｒｎａｌ　ｉｎｆｌｕｅｎｃｅ　ｉｎ　ｎｅｔｗｏｒｋｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１８ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，Ｂｅｉｊｉｎｇ，２０１２：３３—４１．　ＳＴ　Ｃｌａｉｒ　Ｊ　Ｊ　Ｈ，ＢＵＲＮＳ　Ｚ　Ｔ，ＢＥＴＴＡＮＥＹ　Ｅ　Ｍ，ｅｔ　ａ１．　Ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｏｕｒｃｅ　ｐｕｌｓｅｓ　ｉｎｆｌｕｅｎｃｅ　ｓｏｃｉａｌ－ｎｅｔｗｏｒｋ　ｄｙｎａｍｉｃｓ　ａｎｄ　ｔｈｅ　ｐｏｔｅｎｔｉｌａ　ｆｏｒ　ｉｎｆｏｒｍａｔｉｏｎ　ｆｌｏｗ　ｉｎ　ｔｏｏｌ—ｕｓｉｎｇ　ｃｒｏｗｓ［Ｊ［．Ｎａｔｕｒｅ　Ｃｏｍｍｕｎｉａｃｔｉｏｎｓ，２０１５，６（１）：卜８．ｄｏｉ：　１０．１０３８／ｎｃｏｍｍｓ８１９７．　ＤＡＮＥＳＨＭＡＮＤ　Ｈ，ＧＯＭＥＺＲＯＤＲＩＧＵＥＺ　Ｍ，ＳＯＮＧ　Ｌ，ｅｔ　ａ１．Ｅｓｔｉｍａｔｉｎｇ　ｄｉｆｆｕｓｉｏｎ　ｎｅｔｗｏｒｋ　ｓｔｒｕｃｔｕｒｅｓ：Ｒｅｃｏｖｅｒｙ　ｃｏｎｄｉｔｉｏｎｓ．ｓａｍｐｌｅ　ｃｏｍｐｌｅｘｉｔｙ＆ｓｏｆｔ－ｔｈｒｅｓｈｏｌｄｉｎｇ　ａｌｇｏｒｉｔｈｍ　［Ｃ】．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ，Ｂｅｉｊｉｎｇ，　２０１４：７９３—８０１．　ＴＡＸＩＤＯＵ　Ｉ　ａｎｄ　ＦＩＳＣＨＥＲ　Ｐ　Ｍ．Ｏｎｌｉｎｅ　ａｎａｌｙｓｉｓ　ｏｆ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｆｕｓｉｏｎ　ｉｎ　ｔｗｉｔｔｅｒ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｃｏｍｐａｎｉｏｎ　Ｐｕｂｌｉｃａｔｉｏｎ　ｏｆ　ｔｈｅ　２３ｒｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｏｒｌｄ　Ｗｉｄｅ　Ｗｅｂ　Ｃｏｍｐａｎｉｏｎ，Ｓｅｏｕｌ，２０１４：１３１３—１３１８．　ＤＥ　ＮＩＥＳ　Ｔ，ＴＡＸＩＤＯＵ　Ｉ，ＤＩＭＯＵ　Ａ，ｅｔ　ａ１．Ｔｏｗａｒｄｓ　ｍｕｌｔｉ—　ｌｅｖｅｌ　ｐｒｏｖｅｎａｎｃｅ　ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ　ｏｆ　ｉｎｆｏｒｍａｔｉｏｎ　ｄｉｆｕｓｉｏｎ　ｏｎ　ｓｏｃｉａｌ　ｍｅｄｉａ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２４ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　ｏｎ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　ａｎｄ　Ｋｎｏｗｌｅｄｇｅ　Ｍａｎａｇｅｍｅｎｔ，　Ｍｅｌｂｏｕｒｎｅ，２０１５：１８２３—１８２６．　胡长军：　男，１９６３年生，教授，研究方向为社交网络分析、高性　能计算、领域数据工程．　许文文：　女，１９８９年生，博士生，研究方向为在线社交网络信息　传播分析．　胡颖：　女，１９９０年生，博士生，研究方向为在线社交网络信息　传播分析．　方明哲：　男，１９８９年生，博士生，研究方向为在线社交网络信息　溯源分析．　刘峰：　男，１９９２年生，硕士生，研究方向为在线社交网络信息　传播分析．