現(xiàn)社交網(wǎng)絡(luò)信息傳播模型：SI、SIR與IC模型原理與應(yīng)用)
1. 項(xiàng)目概述從社交網(wǎng)絡(luò)到信息傳播的量化洞察最近幾年無(wú)論是品牌營(yíng)銷、輿情監(jiān)控還是產(chǎn)品冷啟動(dòng)大家越來(lái)越關(guān)注一個(gè)核心問(wèn)題一條信息比如一個(gè)熱點(diǎn)話題、一個(gè)產(chǎn)品功能、一則新聞是如何在人群中擴(kuò)散開(kāi)來(lái)的它的傳播路徑是怎樣的最終能觸達(dá)多少人這些問(wèn)題本質(zhì)上就是社交網(wǎng)絡(luò)中的信息傳播問(wèn)題。單純靠經(jīng)驗(yàn)直覺(jué)去判斷往往不準(zhǔn)這時(shí)候就需要一些數(shù)學(xué)模型來(lái)幫忙了。這個(gè)項(xiàng)目就是帶你親手搭建幾個(gè)經(jīng)典的信息傳播模型并用Python把它們實(shí)現(xiàn)出來(lái)讓你能直觀地看到信息擴(kuò)散的動(dòng)態(tài)過(guò)程。簡(jiǎn)單來(lái)說(shuō)信息傳播模型就是一套數(shù)學(xué)規(guī)則用來(lái)模擬個(gè)體網(wǎng)絡(luò)中的節(jié)點(diǎn)在受到鄰居影響后其狀態(tài)比如從未知到知曉從知曉到傳播再到遺忘如何發(fā)生變化。通過(guò)計(jì)算機(jī)模擬成千上萬(wàn)次這樣的個(gè)體互動(dòng)我們就能預(yù)測(cè)整個(gè)網(wǎng)絡(luò)的宏觀傳播效果。這對(duì)于評(píng)估營(yíng)銷活動(dòng)的潛在影響力、預(yù)測(cè)輿情走勢(shì)、甚至分析傳染病擴(kuò)散都有極大的參考價(jià)值。無(wú)論你是做數(shù)據(jù)分析、產(chǎn)品運(yùn)營(yíng)還是策略研究掌握這套方法都能讓你多一個(gè)強(qiáng)有力的量化分析工具。2. 核心模型原理與選型邏輯信息傳播模型有很多種選擇哪個(gè)取決于你想模擬的現(xiàn)實(shí)場(chǎng)景。這次我們重點(diǎn)實(shí)現(xiàn)三個(gè)最基礎(chǔ)、也最經(jīng)典的模型SI、SIR和IC模型。它們各有側(cè)重構(gòu)成了理解更復(fù)雜模型的基礎(chǔ)。2.1 SI模型最簡(jiǎn)單的擴(kuò)散起點(diǎn)SI模型是所有傳播模型的“始祖”它把人群分為兩類易感者Susceptible, S和感染者Infected, I。在信息傳播的語(yǔ)境下S代表還沒(méi)聽(tīng)說(shuō)過(guò)這條信息的人I代表已經(jīng)知道并會(huì)主動(dòng)傳播這條信息的人。模型規(guī)則極其簡(jiǎn)單一個(gè)I狀態(tài)的節(jié)點(diǎn)每次與它的S狀態(tài)鄰居接觸時(shí)都有一定的概率記為β將這個(gè)鄰居轉(zhuǎn)變?yōu)镮狀態(tài)。一旦變成I就永久保持這個(gè)狀態(tài)不會(huì)再變回S。這個(gè)模型模擬的是一種“一旦知曉永久傳播”的場(chǎng)景比如某些根深蒂固的觀念或者常識(shí)的普及。它的核心方程是微分方程形式dI/dt β * S * I / N其中N是總?cè)藬?shù)。這個(gè)方程描述了感染者數(shù)量隨時(shí)間增長(zhǎng)的速率。選擇SI模型作為起點(diǎn)是因?yàn)樗壿嬊逦鷧?shù)少只有一個(gè)感染概率β非常適合用來(lái)理解傳播動(dòng)力學(xué)的基本框架和編程實(shí)現(xiàn)的核心循環(huán)。注意SI模型預(yù)測(cè)的最終結(jié)果是所有人都被感染I→N這顯然不符合大多數(shù)信息傳播會(huì)飽和的現(xiàn)實(shí)。因此它更適用于理論教學(xué)和模擬傳播初期階段。2.2 SIR模型引入“免疫”與遺忘SIR模型在SI的基礎(chǔ)上增加了一個(gè)狀態(tài)移除者Recovered, R?，F(xiàn)在人群分為三類易感者S、感染者I、移除者R。新增的規(guī)則是感染者I在以概率β感染易感者S的同時(shí)自身還會(huì)以概率γ轉(zhuǎn)變?yōu)橐瞥逺。在信息傳播中R狀態(tài)可以理解為對(duì)信息“免疫”了。這個(gè)人可能已經(jīng)知道了信息但失去了傳播興趣比如覺(jué)得信息過(guò)時(shí)了或者徹底忘記了這條信息。關(guān)鍵點(diǎn)在于變成R后節(jié)點(diǎn)就不再參與后續(xù)的傳播過(guò)程既不會(huì)被感染也不會(huì)感染別人。這個(gè)模型引入了“恢復(fù)”機(jī)制使得傳播過(guò)程有了終結(jié)的可能最終網(wǎng)絡(luò)中的個(gè)體會(huì)穩(wěn)定在S、I、R三個(gè)狀態(tài)的不同比例上而不會(huì)全部變成I。其微分方程組為dS/dt -β * S * I / NdI/dt β * S * I / N - γ * IdR/dt γ * ISIR模型非常適合模擬像季節(jié)性新聞、短期營(yíng)銷活動(dòng)這類“熱一陣就過(guò)”的信息擴(kuò)散也經(jīng)典地用于傳染病研究。參數(shù)β感染率和γ恢復(fù)率的比值 R0 β / γ是一個(gè)關(guān)鍵指標(biāo)基本決定了疫情能否爆發(fā)。2.3 IC模型獨(dú)立級(jí)聯(lián)與影響力最大化獨(dú)立級(jí)聯(lián)模型Independent Cascade, IC是另一個(gè)流派常用于社交網(wǎng)絡(luò)影響力傳播的研究。它與SIR的“連續(xù)時(shí)間”視角不同IC模型是“離散時(shí)間步”的。在IC模型中每個(gè)節(jié)點(diǎn)只有兩種狀態(tài)活躍Active和非活躍Inactive?；钴S節(jié)點(diǎn)代表接受了信息并可能傳播的人類似I非活躍節(jié)點(diǎn)代表未知者類似S。模型從一小組初始活躍節(jié)點(diǎn)種子節(jié)點(diǎn)開(kāi)始按輪次進(jìn)行第0步種子節(jié)點(diǎn)被激活。第1步每個(gè)在第0步新激活的節(jié)點(diǎn)有一次機(jī)會(huì)去嘗試激活它的每個(gè)非活躍鄰居。對(duì)每個(gè)鄰居激活嘗試以概率p一個(gè)預(yù)設(shè)的傳播概率獨(dú)立成功或失敗。后續(xù)步驟只有在上一步新被激活的節(jié)點(diǎn)才能在當(dāng)前步嘗試激活其鄰居。如果一個(gè)節(jié)點(diǎn)激活嘗試失敗或者它在上一步已經(jīng)被激活但未成功激活任何鄰居它在后續(xù)步驟中將不再進(jìn)行嘗試。這個(gè)過(guò)程一直持續(xù)到?jīng)]有新的節(jié)點(diǎn)被激活為止。IC模型的核心特點(diǎn)是“一次性嘗試”和“級(jí)聯(lián)失效”。它模擬了現(xiàn)實(shí)中的一種情況你第一次聽(tīng)到某個(gè)消息時(shí)可能會(huì)轉(zhuǎn)發(fā)但如果這次沒(méi)轉(zhuǎn)以后大概率也不會(huì)再轉(zhuǎn)了。這個(gè)模型是解決“影響力最大化”問(wèn)題如何選擇k個(gè)種子節(jié)點(diǎn)使最終激活的節(jié)點(diǎn)數(shù)最多的經(jīng)典基礎(chǔ)模型。3. 環(huán)境準(zhǔn)備與網(wǎng)絡(luò)數(shù)據(jù)構(gòu)建在寫(xiě)代碼之前我們需要搭建好實(shí)驗(yàn)環(huán)境并準(zhǔn)備好模擬的“舞臺(tái)”——社交網(wǎng)絡(luò)。3.1 Python環(huán)境與核心庫(kù)我強(qiáng)烈建議使用Anaconda來(lái)管理Python環(huán)境它能很好地處理科學(xué)計(jì)算庫(kù)的依賴。核心庫(kù)就三個(gè)NetworkX 這是Python中處理復(fù)雜網(wǎng)絡(luò)圖的“瑞士軍刀”。創(chuàng)建網(wǎng)絡(luò)、添加節(jié)點(diǎn)和邊、計(jì)算網(wǎng)絡(luò)屬性、畫(huà)圖全都靠它。NumPy 提供高效的數(shù)組運(yùn)算和隨機(jī)數(shù)生成我們模擬概率事件比如以概率β感染離不開(kāi)它。Matplotlib 用于可視化。我們要畫(huà)出網(wǎng)絡(luò)結(jié)構(gòu)圖以及傳播過(guò)程中各狀態(tài)人數(shù)隨時(shí)間變化的曲線。安裝非常簡(jiǎn)單在終端或Anaconda Prompt里執(zhí)行pip install networkx numpy matplotlib3.2 構(gòu)建模擬社交網(wǎng)絡(luò)現(xiàn)實(shí)中的社交網(wǎng)絡(luò)數(shù)據(jù)獲取不易我們先用一個(gè)經(jīng)典的合成網(wǎng)絡(luò)模型來(lái)模擬——WS小世界網(wǎng)絡(luò)。它由Watts和Strogatz提出能生成具有較短平均路徑長(zhǎng)度六度分隔和較高聚類系數(shù)朋友的朋友也是朋友的網(wǎng)絡(luò)這非常貼合真實(shí)社交網(wǎng)絡(luò)的特征。import networkx as nx import matplotlib.pyplot as plt def create_social_network(n100, k4, p0.1): 創(chuàng)建一個(gè)WS小世界網(wǎng)絡(luò)用于模擬社交網(wǎng)絡(luò)。 參數(shù): n: 網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)人數(shù)默認(rèn)100。 k: 每個(gè)節(jié)點(diǎn)初始連接的鄰居數(shù)必須是偶數(shù)默認(rèn)4。 p: 每條邊被隨機(jī)重連的概率控制著網(wǎng)絡(luò)的“小世界”特性默認(rèn)0.1。 返回: G: 一個(gè)NetworkX圖對(duì)象。 # 使用networkx的connected_watts_strogatz_graph函數(shù)確保生成的網(wǎng)絡(luò)是連通的。 G nx.connected_watts_strogatz_graph(nn, kk, pp) print(f網(wǎng)絡(luò)創(chuàng)建成功節(jié)點(diǎn)數(shù){G.number_of_nodes()} 邊數(shù){G.number_of_edges()}) print(f平均聚類系數(shù){nx.average_clustering(G):.3f} 平均最短路徑長(zhǎng)度{nx.average_shortest_path_length(G):.3f}) return G # 創(chuàng)建一個(gè)示例網(wǎng)絡(luò) G create_social_network(n50, k4, p0.1) # 可視化這個(gè)網(wǎng)絡(luò) plt.figure(figsize(8, 6)) pos nx.spring_layout(G, seed42) # 使用spring布局算法讓圖看起來(lái)更均勻 nx.draw(G, pos, node_colorlightblue, node_size200, with_labelsFalse, edge_colorgray) plt.title(WS小世界網(wǎng)絡(luò)結(jié)構(gòu)模擬社交網(wǎng)絡(luò)) plt.show()實(shí)操心得p參數(shù)是個(gè)關(guān)鍵調(diào)節(jié)旋鈕。p0時(shí)網(wǎng)絡(luò)是規(guī)則環(huán)p1時(shí)接近隨機(jī)網(wǎng)絡(luò)。