CN105468681A - 一种基于话题模型的网络负面信息影响最小化方法 - Google Patents
一种基于话题模型的网络负面信息影响最小化方法 Download PDFInfo
- Publication number
- CN105468681A CN105468681A CN201510783824.5A CN201510783824A CN105468681A CN 105468681 A CN105468681 A CN 105468681A CN 201510783824 A CN201510783824 A CN 201510783824A CN 105468681 A CN105468681 A CN 105468681A
- Authority
- CN
- China
- Prior art keywords
- topic
- distribution
- model
- probability distribution
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000013517 stratification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 208000015181 infectious disease Diseases 0.000 description 10
- 238000013459 approach Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 244000097202 Rathbunia alamosensis Species 0.000 description 3
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 240000004859 Gamochaeta purpurea Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于话题模型的网络负面信息影响最小化方法,包括如下步骤:1)采用有向图表示社交网络中信息的传播,通过话题模型分别计算负面信息的概率分布和每条边上的历史信息的概率分布;2)分别计算负面信息的概率分布和每条边上的历史信息的概率分布的距离,即KL散度d(w,i),其中d表示KL散度的计算结果,w表示历史信息的话题分布,i表示负面信息的话题分布;3)计算和其中b(w)和o(w)分别为中心度和出度入度算法的计算结果,然后从大到小排序,并去掉前k个节点,使负面信息的传播范围最小。本发明对于恶意信息已经爆发的社交网络能进行有效地控制,使负面信息的影响范围大大降低。
Description
技术领域
本发明属于网络技术、信息技术领域,具体涉及一种基于话题模型的网络负面信息影响最小化方法。
背景技术
在过去几十年,在线社交网络为信息传播和市场营销活动提供了方便的平台,让想法和行为在社交关系中的级连上相互传播。从社交网络的功能来看,它不仅可以传播正面消息,例如:创新想法,热门话题等,还可以传播负面消息,例如:恶意谣言,虚假信息等等。就拿谣言作为例子,即使最开始只有很少的被感染者,但由于在网络中触发了一系列的级连结构,最终的感染数目也会很大。因此,如何设计有效的方法,来减少负面信息的影响范围,使它的影响最小化是一个亟待解决的科研问题。
关于如何寻找影响力最大的点,使信息在社交网络中更有效的传播,这个问题被称作影响力最大化问题,近几年已经吸引了很多的关注。然后与之相反的如何使负面信息扩散最小的影响最小化问题,却很少得到关注,尽管这也是一个重要的研究问题。
关于负面信息影响最小化的问题,已经有一些工作已经完成。之前有工作研究了通过去除节点来减小扩散面积的方法。文献“[1]Albert,R.,Jeong,H.,andBarab_asi,A.-L.:Errorandattacktoleranceofcomplexnetworks.InNature,378-382,2000.[2]Newman,M.E.J.,Forrest,S.,andBalthrop,J.:Emailnetworksandthespreadofcomputerviruses.InPhysicalReviewE,66:035101.[3]Wang,S.,Zhao,X.,Chen,Y.,Li,Z.,Zhang,K.,andXia,J.:NegativeInfluenceMinimizingbyBlockingNodesinSocialNetworks.InAAAI(Late-BreakingDevelopments)2013.”已经证明了通过将节点的出降序排列,从而去除前面的节点通常是非常有效的。这里,去除节点其实就包含了去除边的情况。所以去除边的任务比去除节点更加基础,通过去除连边来阻止负面信息的传播范围是一件非常重要的事情。Kimura提出了一种去边的方法,来使整个网络的污染面积最小,参见文献“Kimura,M.,Saito,K.,andMotoda,H.:MinimizingtheSpreadofContaminationbyBlockingLinksinaNetwork.InAAAI2008.”。然而,他的方法没有考虑到对于已经感染的网络如何处理。Yu认为(参见文献“Yu,Y.,Berger-Wolf,T.Y.,andSaia,J.:Findingspreadblockersindynamicnetworks.InAdvancesinSocialNetworkMiningandAnalysis,55-76,2010.”)对于寻找最有效的传播阻断节点,仅仅就找那些节点度非常高的即可。Budak研究了影响最小化的问题(参见文献“Budak,C.,Agrawal,D.,andAbbadi,A.E.:Limitingthespreadofmisinformationinsocialnetworks.InWWW2011.”),他把这个问题定义为一个恶意信息在社交网络中从一些特定节点进行传播,然后选择一些节点用一些正面的信息来抵消负面信息的影响。
