题目：社交网络传播的数据驱动渗流模型及相变

时间：2023年3月1日（周三）9：30—11：30

地点：恕园2-311

报告人：谢家荣

【报告人简介】

谢家荣，中山大学计算机学院副研究员。2017 年毕业于中国科学技术大学，获物理学博士学位。其后，到中山大学计算机学院先后任博士后和副研究员。主要研究兴趣为复杂网络上的传播动力学、渗流理论、结构识别等。在Nature Human Behaviour (cover story), PNAS,Nature Communications 等国际主流期刊发表论文20 余篇。

【报告摘要】

复杂网络上的渗流理论被广泛应用于社交网络的传播中。研究者普遍假设，社交网络上的传播动力学是一个渗流过程，类似于统计物理中的相变。然而由于实证的缺乏，一方面这一假设特别是其推导出的渗流相变，没有被直接观察到，另一方面，间接影响力广泛存在，但间接影响力的确切机制，特别是直接和间接影响之间的相对强度，也少有研究。以微博1亿用户及科学家合作数据为驱动，建立了非均匀的点渗流模型及诱导渗流模型。发现社交媒体的信息传播能力非常强，而强传播能力的来源为网络结构与用户行为的共演化，并且，共演化还导致用户影响力极度不平衡。通过点渗流模型得到了相变点和临界指数，验证了传播的渗流假设。进一步，研究了微信11 亿用户和微博4.5 亿用户上的传播，提出只有一个自由参数的传播响应方程。方程能很好解释实际的传播现象，并揭示社交网络的高度聚集性质可以导致快速和高频的信息爆发，而每次爆发的覆盖面相对较小。对于影响力传播，通过科学家合作数据，揭示了间接影响如何通过最近邻发生，发现间接影响力可能主导着研究者的兴趣转变，相反，直接影响相对较弱。据实证结果建立的诱导渗流模型，发现边的方向性是影响渗流相变类型的重要因素，在有向、无向、混合网络出现一级、二级、混合相变的丰富现象。