p在0.01到0.1之間時(shí)網(wǎng)絡(luò)能很好地兼具高聚類和短路徑的特性。初次實(shí)驗(yàn)時(shí)節(jié)點(diǎn)數(shù)n不要設(shè)太大比如50-200否則可視化會(huì)一團(tuán)糟模擬速度也慢。先在小網(wǎng)絡(luò)上調(diào)通邏輯。4. SI模型實(shí)現(xiàn)與模擬分析有了網(wǎng)絡(luò)我們就可以開(kāi)始實(shí)現(xiàn)第一個(gè)模型了。SI模型的邏輯最直接是理解傳播模擬編程范式的最佳切入點(diǎn)。4.1 算法步驟詳解SI模型的模擬過(guò)程可以分解為以下清晰步驟初始化給網(wǎng)絡(luò)G中的每個(gè)節(jié)點(diǎn)添加一個(gè)屬性state初始值設(shè)為S易感。隨機(jī)選擇一定數(shù)量比如1個(gè)或幾個(gè)的節(jié)點(diǎn)作為初始感染者將其state屬性改為I。初始化一個(gè)列表I_counts用于記錄每一步時(shí)刻的感染者數(shù)量。模擬循環(huán)設(shè)定總模擬步數(shù)T。在每一步t a. 遍歷當(dāng)前所有狀態(tài)為I的節(jié)點(diǎn)。 b. 對(duì)于每個(gè)感染者節(jié)點(diǎn)i遍歷其所有鄰居節(jié)點(diǎn)j。 c. 如果鄰居j的狀態(tài)是S則生成一個(gè)[0,1)之間的隨機(jī)數(shù)。如果這個(gè)隨機(jī)數(shù)小于感染概率beta則將節(jié)點(diǎn)j的狀態(tài)改為I。 d.關(guān)鍵點(diǎn)為了避免在同一時(shí)間步內(nèi)新感染的節(jié)點(diǎn)又去感染別人這不符合離散時(shí)間步的假設(shè)我們需要準(zhǔn)備一個(gè)“待感染列表”。在本輪遍歷中只記錄哪些S節(jié)點(diǎn)被選中等所有感染者的傳播嘗試都檢查完畢后再統(tǒng)一更新這些節(jié)點(diǎn)的狀態(tài)為I。 e. 記錄當(dāng)前步結(jié)束后的感染者總數(shù)存入I_counts。終止與輸出循環(huán)結(jié)束后返回I_counts列表。我們還可以可視化網(wǎng)絡(luò)最終狀態(tài)和感染人數(shù)曲線。4.2 Python代碼實(shí)現(xiàn)與注釋import numpy as np def simulate_si_model(G, beta0.3, initial_infected1, T20): 在給定網(wǎng)絡(luò)G上模擬SI傳播模型。 參數(shù): G: NetworkX圖代表社交網(wǎng)絡(luò)。 beta: 感染概率范圍[0,1]。 initial_infected: 初始感染者數(shù)量。 T: 模擬的總時(shí)間步數(shù)。 返回: S_counts, I_counts: 列表記錄每一步的易感者和感染者數(shù)量。 G: 模擬結(jié)束后的網(wǎng)絡(luò)節(jié)點(diǎn)帶有最終的state屬性。 # 1. 初始化節(jié)點(diǎn)狀態(tài) nx.set_node_attributes(G, S, state) # 給所有節(jié)點(diǎn)添加初始狀態(tài)S all_nodes list(G.nodes()) # 隨機(jī)選擇初始感染者 infected_nodes np.random.choice(all_nodes, sizeinitial_infected, replaceFalse) for node in infected_nodes: G.nodes[node][state] I # 初始化計(jì)數(shù)器列表 S_counts [] I_counts [] # 2. 開(kāi)始模擬循環(huán) for step in range(T): # 記錄本輪待感染的節(jié)點(diǎn) nodes_to_infect [] # 獲取當(dāng)前所有感染者節(jié)點(diǎn) current_infected [n for n, attr in G.nodes(dataTrue) if attr[state] I] # 遍歷每個(gè)感染者 for inf_node in current_infected: # 遍歷感染者的鄰居 for neighbor in G.neighbors(inf_node): if G.nodes[neighbor][state] S: # 以概率beta嘗試感染 if np.random.rand() beta: nodes_to_infect.append(neighbor) # 統(tǒng)一更新?tīng)顟B(tài)將本輪被選中的易感者變?yōu)楦腥菊?for node in nodes_to_infect: G.nodes[node][state] I # 統(tǒng)計(jì)當(dāng)前狀態(tài)人數(shù) S_count sum(1 for _, attr in G.nodes(dataTrue) if attr[state] S) I_count sum(1 for _, attr in G.nodes(dataTrue) if attr[state] I) S_counts.append(S_count) I_counts.append(I_count) # 可選如果感染者已經(jīng)達(dá)到總?cè)藬?shù)可以提前終止循環(huán) if I_count G.number_of_nodes(): print(f在第{step1}步所有人均已感染。) # 補(bǔ)齊剩余步數(shù)的計(jì)數(shù)保持列表長(zhǎng)度一致 S_counts.extend([0] * (T - step - 1)) I_counts.extend([G.number_of_nodes()] * (T - step - 1)) break return S_counts, I_counts, G # 運(yùn)行模擬 S_counts, I_counts, G_final simulate_si_model(G, beta0.2, initial_infected2, T15) # 可視化結(jié)果 plt.figure(figsize(12, 4)) # 子圖1最終網(wǎng)絡(luò)狀態(tài) plt.subplot(1, 2, 1) node_colors [red if G_final.nodes[n][state] I else lightblue for n in G_final] nx.draw(G_final, pos, node_colornode_colors, node_size200, with_labelsFalse, edge_colorgray) plt.title(fSI模型模擬最終狀態(tài) (Beta{0.2})) # 子圖2人數(shù)隨時(shí)間變化曲線 plt.subplot(1, 2, 2) steps list(range(len(I_counts))) plt.plot(steps, I_counts, r-, label感染者 (I), linewidth2) plt.plot(steps, S_counts, b--, label易感者 (S), linewidth2) plt.xlabel(時(shí)間步) plt.ylabel(人數(shù)) plt.title(SI模型傳播動(dòng)力學(xué)) plt.legend() plt.grid(True, alpha0.3) plt.tight_layout() plt.show()4.3 參數(shù)影響與結(jié)果分析運(yùn)行上面的代碼你會(huì)看到一張圖。左圖是模擬結(jié)束后網(wǎng)絡(luò)的狀態(tài)紅色節(jié)點(diǎn)是感染者藍(lán)色是易感者在SI模型里如果模擬時(shí)間足夠長(zhǎng)最終應(yīng)該全是紅色。右圖是兩條曲線展示了S和I人數(shù)隨時(shí)間的變化。這里有幾個(gè)關(guān)鍵點(diǎn)需要你動(dòng)手嘗試和觀察感染概率Beta 這是最重要的參數(shù)。將beta從0.05調(diào)到0.5再運(yùn)行。你會(huì)發(fā)現(xiàn)beta很小時(shí)紅色曲線I上升得非常緩慢可能直到模擬結(jié)束還有大量藍(lán)色節(jié)點(diǎn)。beta很大時(shí)紅色曲線幾乎垂直上升迅速感染所有人。beta實(shí)際上決定了傳播的“力度”。初始感染者位置與數(shù)量 我們代碼中是隨機(jī)選的。你可以嘗試修改代碼固定選擇網(wǎng)絡(luò)中度中心性最高的節(jié)點(diǎn)最活躍的人作為初始感染者看看傳播速度是否會(huì)加快。這引出了“影響力最大化”的雛形。網(wǎng)絡(luò)結(jié)構(gòu)的影響 我們用的是WS小世界網(wǎng)絡(luò)。你可以嘗試用nx.erdos_renyi_graph(n, p)生成一個(gè)隨機(jī)圖Erdos-Renyi模型或者用nx.barabasi_albert_graph(n, m)生成一個(gè)無(wú)標(biāo)度網(wǎng)絡(luò)Barabasi-Albert模型存在少數(shù)高度節(jié)點(diǎn)。在不同結(jié)構(gòu)的網(wǎng)絡(luò)上運(yùn)行相同的SI模型傳播速度和最終范圍會(huì)有顯著差異。無(wú)標(biāo)度網(wǎng)絡(luò)中對(duì)高度節(jié)點(diǎn)的感染會(huì)引發(fā)爆炸式的傳播。踩坑記錄在模擬循環(huán)中最易犯的錯(cuò)誤是“即時(shí)更新”。即在遍歷感染者鄰居時(shí)一旦發(fā)現(xiàn)某個(gè)S節(jié)點(diǎn)滿足感染條件立刻將其狀態(tài)改為I。這會(huì)導(dǎo)致這個(gè)在本輪剛被感染的節(jié)點(diǎn)在同一輪中又以其新身份“I”去感染其他鄰居造成傳播速度的嚴(yán)重高估。務(wù)必使用“待感染列表”進(jìn)行緩沖更新。5. SIR模型實(shí)現(xiàn)與深度探索SIR模型引入了恢復(fù)機(jī)制更貼近現(xiàn)實(shí)。它的實(shí)現(xiàn)比SI稍復(fù)雜一點(diǎn)因?yàn)橐芾砣齻€(gè)狀態(tài)和兩個(gè)概率β和γ。5.1 算法流程與狀態(tài)管理SIR模擬的步驟框架與SI類似但狀態(tài)轉(zhuǎn)換邏輯變?yōu)槌跏蓟O(shè)置所有節(jié)點(diǎn)為S隨機(jī)選擇初始IR數(shù)量為0。為每個(gè)節(jié)點(diǎn)增加一個(gè)state屬性。模擬循環(huán)每一步 a.感染過(guò)程遍歷所有I節(jié)點(diǎn)對(duì)其每個(gè)S鄰居以概率β嘗試感染將成功的鄰居加入“新感染列表”。 b.恢復(fù)過(guò)程遍歷所有I節(jié)點(diǎn)包括上一步剛產(chǎn)生的每個(gè)節(jié)點(diǎn)以概率γ嘗試恢復(fù)將成功的節(jié)點(diǎn)加入“新恢復(fù)列表”。 c.狀態(tài)更新先統(tǒng)一將“新感染列表”中的節(jié)點(diǎn)狀態(tài)從S改為I。再統(tǒng)一將“新恢復(fù)列表”中的節(jié)點(diǎn)狀態(tài)從I改為R。這里有個(gè)重要順序問(wèn)題必須先處理感染再處理恢復(fù)并且用列表緩沖。否則可能出現(xiàn)一個(gè)節(jié)點(diǎn)剛被感染又在同一步被恢復(fù)的邏輯矛盾。 d. 記錄S, I, R的數(shù)量。終止可以設(shè)定最大步數(shù)或者當(dāng)I的數(shù)量降為0時(shí)提前終止。