不同于之前的工作,本发明的研究关注于一个已经被谣言感染的社交网络,对于这种情况,本发明研究如何通过去掉一小部分节点来使负面信息影响最小化。
发明内容
本发明针对上述问题,提供一种基于话题模型的网络负面信息影响最小化方法,对于恶意信息已经爆发的社交网络能进行有效地控制,使负面信息的影响范围大大降低。
本发明采用的技术方案如下:
一种基于话题模型的网络负面信息影响最小化方法,包括如下步骤:
1)采用有向图表示社交网络中信息的传播,通过话题模型分别计算负面信息的概率分布和每条边上的历史信息的概率分布;
2)分别计算负面信息的概率分布和每条边上的历史信息的概率分布的距离,即KL散度d(w,i),其中d表示KL散度的计算结果,w表示历史信息的话题分布,i表示负面信息的话题分布;
3)计算和其中b(w)和o(w)分别为中心度和出度入度算法的计算结果,然后从大到小排序,并去掉前k个节点,使负面信息的传播范围最小。
进一步地,步骤1)所述话题模型为层次化狄利克雷话题模型。
进一步地,通过所述层次化狄利克雷话题模型计算每条边的话题分布,并基于现有的数据自动的算出话题的数目。
进一步地,计算所述话题分布的方法是:
a)收集在所有边上的文本信息,组成一个文本集合 代表在边eu,v上文本的数量;
b)应用层次化狄利克雷话题模型学习话题的数量K和对于每个文本的话题分布
c)由每个话题分布平均得到边eu,v的话题分布
进一步地,所述社交网络中的信息传播采用独立级联模型。
利用本发明提供的方法在社交网络进行恶意信息控制时,具有如下优点:
本发明主要是针对恶意信息已经爆发了的社交网络,进行切割节点来阻断恶意信息传播,提出了基于话题模型的方法,使负面信息的影响范围大大降低,取得了很好的效果。通过话题模型HDP-LDA分别计算负面信息的概率分布和每条边上的历史信息的概率分布;然后分别计算负面信息的概率分布和每条边上的历史信息的概率分布的距离,即它们之间KL散度,d(w,i);然后分别计算和然后从大(即:跟负面信息相关的话题经常在这条边上传播)到小排序,去掉前k个节点,使负面信息的传播范围最小,而且这k个点的数量远远小于社交网络总节点的数目(但是恶意信息的传播范围却大大降低)。对于这个问题,本发明提出的基于话题模型的算法,效果远远好于其他启发式算法。
附图说明
图1是HDP-LDA模型的计算过程示意图。
图2是基于话题模型的启发式算法与出度和中心度算法的负面信息感染范围对比示意图。
图3是基于话题模型的启发式算法与出度和中心度算法的运行时间对比示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面通过具体实施例和附图,对本发明做进一步说明。
本发明的目标是从话题模型的角度,对于一个已经感染的社交网络,切割一定数量的节点,使最后的感染面积最小化。更详细的说,当感染从一部分初始节点开始,在一个广泛使用的基本概率模型——IC模型(IndependentCascade,独立级联模型)下传播,我们考虑从基于话题模型的角度找到一个集合里面包含k个点,当把这k个点去掉时,预期的感染面积会是最小,k是一个给定的正整数。我们把这个组合优化问题称作:负面影响最小化问题。对于这个问题,我们提出了一个基于话题模型影响最小化方法,来有效地找到一个最优解。通过对两个大规模真实社交网络的数据集进行实验(包括Facebook和Sina微博),我们证明了,本发明提出的方法的表现要好于两个已经被研究的很好的启发式去边算法(中心度和出度入度算法)。
为了刻画基于话题文本意义下的社交影响,我们将应用TIC模型(Topic-awareIndependentCascade,基于话题的独立级联模型)。在这个模型下,一个用户对另一个用户的影响概率是由话题来决定的。因此,对于每一条(v,u)∈E的边和每一个话题z∈[1,K],其中K表示话题的数目,我们都有一个概率代表用户v对用户u在话题z下的影响力度。而且,对于每一个项i∈I在社交网络上传播,其中i表示每一条社交网络上传播的信息,I表示整个信息集合,我们在这个话题上有一个概率分布,那就是对于每一个话题z∈[1,K],我们都有并且其中表示对于每一条在网络上传播的信息i对于每一个话题z的传播概率分布,Z表示话题。在这个模型中,信息的传播非常像IC模型那样,即在项i的条件下,节点v先被激活,然后它有一次机会去激活每一个未激活的邻居节点u,是独立于之前的感染历史记录的。这个尝试是有一个成功概率的,那就是这条边的加权平均概率基于项i的话题分布:
在有向图G=(V,E)中,其中V和E分别代表所有点和边的集合,影响范围的最初感染节点为集合S,那么最终感染节点的期望为σ(S|V)。
现在,我们对影响最小化问题给出一个数学定义。假设负面信息在网络G=(V,E),初始节点集合为上传播,那么我们的目标就是通过去掉k个在集合D∈V上的节点来最小化最终感染的节点的数目,k(<<|V|)是一个常数。所以这个问题可以公式表达为如下所示的优化问题:
在这里,σ(S|V\D)代表当点集合D被切断后,S的最终影响范围(最终感染的节点数量)。
在解决这个问题之前,首先介绍层次化狄利克雷话题模型(HDP-LDA)的概念。首先,我们用层次化狄利克雷过程计算对每条边eu,v的话题分布HDP-LDA是非参的话题模型,也就是说它可以基于现有的数据,自动的算出话题的数目K。现在已经有资料证明HDP方法在大规模网络文本建模上要比其它的方法效果要好,例如LDA(D.M.Blei,A.Y.Ng,M.I.Jordan,Latentdirichletallocation,theJournalofmachineLearningresearch3(2003)993-1022.)和LSA(S.T.Dumais,Latentsemanticanalysis,Annualreviewofinformationscienceandtechnology38(1)(2004)188-230.)。
这个过程主要分为三步:
首先,我们收集在所有边上的文本信息,组成一个文本集合 代表了在边eu,v上文本的数量;
