Многомасштабное моделирование и прогнозирование информационных процессов в цифровых социальных системах тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Северюхина Оксана Андреевна

• Северюхина Оксана Андреевна
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Северюхина Оксана Андреевна

ОГЛАВЛЕНИЕ

РЕФЕРАТ

SINOPSIS

ВВЕДЕНИЕ

1 Аналитический обзор методов моделирования информационных процессов

в цифровых социальных системах

1.1 Методы анализа и моделирования поведения человека в киберпространстве

1.2 Методы математического моделирования процессов в социальных системах

1.3 Параллельное моделирование процессов на больших графах

1.4 Сравнительный анализ методов моделирования

1.5 Выводы к главе

2 Метод многомасштабного моделирования динамики распространения информационных сообщений в цифровых социальных системах

2.1 Общий метод многомасштабного моделирования

2.2 Микро-масштаб: моделирование отдельных пользователей

2.3 Мезо- и макро-масштабы: моделирование сообществ и информационной среды

2.4 Реализация метода многомасштабного моделирования

2.5 Выводы к главе

3 Метод оперативного прогнозирования распространения информации на основе усвоения данных

3.1 Метод усвоения данных

3.2 Параллельная реализация

3.2.1 Ведомый процесс

3.2.2 Ведущий процесс

3.3 Общая схема программного комплекса оперативного прогнозирования

3.4 Процедура оценки качества прогноза

3.5 Выводы к главе

4 Экспериментальное исследование системы оперативного прогнозирования в сетях тематических сообществ

4.1 Выделение информационных ситуаций и формирование модельных сценариев для проведения экспериментальных исследований

4.2 Экспериментальное исследование качества прогнозирования

4.3 Экспериментальное исследование масштабируемости и производительности

4.4 Прикладной пример оптимизации в задачах распространения информации: построение оптимального расписания публикаций сообщества

4.5 Выводы к главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Введение диссертации (часть автореферата) на тему «Многомасштабное моделирование и прогнозирование информационных процессов в цифровых социальных системах»

РЕФЕРАТ

Актуальность темы исследования связана с непрерывной цифровой трансформацией всех сфер жизни, в том числе процессов создания, сбора, обработки, передачи информации в социальных системах. Цифровая трансформация изменила представление о сущности понятия «киберпространство». Непосредственно после появления сети «Интернет» под киберпространством понимали совокупность взаимосвязанных компьютерных сетей. С течением времени и с развитием технологий произошло расширение значения данного термина.

Теперь киберпространство трактуется как глобальная технологическая среда, содержащая результаты протекания информационных процессов в различных природных, социальных и технических системах. Основным свойством киберпространства является наличие большого числа взаимодействующих информационных процессов, в которые вовлечено множество участников. Кроме этого, в нем происходит фиксация цифровых следов пользователей с различными уровнями видимости для совершенных действий. Наличие этих уровней видимости порождает различные виды информационных процессов, а также характеристики реакций на информацию. В современном мире киберпространство определяется скорее не его технической реализацией, а социальными взаимодействиями. В развитии киберпространства наблюдается тенденция к усилению социальных связей, к появлению новых каналов связи между реальными людьми. Так, в ходе цифровой трансформации киберпространства возник новый класс систем, специализированных на обмене информацией и установлении взаимодействий между людьми с применением технических средств обработки информации - цифровые социальные системы (ЦСС). К этому классу относятся, например, социальные сети, представляющие собой онлайн-платформы, использующиеся людьми для создания своих личных страниц или социальных взаимодействий с другими людьми, которые имеют схожие личные или карьерные интересы, виды деятельности, опыт работы или реальные связи.

Возможность прямого наблюдения информационных процессов в ЦСС ограничена большими размерами систем (107-1010 узлов), структурной и поведенческой неоднородностью ЦСС, организацией ЦСС как иерархией разделяемых информационных ресурсов, ограничениями технологий сбора данных. Для решения задач оценки и прогноза охвата, влияния и динамики распространения информации необходима разработка методов моделирования информационных процессов ЦСС.

Моделирование и прогнозирование информационных процессов в цифровых социальных системах позволяет исследовать, выявлять особенности протекания распространения информации в текущий момент и на фиксированное время вперед, выявлять необычные или подозрительные действия (распространение заведомо ложной информации, взлом отдельных страниц). Кроме этого, моделирование позволяет исследовать возможные сценарии развития событий, когда нет известных данных о поведении пользователей в таких сценариях.

