更改

我们可以预期这个过程会在网络的相当一部分中传播谣言。但是请注意，如果我们在一个节点周围有一个强大的[[群聚系数|本地集群]]，那么可能发生的情况是，许多节点成为传播者，并且有作为传播者的邻居。然后，每次我们选择其中之一（辟谣），他们将恢复，并可以消除谣言传播。另一方面，如果我们有一个世界很小的网络，也就是说，在一个网络中，两个随机选择的节点之间的最短路径比预期的要小得多，我们可以预期谣言会传播得很远。

我们可以预期这个过程会在网络的相当一部分中传播谣言。但是请注意，如果我们在一个节点周围有一个强大的[[群聚系数|本地集群]]，那么可能发生的情况是，许多节点成为传播者，并且有作为传播者的邻居。然后，每次我们选择其中之一（辟谣），他们将恢复，并可以消除谣言传播。另一方面，如果我们有一个小世界的网络，也就是说，在一个网络中，两个随机选择的节点之间的最短路径比预期的要小得多，我们可以预期，谣言会传播得很广。

Also we can compute the final number of people who once spread the news, this is given by<br />

Also we can compute the final number of people who once spread the news, this is given by<br />

我们还可以计算最终传播消息的人数，这是由<br />

我们还可以计算最终传播消息的人数，他由下面的公式给出：<br />

<math>r_\infty=1-e^{-({\alpha +\beta \over \beta})r_\infty}</math> <br />

<math>r_\infty=1-e^{-({\alpha +\beta \over \beta})r_\infty}</math> <br />

给出的。在网络中，在一个完全混合的人口中没有一个阈值的过程，在小世界中表现出明显的相变。下图说明了 r _ infty 的渐近值作为重新布线概率 p 的函数。

完全混合的人群网络中，一个没有阈值的传播过程，在小世界中表现出明显的相变。下图说明了<math>r_\infty</math>的渐近值作为重布线概率<math>p</math>的函数。

=== Microscopic models ===

=== Microscopic models ===