第二,我们应用HDP-LDA学习话题的数量K和对于每个文本的话题分布
最后,对于边eu,v的话题分布是由每个话题分布平均得来的,所以,目标文本的话题分布θd'就可以被预测出来。具体表示如图1所示,其中H为文章的概率分布,γ为文档层面的话题概率分布,α为语料库的话题概率分布,G0为文档层面的话题概率分布的集合,Gd为语料库的话题概率分布的集合,zdi为一个文章的话题概率分布,wdi为一个词的话题概率分布。
学习TIC模型的参数问题需要输入社交网络图G=(V,E),许多过去的传播日志记录一个整数K,这个K是从HDP-LDA模型中学习得到的。传播日志是一组关系(User,Item,Time)(用户,物体,时间),一个三元组(u,i,t)∈代表用户u接收了事物i在时间t上。输出就是TIC传播模型所有参数,我们标记为Θ:这些是和对于所有的i∈I,(v,u)∈E和z∈[1,K]的值。假设每一条传播路径都独立于其他的路径,那么由数据的可能性提供的模型参数Θ可以表示成L(Θ;D)=∑i∈IlogL(Θ;Di),其中L表示likelihood,即相似度,D表示过去的传播记录,Di表示第i条的传播记录。然后我们对TIC应用参数为的标准EM(ExpectationMaximizationAlgorithm,期望最大化)算法。我们通过HDP-LDA计算出每一个未感染节点w和负面信息i的话题分布,然后从话题层面计算它们之间的距离,即KL(Kullback–Leiblerdivergence,相对熵)散度d(w,i)。
现有的两种启发式算法如下:
1.中心度算法:
N(u,v)代表在图G中从节点u到节点v的最短路径的数目,n(w;u,v)代表这些最短路径中经过节点w的数目。
2.出度入度算法:o(w)代表节点入度和出度的和。
本发明提出的改进的启发式算法:
基于文本信息的中心度算法:
基于文本信息的出度入度算法:
我们提出的这两个算法是有事实依据的,当d(w,i)越小,代表w越容易感染;当b(w)或者o(w)越大,代表w节点越重要,所以说相除得到的结果越大,说明这个节点对于负面信息扩散越重要,所以通过切除得分最高的对应的节点,是最有效果的方法。
我们通过在两个社交网络数据集上做实验,来评估我们提出的方法的性能。一个数据集是从新浪微博上爬取的数据,包括2000个节点和14426条边,还有传播日志。另一个是数据集是Facebook的数据,是从斯坦福大学社交网络分析项目中获得的,这里包括4039个节点和88324条边。这里每一个节点的话题概率分布是由HDP-LDA模型计算得出的。我们用吉普斯(Gibbs)采样方法来估计超参数γ,α0,H(文档层面的话题概率分布,语料库的话题概率分布,文章的概率分布)在HDP-LDA模型中。我们用蒙特卡洛模拟TIC模型,来估计影响的感染范围。
从图2中,我们可以看到基于话题模型的启发式算法的效果远远好于出度和中心度算法,特别是在感染刚开始的时候。从初始感染节点有50个节点的新浪微博分析,我们可以观察到,我们提出的方法可以将负面信息的感染范围从320降到180(通过切断60个节点),而在这里,60个节点仅仅只占跟感染节点相连通的节点的15%。从运行的时间来看,如图3所示,我们可以得出这样的结论,尽管实验效果提高显著,但是基于话题模型的启发式算法的运行时间跟出度和中心度算法的运行时间在同一数量级上。因此,我们提出的方法可以很好地控制恶意信息的传播扩散。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明的精神和范围,本发明的保护范围应以权利要求书所述为准。
Claims (5)
1.一种基于话题模型的网络负面信息影响最小化方法,其特征在于,包括如下步骤:
1)采用有向图表示社交网络中信息的传播,通过话题模型分别计算负面信息的概率分布和每条边上的历史信息的概率分布;
2)分别计算负面信息的概率分布和每条边上的历史信息的概率分布的距离,即KL散度d(w,i),其中d表示KL散度的计算结果,w表示历史信息的话题分布,i表示负面信息的话题分布;
3)计算和其中b(w)和o(w)分别为中心度和出度入度算法的计算结果,然后从大到小排序,并去掉前k个节点,使负面信息的传播范围最小。
2.如权利要求1所述的方法,其特征在于,步骤1)所述话题模型为层次化狄利克雷话题模型。
3.如权利要求2所述的方法,其特征在于,通过所述层次化狄利克雷话题模型计算每条边的话题分布,并基于现有的数据自动的算出话题的数目。
4.如权利要求3所述的方法,其特征在于,计算所述话题分布的方法是:
a)收集在所有边上的文本信息,组成一个文本集合 代表在边eu,v上文本的数量;
b)应用层次化狄利克雷话题模型学习话题的数量K和对于每个文本的话题分布
c)由每个话题分布平均得到边eu,v的话题分布
5.如权利要求1~4中任一项所述的方法,其特征在于:所述社交网络中的信息传播采用独立级联模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510783824.5A CN105468681B (zh) | 2015-11-16 | 2015-11-16 | 一种基于话题模型的网络负面信息影响最小化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510783824.5A CN105468681B (zh) | 2015-11-16 | 2015-11-16 | 一种基于话题模型的网络负面信息影响最小化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105468681A true CN105468681A (zh) | 2016-04-06 |
CN105468681B CN105468681B (zh) | 2018-11-23 |
Family
