A model for simulating spreading processes based on social interactions in complex networks: case studies on online social networks and epidemics

Abstract

Esta tese foi motivada por dois problemas relacionados aos processos de espalhamento: a desinformação sendo disseminada em Redes Sociais Online (OSNs) e as doenças infecciosas sendo transmitidas em uma população suscetível. O principal objetivo do presente trabalho é desenvolver um modelo para simular processos de espalhamento baseado em interações sociais e que permita abordar tanto a estrutura complexa das redes, como os comportamentos evolutivos dos agentes em um nível microscópico. Para tanto, é fornecido um modelo genérico para interações sociais assíncronas entre agentes, o qual é estendido tanto para a troca de informações como para os casos de transmissão de doenças. Um modelo de evolução da infecção é construído, dispondo de transições probabilísticas entre os estágios, permitindo o uso de dados do mundo real de forma direta. Esse modelo de troca de informações pode tratar conjuntos finitos de informações, diferentemente dos modelos da literatura de dinâmica de opinião. Também, neste último estudo de caso, outros fatores que impactam a disseminação são considerados, como a autoestima da pessoa e a confiabilidade da informação. Ambos os fatores são modelados como uma extensão do modelo anterior, porém, admitindo matrizes dinâmicas para as probabilidades das interações. Métricas para capturar informações relevantes sobre a estrutura de redes complexas grandes são estudadas, concluindo que a centralidade de autovetor está intimamente relacionada à velocidade de propagação e à probabilidade de uma determinada informação prevalecer sobre as demais no modelo proposto. Estruturas de rede estáticas e dinâmicas são construídas para representar cenários relevantes em ambos os estudos de caso, as quais são baseadas em modelos de redes complexas encontrados na literatura. Além disso, um algoritmo de clusterização é modificado para identificar comunidades em redes sociais. Este algoritmo alterado é capaz de evitar erros que foram identificados na utilização de algoritmos da literatura. Por fim, conhecer como se dá a divisão em comunidades de uma rede social, e alguma métrica de centralidade sobre os agentes, permite que políticas para controlar a disseminação de informações nas OSNs sejam propostas.

Abstract: This thesis is motivated by two problems related to spreading processes: misinformation being disseminated in Online Social Networks (OSNs), and infectious diseases being transmitted in a susceptible population. The main objective of the present work is developing a model for simulating spreading processes based on social interactions, which address both the networks' complex structure and the evolving behaviors of the agents on a microscopic level. To this purpose, we provide a generic model for asynchronous social interactions between agents, which is extended for both the information exchange and the disease transmission cases. We build a model for infection evolution with probabilistic transitions between stages, allowing the usage of real-world data in a straightforward way. Our information exchange model can handle finite sets of information, differently from the models in the opinion dynamics literature. Also, in this last case study, we considered other factors that impact the spreading, like the person's self-esteem and the information's reliability. We model both factors as an extension from the previous one, by admitting dynamic matrices for the interactions' probabilities. We study metrics for capturing relevant information on the structure of large and complex networks, concluding that eigenvector centrality is intimately related to the spreading speed and the probability of a given information prevailing over the others in our model. We construct static and dynamic network structures representing meaningful scenarios for both case studies, which rely on complex network models from the literature. Further, we present the modification for a clustering algorithm to identify communities in social networks. This amended algorithm can avoid errors in the clustering that we have identified while using algorithms from the literature. Finally, we show that knowing how a social network is divided into communities, and some centrality metrics about the agents, enable us for proposing policies to control the spreading of information in OSNs.