5.2 代碼實(shí)現(xiàn)與關(guān)鍵參數(shù)R0def simulate_sir_model(G, beta0.3, gamma0.1, initial_infected2, T50): 在給定網(wǎng)絡(luò)G上模擬SIR傳播模型。 參數(shù): G: NetworkX圖。 beta: 感染概率。 gamma: 恢復(fù)概率。 initial_infected: 初始感染者數(shù)量。 T: 最大模擬步數(shù)。 返回: S_counts, I_counts, R_counts: 列表記錄每一步各狀態(tài)人數(shù)。 G: 模擬結(jié)束后的網(wǎng)絡(luò)。 # 初始化 nx.set_node_attributes(G, S, state) all_nodes list(G.nodes()) infected_nodes np.random.choice(all_nodes, sizeinitial_infected, replaceFalse) for node in infected_nodes: G.nodes[node][state] I S_counts, I_counts, R_counts [], [], [] for step in range(T): new_infections [] new_recoveries [] # 獲取當(dāng)前所有感染者 current_infected [n for n, attr in G.nodes(dataTrue) if attr[state] I] # 感染階段I節(jié)點(diǎn)嘗試感染S鄰居 for inf_node in current_infected: for neighbor in G.neighbors(inf_node): if G.nodes[neighbor][state] S: if np.random.rand() beta: new_infections.append(neighbor) # 恢復(fù)階段I節(jié)點(diǎn)嘗試恢復(fù)為R for inf_node in current_infected: if np.random.rand() gamma: new_recoveries.append(inf_node) # 狀態(tài)更新先感染后恢復(fù) for node in new_infections: if G.nodes[node][state] S: # 二次檢查防止?fàn)顟B(tài)沖突 G.nodes[node][state] I for node in new_recoveries: if G.nodes[node][state] I: # 二次檢查 G.nodes[node][state] R # 統(tǒng)計(jì) S_count sum(1 for _, attr in G.nodes(dataTrue) if attr[state] S) I_count sum(1 for _, attr in G.nodes(dataTrue) if attr[state] I) R_count sum(1 for _, attr in G.nodes(dataTrue) if attr[state] R) S_counts.append(S_count) I_counts.append(I_count) R_counts.append(R_count) # 如果感染者清零提前結(jié)束 if I_count 0: print(f疫情在第{step1}步結(jié)束。) break return S_counts, I_counts, R_counts, G # 運(yùn)行模擬 S_counts, I_counts, R_counts, G_final_sir simulate_sir_model(G.copy(), beta0.2, gamma0.05, initial_infected3, T80) # 可視化 plt.figure(figsize(12, 5)) steps list(range(len(S_counts))) plt.plot(steps, S_counts, b-, label易感者 (S), linewidth2) plt.plot(steps, I_counts, r-, label感染者 (I), linewidth2) plt.plot(steps, R_counts, g-, label移除者 (R), linewidth2) plt.xlabel(時(shí)間步) plt.ylabel(人數(shù)) plt.title(SIR模型傳播動(dòng)力學(xué) (Beta0.2, Gamma0.05)) plt.legend() plt.grid(True, alpha0.3) plt.show()5.3 模擬實(shí)驗(yàn)與現(xiàn)象觀察運(yùn)行代碼后你會(huì)看到經(jīng)典的SIR曲線S藍(lán)色從高位逐漸下降I紅色先上升達(dá)到一個(gè)峰值然后下降至0R綠色從0開(kāi)始最終累積到一個(gè)穩(wěn)定值?，F(xiàn)在我們來(lái)做個(gè)關(guān)鍵的實(shí)驗(yàn)理解基本再生數(shù) R0的概念。在均勻混合的假設(shè)下R0 β / γ。它代表一個(gè)感染者在整個(gè)感染期內(nèi)平均能傳染多少個(gè)易感者。當(dāng) R0 1每個(gè)感染者平均能傳染超過(guò)1個(gè)人疫情會(huì)擴(kuò)散I曲線會(huì)先上升。當(dāng) R0 1每個(gè)感染者平均傳染不到1個(gè)人疫情會(huì)逐漸消失I曲線單調(diào)下降。我們可以通過(guò)調(diào)整β和γ來(lái)驗(yàn)證設(shè)置 R0 1例如beta0.3, gamma0.1 R03。運(yùn)行模擬你會(huì)看到明顯的疫情爆發(fā)波形。設(shè)置 R0 1例如beta0.05, gamma0.1 R00.5。運(yùn)行模擬你會(huì)發(fā)現(xiàn)I人數(shù)從開(kāi)始就緩慢下降無(wú)法形成大規(guī)模傳播。實(shí)操心得在網(wǎng)絡(luò)模型中R0的計(jì)算比均勻混合模型復(fù)雜因?yàn)樗€依賴于網(wǎng)絡(luò)的平均度連接數(shù)等拓?fù)湫再|(zhì)。一個(gè)近似的經(jīng)驗(yàn)公式是 R0_network ≈ β / γ * 其中 是網(wǎng)絡(luò)的平均度。在我們的WS網(wǎng)絡(luò)n50, k4中平均度約為4。當(dāng)β/γ * 4 1時(shí)疫情更容易在網(wǎng)絡(luò)中持續(xù)傳播。你可以用這個(gè)經(jīng)驗(yàn)去設(shè)計(jì)你的參數(shù)觀察現(xiàn)象。6. IC模型實(shí)現(xiàn)與影響力分析獨(dú)立級(jí)聯(lián)模型IC的模擬邏輯與前兩者有顯著區(qū)別它更關(guān)注離散的“嘗試”和“級(jí)聯(lián)”過(guò)程。6.1 離散級(jí)聯(lián)過(guò)程實(shí)現(xiàn)IC模型的核心是“輪次”和“僅新激活節(jié)點(diǎn)有傳播機(jī)會(huì)”。我們需要記錄每個(gè)節(jié)點(diǎn)是在哪一輪被激活的。def simulate_ic_model(G, p0.2, seedsNone, max_iter20): 在給定網(wǎng)絡(luò)G上模擬獨(dú)立級(jí)聯(lián)模型。 參數(shù): G: NetworkX圖。 p: 獨(dú)立激活概率。 seeds: 初始激活節(jié)點(diǎn)列表。如果為None則隨機(jī)選一個(gè)。 max_iter: 最大模擬輪次。 返回: active_nodes_by_round: 列表的列表記錄每一輪新激活的節(jié)點(diǎn)。 total_active: 列表記錄每一輪累計(jì)激活節(jié)點(diǎn)數(shù)。 G: 模擬結(jié)束后的網(wǎng)絡(luò)節(jié)點(diǎn)帶有‘a(chǎn)ctive_round’屬性-1表示未激活0表示激活輪次。 # 初始化所有節(jié)點(diǎn)未激活輪次標(biāo)記為-1 nx.set_node_attributes(G, -1, active_round) if seeds is None: seeds [np.random.choice(list(G.nodes()))] # 第0輪激活種子節(jié)點(diǎn) round 0 newly_active seeds for node in newly_active: G.nodes[node][active_round] round # 記錄每一輪新激活的節(jié)點(diǎn)和累計(jì)激活數(shù) active_nodes_by_round [newly_active.copy()] total_active [len(newly_active)] # 開(kāi)始級(jí)聯(lián) while round max_iter and newly_active: round 1 current_newly_active [] # 遍歷上一輪新激活的節(jié)點(diǎn) for node in newly_active: # 遍歷其未激活的鄰居 for neighbor in G.neighbors(node): if G.nodes[neighbor][active_round] -1: # 未激活 # 以概率p嘗試激活每個(gè)鄰居只有一次被該節(jié)點(diǎn)嘗試的機(jī)會(huì) if np.random.rand() p: current_newly_active.append(neighbor) # 去重一個(gè)節(jié)點(diǎn)可能被多個(gè)鄰居在同一輪嘗試激活 current_newly_active list(set(current_newly_active)) # 激活本輪成功的節(jié)點(diǎn) for node in current_newly_active: G.nodes[node][active_round] round active_nodes_by_round.append(current_newly_active) total_active.append(total_active[-1] len(current_newly_active)) # 更新newly_active為當(dāng)前輪新激活的節(jié)點(diǎn)用于下一輪 newly_active current_newly_active # 如果提前結(jié)束補(bǔ)全記錄 while len(total_active) max_iter: active_nodes_by_round.append([]) total_active.append(total_active[-1]) return active_nodes_by_round, total_active, G # 運(yùn)行模擬 seeds [0, 5] # 選擇節(jié)點(diǎn)0和5作為種子 active_rounds, total_active, G_final_ic simulate_ic_model(G.copy(), p0.15, seedsseeds, max_iter10) # 可視化激活過(guò)程 plt.figure(figsize(10, 4)) # 繪制累計(jì)激活曲線 plt.subplot(1, 2, 1) rounds list(range(len(total_active))) plt.plot(rounds, total_active, bo-, linewidth2, markersize6) plt.xlabel(傳播輪次) plt.ylabel(累計(jì)激活節(jié)點(diǎn)數(shù)) plt.title(IC模型累計(jì)激活曲線 (p0.15)) plt.grid(True, alpha0.3) # 繪制最終網(wǎng)絡(luò)狀態(tài)按激活輪次著色 plt.subplot(1, 2, 2) # 為不同輪次分配顏色 cmap plt.cm.viridis node_colors [] for n in G_final_ic.nodes(): r G_final_ic.nodes[n][active_round] if r -1: node_colors.append(lightgray) # 未激活 else: # 激活輪次越早顏色越深這里用輪次歸一化 node_colors.append(cmap(r / max(1, max(active_rounds)))) nx.draw(G_final_ic, pos, node_colornode_colors, node_size200, with_labelsFalse, edge_colorgray) plt.title(IC模型激活狀態(tài)顏色深淺代表激活輪次) plt.tight_layout() plt.show()6.2 種子節(jié)點(diǎn)選擇策略初探IC模型常用來(lái)研究“影響力最大化”給定一個(gè)預(yù)算k只能選k個(gè)種子節(jié)點(diǎn)如何選擇能使最終激活的節(jié)點(diǎn)總數(shù)最多這是一個(gè)NP難問(wèn)題但有高效的啟發(fā)式算法。最著名的是貪心算法其核心思想是迭代地選擇能帶來(lái)最大邊際收益的節(jié)點(diǎn)。我們可以實(shí)現(xiàn)一個(gè)簡(jiǎn)單的模擬貪心算法來(lái)感受一下初始化一個(gè)空種子集S。對(duì)于每一個(gè)不在S中的節(jié)點(diǎn)v計(jì)算如果將v加入S運(yùn)行多次IC模擬后的平均激活節(jié)點(diǎn)數(shù)即邊際增益。選擇邊際增益最大的節(jié)點(diǎn)加入S。重復(fù)步驟2-3直到S包含k個(gè)節(jié)點(diǎn)。由于每次模擬都有隨機(jī)性我們需要對(duì)每個(gè)候選節(jié)點(diǎn)進(jìn)行多次模擬比如100次取平均以獲得穩(wěn)定的收益估計(jì)。這個(gè)算法計(jì)算量很大O(knR*模擬時(shí)間)但對(duì)于理解思想足夠了。在實(shí)際研究中會(huì)使用更高效的算法如CELFCost-Effective Lazy Forward來(lái)優(yōu)化。def greedy_influence_maximization(G, k3, p0.1, iterations100): 一個(gè)簡(jiǎn)單低效的貪心算法用于影響力最大化。 注意此函數(shù)僅用于演示原理在大網(wǎng)絡(luò)上效率極低。 seeds [] all_nodes set(G.nodes()) for i in range(k): print(f選擇第 {i1} 個(gè)種子...) best_node None best_influence -1 # 遍歷所有尚未被選為種子的節(jié)點(diǎn) candidates all_nodes - set(seeds) for node in candidates: # 計(jì)算當(dāng)前種子集 候選節(jié)點(diǎn) 的影響力 current_seeds seeds [node] total_spread 0 # 多次模擬取平均 for _ in range(iterations): _, total_active, _ simulate_ic_model(G.copy(), pp, seedscurrent_seeds, max_iter20) total_spread total_active[-1] # 取最終激活數(shù) avg_spread total_spread / iterations # 計(jì)算邊際增益可選這里直接用總影響力 if avg_spread best_influence: best_influence avg_spread best_node node if best_node is not None: seeds.append(best_node) print(f 選中節(jié)點(diǎn) {best_node}, 預(yù)估影響力 {best_influence:.1f}) return seeds # 注意在小網(wǎng)絡(luò)上運(yùn)行因?yàn)橛?jì)算量很大 small_G create_social_network(n30, k4, p0.1) selected_seeds greedy_influence_maximization(small_G, k3, p0.15, iterations50) print(f貪心算法選出的種子節(jié)點(diǎn): {selected_seeds})運(yùn)行這個(gè)代碼可能需要一點(diǎn)時(shí)間。它會(huì)輸出算法依次選擇的種子節(jié)點(diǎn)。你可以對(duì)比一下隨機(jī)選擇3個(gè)節(jié)點(diǎn)作為種子和用這個(gè)貪心算法選出的3個(gè)節(jié)點(diǎn)分別運(yùn)行IC模型最終的激活規(guī)模是否有顯著差異。通常貪心算法會(huì)選擇那些處于網(wǎng)絡(luò)中心位置比如度中心性高、介數(shù)中心性高的節(jié)點(diǎn)。7. 模型對(duì)比、應(yīng)用場(chǎng)景與常見(jiàn)問(wèn)題7.1 三大模型核心對(duì)比為了更清晰地理解這三個(gè)模型的區(qū)別和適用場(chǎng)景我整理了一個(gè)對(duì)比表格特性維度SI模型SIR模型IC模型核心狀態(tài)S易感 I感染S易感 I感染 R移除Active活躍 Inactive非活躍狀態(tài)轉(zhuǎn)換S → IS → I → RInactive → Active (一次性)關(guān)鍵參數(shù)β感染概率β感染概率 γ恢復(fù)概率p激活概率傳播機(jī)制感染者持續(xù)嘗試感染易感鄰居感染者以β感染以γ恢復(fù)新激活節(jié)點(diǎn)有一次機(jī)會(huì)以p激活鄰居時(shí)間視角連續(xù)/離散時(shí)間均可通常為連續(xù)時(shí)間微分方程離散近似也可離散輪次最終結(jié)局所有人感染 (I → N)部分人感染后移除穩(wěn)定在S, I0, R級(jí)聯(lián)停止部分人激活典型應(yīng)用理論教學(xué) 簡(jiǎn)單擴(kuò)散初期模擬傳染病研究 短期熱點(diǎn)信息傳播社交影響力最大化 口碑營(yíng)銷 信息級(jí)聯(lián)7.2 模型選擇與場(chǎng)景適配在實(shí)際項(xiàng)目中選擇哪個(gè)模型取決于你要分析的具體問(wèn)題如果你想研究一個(gè)長(zhǎng)期存在的觀念或技術(shù)的普及過(guò)程并且假設(shè)人們一旦接受就不會(huì)“反悔”那么SI模型是一個(gè)簡(jiǎn)化的起點(diǎn)。如果你想分析一次疫情爆發(fā)、一個(gè)短期熱點(diǎn)話題如爆款短視頻的傳播生命周期SIR模型是最佳選擇。你可以通過(guò)擬合真實(shí)數(shù)據(jù)如每日新增話題量來(lái)反推β和γ參數(shù)。如果你的目標(biāo)是做營(yíng)銷策劃比如尋找最合適的“KOC”進(jìn)行產(chǎn)品投放以最大化曝光那么IC模型及其相關(guān)的影響力最大化算法就是你的核心工具。你需要收集或構(gòu)建用戶間的社交關(guān)系圖關(guān)注、好友關(guān)系。7.3 常見(jiàn)問(wèn)題與調(diào)試技巧在實(shí)現(xiàn)和運(yùn)行這些模型時(shí)你可能會(huì)遇到以下典型問(wèn)題傳播速度過(guò)快或過(guò)慢不符合預(yù)期檢查概率參數(shù)β、γ、p的值通常很小。在真實(shí)社交網(wǎng)絡(luò)中單次接觸的傳播概率很少超過(guò)0.1?？梢詮?.01、0.05這樣的小值開(kāi)始嘗試。檢查網(wǎng)絡(luò)密度用nx.density(G)查看你的網(wǎng)絡(luò)密度。一個(gè)完全圖所有節(jié)點(diǎn)兩兩相連的傳播速度會(huì)極快。WS小世界網(wǎng)絡(luò)的密度約為k/(n-1)相對(duì)稀疏。檢查初始感染者位置隨機(jī)選擇可能選到邊緣節(jié)點(diǎn)。嘗試固定選擇網(wǎng)絡(luò)中度數(shù)最高的節(jié)點(diǎn)作為初始感染者觀察傳播速度的變化。模擬結(jié)果波動(dòng)很大每次運(yùn)行都不一樣這是正常的因?yàn)楦腥?激活是概率事件。為了得到穩(wěn)定結(jié)論必須進(jìn)行多次模擬取平均。例如對(duì)同一組參數(shù)和初始條件運(yùn)行100次模擬然后繪制平均曲線和置信區(qū)間。def run_multiple_simulations(model_func, G, params, times100): results [] for _ in range(times): # 注意每次模擬要使用網(wǎng)絡(luò)的副本避免狀態(tài)污染 G_copy G.copy() result model_func(G_copy, **params) results.append(result) return results # 然后對(duì)results列表中的數(shù)據(jù)如最終的感染人數(shù)進(jìn)行統(tǒng)計(jì)分析代碼運(yùn)行太慢特別是對(duì)于大網(wǎng)絡(luò)或IC的貪心算法向量化操作在SI/SIR模型中遍歷所有感染者的鄰居是主要開(kāi)銷。對(duì)于大型網(wǎng)絡(luò)可以考慮使用鄰接矩陣?yán)肗umPy的矩陣運(yùn)算進(jìn)行概率判斷但這會(huì)消耗更多內(nèi)存。減少模擬次數(shù)在調(diào)試階段減少網(wǎng)絡(luò)規(guī)模(n)、模擬步數(shù)(T)和重復(fù)次數(shù)(iterations)。使用更高效的算法庫(kù)對(duì)于真正的研究可以考慮使用專門優(yōu)化過(guò)的庫(kù)如NDlibNetwork Diffusion Library。如何將模型應(yīng)用到真實(shí)數(shù)據(jù)數(shù)據(jù)獲取真實(shí)的社交網(wǎng)絡(luò)數(shù)據(jù)可能來(lái)自API如Twitter, Weibo的粉絲關(guān)系、合作方脫敏數(shù)據(jù)、或公開(kāi)數(shù)據(jù)集如Stanford Large Network Dataset Collection。網(wǎng)絡(luò)構(gòu)建將用戶視為節(jié)點(diǎn)關(guān)注/好友關(guān)系視為邊構(gòu)建有向或無(wú)向圖。參數(shù)估計(jì)這是最難也是最關(guān)鍵的一步?？梢酝ㄟ^(guò)歷史數(shù)據(jù)如過(guò)去話題的傳播軌跡來(lái)擬合模型參數(shù)如β, γ。常用方法有極大似然估計(jì)MLE或基于模擬的方法如Approximate Bayesian Computation。模型驗(yàn)證用一部分?jǐn)?shù)據(jù)訓(xùn)練集估計(jì)參數(shù)在另一部分?jǐn)?shù)據(jù)測(cè)試集上預(yù)測(cè)傳播范圍比較預(yù)測(cè)值與真實(shí)值的差異。實(shí)現(xiàn)這三個(gè)模型只是第一步它們像積木一樣可以組合、擴(kuò)展成更復(fù)雜的模型如SIS感染后可再次易感、SEIR增加潛伏期、LT模型線性閾值模型等。理解這些基礎(chǔ)模型的每一個(gè)細(xì)節(jié)能讓你在面對(duì)更復(fù)雜的傳播現(xiàn)象時(shí)擁有拆解和建模的能力。 Python實(shí)現(xiàn)社交網(wǎng)絡(luò)信息傳播模型：SI、SIR與IC模型原理與應(yīng)用
1. 項(xiàng)目概述從社交網(wǎng)絡(luò)到信息傳播的量化洞察最近幾年無(wú)論是品牌營(yíng)銷、輿情監(jiān)控還是產(chǎn)品冷啟動(dòng)大家越來(lái)越關(guān)注一個(gè)核心問(wèn)題一條信息比如一個(gè)熱點(diǎn)話題、一個(gè)產(chǎn)品功能、一則新聞是如何在人群中擴(kuò)散開(kāi)來(lái)的它的傳播路徑是怎樣的最終能觸達(dá)多少人這些問(wèn)題本質(zhì)上就是社交網(wǎng)絡(luò)中的信息傳播問(wèn)題。單純靠經(jīng)驗(yàn)直覺(jué)去判斷往往不準(zhǔn)這時(shí)候就需要一些數(shù)學(xué)模型來(lái)幫忙了。這個(gè)項(xiàng)目就是帶你親手搭建幾個(gè)經(jīng)典的信息傳播模型并用Python把它們實(shí)現(xiàn)出來(lái)讓你能直觀地看到信息擴(kuò)散的動(dòng)態(tài)過(guò)程。簡(jiǎn)單來(lái)說(shuō)信息傳播模型就是一套數(shù)學(xué)規(guī)則用來(lái)模擬個(gè)體網(wǎng)絡(luò)中的節(jié)點(diǎn)在受到鄰居影響后其狀態(tài)比如從未知到知曉從知曉到傳播再到遺忘如何發(fā)生變化。通過(guò)計(jì)算機(jī)模擬成千上萬(wàn)次這樣的個(gè)體互動(dòng)我們就能預(yù)測(cè)整個(gè)網(wǎng)絡(luò)的宏觀傳播效果。這對(duì)于評(píng)估營(yíng)銷活動(dòng)的潛在影響力、預(yù)測(cè)輿情走勢(shì)、甚至分析傳染病擴(kuò)散都有極大的參考價(jià)值。無(wú)論你是做數(shù)據(jù)分析、產(chǎn)品運(yùn)營(yíng)還是策略研究掌握這套方法都能讓你多一個(gè)強(qiáng)有力的量化分析工具。2. 核心模型原理與選型邏輯信息傳播模型有很多種選擇哪個(gè)取決于你想模擬的現(xiàn)實(shí)場(chǎng)景。這次我們重點(diǎn)實(shí)現(xiàn)三個(gè)最基礎(chǔ)、也最經(jīng)典的模型SI、SIR和IC模型。它們各有側(cè)重構(gòu)成了理解更復(fù)雜模型的基礎(chǔ)。2.1 SI模型最簡(jiǎn)單的擴(kuò)散起點(diǎn)SI模型是所有傳播模型的“始祖”它把人群分為兩類易感者Susceptible, S和感染者Infected, I。在信息傳播的語(yǔ)境下S代表還沒(méi)聽(tīng)說(shuō)過(guò)這條信息的人I代表已經(jīng)知道并會(huì)主動(dòng)傳播這條信息的人。模型規(guī)則極其簡(jiǎn)單一個(gè)I狀態(tài)的節(jié)點(diǎn)每次與它的S狀態(tài)鄰居接觸時(shí)都有一定的概率記為β將這個(gè)鄰居轉(zhuǎn)變?yōu)镮狀態(tài)。一旦變成I就永久保持這個(gè)狀態(tài)不會(huì)再變回S。這個(gè)模型模擬的是一種“一旦知曉永久傳播”的場(chǎng)景比如某些根深蒂固的觀念或者常識(shí)的普及。它的核心方程是微分方程形式dI/dt β * S * I / N其中N是總?cè)藬?shù)。這個(gè)方程描述了感染者數(shù)量隨時(shí)間增長(zhǎng)的速率。選擇SI模型作為起點(diǎn)是因?yàn)樗壿嬊逦鷧?shù)少只有一個(gè)感染概率β非常適合用來(lái)理解傳播動(dòng)力學(xué)的基本框架和編程實(shí)現(xiàn)的核心循環(huán)。注意SI模型預(yù)測(cè)的最終結(jié)果是所有人都被感染I→N這顯然不符合大多數(shù)信息傳播會(huì)飽和的現(xiàn)實(shí)。因此它更適用于理論教學(xué)和模擬傳播初期階段。2.2 SIR模型引入“免疫”與遺忘SIR模型在SI的基礎(chǔ)上增加了一個(gè)狀態(tài)移除者Recovered, R?，F(xiàn)在人群分為三類易感者S、感染者I、移除者R。新增的規(guī)則是感染者I在以概率β感染易感者S的同時(shí)自身還會(huì)以概率γ轉(zhuǎn)變?yōu)橐瞥逺。在信息傳播中R狀態(tài)可以理解為對(duì)信息“免疫”了。這個(gè)人可能已經(jīng)知道了信息但失去了傳播興趣比如覺(jué)得信息過(guò)時(shí)了或者徹底忘記了這條信息。關(guān)鍵點(diǎn)在于變成R后節(jié)點(diǎn)就不再參與后續(xù)的傳播過(guò)程既不會(huì)被感染也不會(huì)感染別人。這個(gè)模型引入了“恢復(fù)”機(jī)制使得傳播過(guò)程有了終結(jié)的可能最終網(wǎng)絡(luò)中的個(gè)體會(huì)穩(wěn)定在S、I、R三個(gè)狀態(tài)的不同比例上而不會(huì)全部變成I。其微分方程組為dS/dt -β * S * I / NdI/dt β * S * I / N - γ * IdR/dt γ * ISIR模型非常適合模擬像季節(jié)性新聞、短期營(yíng)銷活動(dòng)這類“熱一陣就過(guò)”的信息擴(kuò)散也經(jīng)典地用于傳染病研究。參數(shù)β感染率和γ恢復(fù)率的比值 R0 β / γ是一個(gè)關(guān)鍵指標(biāo)基本決定了疫情能否爆發(fā)。2.3 IC模型獨(dú)立級(jí)聯(lián)與影響力最大化獨(dú)立級(jí)聯(lián)模型Independent Cascade, IC是另一個(gè)流派常用于社交網(wǎng)絡(luò)影響力傳播的研究。它與SIR的“連續(xù)時(shí)間”視角不同IC模型是“離散時(shí)間步”的。在IC模型中每個(gè)節(jié)點(diǎn)只有兩種狀態(tài)活躍Active和非活躍Inactive?；钴S節(jié)點(diǎn)代表接受了信息并可能傳播的人類似I非活躍節(jié)點(diǎn)代表未知者類似S。模型從一小組初始活躍節(jié)點(diǎn)種子節(jié)點(diǎn)開(kāi)始按輪次進(jìn)行第0步種子節(jié)點(diǎn)被激活。第1步每個(gè)在第0步新激活的節(jié)點(diǎn)有一次機(jī)會(huì)去嘗試激活它的每個(gè)非活躍鄰居。對(duì)每個(gè)鄰居激活嘗試以概率p一個(gè)預(yù)設(shè)的傳播概率獨(dú)立成功或失敗。后續(xù)步驟只有在上一步新被激活的節(jié)點(diǎn)才能在當(dāng)前步嘗試激活其鄰居。如果一個(gè)節(jié)點(diǎn)激活嘗試失敗或者它在上一步已經(jīng)被激活但未成功激活任何鄰居它在后續(xù)步驟中將不再進(jìn)行嘗試。這個(gè)過(guò)程一直持續(xù)到?jīng)]有新的節(jié)點(diǎn)被激活為止。IC模型的核心特點(diǎn)是“一次性嘗試”和“級(jí)聯(lián)失效”。它模擬了現(xiàn)實(shí)中的一種情況你第一次聽(tīng)到某個(gè)消息時(shí)可能會(huì)轉(zhuǎn)發(fā)但如果這次沒(méi)轉(zhuǎn)以后大概率也不會(huì)再轉(zhuǎn)了。這個(gè)模型是解決“影響力最大化”問(wèn)題如何選擇k個(gè)種子節(jié)點(diǎn)使最終激活的節(jié)點(diǎn)數(shù)最多的經(jīng)典基礎(chǔ)模型。3. 環(huán)境準(zhǔn)備與網(wǎng)絡(luò)數(shù)據(jù)構(gòu)建在寫(xiě)代碼之前我們需要搭建好實(shí)驗(yàn)環(huán)境并準(zhǔn)備好模擬的“舞臺(tái)”——社交網(wǎng)絡(luò)。3.1 Python環(huán)境與核心庫(kù)我強(qiáng)烈建議使用Anaconda來(lái)管理Python環(huán)境它能很好地處理科學(xué)計(jì)算庫(kù)的依賴。核心庫(kù)就三個(gè)NetworkX 這是Python中處理復(fù)雜網(wǎng)絡(luò)圖的“瑞士軍刀”。創(chuàng)建網(wǎng)絡(luò)、添加節(jié)點(diǎn)和邊、計(jì)算網(wǎng)絡(luò)屬性、畫(huà)圖全都靠它。NumPy 提供高效的數(shù)組運(yùn)算和隨機(jī)數(shù)生成我們模擬概率事件比如以概率β感染離不開(kāi)它。Matplotlib 用于可視化。我們要畫(huà)出網(wǎng)絡(luò)結(jié)構(gòu)圖以及傳播過(guò)程中各狀態(tài)人數(shù)隨時(shí)間變化的曲線。安裝非常簡(jiǎn)單在終端或Anaconda Prompt里執(zhí)行pip install networkx numpy matplotlib3.2 構(gòu)建模擬社交網(wǎng)絡(luò)現(xiàn)實(shí)中的社交網(wǎng)絡(luò)數(shù)據(jù)獲取不易我們先用一個(gè)經(jīng)典的合成網(wǎng)絡(luò)模型來(lái)模擬——WS小世界網(wǎng)絡(luò)。它由Watts和Strogatz提出能生成具有較短平均路徑長(zhǎng)度六度分隔和較高聚類系數(shù)朋友的朋友也是朋友的網(wǎng)絡(luò)這非常貼合真實(shí)社交網(wǎng)絡(luò)的特征。import networkx as nx import matplotlib.pyplot as plt def create_social_network(n100, k4, p0.1): 創(chuàng)建一個(gè)WS小世界網(wǎng)絡(luò)用于模擬社交網(wǎng)絡(luò)。 參數(shù): n: 網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)人數(shù)默認(rèn)100。 k: 每個(gè)節(jié)點(diǎn)初始連接的鄰居數(shù)必須是偶數(shù)默認(rèn)4。 p: 每條邊被隨機(jī)重連的概率控制著網(wǎng)絡(luò)的“小世界”特性默認(rèn)0.1。 返回: G: 一個(gè)NetworkX圖對(duì)象。 # 使用networkx的connected_watts_strogatz_graph函數(shù)確保生成的網(wǎng)絡(luò)是連通的。 G nx.connected_watts_strogatz_graph(nn, kk, pp) print(f網(wǎng)絡(luò)創(chuàng)建成功節(jié)點(diǎn)數(shù){G.number_of_nodes()} 邊數(shù){G.number_of_edges()}) print(f平均聚類系數(shù){nx.average_clustering(G):.3f} 平均最短路徑長(zhǎng)度{nx.average_shortest_path_length(G):.3f}) return G # 創(chuàng)建一個(gè)示例網(wǎng)絡(luò) G create_social_network(n50, k4, p0.1) # 可視化這個(gè)網(wǎng)絡(luò) plt.figure(figsize(8, 6)) pos nx.spring_layout(G, seed42) # 使用spring布局算法讓圖看起來(lái)更均勻 nx.draw(G, pos, node_colorlightblue, node_size200, with_labelsFalse, edge_colorgray) plt.title(WS小世界網(wǎng)絡(luò)結(jié)構(gòu)模擬社交網(wǎng)絡(luò)) plt.show()實(shí)操心得p參數(shù)是個(gè)關(guān)鍵調(diào)節(jié)旋鈕。