ID=55606382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510783824.5A Active CN105468681B (zh) | 2015-11-16 | 2015-11-16 | 一种基于话题模型的网络负面信息影响最小化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105468681B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228452A (zh) * | 2016-07-08 | 2016-12-14 | 清华大学 | 基于因果推断的社交网络信息传播历史排序方法 |
CN107220486A (zh) * | 2017-05-12 | 2017-09-29 | 上海交通大学 | 基于局部影响力计算的影响力阻断最大化方法 |
CN108197332A (zh) * | 2018-02-13 | 2018-06-22 | 黑龙江大学 | 社会网中基于主题兴趣的影响最大化方法 |
CN110661696A (zh) * | 2019-08-30 | 2020-01-07 | 浙江工业大学 | 一种基于梯度信息的消息传播控制方法 |
US10594642B2 (en) | 2017-01-03 | 2020-03-17 | International Business Machines Corporation | Responding to an electronic message communicated to a large audience |
CN111046239A (zh) * | 2019-11-26 | 2020-04-21 | 复旦大学 | 基于邻居节点的社交网络负面消息封锁最大化方法 |
CN111695043A (zh) * | 2020-06-16 | 2020-09-22 | 桂林电子科技大学 | 一种基于地理区域的社交网络阻塞影响最大化方法 |
CN112751911A (zh) * | 2020-12-15 | 2021-05-04 | 北京百度网讯科技有限公司 | 路网数据处理方法、装置、设备以及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070265870A1 (en) * | 2006-04-19 | 2007-11-15 | Nec Laboratories America, Inc. | Methods and systems for utilizing a time factor and/or asymmetric user behavior patterns for data analysis |
-
2015
- 2015-11-16 CN CN201510783824.5A patent/CN105468681B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070265870A1 (en) * | 2006-04-19 | 2007-11-15 | Nec Laboratories America, Inc. | Methods and systems for utilizing a time factor and/or asymmetric user behavior patterns for data analysis |
Non-Patent Citations (1)
Title |
---|
YAO Q ET AL.: ""Topic-aware Social Influence Minimization"", 《PROCEEDINGS OF THE 24TH INTERNATIONAL CONFERENCE ON WORLD WIDE WEB COMPANION. INTERNATIONAL WORLD WIDE WEB CONFERENCES STEERING COMMITTEE, 2015》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228452A (zh) * | 2016-07-08 | 2016-12-14 | 清华大学 | 基于因果推断的社交网络信息传播历史排序方法 |
US10594642B2 (en) | 2017-01-03 | 2020-03-17 | International Business Machines Corporation | Responding to an electronic message communicated to a large audience |
US10601752B2 (en) | 2017-01-03 | 2020-03-24 | International Business Machines Corporation | Responding to an electronic message communicated to a large audience |
CN107220486B (zh) * | 2017-05-12 | 2021-07-20 | 上海交通大学 | 基于局部影响力计算的影响力阻断最大化方法 |
CN107220486A (zh) * | 2017-05-12 | 2017-09-29 | 上海交通大学 | 基于局部影响力计算的影响力阻断最大化方法 |
CN108197332A (zh) * | 2018-02-13 | 2018-06-22 | 黑龙江大学 | 社会网中基于主题兴趣的影响最大化方法 |
CN108197332B (zh) * | 2018-02-13 | 2021-09-28 | 江苏派智信息科技有限公司 | 社会网中基于主题兴趣的影响最大化方法 |
CN110661696A (zh) * | 2019-08-30 | 2020-01-07 | 浙江工业大学 | 一种基于梯度信息的消息传播控制方法 |
CN111046239A (zh) * | 2019-11-26 | 2020-04-21 | 复旦大学 | 基于邻居节点的社交网络负面消息封锁最大化方法 |
