ИСПОЛЬЗОВАНИЕ ГРАФОВОЙ МОДЕЛИ ДЛЯ ОПИСАНИЯ РАСПРОСТРАНЕНИЯ ИНФОРМАЦИИ В СОЦИАЛЬНОЙ СЕТИ

Рассмотрен процесс распространения информации среди агентов социальной сети с целью верификации, оценки и точности разработанной модели. Построенная модель социальной сети позволяет проводить исследование распространения информации с учетом психофизиологических особенностей агента. Используемые в модели коэффициенты приема и передачи информации зависят от типа личности и определяются на основе анализа различных объектов деятельности. Источником информации является один из участников эксперимента, которая передается «ближнему кругу» агентов. Реализован программный модуль модели социальной сети. Модуль позволяет проводить исследования распространения информации с учетом психофизиологических особенностей агента. Программный модуль имеет интуитивно понятный интерфейс, позволяет задавать начальные условия эксперимента и выводить полученные результаты в удобном для пользователя виде. Для проверки адекватности работы модели проведена серия натурных экспериментов. Агенты сети, принявшие участие в эксперименте, до его начала прошли процедуру анкетирования с целью установления их типологического спектра личности с использованием методики многовариантного типирования личности. Показаны результаты заражения информацией участников сети на каждом шаге эксперимента.

1. Гусев М.М., Киселева Т.В., Кораблина Т.В., Пермякова Е.П. Моделирование процесса распространения информации в социальной сети // Системы управления и информационные технологии. 2021. № 1 (83). С. 54–59.

2. Пермякова Е.П., Кораблина Т.В., Киселева Т.В., Гусев М.М. Формирование эффективных проектных команд на МвПРОР-технологии // Системы управления и ин-формационные технологии. 2019. № 3 (77). С. 67–71.

3. Пермякова Е.П., Киселева Т.В. Многовариантное типирование интеллекта с гибкой профориентацией и адаптацией обучения. Новокузнецк: ИЦ СибГИУ, 2020. 95 с.

4. Rakhmetullina Z., Mukasheva R., Mukha-medova R., Batyrkhanov B. Mathematical modeling of the interests of social network users. In.: Proceedings – 2021 International Young Engineers Forum in Electrical and Computer Engineering, YEF-ECE 2021. 2021. No. 5. P. 98–103.

5. Батура Т.В. Модели и методы анализа компьютерных социальных сетей // Программные продукты и системы. 2013. № 3.

6. О’Нил К., Шатт Р. Data Science. Инсайдерская информация для новичков. Включая язык R. Санкт-Петербург: Питер, 2019. 368 с.

7. Фетинина Е.П. Человеческая многовари-антность в познании и созидании. Новокузнецк: ИЦ СибГИУ, 2001. 136 с.

8. Пермякова Е.П., Киселева Т.В. Многовариантное типирование интеллекта с гибкой профориентацией и адаптацией обучения. Новокузнецк: ИЦ СибГИУ, 2020. 95 с.

9. Liu X., He D. Nonlinear dynamic information propagation mathematic modeling and analysis based on microblog social network // Social Network Analysis and Mining. 2020. Vol. 10. No. 1. P. 87.

10. Фетинина Е.П., Кораблина Т.В. Примене-ние теории нечетких множеств в многовариантной технологии профориентации и адаптации обучения // Системы управления и информационные технологии. 2007. № 1 (27). С. 95–101.

11. Wei J., Wu J., Johansson K.H., Cvetkovic V., Molinari M. On the modeling of neural cognition for social network applications. In: 1st Annual IEEE Conference on Control Technology and Applications, CCTA 2017. 2017. P. 1569–1574

12. Пермякова Е.П., Кораблина Т.В., Киселева Т.В., Гусев М.М. Формирование эффективных проектных команд на МвПРОР-технологии // Системы управления и информационные техно-логии. 2019. № 3 (77). С. 67–71.

13. Zhou Y., Sun X., Zheng Q., Liu T., Zhang B. Analyzing and modeling dynamics of infor-mation diffusion in microblogging social network // Journal of Network and Computer Applications. 2017. Vol. 86. P. 92–102.

14. Киселева Т.В., Кораблина Т.В., Гусев М.М., Гусева А.Н. Классификация агентов при распространении информации внутри социальной сети. В кн.: Системы автоматизации в образовании, науке и производстве. AS'2019. Труды XII всеросс. научн.-практ. конф. (с межд. уч.). Новокузнецк: ИЦ СибГИУ, 2019. С. 301–302.

15. Мелехин И.В. Управленческо-деятель-ностный процесс поведения человека при размещении информации в социальных сетях // Актуальные направления научных исследований: от теории к практике. 2016. № 4-1 (10). С. 181–191.

16. Liu X., He D., Liu C. Modeling information dissemination and evolution in time-varying online social network based on thermal diffusion motion // Physica A: Statistical Mechanics and its Applications. 2018. Vol. 510. P. 456–476

17. Yang D., Chen G., Liao X., Shen H., Cheng X. Modeling the reemergence of information diffusion in social network // Physica A: Statistical Mechanics and its Applications. 2018. Vol. 490. P. 1493–1500.

18. Целых А.А., Дедюлина М.А. Теоретико-графовые подходы к моделированию актор-сетей в исследованиях науки и технологий // Моделирование, оптимизация и информационные технологии. 2018. № 4 (23). С. 244–259.

19. Gorshkov S., Ilyushin E., Chernysheva A., Goiko V., Namiot D. Using topic modeling for communities clusterization in the vkontakte social network // International Journal of Open Information Technologies. 2021. Vol. 9. No. 5. P. 12–17.

20. Wang C., Jiang C., Tang S., Yang L., Guo Y., Li F. Modeling data dissemination in online social networks: a geographical perspective on bounding network traffic load. In: Proceedings of the International Symposium on Mobile Ad Hoc Networking and Computing (MobiHoc). "MobiHoc 2014 – Proceedings of the 15th ACM Inter-national Symposium on Mobile Ad Hoc Net-working and Computing" 2014. Р. 53–62.