Тем не менее, стоит отметить сложность реалистичного воспроизведения таких процессов, так как необходимо учитывать большое число факторов, связанных с наличием различных каналов, форматов, модальностей взаимодействия пользователей ЦСС. Необходимо учитывать, что поведение людей изменяется с течением времени и отличается в разных группах пользователей. Это затрудняет предсказание реакций отдельного человека или целого сообщества даже при небольших изменениях в ЦСС. Как следствие, становятся востребованными новые подходы к поддержке принятия решений, основанные на мониторинге, прогнозировании и оптимизации как самих информационных процессов, так и результатов их взаимодействия с использованием предсказательного моделирования.

В России вопрос исследования информационных процессов в цифровых социальных системах был рассмотрен в работах Д.А. Губанова, П.В. Храпова, Д.А. Новикова, А.П. Михайлова. За рубежом среди исследователей можно выделить Дж. Альгрена (Facebook), К. Рыско (Hashkat). Несмотря на подробные исследования проблемы, в настоящий момент отсутствуют решения, объединяющие в себе несколько взаимосвязанных факторов, влияющих на распространение информации. С одной стороны, требуется учитывать особенности сообщений и информационных источников, с другой стороны, необходимо понимать, как пользователи реагируют на сообщения. Кроме этого, ЦСС имеют иерархичную структуру за счет разных типов сущностей и процессов, а также состоят из пересекающихся контекстов восприятия и публикации информации отдельных участников. За счет этого возникают различные масштабы при анализе и рассмотрении задач в ЦСС. В свою очередь это порождает большое число моделей различных классов для исследования информационных процессов, от дифференциальных уравнений (модель диффузии инноваций), характеризующих динамику развития информационного процесса, до агентных моделей (динамика мнений одного человека).

Таким образом, для исследования процессов в ЦСС необходимо разрабатывать методы моделирования и прогнозирования распространения информации на различных уровнях. Различные уровни взаимосвязаны, определяют многомасштабность и представлены на микро-масштабе отдельными пользователями, создающими и воспринимающими информационные сообщения, на мезо-масштабе - комплексными сетями, задающими топологию возможных путей передачи информации, на макромасштабе - популяционной динамикой уровня онлайн-сообществ. Несмотря на то, что в реальном мире существует большое число процессов, представимых в виде сетей, возможности их наблюдения и анализа в целом ограничены из-за скоростей расчетов на больших сетях. Более того, скорость расчета прогноза протекания процессов является критичной, потому что информационные процессы в ЦСС имеют высокую скорость распространения и затухания, и высок риск устаревания прогноза. Чтобы получить результат прогноза для сетей с миллионами узлов за время, пока прогноз не потеряет свою актуальность, необходимо разрабатывать вычислительно эффективные алгоритмы, в том числе для многопроцессорных вычислительных систем. Возможность запуска процесса моделирования в параллельном режиме может значительно сократить время получения результатов.

Целью диссертационной работы является улучшение показателей точности прогнозирования за счет моделирования информационных процессов в цифровых социальных системах на основании многомасштабного подхода с использованием усвоения данных текущего состояния системы.

Для достижения цели в ходе диссертационного исследования решаются следующие задачи:

- обоснование требований к методам математического моделирования для исследования информационных процессов в цифровых социальных системах на основе обзора текущего состояния предметной области;

- разработка метода многомасштабного моделирования информационных процессов в цифровых социальных системах на основе взаимосвязанных моделей;

- разработка метода оперативного прогнозирования распространения информации на основе метода многомасштабного моделирования с использованием усвоения данных текущего состояния системы;

- разработка процедуры и критерии оценки качества прогнозов на основе предсказательного моделирования;

- экспериментальные исследования разработанных методов и алгоритмов для моделирования и прогнозирования характерных сценариев для различных масштабов ЦСС.

Научная новизна исследования обоснована учётом временной изменчивости поведения агентов ЦСС путем выделения интервалов c разным уровнем активности, поддержкой трёх масштабов информационной активности агентов ЦСС (пользователь, сеть, сообщество), сопряжением масштабов моделирования на основе параметров ви-ральности контента тематических онлайн-сообществ для метода многомасштабного моделирования. Для метода оперативного прогнозирования новизна обоснована использованием параллельных вычислений для больших сетей, реализуемых на основании Master-Slave взаимодействия процессов, усвоением данных текущего состояния информационных процессов для корректировки неопределенности в поведении пользователей.

Теоретическая значимость работы заключается в расширении подходов исследования процессов распространения информации с помощью средств вычислительной техники для задач прогнозирования протекания процессов за счет многомасштабного подхода с использованием данных о текущем состоянии системы.

Практическую значимость работы определяют:

- расширение научно-практического инструментария методами и алгоритмами для исследования информационных процессов и структур в цифровых социальных системах;

- программный комплекс оперативного прогнозирования распространения информации в цифровых социальных системах.

