知识图谱(Knowledge Graph)是人工智能领域的知识库,是可以将知识与结构都进行展示的新的表示方法。不仅仅可以描述知识的各类实体,以及对应的相关释义,还可以描述各个实体之间存在的各类关联关系。早在2012年5月份,Google就推出了知识图谱(Google Knowledge Graph),并且,将其应用到了 Google搜索中,以进一步优化搜索结果。自此,也开启了大规模研究知识图谱的研究热潮。互联网、大数据、人工智能等发展迅猛,对当前人类的生活方式、交流方式、信息方式等产生了巨大的变化,对信息交流以及信息的传播方式也产生了极大的影响。知识图谱由于其特性,内部承载了大量的信息,而且,知识图谱自身也在不断完善,逐渐构建出了一个巨大的关系图谱网络。深入研究基于知识图谱的价值传播将是人类关注、研究和探索的热点问题之一。本文的主要工作内容和改进之处如下:首先,对节点重要性进行了分析,之后对经典传染病传播模型进行了分析,发现经典传染病模型只是信息传播的宏观描述,并未在微观角度对网络的信息传播进行分析描述。本文通过基于图模型的消息传递方法,对构建的知识图谱模型,通过消息传播,将各个节点的概率分布状态按照一定的方式传递给相邻的节点,经过多次迭代收敛,最终得到各个节点的概率分布状态。其次,从网络传播的角度,深入分析了网络传播过程中真实网络传播效应,发现实际网络的传播往往是从某个节点引发传播,并且首先在社团内进行传播,然后在社团间进行传播。因此在进行消息传递过程中,本文将社团传递效应考虑在内,改进现有传播方法。最后,在上述模型的基础之上,设计了对比试验,在给定知识图谱结构数据集上分别采用改进后的社团内的传染病模型、改进后的社团间的传染病模型、改进后的社团内的置信传播、改进后的社团间的置信传播模型来进行实验分析比较。通过实验对比分析,本文基于社团结构的传染病模型,能在宏观角度更符合真实网络的传播方式,且基于社团效应的图模型置信传播方式,能在微观角度对图谱传播过程作出更详细描述。除此之外,相比与原始的的两种经典传播方式,本文结合社团的方式所得到的传播效应在一定程度上更符合实际网络的传播过程,具有一定的可用性和有效性。