Collective Influence of Multiple Spreaders Evaluated by Tracing Real Information Flow in Large-Scale Social Networks.
Collective Influence of Multiple Spreaders Evaluated by Tracing Real Information Flow in Large-Scale Social Networks.
复制标题
通过追踪大规模社交网络中的真实信息流进行评估的多个播放器的集体影响。
DOI：
10.1038/srep36043
复制
发表时间：
2016-10-26
影响因子：
4.6
通讯作者：
Makse HA
中科院分区：
文献类型：
--
作者：
Teng X;Pei S;Morone F;Makse HA
确定最大化信息流的最有影响力的传播者是网络理论的核心问题。最近，一个可扩展的方法称为“集体影响力（CI）”已经提出了通过集体影响力最大化。与单独评估节点重要性的启发式方法不同，CI方法考察了多个传播者的集体影响。尽管CI适用于渗透模型中的影响最大化问题，但在现实的信息传播中检验其有效性仍然很重要。在这里，我们研究了各种社会和科学平台中的真实信息流，包括美国物理学会，Facebook，Twitter和LiveJournal。由于经验数据不能直接映射到理想的多源传播，我们利用从数据中提取的用户的行为模式来构建“虚拟”的信息传播过程。我们的研究结果表明，由CI选择的传播者的集合可以诱导更大规模的信息传播。此外，在现实的信息传播中，节点的连接数或引用数等局部性度量并不一定是节点重要性的决定性因素。这一结果对科学网络（如APS）中的排名科学家具有重要意义，在这些网络中，常用的引用数量可能是作者在社区中的集体影响力的一个很差的指标。
Identifying the most influential spreaders that maximize information flow is a central question in network theory. Recently, a scalable method called “Collective Influence (CI)” has been put forward through collective influence maximization. In contrast to heuristic methods evaluating nodes’ significance separately, CI method inspects the collective influence of multiple spreaders. Despite that CI applies to the influence maximization problem in percolation model, it is still important to examine its efficacy in realistic information spreading. Here, we examine real-world information flow in various social and scientific platforms including American Physical Society, Facebook, Twitter and LiveJournal. Since empirical data cannot be directly mapped to ideal multi-source spreading, we leverage the behavioral patterns of users extracted from data to construct “virtual” information spreading processes. Our results demonstrate that the set of spreaders selected by CI can induce larger scale of information propagation. Moreover, local measures as the number of connections or citations are not necessarily the deterministic factors of nodes’ importance in realistic information spreading. This result has significance for rankings scientists in scientific networks like the APS, where the commonly used number of citations can be a poor indicator of the collective influence of authors in the community.
登录
查看更多内容
影响因子：
5
作者：
Iyengar, Raghuram;Van den Bulte, Christophe;Valente, Thomas W.
通讯作者：
Valente, Thomas W.
影响因子：
3.7
作者：
Pei S;Muchnik L;Tang S;Zheng Z;Makse HA
通讯作者：
Makse HA
社交网络中人类活动异质性幂律度分布的起源
影响因子：
4.6
作者：
Muchnik, Lev;Pei, Sen;Parra, Lucas C.;Reis, Saulo D. S.;Andrade, Jose S., Jr.;Havlin, Shlomo;Makse, Hernan A.
通讯作者：
Makse, Hernan A.
影响因子：
64.8
作者：
Albert, R;Jeong, H;Barabási, AL
通讯作者：
Barabási, AL
在复杂网络中传播动态
DOI：
10.1088/1742-5468/2013/12/p12002
发表时间：
2013-12-01
影响因子：
2.4
作者：
Pei, Sen;Makse, Hernan A.
通讯作者：
Makse, Hernan A.