Основные положения, выносимые на защиту:

1) метод многомасштабного моделирования динамики распространения информационных сообщений в цифровых социальных системах на основе взаимосвязанных моделей информационных процессов в сетях тематических онлайн-сообществ с использованием комплексных агентных сетей;

2) метод оперативного прогнозирования распространения информации в сетях тематических онлайн-сообществ с применением параллельных вычислений и усвоения данных на основе многомасштабного моделирования, а также реализующий его суперкомпьютерный программный комплекс.

Методы исследования включают в себя методы агентного моделирования, теории графов, теории вероятностей и математической статистики, теории сложных си-

стем, теории комплексных сетей, дискретной математики, теории алгоритмов, инженерии программного обеспечения.

Внедрение результатов работы. Результаты диссертационного исследования были использованы в рамках проектов Национального центра когнитивных разработок, а также при выполнении следующих проектов: соглашение №14-21-00137-П от 02.05.2017 г. «Суперкомпьютерное моделирование критических явлений в сложных социальных системах»; соглашение №17-71-30029 от 04.08.2017 г. «Интеллектуальные технологии больших данных для поддержки принятия решений в финансовой сфере на основе предсказательного моделирования», договор № 217727 от 20.09.2017 с дополнительными соглашениями № 3 от 28.02.2020 «Исследование и разработка прикладных сервисов анализа и предсказательного моделирования финансовых процессов на основе больших данных».

Степень достоверности и апробация результатов. Степень достоверности научных достижений подтверждается корректным использованием методов, обоснованием постановки задач, экспериментальными исследованиями, покрывающими разработанные технологии и алгоритмы. Основные результаты исследования были представлены на следующих международных конференциях: 6th International Young Scientists Conference in HPC and Simulation, YSC 2017, 1-3 November 2017, Kotka, Finland; The International Conference on Computational Science, ICCS 2018, 11-13 June 2018, Wu-xi, China; 7th International Young Scientists Conference in HPC and Simulation, YSC 2018, 2-6 July 2017, Heraklion, Greece; Russian Supercomputing Days (Суперкомпьютерные дни в России), 24-25 сентября 2018, Москва, Россия; Седьмой Национальный Суперкомпьютерный Форум, НСКФ-2018, 27-30 ноября 2018 года, г. Переславль-Залесский, Россия; 8th International Young Scientists Conference on Computational Science, YSC2019, 24-28 June 2019, Heraklion, Greece; International Conference on Social Networks Analysis, Management and Security, SNAMS 2019, 22-25 October 2019, Granada, Spain.

По результатам, представленным в диссертации, было получено свидетельство о регистрации программы для ЭВМ и опубликовано 8 статей в рецензируемых научных журналах, входящих в международные реферативные базы данных и системы цитирования Scopus и Web of Science. Полученные научные результаты соответствуют пунктам 1, 3, 4 паспорта специальности 05.13.18 «Математическое моделирование, численные методы и комплексы программ».

В работе предложен новый метод моделирования информационных процессов, пригодный для решения задачи прогнозирования за счет введения многомасштабного

представления модели, которое позволяет в явном виде описать причинно-следственные связи и управляющие факторы. Этот результат (Метод многомасштабного моделирования динамики распространения информационных сообщений в цифровых социальных системах на основе взаимосвязанных моделей) соответствует п. 1 специальности (Разработка новых математических методов моделирования объектов и явлений).

Модель реализована с использованием аппарата комплексных агентных сетей. Эффективность вычислений достигается за счет реализации обработки частей сети в параллельном режиме, что позволяет решать задачи на 107 агентах (что достаточно для современных социальных сетей) в оперативном режиме времени - достаточном для их прогнозирования. Этот результат соответствует п. 3 паспорта специальности (Разработка, обоснование и тестирование эффективных вычислительных методов с применением современных компьютерных технологий).

Реализованный метод моделирования и разработанный на его основе программный комплекс оперативного прогнозирования распространения информации соответствует п. 4 паспорта специальности (Реализация эффективных численных методов и алгоритмов в виде комплексов проблемно-ориентированных программ для проведения вычислительного эксперимента).

Научные издания, входящие в международные реферативные базы данных и системы цитирования:

1. Severiukhina O., Kesarev S., Bochenina K., Boukhanovsky A., Lees MH, Sloot PMA Large-Scale Forecasting of Information Spreading// Journal of Big Data - 2020, Vol. 7 (журнал из Q1)

2. Severiukhina O., Bochenina K., Kesarev S., Boukhanovsky A. Parallel data-driven modeling of information spread in social networks // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) - 2018, Vol. 10860, pp. 247-259

3. Severiukhina O., Bochenina K. Segment-wise Users' Response Prediction based on Activity Traces in Online Social Networks // 2019 6th International Conference on Social Networks Analysis, Management and Security, SNAMS 2019 - 2019, pp. 291296

4. Kesarev S., Severiukhina O., Bochenina K. Parallel simulation of community-wide information spreading in online social networks // Communications in Computer and Information Science - 2018, Vol. 965, pp. 136-148

5. Severiukhina O., Kesarev S., Petrov M., Bochenina K. Parallel forecasting of community-wide information spread with assimilation of social network data // Procedia Computer Science - 2018, Vol. 136, pp. 228-235

6. Kesarev S.A., Guleva V.Y., Severiukhina O., Bochenina K.O. A comparative study of graph partitioning algorithms for simulation of information spread in a multicommunity landscape // Procedia Computer Science - 2018, Vol. 136, pp. 218-227

7. Derevitskii I., Severiukhina O., Bochenina K., Voloshin D., Lantseva A., Boukha-novsky A. Multiagent context-dependent model of opinion dynamics in a virtual society // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) - 2018, Vol. 10861, pp. 142155

8. Severiukhina O., Smirnov P., Bochenina K., Nasonov D., Butakov N. Adaptive load balancing of distributed multi-agent simulations on heterogeneous computational infrastructures // Procedia Computer Science - 2017, Vol. 119, pp. 139-146 Публикации, которые приравниваются к рецензируемым научным изданиям:

9. Программная библиотека для прогнозирования распространения информации в комплексных сетях с использованием усвоения публикуемых данных / Северю-хина О.А., Кесарев С.А., Боченина К.О. Св-во о гос. регистрации программы для ЭВМ № 2020615190, от 18.05.2020г.

Личный вклад автора в работах, выполненных в соавторстве, заключается в формализации метода многомасштабного моделирования информационных процессов, разработке метода распространения информации в сетях тематических сообществ и разработке метода прогнозирования распространения информации на основе усвоения данных с возможностью запуска параллельных вычислений. Из работ, выполненных в соавторстве, в диссертацию включены результаты, соответствующие личному вкладу автора.

Боченина К.О. во всех работах, выполненных в соавторстве, осуществляла постановку научных задач и консультировала при написании статей.

Бухановский А.В. во всех работах, выполненных в соавторстве, осуществлял рекомендации по постановке задач, выбору и обоснованию теоретических основ научного исследования.

Кесаревым С.А. в работах [48], [78] был проведен обзор литературы и произведено взаимодействие с коллегами из МГУ для получения доступа к ресурсам суперкомпьюте-

ра Ломоносов, в [48] реализован алгоритм передачи информации между различными типами процессов, в [47] реализован алгоритм разделения графа на части. Петровым М.В. [48] в рамках совместных работ был выполнен сбор данных из социальной сети Вконтакте [77].

Структура и объем диссертации. Диссертация состоит из введения, пяти глав, заключения, списка литературы, включающего 102 источников, и перечня используемых сокращений, содержит 110 страниц текста, включая 43 рисунка и 8 таблиц. Первая глава содержит аналитический обзор, включающий в себя анализ современного уровня развития методов моделирования поведения человека, методов информационных процессов в цифровых социальных системах, а также обзор методов параллельных вычислений на сетевых структурах. Во второй главе описан метод многомасштабного моделирования динамики распространения информационных сообщений в цифровых социальных системах на основе взаимосвязанных моделей информационных процессов в сетях тематических онлайн-сообществ с использованием комплексных агентных сетей. Третья глава посвящена программному комплексу оперативного прогнозирования распространения информации на основе усвоения данных в процессе моделирования и параллельным алгоритмам распространения информации по сети. Четвертая глава включает в себя экспериментальные исследования как разработанной системы оперативного прогнозирования, так и различных сценариев информационных процессов. Таким образом, проверяется возможность прогнозирования распространения информации при изменениях состояния контекстов.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Северюхина Оксана Андреевна

ЗАКЛЮЧЕНИЕ

В ходе выполнения диссертационного исследования было:

- на основе проведенного аналитического обзора сформулированы и обоснованы требования к методам математического моделирования для исследования информационных процессов в цифровых социальных системах;

- разработан и реализован метод многомасштабного моделирования информационных процессов в социальных сетях, основанный на декомпозиции моделей на разных масштабах;

- разработан и реализован метод оперативного прогнозирования распространения информации на основе метода многомасштабного моделирования с использованием усвоения данных текущего состояния системы;

- разработана процедура и критерии оценки качества прогнозов на основе предсказательного моделирования;

- проведены экспериментальные исследования разработанных методов и алгоритмов для моделирования и прогнозирования характерных сценариев и различных масштабов.

Развитие темы диссертационного исследования возможно в направлении расширения предложенной задачи для учета более широкого круга информационных процессов. Представленная модель распространения информации в контактной сети может быть дополнена с помощью учета дополнительных механизмов взаимодействия между пользователями и увеличением типов информационных процессов, учитываемых в модели.

Список литературы диссертационного исследования кандидат наук Северюхина Оксана Андреевна, 2020 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ Печатные издания на русском языке

1. Дымников В. [и др.]. Моделирование климата и его изменений: современные проблемы // Вестник Российской академии наук. 2012. № 3 (82). C. 227-236.

2. Богданов А. [и др.]. Высокопроизводительные вычисления на гибридных системах: будут ли решены «задачи большого вызова»? 2015.

3. Бухановский А., Боченина К., Бутаков Н., Иванов С. [и др.]. Анализ и моделирование темпоральных комплексных сетей // Санкт-Петербург:Университет ИТМО, 2017. 144 с.

4. Боченина К. [и др.]. Финансовые информационные технологии поддержки принятия решений на основе больших данных // Control Engineering. 2019. (июнь).

5. Войскунский А. С. Общение, опосредованное компьютером / 1_, А. С. Войскунский, Диссертация кандидата психологических наук, 1990.

6. Николенко С. И., Фишков А. А. Обзор моделей поведения пользователей для задачи ранжирования результатов поиска // СПИИРАН. 2012. (22). C. 139-175.

7. Щебетенко С. Большая пятерка черт личности и активность пользователей в социальной сети «Вконтакте» // Психология. Психофизиология. 2013. № 4 (6).

Печатные издания на английском языке

8. Agadullina E. R. Social networks user: current research // Journal of Modern Foreign PsychologyСовременная зарубежная психология. 2015. № 3 (4). C. 36-46.

9. Ahlgren J. [и др.]. WES: Agent-based User Interaction Simulation on Real Infrastructure // ACM Reference Format. 2020.

10. Alam M., Khan M. Parallel Algorithms for Generating Random Networks with Given Degree Sequences // International Journal of Parallel Programming. 2017. № 1 (45). C. 109127.

11. Albert R., Barabasi A. L. Statistical mechanics of complex networks // Reviews of Modern Physics. 2002. № 1 (74). C. 47-97.

12. Amblard F., Deffuant G. The role of network topology on extremism propagation with the relative agreement opinion dynamics // Physica A: Statistical Mechanics and its Applications. 2004. (343). C. 725-738.

13. Arakawa A., Jung J. H. Multiscale modeling of the moist-convective atmosphere - A review // Atmospheric Research. 2011. Т. 102. № 3. C. 263-285.

14. Barbieri N., Bonchi F., Manco G. Topic-aware social influence propagation models //

Knowledge and Information Systems. 2013. № 3 (37). C. 555-584.

15. Barrett C [и др.]. EpiSimdemics: An efficient and scalable framework for simulating the spread of infectious disease on large social networks // International Conference for High Performance Computing, Networking, Storage and Analysis (SC08). 2008. № November.

16. Benczik I. J. [и др.]. Opinion dynamics on an adaptive random network // Physical Review E. 2009. № 4 (79). C. 46104.

17. Bhatele A. [и др.]. Massively parallel simulations of spread of infectious diseases over realistic social networks 2017.C. 689-694.

18. Bisset K. R. [и др.]. EpiFast: a fast algorithm for large scale realistic epidemic simulations on distributed memory systems 2009.C. 430-439.

19. Bisset K. R. [и др.]. Indemics: An Interactive High-Performance Computing Framework for Data Intensive Epidemic Modeling // ACM Transactions on Modeling and Computer Simulation. 2014. № 1 (24). C. 1-32.

20. Bochenina K., Kesarev S., Boukhanovsky A. Scalable parallel simulation of dynamical processes on large stochastic Kronecker graphs // Future Generation Computer Systems. 2017. (78). C. 502-515.

21. Bratman M. E. Intention, Plans, and Practical Reason / M. E. Bratman, CSLI Publications, 1987.

22. Buluc A. [и др.]. Recent Advances in Graph Partitioning // CoRR. 2013. (abs/1311.3).

23. Cristiani E., Piccoli B., Tosin A. Multiscale Modeling of Pedestrian Dynamics / E. Cris-tiani, B. Piccoli, A. Tosin, 2014. 73-107 c.

24. Da L. Microblog Information Diffusion:Simulation Based on SIR Model // Journal of Beijing University of Posts and Telecommunications. 2014. № 3 (16). C. 28-33.

25. Dastani M., Torre L. Van Der An extension of BDICTL with functional dependencies and components Springer Verlag, 2002.C. 115-129.

26. Derevitskii I., Nuzhdenko I., Bochenina K. Identifying places of financial interest using open data Elsevier B.V., 2018.C. 265-273.

27. Emilio Ferrara, Fiumara G. Topological Features of Online Social Networks // Communications in Applied and Industrial Mathematics. 2012. C. 1 -14.

28. Erdos P., Rényi A. On the evolution of random graphs / P. Erdos, A. Rényi, 5-е изд., Publications of the Mathematical Institute of the Hungarian Academy of Sciences, 1960.

29. Facebook ZZA Facebook-scale simulator to detect harmful behaviors [Электронный ресурс]. URL: https://ai.facebook.com/blog/a-facebook-scale-simulator-to-detect-harmful-behaviors/ (дата обращения: 20.08.2020).

30. Feehan D. M., Cobb C. Using an Online Sample to Estimate the Size of an Offline Population // Demography. 2019. № 6 (56). C. 2377-2392.

31. Feng L. [h gp.]. Competing for Attention in Social Media under Information Overload Conditions // PLOS ONE. 2015. № 7 (10). C. e0126090.

32. Gatti M. [h gp.]. Large-scale multi-agent-based modeling and simulation of microblog-ging-based online social network 2014.C. 17-33.

33. Grabowski A., Kosinski R. A. Ising-based model of opinion formation in a complex network of interpersonal interactions // Physica A: Statistical Mechanics and its Applications. 2006. № 2 (361). C. 651-664.

34. Gross T., D'Lima C. J. D., Blasius B. Epidemic dynamics on an adaptive network // Physical Review Letters. 2006. № 20 (96).

35. Guo L. [h gp.]. Event-Based user classification in weibo media // Scientific World Journal. 2014. (2014).

36. Hegselmann R., Krause U. Opinion Dynamics and Bounded Confidence // Simulation. 2002. № 3 (5). C. 2.

37. Hoek W. van der Towards a Logic of Rational Agency // Logic Journal of IGPL. 2003. № 2 (11). C. 135-159.

38. Horstemeyer M. F. Multiscale modeling: A review Springer Netherlands, 2010.C. 87135.

39. Horstemeyer M. F. Integrated computational materials engineering (ICME) for metals: Concepts and case studies / M. F. Horstemeyer, wiley, 2017. 1-656 c.

40. Hou B. [h gp.]. Modeling and simulation of large-scale social networks using parallel discrete event simulation // SIMULATION. 2013. № 10 (89). C. 1173-1183.

41. Hou B., Yao Y. COMMPAR: A community-based model partitioning approach for large-scale networked social dynamics simulation IEEE, 2010.C. 7-13.

42. Hu H.-B., Wang X.-F. Discrete opinion dynamics on networks based on social influence // Journal of Physics A: Mathematical and Theoretical. 2009. № 22 (42). C. 225005.

43. Hui P.-M. [h gp.]. Scalable Detection of Viral Memes from Diffusion Patterns 2018.C. 197-211.

44. Jager W., Amblard F. Uniformity, bipolarization and pluriformity captured as generic stylized behavior with an agent-based simulation model of attitude change // Computational & Mathematical Organization Theory. 2005. № 4 (10). C. 295-303.

45. Jin Y., Wang W., Xiao S. An SIRS model with a nonlinear incidence rate // Chaos, Solitons and Fractals. 2007. № 5 (34). C. 1482-1497.

46. Kefato Z. T. [h gp.]. CAS2VEC: Network-Agnostic Cascade Prediction in Online Social Networks IEEE, 2018.C. 72-79.

47. Kesarev S. [h gp.]. A comparative study of graph partitioning algorithms for simulation of information spread in a multi-community landscape // Procedia Computer Science. 2018. (136). C. 218-227.

48. Kesarev S., Severiukhina O., Bochenina K. Parallel simulation of community-wide information spreading in online social networks 2019.C. 136-148.

49. Lambiotte R., Ausloos M., Holyst J. A. Majority model on a network with communities // Physical Review E. 2007. № 3 (75). C. 030101.

50. Lande D. V, Hraivoronska A. M., Berezin B. O. Agent-based model of information spread in social networks 2016. C. 7.

51. Leifeld P. Polarization of coalitions in an agent-based model of political discourse // Leifeld Computational Social Networks. 2014. № 7 (1). C. 1-22.

52. Li M. [h gp.]. A Survey on Information Diffusion in Online Social Networks: Models and Methods // Information. 2017. № 4 (8). C. 118.

53. Liu C., Zhang Z. K. Information spreading on dynamic social networks // Communications in Nonlinear Science and Numerical Simulation. 2014. № 4 (19). C. 896-904.

54. Liu L. [h gp.]. Modeling of Information Diffusion on Social Networks with Applications to WeChat 2017. C. 1-17.

55. Liu S. [h gp.]. A Hierarchical Synchronous Parallel Model for Wide-Area Graph Analytics IEEE, 2018.C. 531-539.

56. Lorenz J. Continuous Opinion Dynamics under Bounded Confidence: A Survey // International Journal of Modern Physics C. 2007. № 12 (18). C. 1819-1838.