CN111046239B (zh) * | 2019-11-26 | 2023-10-10 | 复旦大学 | 基于邻居节点的社交网络负面消息封锁最大化方法 |
CN111695043A (zh) * | 2020-06-16 | 2020-09-22 | 桂林电子科技大学 | 一种基于地理区域的社交网络阻塞影响最大化方法 |
CN112751911A (zh) * | 2020-12-15 | 2021-05-04 | 北京百度网讯科技有限公司 | 路网数据处理方法、装置、设备以及存储介质 |
CN112751911B (zh) * | 2020-12-15 | 2022-10-21 | 北京百度网讯科技有限公司 | 路网数据处理方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105468681B (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105468681A (zh) | 一种基于话题模型的网络负面信息影响最小化方法 | |
CN108492201B (zh) | 一种基于社区结构的社交网络影响力最大化方法 | |
Kundu et al. | A new centrality measure for influence maximization in social networks | |
CN109598563A (zh) | 刷单检测方法、装置、存储介质和电子设备 | |
Nagaraja | The impact of unlinkability on adversarial community detection: Effects and countermeasures | |
Yang et al. | On approximation of real-world influence spread | |
Chen et al. | Influence maximization on signed social networks with integrated pagerank | |
Wang et al. | Constructing robust community structure against edge-based attacks | |
CN103729467A (zh) | 一种社交网络中的社区结构发现方法 | |
CN105138580B (zh) | 一种基于阻断连边的网络负面信息影响最小化方法 | |
Jiang et al. | A multiagent evolutionary framework based on trust for multiobjective optimization. | |
Fang et al. | Solving maximum weight clique using maximum satisfiability reasoning | |
CN107220486A (zh) | 基于局部影响力计算的影响力阻断最大化方法 | |
Stergiopoulos et al. | Automatic network restructuring and risk mitigation through business process asset dependency analysis | |
Li et al. | Analysis of information diffusion with irrational users: A graphical evolutionary game approach | |
Atkins et al. | The structure of electrical networks: a graph theory based analysis | |
AU2019100347A4 (en) | A method for predicting propagation scale of computer virus under the impact of removable storage media on complex networks | |
Jendoubi et al. | Classification of message spreading in a heterogeneous social network | |
Wang et al. | Enhancing the robustness of complex networks against edge-based-attack cascading failures | |
Lee et al. | Spectral bounds for independent cascade model with sensitive edges | |
Talluri et al. | Influence maximization in social networks: Considering both positive and negative relationships | |
CN104679988A (zh) | 一种基于云topsis的多属性决策方法 | |
Balcan | Learning Submodular Functions with Applications to Multi-Agent Systems. | |
CN105320647A (zh) | 一种基于文字交互行为的用户特征建模方法 | |
Granata et al. | Network interdiction through length-bounded critical disruption paths: a bi-objective approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |