本书从微观竞争性信息、宏观竞争性信息、社交网络群体社区行为、用户兴趣、异常用户识别、关键节点用户挖掘、用户链路与热点话题预测等角度入手，结合社交网络的真实案例，深入剖析了社交网络竞争性信息的传播规律与用户行为，并根据作者团队的研究成果和实际研究经验，归纳、总结了社交网络竞争性信息传播与用户行为分析的研究现状和未来发展动态。本书涉及计算机科学、数学、社会学、新闻传播学、管理学等多个学科领域，既可供从事社交网络的科研人员和高校相关专业的研究生阅读，又可供从事社交网络、复杂网络、动力学及相关领域的教学与科研人员参考。

刘小洋，博士、博士后；副教授，硕士生导师。美国IEEE 、ACM成员，CCF会员。任《IEEE Transactions on Cybernetics》《IEEE/ACM Transactions on Networking》《Computer Networks》《International Journal of Systems Science》《IEEE Transactions on Industrial Informatics》《计算机学报》《中文信息学报》《计算机科学》等国内外期刊审稿专家； 《重庆理工大学》(自然科学版) 青年编委。

目 录
第1章 社交网络概述 1
1．1 社交网络分析 1
1．2 社交网络竞争性信息传播分析 4
1．2．1 经典信息扩散模型 4
1．2．2 数据驱动传播模型 6
1．2．3 社会博弈模型 8
1．2．4 基于传染病的模型 9
1．2．5 基于物理系统的模型 11
1．3 社交网络用户行为分析 12
1．3．1 社交网络群体行为分析 12
1．3．2 社交网络用户兴趣行为分析 13
1．3．3 社交网络异常用户分析 13
1．3．4 社交网络用户影响力行为分析 14
1．3．5 社交网络用户链路预测行为分析 14
1．4 社交网络分析理论基础 15
1．4．1 六度分隔理论 15
1．4．2 邓巴数字 15
1．4．3 强关系与弱关系 16
1．4．4 三度影响力 16
1．4．5 度中心性 16
1．5 本章小结 17
参考文献 17
第2章 社交网络竞争性信息正向传播与逆向反馈机制研究 19
2．1 概述 19
2．2 社交网络竞争性信息正向传播与逆向反馈 19
2．2．1 节点级竞争传播与反馈 20
2．2．2 系统级竞争传播与反馈 24
2．3 社交网络竞争信息传播生命周期 26
2．3．1 三阶段传播行为 27
2．3．2 轰传时间点 27
2．3．3 传播生存周期 28
2．4 本章小结 29
参考文献 29
第3章 社交网络竞争性信息扩散微观概率模型研究 31
3．1 概述 31
3．2 社交网络竞争性信息扩散微观概率模型构建 31
3．2．1 竞争性信息扩散过程分析 31
3．2．2 竞争性信息扩散微观概率模型构建 33
3．3 实验结果与分析 37
3．3．1 数值模拟 37
3．3．2 实证对比与结果分析 40
3．4 本章小结 46
参考文献 47
第4章 社交网络竞争性信息传播宏观演化模型研究 48
4．1 概述 48
4．2 社交网络竞争性信息传播宏观演化模型构建 48
4．2．1 竞争传播演化过程分析 48
4．2．2 竞争性信息传播宏观演化模型构建 51
4．3 社交网络竞争性信息传播宏观模型分析 52
4．4 实验结果与分析 58
4．4．1 敏感性分析 58
4．4．2 仿真分析 60
4．4．3 实证对比与结果分析 82
4．5 本章小结 86
参考文献 86
第5章 社交网络群体用户行为分析 88
5．1 概述 88
5．2 相关研究工作 89
5．3 社交网络群体结构分析 90
5．4 所提社交网络群体发现方法 93
5．4．1 局部距离拉普拉斯模型 93
5．4．2 节点秩优化函数 95
5．5 实验结果与分析 96
5．5．1 评估指标 96
5．5．2 人工网络性能比较 97
5．5．3 真实网络性能比较 99
5．6 本章小结 106
参考文献 106
第6章 社交网络用户兴趣行为分析 108
6．1 社交网络用户关系图谱 108
6．1．1 种子用户 109
6．1．2 微博用户 110
6．2 社交网络用户区域分析 111
6．3 社交网络用户性别和年龄分析 112
6．4 社交网络用户兴趣行为建模分析 113
6．4．1 社交网络用户特征提取 113
6．4．2 社交网络用户行为兴趣模型与结果分析 114
6．5 本章小结 118
参考文献 118
第7章 社交网络异常用户行为分析 120
7．1 基于加权随机森林的社交网络异常用户模型 120
7．2 基于粒子群优化的随机森林异常检测分类 123
7．3 社交网络异常用户分类结果与对比分析 127
7．4 本章小结 129
参考文献 129
第8章 社交网络用户影响力行为分析 131
8．1 相关工作 132
8．2 传统影响力最大化问题的传播方法 133
8．2．1 独立级联模型 133
8．2．2 线性阈值模型 134
8．2．3 权重级联模型 135
8．2．4 贪心算法 135
8．2．5 单次折扣算法 135
8．2．6 PMIA算法 136
8．3 构建社交网络用户影响力最大的方法 136
8．3．1 NAV函数和DMAP优化函数 136
8．3．2 基于候选种子集的优化策略 137
8．3．3 用户影响力最大化DLIM算法 140
8．4 基于微博社交网络的关键用户分析 141
8．4．1 社交网络用户影响力计算方法 141
8．4．2 计算用户的自身质量 141
8．4．3 用户行为特征权值影响力 142
8．4．4 微博关键用户挖掘过程及结果分析 142
8．5 实验结果与分析 143
8．5．1 参数设置与说明 143
8．5．2 社交网络用户影响力分析 144
8．5．3 微博关键用户传播影响范围对比分析 147
8．6 本章小结 151
参考文献 151
第9章 社交网络链路预测行为分析 153
9．1 社交网络链路预测分析 153
9．2 算法的时间与空间复杂度分析 155
9．3 实验设计 156
9．3．1 数据集 156
9．3．2 评估指标 157
9．3．3 对比方法 157
9．4 实验结果分析 157
9．4．1 LPCD算法与基于局部信息的链路预测算法对比分析 157
9．4．2 LPCD算法与基于路径的链路预测算法比较分析 159
9．5 GN社区划分算法对链路预测算法的影响分析 160
9．5．1 GN算法对基于局部信息的链路预测算法的影响 160
9．5．2 GN算法对基于路径的链路预测算法的影响 161
9．6 各类算法消耗的时间比较 162
9．7 本章小结 163
参考文献 163
第10章 社交网络热点预测用户行为分析 165
10．1 社交网络热度预测分析 165
10．1．1 热度预测概述 165
10．1．2 传统热度预测模型 166
10．1．3 评价标准 166
10．1．4 优化的ARWMA模型 167
10．1．5 今日头条新闻预测结果与分析 169
10．2 社交网络热点话题预测分析 175
10．2．1 话题流行度预测模型 175
10．2．2 优化的随机森林算法（IMRF） 179
10．2．3 实验结果与分析 179
10．3 本章小结 185
参考文献 185