57. Low Y. [h gp.]. Distributed GraphLab: A Framework for Machine Learning in the Cloud 2012. № 8 (5). C. 716-727.

58. Lu L., Chen D.-B., Zhou T. Small world yields the most effective information spreading. 2011.

59. Lu X. [h gp.]. Modeling and predicting the re-post behavior in Sina Weibo 2013.C. 962969.

60. Malewicz G. [h gp.]. Pregel: a system for large-scale graph processing 2009.C. 6.

61. Martins A. C. R. Bayesian Updating Rules in Continuous Opinion Dynamics Models // Journal of Statistical Mechanics: Theory and Experiment. 2008. № 2 (2009). C. P02017.

62. McPherson M., Smith-Lovin L., Cook J. M. Birds of a Feather: Homophily in Social Networks // Annual Review of Sociology. 2001. № 1 (27). C. 415-444.

63. Mei S. [h gp.]. Complex agent networks: An emerging approach for modeling complex systems // Applied Soft Computing Journal. 2015. (37). C. 311-321.

64. Newman M. E. J. Threshold effects for two pathogens spreading on a network // Physical Review Letters. 2005. № 10 (95).

65. Ou C. [h gp.]. Modelling heterogeneous information spreading abilities of social network ties // Simulation Modelling Practice and Theory. 2017. (75). C. 67-76.

66. Pastor-Satorras R., Vespignani A. Epidemic spreading in scale-free networks // Physical Review Letters. 2001. № 14 (86). C. 3200-3203.

67. Peng W. [h gp.]. Agent-Based Modeling and Simulation of Evolution of Netizen Crowd Behavior in Unexpected Events Public Opinion // Data Analysis and Knowledge Discovery. 2015. № 7-8 (31). C. 65-72.

68. Petrovic S., Osborne M., Lavrenko V. Rt to win! predicting message propagation in twitter // Proceedings of the Fifth International Conference on Weblogs and Social Media - IC-WSM '11. 2011. C. 586-589.

69. Qiu Z., Shen H. User clustering in a dynamic social network topic model for short text streams // Information Sciences. 2017. (414). C. 102-116.

70. Quattrociocchi W., Caldarelli G., Scala A. Opinion dynamics on interacting networks: Media competition and social influence // Scientific Reports. 2014. (4). C. 1-7.

71. Rao A. S., Georgeff P. M. Modeling Rational Agents within a BDI-Architecture 1991.

72. Retica A. Homophily // The New York Times. 2006.

73. Ryczko K. [h gp.]. Hashkat: large-scale simulations of online social networks // Social Network Analysis and Mining. 2017. № 1 (7).

74. Salzarulo L. A continuous opinion dynamics model based on the principle of meta-contrast // Journal of Artifical Societies and Social Simulation (JASSS). 2006. № 1 (9). C. 65-93.

75. Sayin B., §ahin S. A Novel Approach to Information Spreading Models for Social Networks // DATA ANALYTICS 2017: The Sixth International Conference on Data Analytics III. 2017.

76. Severiuhina O. [h gp.]. Large-Scale Forecasting of Information Spreading // Journal of Big Data. 2020. № 1 (7).

77. Severiukhina O. [h gp.]. Parallel forecasting of community-wide information spread with assimilation of social network data // Procedia Computer Science. 2018. (136). C. 228-235.

78. Severiukhina O. [h gp.]. Parallel data-driven modeling of information spread in social networks Springer, Cham, 2018.C. 247-259.

79. Severiukhina O., Bochenina K. Segment-wise Users' Response Prediction based on Activity Traces in Online Social Networks Institute of Electrical and Electronics Engineers Inc., 2019.C. 291-296.

80. Staudt C. L., Meyerhenke H. Engineering Parallel Algorithms for Community Detection in Massive Networks // IEEE Transactions on Parallel and Distributed Systems. 2016. № 1 (27). C. 171-184.

81. Sun Q., Yao Z. Evolutionary game analysis of competitive information dissemination on social networks: An agent-based computational approach // Mathematical Problems in Engineering. 2015. (2015). C. 1-12.

82. Tao W. K., Moncrieff M. W. Multiscale cloud system modeling // Reviews of Geophysics. 2009. № 3 (47).

83. Tornberg P. Echo Chambers and Viral Misinformation : Modeling Fake News as Complex Contagion // PLOS ONE. 2017. № July (13). C. 1-23.

84. Tsourakakis C. E. Streaming graph partitioning in the planted partition model 2015.C. 27-35.

85. Vega-Oliveros D. A. [и др.]. The impact of social curiosity on information spreading on networks 2017.C. 459-466.

86. Wang C. [и др.]. SEIR-based model for the information spreading over SNS // Tien Tzu Hsueh Pao/Acta Electronica Sinica. 2014. № 11 (42). C. 2325-2330.

