基于復雜社會網(wǎng)絡的微博營銷理論

李 玲， 裴永珍， 梁西銀， 李長國

(1.天津工業(yè)大學 計算機科學與軟件學院，天津 300387;2.軍事交通學院 基礎部，天津 300161)

微博營銷[1]，就是指以微博為平臺或渠道進行的品牌推廣、活動策劃、形象包裝、產(chǎn)品宣傳等一系列營銷手段，個人或者企業(yè)利用更新自己的微型博客向微博在線用戶傳播產(chǎn)品信息，樹立良好的產(chǎn)品形象，每天更新內(nèi)容來發(fā)布大家感興趣的話題，這樣來達到營銷的目的.

對于復雜網(wǎng)絡而言，錢學森給出了嚴格的復雜網(wǎng)絡定義：即具有自組織、自相似、吸引子、小世界、無標度中部分或者全部性質(zhì)的網(wǎng)絡稱為復雜網(wǎng)絡.簡而言之，復雜網(wǎng)絡即為呈現(xiàn)出高度復雜性的網(wǎng)絡[2].其復雜性主要表現(xiàn)在以下幾個方面：1)結構復雜.表現(xiàn)在節(jié)點數(shù)目巨大，網(wǎng)絡結構呈現(xiàn)多種不同特征.2)網(wǎng)絡進化.表現(xiàn)在結點或連接的產(chǎn)生與消失.例如world-wide network，網(wǎng)頁或鏈接隨時可能出現(xiàn)或斷開，導致網(wǎng)絡結構不斷發(fā)生變化.3)連接多樣性.結點之間的連接權重存在差異，且有可能存在方向性.4)動力學復雜性.結點集可能屬于非線性動力學系統(tǒng)，例如結點狀態(tài)可隨時間發(fā)生一些復雜變化.5)結點多樣性.復雜網(wǎng)絡中的節(jié)點可以代表任何事物.例如，人際關系構成的復雜網(wǎng)絡結點代表單獨個體，萬維網(wǎng)組成的復雜網(wǎng)絡結點可以表示不同網(wǎng)頁.目前，復雜網(wǎng)絡研究的內(nèi)容主要包括：網(wǎng)絡的幾何性質(zhì)，網(wǎng)絡的形成機制，網(wǎng)絡演化的統(tǒng)計規(guī)律，網(wǎng)絡上的模型性質(zhì)，以及網(wǎng)絡的結構穩(wěn)定性，網(wǎng)絡的演化動力學機制等問題.其中在自然科學領域，網(wǎng)絡研究的基本測度包括：度(degree)及其分布特征，度的相關性，集聚程度及其分布特征，最短距離及其分布特征，介數(shù)(betweenness)及其分布特征，連通集團的規(guī)模分布.

網(wǎng)絡中少數(shù)稱之為Hub點的結點擁有極其多的連接，而大多數(shù)結點只有很少量的連接(即度比較小或非常小)，而這些少數(shù)的Hub節(jié)點對網(wǎng)絡的運行起著主導作用，這就是無標度網(wǎng)絡.從廣義上來說，無標度網(wǎng)絡的無標度性是描述大量復雜系統(tǒng)整體上嚴重不均勻的一種內(nèi)在性質(zhì)，而無標度網(wǎng)絡和小世界網(wǎng)絡的最大區(qū)別就是他們的度分布的差別.

鑒于微博營銷的各種優(yōu)勢和時代性，很多學者對此已經(jīng)做過相關的討論和研究.Daley和Kendall[3]提出了第一個謠言傳播數(shù)學模型DK模型.Maki和Thomson[4]在DK模型上進行了傳播規(guī)則的修改，構建了MT模型.但有一點值得提出的是，DK模型和MT模型均未考慮到網(wǎng)絡的拓撲結構對謠言傳播的影響.之后，Moreno[5]等人開始對網(wǎng)絡中的謠言傳播人群進行分類，將人群分為無知者(Ignorant)、傳播者(Spreader)、免疫者(Stifler)三類.M.Nekovee和Y.Moreno[6]等人對復雜社會網(wǎng)絡中的謠言傳播進行了理論研究，并建立了含有潛伏機制和遺忘機制的SIR模型.上海工程技術大學管理學院的張志花、夏志杰等人[7]提出了基于喚醒機制的微博謠言傳播模型，在模型中加入了冬眠者，考慮到了領袖傳播者對冬眠者的喚醒作用.但是該文章僅考慮到了均勻網(wǎng)絡中領袖傳播者對冬眠者的喚醒作用，并未考慮到實際上微博是屬于很典型的非均勻網(wǎng)絡中的無標度網(wǎng)絡的那一類型的，即微博網(wǎng)絡中結點的度是服從冪率分布的.因此本文此基礎上進一步考慮微博的實際網(wǎng)絡拓撲結構，對模型進行了相應完善，從而構建出更加符合實際意義的數(shù)學模型.

我們基于SIR傳染病模型和之前微博謠言模型相關理論[8]構建出基于喚醒機制的微博信息傳播模型，并給出相應的平均場方程.我們研究了各個群體的數(shù)量隨時間的變化規(guī)律，通過控制參數(shù)的方法(企業(yè)采取相應實際措施)，從而更好地在微博平臺上展開營銷活動.

1 微博平臺信息傳播的一般模型

本文對模型是這樣來定義的.首先，假設現(xiàn)如今微博用戶注冊總?cè)藬?shù)是N個，微博網(wǎng)絡是一個封閉且存在N個節(jié)點的無標度網(wǎng)絡，每個節(jié)點代表一個可傳播信息的用戶，且節(jié)點總數(shù)N不變，信息是有向傳播的，這些都是研究前提[9].考慮到冬眠者遇領袖傳播者有可能被喚醒從而轉(zhuǎn)化為傳播者，我們提出新的信息傳播模型如圖1所示.用戶群可分為四類，分別是無知者，傳播者，潛伏者，冬眠者.無知者即為對企業(yè)或個人所發(fā)布的微博營銷信息一無所知、毫不知情的人.在信息傳播初期，絕大部分人都是處于這種狀態(tài)的，很容易理解.傳播者即為那些知道了這條信息并且去向外界轉(zhuǎn)發(fā)或者傳播的一類人.很顯然，這一類人在營銷信息的傳播過程重扮演著極其重要的角色.潛伏者是指對此條信息知情，但是卻不再轉(zhuǎn)發(fā)或者傳播的一類人.冬眠者是指這樣一類原本處于傳播者狀態(tài)的人，由于其他微博信息的干擾而對此條信息暫時性失憶，或者對此條信息不感興趣，但由于領袖傳播者的存在，會重新激起這類人的轉(zhuǎn)發(fā)或傳播興趣，從而再一次成為傳播者.模型中各個參數(shù)的具體含義如表1.

表1微博信息傳播模型圖1參數(shù)含義

參數(shù)參數(shù)含義λ無知者接觸傳播者之后,一部分無知者轉(zhuǎn)化為傳播者的速率α傳播者接觸免疫者之后,對此條信息失去興趣從而轉(zhuǎn)化為免疫者的速率β傳播者由于自身忘記所傳信息,從而轉(zhuǎn)化為冬眠者的速率δ冬眠者遇到“領袖傳播者”并被其喚醒的速率(即喚醒率)

過程1：當無知者接觸傳播者之后，無知者對此條信息暫時忘記或者完全不感興趣，此刻，他由無知者變?yōu)槎哒?在這里本文沒有對此項概率參數(shù)進行研究)；若要傳播信息，那么就以的速率變?yōu)閭鞑フ?

過程2：當傳播者忘記所傳信息，從而以β的速率轉(zhuǎn)變?yōu)槎哒?；另一方面，當傳播者接觸免疫者時，對此條信息失去興趣從而以α的速率轉(zhuǎn)變?yōu)槊庖哒?

過程3：當冬眠者接觸領袖傳播者時，此時他被喚醒，然后便以δ的速率變?yōu)閭鞑フ?

圖1所示的流程圖即為該數(shù)學模型的最形象化描述.

圖1 流程圖

信息傳播過程：

1)當一個無知者遇到一個傳播者時，可以有如下兩種選擇：1、以λ的速率轉(zhuǎn)化為傳播者；2、無知者對此條微博信息毫無興趣，或者辨不出真假，或者忘記了，然后以某一速率轉(zhuǎn)化為冬眠者.

1.2.3 測量指標及圖像分析 在矢狀面基礎平面上沿恥骨聯(lián)合后下緣做一條水平參照線，分別測量靜息狀態(tài)及Valsalva動作時膀胱頸至參照線的垂直距離，二者間距即為BND。膀胱頸位于參考線頭側(cè)，定義為參考線上，膀胱頸距離參考線測值為正數(shù)(+)，(圖1A)。Valsalva動作時膀胱頸向尾側(cè)移動越過參考線位置，定義為參考線下，膀胱頸距離參考線測值為負數(shù)(-)(圖1B)。

2)當一個傳播者遇到一個免疫者時，也可以有如下兩種選擇：1、傳播者受到免疫者的蠱惑，以α的概率轉(zhuǎn)化為免疫者；2、傳播者對此條微博信息暫時性失去興趣，或者由于傳播者本身大量的刷微博行為，導致他暫時性忘記，從而以β的概率轉(zhuǎn)化為冬眠者.

3)最后這一點是最關鍵的.之前無數(shù)研究證明，微博的網(wǎng)絡拓撲結構是服從冪律分布的.和均勻網(wǎng)絡有所不同的是，網(wǎng)絡中節(jié)點之間的度相差很大，在大家的度原本都差不多的前提下，突然冒出少數(shù)一些度很大很大的節(jié)點，這就是我們的領袖傳播者.比如明星、知名媒體、權威人士、商界精英等，他們的觀點在很大程度上是可以影響多數(shù)信任或者崇拜他們的人的觀點的，甚至可以引領時代潮流.因此，當冬眠者遇到這些領袖傳播者之后，會有極大的被喚醒的可能，從而以δ的概率轉(zhuǎn)化為傳播者，繼續(xù)對此條微博信息進行傳播.

2 建立平均場方程

統(tǒng)計物理學的平均場理論[10]是一種研究系統(tǒng)熱力學性質(zhì)的近似方法.它起源于物理學中對大量對等物體相互關系的研究，也就是用一個作用來等價地刻畫所有其他物體對該物體的作用，簡化分析過程.物體相互作用的過程可以用馬爾可夫鏈分析，但當物體狀態(tài)較多、物體數(shù)量巨大時馬爾可夫鏈模型就相當復雜，難以求解.而用平均場模型就能很好地對這個過程進行近似，且效果不錯.盡管由平均場理論所得到的結果是近似的，但由于它是基于對問題的高度概括和抽象，因而由它所推導出來的結論更加具有普適的意義.對于一個不為人所熟悉的復雜系統(tǒng)，平均場理論往往是揭示它本質(zhì)屬性的突破口，因此它成為了研究復雜網(wǎng)絡系統(tǒng)的一個有力工具，在復雜系統(tǒng)的各種研究方法中占有重要的地位.

把在t時刻j結點的鄰居中所有處于傳播者狀態(tài)的結點數(shù)量記為g(t)，在某一固定時刻，g(t)即變?yōu)榱艘粋€常量，Δtλ是j結點接觸所有處于傳播者狀態(tài)的結點中的一個傳播者結點時，j變?yōu)閭鞑フ呓Y點的概率，那么j結點在接觸完所有傳播者結點后仍保持無知者狀態(tài)的概率即為(1-Δtλ)g，記作:

(1)

假定結點j一共有k個鄰居結點，那么g就是滿足二項分布的一個隨機變量，用概率可表示為:

(2)

其中:θ(k,t)是某一個度為k的結點在t時刻能夠認識(表現(xiàn)在圖上即為連接)一個傳播者的概率.對于度為k的一類結點，這個概率值是相同的，故言之，對于不同度的結點，這個概率值顯然是不同的.θ(k,t)g也可以如下表示:

(3)

(4)

(ρs(k′,t))k(1-δΔr))

(5)

下面分別用ρi(k,t+Δt)、ρs(k,t+Δt)、ρr(k,t+Δt)、ρl(k,t+Δt)表示在t+Δt時刻無知者I、傳播者S、免疫者R、冬眠者L四類人的數(shù)量在種群總?cè)藬?shù)中所占的比例.上文中已經(jīng)得到了I在接觸完S之后保持I狀態(tài)不變的概率以及S在接觸完S和R之后的概率，那么在經(jīng)歷了Δt時間段之后，我們也可以很容易得到ρi(k,t+Δt)、ρs(k,t+Δt)、ρr(k,t+Δt)、ρl(k,t+Δt)表示在t+Δt四者的密度占比，求得結果如下：

(6)

ρl(k,t+Δt)=ρl(k,t)+βρs(k,t)-δρl(k,t)

(7)

(8)

(9)

對上式變形，便得到方程組，如下：

(10)

3 Matlab仿真

3.1 四類人所占比例隨時間的變化

由圖2可以看出，隨著時間的推移，無知者的數(shù)量(表現(xiàn)在圖中即為密度)在不斷減少，并且在某一段時間內(nèi)其數(shù)量迅速減少，最終緩慢地趨向于零.傳播者在信息傳播前期其數(shù)量不斷增大，之后隨著時間推移慢慢趨于零，最終消失.免疫者一開始數(shù)量逐漸增大，然后在信息傳播的末期，由于大部分人已經(jīng)對該信息有所了解卻不再去向他人傳播，此時除了極少數(shù)對該信息依然處于無知者狀態(tài)，剩下的便全都成為了免疫者.冬眠者的數(shù)量開始在不斷增大，達到一定值的時候，慢慢降下來，最后其數(shù)量慢慢趨于平穩(wěn)狀態(tài)，這正是由于領袖傳播者的喚醒作用所導致.以上分析就是這四類人的數(shù)量變化.

圖2 四類人的密度時間的變化

3.2 喚醒率δ仿真與分析

本文根據(jù)實際情況加入了對喚醒率這個參數(shù)的考量，通過δ來衡量領袖傳播者對冬眠者的喚醒力.本節(jié)通過Matlab來模擬喚醒率對現(xiàn)實中這三類人的數(shù)量以及變化速度的影響.在圖3中，均設定λ=0.8，α=1，β=0.8，=15，喚醒率δ分別等于0.6，0.7，0.8.由圖3(A)可知，喚醒率δ越大，微博信息初期傳播速度越快(表現(xiàn)在圖中即為斜率)，達到峰值時的傳播者數(shù)量越大，整個信息傳播所經(jīng)歷的時間越短，結束的越快，從而在短時間內(nèi)使得更多的無知者更快更高效地獲得信息，進而提升此條信息傳播的影響力.由圖3(B)可知，喚醒率δ越大，傳播者轉(zhuǎn)變?yōu)槊庖哒叩乃俣仍娇?，此條信息最終所被熟知的人的數(shù)量越多，影響更加廣泛.由圖3(C)可知，喚醒率δ越大，傳播者轉(zhuǎn)變?yōu)槎哒叩乃俣仍娇欤哒咚_到的峰值時的數(shù)量越少(因為δ增大時冬眠者被領袖傳播者喚醒的數(shù)量會相應地增多).

圖3 當δ取值分別為0.6，0.7，0.8時，三類人

4 結 語

本文根據(jù)傳染病SIR模型，結合微博信息傳播過程的實際情況，建立了信息傳播模型.因為微博用戶總是在“刷微博”，所以在瀏覽完一條微博推送消息之后，可能會因為之后瀏覽的其他微博信息而暫時忘記上一條信息，即此模型中冬眠者的存在.但由于微博社交網(wǎng)絡拓撲結構是屬于無標度網(wǎng)絡(SF網(wǎng)絡),故網(wǎng)絡中有“領袖傳播者”的存在.即當這條微博信息被“領袖傳播者”再次轉(zhuǎn)發(fā)時，會重新激起冬眠者對這條信息的轉(zhuǎn)發(fā)欲望，這使我們的模型更加符合實際意義.然后應用概率論和微分方程的相關數(shù)學知識，給出了該模型的平均場方程.用Matlab對該模型進行仿真，了解模型中各個參數(shù)對微博信息傳播速度及最終規(guī)模的影響，從而通過采取各種有效措施來加速微博信息傳播，使微博營銷更有效地進行.

[1] 張 晞．微博營銷[J]．企業(yè)管理，2010(11)：84-87．

[2] 唐曉波，宋承偉.基于復雜網(wǎng)絡的微博輿情分析[J]．情報學報，2012(11)：1153-1162．

[3] DALEY D J， KENDALLD J．Stochastic Rumours[J]．Journal of Applied Mathematics，1965，1(1)： 42-45．

[4] MAKI D P，THOMPSON M．Mathematical Models and Applications，with Emphasis on Social， Life， and Management Sciences[M]．Englewood Cliffs， New Jelsey： Prentice―Hall， 1974.

[5] MORENO Y，NEKOVEE M， PACHEOO A.Dynamics of Rumor Spreading in Complex Networks[J]．Physical Review E，2004，69(6Pt2)：066130．

[6] NEKOVEE M, MORENO Y．Theory of rumour spreading in complex social networks[J]．PhysicaA，2007，374(1)：457-470．

[7] 張志花，夏志杰．基于喚醒機制的微博謠言傳播模型[J]．現(xiàn)代情報，2015，35(3)：28-33.

[8] PITTEL B．On a Daley-Kendall model of random rumours[J]．Journal of Applied Probability，1990，27(1)：14-27．

[9] BOCCALETTS，LATOE V, MORENO Y，etal．D-U.Complex networks：Structure and dynamics[J]．Physics Reports，2006，424(4)：175.

[10] GU J，LI W，CAI X．The effect of the forget-remember mechanism on spreading[J]．EuropeanPhysical Journal B，2008，62(2)：247-255．