p0時(shí)網(wǎng)絡(luò)是規(guī)則環(huán)p1時(shí)接近隨機(jī)網(wǎng)絡(luò)。p在0.01到0.1之間時(shí)網(wǎng)絡(luò)能很好地兼具高聚類和短路徑的特性。初次實(shí)驗(yàn)時(shí)節(jié)點(diǎn)數(shù)n不要設(shè)太大比如50-200否則可視化會(huì)一團(tuán)糟模擬速度也慢。先在小網(wǎng)絡(luò)上調(diào)通邏輯。4. SI模型實(shí)現(xiàn)與模擬分析有了網(wǎng)絡(luò)我們就可以開(kāi)始實(shí)現(xiàn)第一個(gè)模型了。SI模型的邏輯最直接是理解傳播模擬編程范式的最佳切入點(diǎn)。4.1 算法步驟詳解SI模型的模擬過(guò)程可以分解為以下清晰步驟初始化給網(wǎng)絡(luò)G中的每個(gè)節(jié)點(diǎn)添加一個(gè)屬性state初始值設(shè)為S易感。隨機(jī)選擇一定數(shù)量比如1個(gè)或幾個(gè)的節(jié)點(diǎn)作為初始感染者將其state屬性改為I。初始化一個(gè)列表I_counts用于記錄每一步時(shí)刻的感染者數(shù)量。模擬循環(huán)設(shè)定總模擬步數(shù)T。在每一步t a. 遍歷當(dāng)前所有狀態(tài)為I的節(jié)點(diǎn)。 b. 對(duì)于每個(gè)感染者節(jié)點(diǎn)i遍歷其所有鄰居節(jié)點(diǎn)j。 c. 如果鄰居j的狀態(tài)是S則生成一個(gè)[0,1)之間的隨機(jī)數(shù)。如果這個(gè)隨機(jī)數(shù)小于感染概率beta則將節(jié)點(diǎn)j的狀態(tài)改為I。 d.關(guān)鍵點(diǎn)為了避免在同一時(shí)間步內(nèi)新感染的節(jié)點(diǎn)又去感染別人這不符合離散時(shí)間步的假設(shè)我們需要準(zhǔn)備一個(gè)“待感染列表”。在本輪遍歷中只記錄哪些S節(jié)點(diǎn)被選中等所有感染者的傳播嘗試都檢查完畢后再統(tǒng)一更新這些節(jié)點(diǎn)的狀態(tài)為I。 e. 記錄當(dāng)前步結(jié)束后的感染者總數(shù)存入I_counts。終止與輸出循環(huán)結(jié)束后返回I_counts列表。我們還可以可視化網(wǎng)絡(luò)最終狀態(tài)和感染人數(shù)曲線。4.2 Python代碼實(shí)現(xiàn)與注釋import numpy as np def simulate_si_model(G, beta0.3, initial_infected1, T20): 在給定網(wǎng)絡(luò)G上模擬SI傳播模型。 參數(shù): G: NetworkX圖代表社交網(wǎng)絡(luò)。 beta: 感染概率范圍[0,1]。 initial_infected: 初始感染者數(shù)量。 T: 模擬的總時(shí)間步數(shù)。 返回: S_counts, I_counts: 列表記錄每一步的易感者和感染者數(shù)量。 G: 模擬結(jié)束后的網(wǎng)絡(luò)節(jié)點(diǎn)帶有最終的state屬性。 # 1. 初始化節(jié)點(diǎn)狀態(tài) nx.set_node_attributes(G, S, state) # 給所有節(jié)點(diǎn)添加初始狀態(tài)S all_nodes list(G.nodes()) # 隨機(jī)選擇初始感染者 infected_nodes np.random.choice(all_nodes, sizeinitial_infected, replaceFalse) for node in infected_nodes: G.nodes[node][state] I # 初始化計(jì)數(shù)器列表 S_counts [] I_counts [] # 2. 開(kāi)始模擬循環(huán) for step in range(T): # 記錄本輪待感染的節(jié)點(diǎn) nodes_to_infect [] # 獲取當(dāng)前所有感染者節(jié)點(diǎn) current_infected [n for n, attr in G.nodes(dataTrue) if attr[state] I] # 遍歷每個(gè)感染者 for inf_node in current_infected: # 遍歷感染者的鄰居 for neighbor in G.neighbors(inf_node): if G.nodes[neighbor][state] S: # 以概率beta嘗試感染 if np.random.rand() beta: nodes_to_infect.append(neighbor) # 統(tǒng)一更新?tīng)顟B(tài)將本輪被選中的易感者變?yōu)楦腥菊?for node in nodes_to_infect: G.nodes[node][state] I # 統(tǒng)計(jì)當(dāng)前狀態(tài)人數(shù) S_count sum(1 for _, attr in G.nodes(dataTrue) if attr[state] S) I_count sum(1 for _, attr in G.nodes(dataTrue) if attr[state] I) S_counts.append(S_count) I_counts.append(I_count) # 可選如果感染者已經(jīng)達(dá)到總?cè)藬?shù)可以提前終止循環(huán) if I_count G.number_of_nodes(): print(f在第{step1}步所有人均已感染。) # 補(bǔ)齊剩余步數(shù)的計(jì)數(shù)保持列表長(zhǎng)度一致 S_counts.extend([0] * (T - step - 1)) I_counts.extend([G.number_of_nodes()] * (T - step - 1)) break return S_counts, I_counts, G # 運(yùn)行模擬 S_counts, I_counts, G_final simulate_si_model(G, beta0.2, initial_infected2, T15) # 可視化結(jié)果 plt.figure(figsize(12, 4)) # 子圖1最終網(wǎng)絡(luò)狀態(tài) plt.subplot(1, 2, 1) node_colors [red if G_final.nodes[n][state] I else lightblue for n in G_final] nx.draw(G_final, pos, node_colornode_colors, node_size200, with_labelsFalse, edge_colorgray) plt.title(fSI模型模擬最終狀態(tài) (Beta{0.2})) # 子圖2人數(shù)隨時(shí)間變化曲線 plt.subplot(1, 2, 2) steps list(range(len(I_counts))) plt.plot(steps, I_counts, r-, label感染者 (I), linewidth2) plt.plot(steps, S_counts, b--, label易感者 (S), linewidth2) plt.xlabel(時(shí)間步) plt.ylabel(人數(shù)) plt.title(SI模型傳播動(dòng)力學(xué)) plt.legend() plt.grid(True, alpha0.3) plt.tight_layout() plt.show()4.3 參數(shù)影響與結(jié)果分析運(yùn)行上面的代碼你會(huì)看到一張圖。左圖是模擬結(jié)束后網(wǎng)絡(luò)的狀態(tài)紅色節(jié)點(diǎn)是感染者藍(lán)色是易感者在SI模型里如果模擬時(shí)間足夠長(zhǎng)最終應(yīng)該全是紅色。右圖是兩條曲線展示了S和I人數(shù)隨時(shí)間的變化。這里有幾個(gè)關(guān)鍵點(diǎn)需要你動(dòng)手嘗試和觀察感染概率Beta 這是最重要的參數(shù)。將beta從0.05調(diào)到0.5再運(yùn)行。你會(huì)發(fā)現(xiàn)beta很小時(shí)紅色曲線I上升得非常緩慢可能直到模擬結(jié)束還有大量藍(lán)色節(jié)點(diǎn)。beta很大時(shí)紅色曲線幾乎垂直上升迅速感染所有人。beta實(shí)際上決定了傳播的“力度”。初始感染者位置與數(shù)量 我們代碼中是隨機(jī)選的。你可以嘗試修改代碼固定選擇網(wǎng)絡(luò)中度中心性最高的節(jié)點(diǎn)最活躍的人作為初始感染者看看傳播速度是否會(huì)加快。這引出了“影響力最大化”的雛形。網(wǎng)絡(luò)結(jié)構(gòu)的影響 我們用的是WS小世界網(wǎng)絡(luò)。你可以嘗試用nx.erdos_renyi_graph(n, p)生成一個(gè)隨機(jī)圖Erdos-Renyi模型或者用nx.barabasi_albert_graph(n, m)生成一個(gè)無(wú)標(biāo)度網(wǎng)絡(luò)Barabasi-Albert模型存在少數(shù)高度節(jié)點(diǎn)。在不同結(jié)構(gòu)的網(wǎng)絡(luò)上運(yùn)行相同的SI模型傳播速度和最終范圍會(huì)有顯著差異。無(wú)標(biāo)度網(wǎng)絡(luò)中對(duì)高度節(jié)點(diǎn)的感染會(huì)引發(fā)爆炸式的傳播。踩坑記錄在模擬循環(huán)中最易犯的錯(cuò)誤是“即時(shí)更新”。即在遍歷感染者鄰居時(shí)一旦發(fā)現(xiàn)某個(gè)S節(jié)點(diǎn)滿足感染條件立刻將其狀態(tài)改為I。這會(huì)導(dǎo)致這個(gè)在本輪剛被感染的節(jié)點(diǎn)在同一輪中又以其新身份“I”去感染其他鄰居造成傳播速度的嚴(yán)重高估。務(wù)必使用“待感染列表”進(jìn)行緩沖更新。5. SIR模型實(shí)現(xiàn)與深度探索SIR模型引入了恢復(fù)機(jī)制更貼近現(xiàn)實(shí)。它的實(shí)現(xiàn)比SI稍復(fù)雜一點(diǎn)因?yàn)橐芾砣齻€(gè)狀態(tài)和兩個(gè)概率β和γ。5.1 算法流程與狀態(tài)管理SIR模擬的步驟框架與SI類似但狀態(tài)轉(zhuǎn)換邏輯變?yōu)槌跏蓟O(shè)置所有節(jié)點(diǎn)為S隨機(jī)選擇初始IR數(shù)量為0。為每個(gè)節(jié)點(diǎn)增加一個(gè)state屬性。模擬循環(huán)每一步 a.感染過(guò)程遍歷所有I節(jié)點(diǎn)對(duì)其每個(gè)S鄰居以概率β嘗試感染將成功的鄰居加入“新感染列表”。 b.恢復(fù)過(guò)程遍歷所有I節(jié)點(diǎn)包括上一步剛產(chǎn)生的每個(gè)節(jié)點(diǎn)以概率γ嘗試恢復(fù)將成功的節(jié)點(diǎn)加入“新恢復(fù)列表”。 c.狀態(tài)更新先統(tǒng)一將“新感染列表”中的節(jié)點(diǎn)狀態(tài)從S改為I。再統(tǒng)一將“新恢復(fù)列表”中的節(jié)點(diǎn)狀態(tài)從I改為R。這里有個(gè)重要順序問(wèn)題必須先處理感染再處理恢復(fù)并且用列表緩沖。否則可能出現(xiàn)一個(gè)節(jié)點(diǎn)剛被感染又在同一步被恢復(fù)的邏輯矛盾。 d. 記錄S, I, R的數(shù)量。終止可以設(shè)定最大步數(shù)或者當(dāng)I的數(shù)量降為0時(shí)提前終止。5.2 代碼實(shí)現(xiàn)與關(guān)鍵參數(shù)R0def simulate_sir_model(G, beta0.3, gamma0.1, initial_infected2, T50): 在給定網(wǎng)絡(luò)G上模擬SIR傳播模型。 參數(shù): G: NetworkX圖。 beta: 感染概率。 gamma: 恢復(fù)概率。 initial_infected: 初始感染者數(shù)量。 T: 最大模擬步數(shù)。 返回: S_counts, I_counts, R_counts: 列表記錄每一步各狀態(tài)人數(shù)。 G: 模擬結(jié)束后的網(wǎng)絡(luò)。 # 初始化 nx.set_node_attributes(G, S, state) all_nodes list(G.nodes()) infected_nodes np.random.choice(all_nodes, sizeinitial_infected, replaceFalse) for node in infected_nodes: G.nodes[node][state] I S_counts, I_counts, R_counts [], [], [] for step in range(T): new_infections [] new_recoveries [] # 獲取當(dāng)前所有感染者 current_infected [n for n, attr in G.nodes(dataTrue) if attr[state] I] # 感染階段I節(jié)點(diǎn)嘗試感染S鄰居 for inf_node in current_infected: for neighbor in G.neighbors(inf_node): if G.nodes[neighbor][state] S: if np.random.rand() beta: new_infections.append(neighbor) # 恢復(fù)階段I節(jié)點(diǎn)嘗試恢復(fù)為R for inf_node in current_infected: if np.random.rand() gamma: new_recoveries.append(inf_node) # 狀態(tài)更新先感染后恢復(fù) for node in new_infections: if G.nodes[node][state] S: # 二次檢查防止?fàn)顟B(tài)沖突 G.nodes[node][state] I for node in new_recoveries: if G.nodes[node][state] I: # 二次檢查 G.nodes[node][state] R # 統(tǒng)計(jì) S_count sum(1 for _, attr in G.nodes(dataTrue) if attr[state] S) I_count sum(1 for _, attr in G.nodes(dataTrue) if attr[state] I) R_count sum(1 for _, attr in G.nodes(dataTrue) if attr[state] R) S_counts.append(S_count) I_counts.append(I_count) R_counts.append(R_count) # 如果感染者清零提前結(jié)束 if I_count 0: print(f疫情在第{step1}步結(jié)束。) break return S_counts, I_counts, R_counts, G # 運(yùn)行模擬 S_counts, I_counts, R_counts, G_final_sir simulate_sir_model(G.copy(), beta0.2, gamma0.05, initial_infected3, T80) # 可視化 plt.figure(figsize(12, 5)) steps list(range(len(S_counts))) plt.plot(steps, S_counts, b-, label易感者 (S), linewidth2) plt.plot(steps, I_counts, r-, label感染者 (I), linewidth2) plt.plot(steps, R_counts, g-, label移除者 (R), linewidth2) plt.xlabel(時(shí)間步) plt.ylabel(人數(shù)) plt.title(SIR模型傳播動(dòng)力學(xué) (Beta0.2, Gamma0.05)) plt.legend() plt.grid(True, alpha0.3) plt.show()5.3 模擬實(shí)驗(yàn)與現(xiàn)象觀察運(yùn)行代碼后你會(huì)看到經(jīng)典的SIR曲線S藍(lán)色從高位逐漸下降I紅色先上升達(dá)到一個(gè)峰值然后下降至0R綠色從0開(kāi)始最終累積到一個(gè)穩(wěn)定值?，F(xiàn)在我們來(lái)做個(gè)關(guān)鍵的實(shí)驗(yàn)理解基本再生數(shù) R0的概念。在均勻混合的假設(shè)下R0 β / γ。它代表一個(gè)感染者在整個(gè)感染期內(nèi)平均能傳染多少個(gè)易感者。當(dāng) R0 1每個(gè)感染者平均能傳染超過(guò)1個(gè)人疫情會(huì)擴(kuò)散I曲線會(huì)先上升。當(dāng) R0 1每個(gè)感染者平均傳染不到1個(gè)人疫情會(huì)逐漸消失I曲線單調(diào)下降。我們可以通過(guò)調(diào)整β和γ來(lái)驗(yàn)證設(shè)置 R0 1例如beta0.3, gamma0.1 R03。運(yùn)行模擬你會(huì)看到明顯的疫情爆發(fā)波形。設(shè)置 R0 1例如beta0.05, gamma0.1 R00.5。運(yùn)行模擬你會(huì)發(fā)現(xiàn)I人數(shù)從開(kāi)始就緩慢下降無(wú)法形成大規(guī)模傳播。實(shí)操心得在網(wǎng)絡(luò)模型中R0的計(jì)算比均勻混合模型復(fù)雜因?yàn)樗€依賴于網(wǎng)絡(luò)的平均度連接數(shù)等拓?fù)湫再|(zhì)。一個(gè)近似的經(jīng)驗(yàn)公式是 R0_network ≈ β / γ * 其中 是網(wǎng)絡(luò)的平均度。在我們的WS網(wǎng)絡(luò)n50, k4中平均度約為4。當(dāng)β/γ * 4 1時(shí)疫情更容易在網(wǎng)絡(luò)中持續(xù)傳播。你可以用這個(gè)經(jīng)驗(yàn)去設(shè)計(jì)你的參數(shù)觀察現(xiàn)象。6. IC模型實(shí)現(xiàn)與影響力分析獨(dú)立級(jí)聯(lián)模型IC的模擬邏輯與前兩者有顯著區(qū)別它更關(guān)注離散的“嘗試”和“級(jí)聯(lián)”過(guò)程。6.1 離散級(jí)聯(lián)過(guò)程實(shí)現(xiàn)IC模型的核心是“輪次”和“僅新激活節(jié)點(diǎn)有傳播機(jī)會(huì)”。我們需要記錄每個(gè)節(jié)點(diǎn)是在哪一輪被激活的。def simulate_ic_model(G, p0.2, seedsNone, max_iter20): 在給定網(wǎng)絡(luò)G上模擬獨(dú)立級(jí)聯(lián)模型。 參數(shù): G: NetworkX圖。 p: 獨(dú)立激活概率。 seeds: 初始激活節(jié)點(diǎn)列表。如果為None則隨機(jī)選一個(gè)。 max_iter: 最大模擬輪次。 返回: active_nodes_by_round: 列表的列表記錄每一輪新激活的節(jié)點(diǎn)。 total_active: 列表記錄每一輪累計(jì)激活節(jié)點(diǎn)數(shù)。 G: 模擬結(jié)束后的網(wǎng)絡(luò)節(jié)點(diǎn)帶有‘a(chǎn)ctive_round’屬性-1表示未激活0表示激活輪次。 # 初始化所有節(jié)點(diǎn)未激活輪次標(biāo)記為-1 nx.set_node_attributes(G, -1, active_round) if seeds is None: seeds [np.random.choice(list(G.nodes()))] # 第0輪激活種子節(jié)點(diǎn) round 0 newly_active seeds for node in newly_active: G.nodes[node][active_round] round # 記錄每一輪新激活的節(jié)點(diǎn)和累計(jì)激活數(shù) active_nodes_by_round [newly_active.copy()] total_active [len(newly_active)] # 開(kāi)始級(jí)聯(lián) while round max_iter and newly_active: round 1 current_newly_active [] # 遍歷上一輪新激活的節(jié)點(diǎn) for node in newly_active: # 遍歷其未激活的鄰居 for neighbor in G.neighbors(node): if G.nodes[neighbor][active_round] -1: # 未激活 # 以概率p嘗試激活每個(gè)鄰居只有一次被該節(jié)點(diǎn)嘗試的機(jī)會(huì) if np.random.rand() p: current_newly_active.append(neighbor) # 去重一個(gè)節(jié)點(diǎn)可能被多個(gè)鄰居在同一輪嘗試激活 current_newly_active list(set(current_newly_active)) # 激活本輪成功的節(jié)點(diǎn) for node in current_newly_active: G.nodes[node][active_round] round active_nodes_by_round.append(current_newly_active) total_active.append(total_active[-1] len(current_newly_active)) # 更新newly_active為當(dāng)前輪新激活的節(jié)點(diǎn)用于下一輪 newly_active current_newly_active # 如果提前結(jié)束補(bǔ)全記錄 while len(total_active) max_iter: active_nodes_by_round.append([]) total_active.append(total_active[-1]) return active_nodes_by_round, total_active, G # 運(yùn)行模擬 seeds [0, 5] # 選擇節(jié)點(diǎn)0和5作為種子 active_rounds, total_active, G_final_ic simulate_ic_model(G.copy(), p0.15, seedsseeds, max_iter10) # 可視化激活過(guò)程 plt.figure(figsize(10, 4)) # 繪制累計(jì)激活曲線 plt.subplot(1, 2, 1) rounds list(range(len(total_active))) plt.plot(rounds, total_active, bo-, linewidth2, markersize6) plt.xlabel(傳播輪次) plt.ylabel(累計(jì)激活節(jié)點(diǎn)數(shù)) plt.title(IC模型累計(jì)激活曲線 (p0.15)) plt.grid(True, alpha0.3) # 繪制最終網(wǎng)絡(luò)狀態(tài)按激活輪次著色 plt.subplot(1, 2, 2) # 為不同輪次分配顏色 cmap plt.cm.viridis node_colors [] for n in G_final_ic.nodes(): r G_final_ic.nodes[n][active_round] if r -1: node_colors.append(lightgray) # 未激活 else: # 激活輪次越早顏色越深這里用輪次歸一化 node_colors.append(cmap(r / max(1, max(active_rounds)))) nx.draw(G_final_ic, pos, node_colornode_colors, node_size200, with_labelsFalse, edge_colorgray) plt.title(IC模型激活狀態(tài)顏色深淺代表激活輪次) plt.tight_layout() plt.show()6.2 種子節(jié)點(diǎn)選擇策略初探IC模型常用來(lái)研究“影響力最大化”給定一個(gè)預(yù)算k只能選k個(gè)種子節(jié)點(diǎn)如何選擇能使最終激活的節(jié)點(diǎn)總數(shù)最多這是一個(gè)NP難問(wèn)題但有高效的啟發(fā)式算法。最著名的是貪心算法其核心思想是迭代地選擇能帶來(lái)最大邊際收益的節(jié)點(diǎn)。我們可以實(shí)現(xiàn)一個(gè)簡(jiǎn)單的模擬貪心算法來(lái)感受一下初始化一個(gè)空種子集S。對(duì)于每一個(gè)不在S中的節(jié)點(diǎn)v計(jì)算如果將v加入S運(yùn)行多次IC模擬后的平均激活節(jié)點(diǎn)數(shù)即邊際增益。選擇邊際增益最大的節(jié)點(diǎn)加入S。重復(fù)步驟2-3直到S包含k個(gè)節(jié)點(diǎn)。由于每次模擬都有隨機(jī)性我們需要對(duì)每個(gè)候選節(jié)點(diǎn)進(jìn)行多次模擬比如100次取平均以獲得穩(wěn)定的收益估計(jì)。這個(gè)算法計(jì)算量很大O(knR*模擬時(shí)間)但對(duì)于理解思想足夠了。在實(shí)際研究中會(huì)使用更高效的算法如CELFCost-Effective Lazy Forward來(lái)優(yōu)化。def greedy_influence_maximization(G, k3, p0.1, iterations100): 一個(gè)簡(jiǎn)單低效的貪心算法用于影響力最大化。 注意此函數(shù)僅用于演示原理在大網(wǎng)絡(luò)上效率極低。 seeds [] all_nodes set(G.nodes()) for i in range(k): print(f選擇第 {i1} 個(gè)種子...) best_node None best_influence -1 # 遍歷所有尚未被選為種子的節(jié)點(diǎn) candidates all_nodes - set(seeds) for node in candidates: # 計(jì)算當(dāng)前種子集 候選節(jié)點(diǎn) 的影響力 current_seeds seeds [node] total_spread 0 # 多次模擬取平均 for _ in range(iterations): _, total_active, _ simulate_ic_model(G.copy(), pp, seedscurrent_seeds, max_iter20) total_spread total_active[-1] # 取最終激活數(shù) avg_spread total_spread / iterations # 計(jì)算邊際增益可選這里直接用總影響力 if avg_spread best_influence: best_influence avg_spread best_node node if best_node is not None: seeds.append(best_node) print(f 選中節(jié)點(diǎn) {best_node}, 預(yù)估影響力 {best_influence:.1f}) return seeds # 注意在小網(wǎng)絡(luò)上運(yùn)行因?yàn)橛?jì)算量很大 small_G create_social_network(n30, k4, p0.1) selected_seeds greedy_influence_maximization(small_G, k3, p0.15, iterations50) print(f貪心算法選出的種子節(jié)點(diǎn): {selected_seeds})運(yùn)行這個(gè)代碼可能需要一點(diǎn)時(shí)間。它會(huì)輸出算法依次選擇的種子節(jié)點(diǎn)。你可以對(duì)比一下隨機(jī)選擇3個(gè)節(jié)點(diǎn)作為種子和用這個(gè)貪心算法選出的3個(gè)節(jié)點(diǎn)分別運(yùn)行IC模型最終的激活規(guī)模是否有顯著差異。通常貪心算法會(huì)選擇那些處于網(wǎng)絡(luò)中心位置比如度中心性高、介數(shù)中心性高的節(jié)點(diǎn)。7. 模型對(duì)比、應(yīng)用場(chǎng)景與常見(jiàn)問(wèn)題7.1 三大模型核心對(duì)比為了更清晰地理解這三個(gè)模型的區(qū)別和適用場(chǎng)景我整理了一個(gè)對(duì)比表格特性維度SI模型SIR模型IC模型核心狀態(tài)S易感 I感染S易感 I感染 R移除Active活躍 Inactive非活躍狀態(tài)轉(zhuǎn)換S → IS → I → RInactive → Active (一次性)關(guān)鍵參數(shù)β感染概率β感染概率 γ恢復(fù)概率p激活概率傳播機(jī)制感染者持續(xù)嘗試感染易感鄰居感染者以β感染以γ恢復(fù)新激活節(jié)點(diǎn)有一次機(jī)會(huì)以p激活鄰居時(shí)間視角連續(xù)/離散時(shí)間均可通常為連續(xù)時(shí)間微分方程離散近似也可離散輪次最終結(jié)局所有人感染 (I → N)部分人感染后移除穩(wěn)定在S, I0, R級(jí)聯(lián)停止部分人激活典型應(yīng)用理論教學(xué) 簡(jiǎn)單擴(kuò)散初期模擬傳染病研究 短期熱點(diǎn)信息傳播社交影響力最大化 口碑營(yíng)銷 信息級(jí)聯(lián)7.2 模型選擇與場(chǎng)景適配在實(shí)際項(xiàng)目中選擇哪個(gè)模型取決于你要分析的具體問(wèn)題如果你想研究一個(gè)長(zhǎng)期存在的觀念或技術(shù)的普及過(guò)程并且假設(shè)人們一旦接受就不會(huì)“反悔”那么SI模型是一個(gè)簡(jiǎn)化的起點(diǎn)。如果你想分析一次疫情爆發(fā)、一個(gè)短期熱點(diǎn)話題如爆款短視頻的傳播生命周期SIR模型是最佳選擇。你可以通過(guò)擬合真實(shí)數(shù)據(jù)如每日新增話題量來(lái)反推β和γ參數(shù)。如果你的目標(biāo)是做營(yíng)銷策劃比如尋找最合適的“KOC”進(jìn)行產(chǎn)品投放以最大化曝光那么IC模型及其相關(guān)的影響力最大化算法就是你的核心工具。你需要收集或構(gòu)建用戶間的社交關(guān)系圖關(guān)注、好友關(guān)系。7.3 常見(jiàn)問(wèn)題與調(diào)試技巧在實(shí)現(xiàn)和運(yùn)行這些模型時(shí)你可能會(huì)遇到以下典型問(wèn)題傳播速度過(guò)快或過(guò)慢不符合預(yù)期檢查概率參數(shù)β、γ、p的值通常很小。在真實(shí)社交網(wǎng)絡(luò)中單次接觸的傳播概率很少超過(guò)0.1?？梢詮?.01、0.05這樣的小值開(kāi)始嘗試。檢查網(wǎng)絡(luò)密度用nx.density(G)查看你的網(wǎng)絡(luò)密度。一個(gè)完全圖所有節(jié)點(diǎn)兩兩相連的傳播速度會(huì)極快。WS小世界網(wǎng)絡(luò)的密度約為k/(n-1)相對(duì)稀疏。檢查初始感染者位置隨機(jī)選擇可能選到邊緣節(jié)點(diǎn)。嘗試固定選擇網(wǎng)絡(luò)中度數(shù)最高的節(jié)點(diǎn)作為初始感染者觀察傳播速度的變化。模擬結(jié)果波動(dòng)很大每次運(yùn)行都不一樣這是正常的因?yàn)楦腥?激活是概率事件。為了得到穩(wěn)定結(jié)論必須進(jìn)行多次模擬取平均。例如對(duì)同一組參數(shù)和初始條件運(yùn)行100次模擬然后繪制平均曲線和置信區(qū)間。def run_multiple_simulations(model_func, G, params, times100): results [] for _ in range(times): # 注意每次模擬要使用網(wǎng)絡(luò)的副本避免狀態(tài)污染 G_copy G.copy() result model_func(G_copy, **params) results.append(result) return results # 然后對(duì)results列表中的數(shù)據(jù)如最終的感染人數(shù)進(jìn)行統(tǒng)計(jì)分析代碼運(yùn)行太慢特別是對(duì)于大網(wǎng)絡(luò)或IC的貪心算法向量化操作在SI/SIR模型中遍歷所有感染者的鄰居是主要開(kāi)銷。對(duì)于大型網(wǎng)絡(luò)可以考慮使用鄰接矩陣?yán)肗umPy的矩陣運(yùn)算進(jìn)行概率判斷但這會(huì)消耗更多內(nèi)存。減少模擬次數(shù)在調(diào)試階段減少網(wǎng)絡(luò)規(guī)模(n)、模擬步數(shù)(T)和重復(fù)次數(shù)(iterations)。使用更高效的算法庫(kù)對(duì)于真正的研究可以考慮使用專門優(yōu)化過(guò)的庫(kù)如NDlibNetwork Diffusion Library。如何將模型應(yīng)用到真實(shí)數(shù)據(jù)數(shù)據(jù)獲取真實(shí)的社交網(wǎng)絡(luò)數(shù)據(jù)可能來(lái)自API如Twitter, Weibo的粉絲關(guān)系、合作方脫敏數(shù)據(jù)、或公開(kāi)數(shù)據(jù)集如Stanford Large Network Dataset Collection。網(wǎng)絡(luò)構(gòu)建將用戶視為節(jié)點(diǎn)關(guān)注/好友關(guān)系視為邊構(gòu)建有向或無(wú)向圖。參數(shù)估計(jì)這是最難也是最關(guān)鍵的一步?？梢酝ㄟ^(guò)歷史數(shù)據(jù)如過(guò)去話題的傳播軌跡來(lái)擬合模型參數(shù)如β, γ。常用方法有極大似然估計(jì)MLE或基于模擬的方法如Approximate Bayesian Computation。模型驗(yàn)證用一部分?jǐn)?shù)據(jù)訓(xùn)練集估計(jì)參數(shù)在另一部分?jǐn)?shù)據(jù)測(cè)試集上預(yù)測(cè)傳播范圍比較預(yù)測(cè)值與真實(shí)值的差異。實(shí)現(xiàn)這三個(gè)模型只是第一步它們像積木一樣可以組合、擴(kuò)展成更復(fù)雜的模型如SIS感染后可再次易感、SEIR增加潛伏期、LT模型線性閾值模型等。理解這些基礎(chǔ)模型的每一個(gè)細(xì)節(jié)能讓你在面對(duì)更復(fù)雜的傳播現(xiàn)象時(shí)擁有拆解和建模的能力。