87. Wang C., Xin X., Shang J. When to Make a Topic Popular Again? A Temporal Model for Topic Rehotting Prediction in Online Social Networks // IEEE Transactions on Signal and Information Processing over Networks. 2018. № 1 (4). C. 202-216.

88. Wang Q. [и др.]. ESIS: Emotion-based spreader-ignorant-stifler model for information diffusion // Knowledge-Based Systems. 2015. (81). C. 46-55.

89. Wang Y. [и др.]. Coevolutionary latent feature processes for continuous-time user-item interactions 2016.C. 4554-4562.

90. Watts D. J., Strogatz S. H. Collective dynamics of 'small-world9 networks // Nature. 1998. № 6684 (393). C. 440-442.

91. WeAreSocial, Hootsuite ZZDIGITAL 2020: GLOBAL DIGITAL OVERVIEW [Электронный ресурс]. URL: https://datareportal.com/reports/digital-2020-global-digital-overview (дата обращения: 30.03.2020).

92. Weinan E. Principles of Multiscale Modeling / E. Weinan, New York: Cambridge U. Press, 2011. 466 c.

93. Weng L., Menczer F., Ahn Y.-Y. Virality Prediction and Community Structure in Social

Networks // Scientific Reports. 2013. № 1 (3). C. 2522.

94. Xue-jun D. Research on Propagation Model of Public Opinion Topics in SNS Based on SIR [J] // Computer Simulation. 2015. № 1 (32). C. 241-247.

95. Yildiz E. [и др.]. Binary opinion dynamics with stubborn agents // ACM Transactions on Economics and Computation. 2013. № 4 (1).

96. Yu Y. [и др.]. Opinion diversity and community formation in adaptive networks // Chaos. 2017. № 10 (27).

97. Zaman T. R. [и др.]. Predicting Information Spreading in Twitter // Proceedings of the Computational Social Science and the Wisdom of Crowds Workshop (colocated with NIPS 2010). 2010. № 114171 (55). C. 1-4.

98. Zhang Y., Tanniru M. An agent-based approach to study virtual learning communities 2005.C. 11c--11c.

99. Zhu Z. Q. [и др.]. The Influence of Human Heterogeneity to Information Spreading // Journal of Statistical Physics. 2014. № 6 (154). C. 1569-1577.

Ресурсы сети Интернет

100. ВКонтакте Инструкция: как работать с таргетингом «Ключевые фразы» [Электронный ресурс]. URL: https://vk.com/@business-kontekst?utm_source=plashka_rk_context (дата обращения: 21.08.2020).

101. VK [Электронный ресурс]. URL: https://vk.com/page-47200925_44240810 (дата обращения: 25.12.2017).

102. Apache Giraph [Электронный ресурс]. URL: http://giraph.apache.org/ (дата обращения: 12.12.2019).

103. VK API [Электронный ресурс]. URL: https://vk.com/dev/methods (дата обращения: 20.06.2020).

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Научные издания, входящие в международные реферативные базы данных и системы цитирования:

1. Severiukhina O., Kesarev S., Bochenina K., Boukhanovsky A., Lees MH, Sloot PMA Large-Scale Forecasting of Information Spreading// Journal of Big Data - 2020, Vol. 7

2. Severiukhina O., Bochenina K., Kesarev S., Boukhanovsky A. Parallel data-driven modeling of information spread in social networks // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) - 2018, Vol. 10860, pp. 247-259

3. Severiukhina O., Bochenina K. Segment-wise Users' Response Prediction based on Activity Traces in Online Social Networks // 2019 6th International Conference on Social Networks Analysis, Management and Security, SNAMS 2019 - 2019, pp. 291296

4. Kesarev S., Severiukhina O., Bochenina K. Parallel simulation of community-wide information spreading in online social networks // Communications in Computer and Information Science - 2018, Vol. 965, pp. 136-148

5. Severiukhina O., Kesarev S., Petrov M., Bochenina K. Parallel forecasting of community-wide information spread with assimilation of social network data // Procedia Computer Science - 2018, Vol. 136, pp. 228-235

6. Kesarev S.A., Guleva V.Y., Severiukhina O., Bochenina K.O. A comparative study of graph partitioning algorithms for simulation of information spread in a multicommunity landscape // Procedia Computer Science - 2018, Vol. 136, pp. 218-227

7. Derevitskii I., Severiukhina O., Bochenina K., Voloshin D., Lantseva A., Boukhanovsky A. Multiagent context-dependent model of opinion dynamics in a virtual society // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) - 2018, Vol. 10861, pp. 142155

8. Severiukhina O., Smirnov P., Bochenina K., Nasonov D., Butakov N. Adaptive load balancing of distributed multi-agent simulations on heterogeneous computational infrastructures // Procedia Computer Science - 2017, Vol. 119, pp. 139-14