CN106557985B - 一种基于随机游走的社交网络信息传播源求解方法 - Google Patents
一种基于随机游走的社交网络信息传播源求解方法 Download PDFInfo
- Publication number
- CN106557985B CN106557985B CN201611040867.5A CN201611040867A CN106557985B CN 106557985 B CN106557985 B CN 106557985B CN 201611040867 A CN201611040867 A CN 201611040867A CN 106557985 B CN106557985 B CN 106557985B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- infected
- random walk
- social network
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000005295 random walk Methods 0.000 title claims abstract description 54
- 238000002474 experimental method Methods 0.000 claims abstract description 11
- 230000007704 transition Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 208000015181 infectious disease Diseases 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000002787 reinforcement Effects 0.000 abstract 1
- 238000011160 research Methods 0.000 description 3
- 241000700605 Viruses Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
Images
Classifications
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于随机游走的社交网络信息传播源求解方法,通过在社交网络中选取观测节点,观测选取的节点是否被感染,将被感染的观测节点放入观测集,直到得到含有K个已被感染节点的观测集,再从观测集的已被感染节点出发,进行多步基于随机游走的回溯,将所到达的节点放入候选源节点集,这样得到一个节点个数不超过观测节点集中节点个数的候选源点集,重复多次进行这样的回溯,记录各个节点在多次实验中被选入候选源点集的次数,得到被选中概率最高的节点作为源节点求解结果,这样考虑利用增强学习的思想加快算法收敛速度,也保证了求解结果的准确性。
Description
技术领域
本发明属于社交网络技术领域,更为具体地讲,涉及一种基于随机游走的社交网络信息传播源求解方法。
背景技术
随着Internet技术的发展以及微博、微信、Facebook、Twitter和LinkedIn等在线社交网络的普及,社交网络(Social Network)已经成为人与人之间传播信息的重要渠道。社交网络上传播的信息不仅包含有用的和正确的信息,还包含着大量错误的和虚假的甚至是有害的信息,例如谣言信息以及计算机病毒信息等。社交网络中如何尽快发现并有效控制有害信息的传播、求解信息传播的源节点,是信息传播的重要研究问题。这对于谣言信息和计算机病毒等有害信息的有效控制,减少此类信息在社交网络中传播带来的损害具有重要的意义。我们针对如何求解信息传播的源节点,提出利用随机游走的方法,旨在回溯求解最有可能的信息传播源节点。
社交网络中信息传播源的确定问题,是指在某一信息传播模型下,某个信息源开始传播后,通过获取该信息源的传播情况,采用某种方法求解出最有可能的信息传播源节点的问题。这里的传播模型,我们采用经典的独立级联模型,它能较好地反映传播过程的随机性。在独立级联模型的基础上,我们采用随机游走的方法回求解最有可能的信息传播源节点。
薛一波等(<专利CN201510379989.6>,2015)给出了基于社交网络中边的介数的谣言控制方法,该方法需要掌握网络的整体信息并求解边的介数,而现有社交网络中很难获取到整个网络的具体信息。顾亦然等(<物理学报>2012)根据谣言信息传播特征改进了传染病模型,并提出了基于熟人的免疫方法。以上方法给出了控制谣言传播的方法,却无法求解谣言产生的节点。张聿博等(<东北大学学报>2016)给出了基于部分路径求解信息源节点的方法,该方法只能求解路径上单个源节点的情况。黄震华等(<专利CN201510121263.2>,2015)提出一种从源节点出发利用随机游走方法根据用户特征求解推荐用户的方法,利用随机游走的思想寻找相似用户。金弟等(<软件学报>,2012)提出基于随机游走的蚁群算法求解复杂网络中的簇结构问题,同样是利用随机游走的思想求解相似用户。吴春琼等(<计算机应用研究>,2015)采用随机游走方法选取网络中的采样节点,能有效地得到网络的统计特性。张珊靓等(<计算机应用与软件>,2014)提出基于随机游走的社交网络链路预测方法。这些工作都体现出随机游走方法在社交网络采样、链路预测以及相似用户求解等应用中的优势。
在有害信息的传播问题的研究中,除了快速抑制有害信息的传播之外,如何确定有害信息源节点也是亟待解决的问题之一。虽然随机游走方法在解决信息传播问题时具有一定的优势,但信息传播的过程是一个扩散的过程,即一个节点会把信息传递给多个子节点,这给我们描述有害信息的传播过程带来了困难。然而,反向回溯源节点的问题正好可以看作是一个随机游走的过程,我们可采用随机游走的方法反向回溯源节点。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于随机游走的社交网络信息传播源求解方法,基于对传播信息的部分观测结果,利用随机游走回溯的方法,经过多次回溯,逐步精确求解信息的传播源节点。
为实现上述发明目的,本发明基于随机游走的社交网络信息传播源求解方法,其特征在于,包括以下步骤:
(1)、获取观测集
(1.1)、从社交网络中随机选取节点,并观测选取的节点是否感染,若选取的节点已被感染,则将该节点加入到观测集O中;若选取的节点未感染,则丢弃该节点,并随机选取下一节点;
(1.2)、统计观测集O中已感染节点数是否达到K个,若已有K个已感染节点,则停止选取,并进入步骤(2);若未达到K个已感染节点,则返回步骤(1.1);
(2)、基于随机游走的回溯
(2.1)、设置每次游走的最大回溯步数为MaxBS,将观测集O作为候选源节点集S,在S中随机选取个节点作为起始节点,并进行首次游走的首步回溯;
(2.2)、求出候选源节点集S中每一个已感染节点vi的父节点vj,其中,vi∈S,i=1,2,…,K,j=1,2,…,m,m表示已被感染vi的父节点个数;
遍历所有的父节点vj,观测父节点vj是否感染,若某一个父节点vj已被感染,则将vj放入vi已被感染父节点集AFi中,再进入步骤(2.3);若vi已无已被感染父节点,则不做处理,将vi保留在候选源节点集S中作为候选源节点;
(2.3)、设信息传播中父节点vj感染节点vi的感染概率为pji;计算节点vi在随机游走中转移回到自己的概率为:
其中,Ni表示N次实验结果中,节点vi被选为候选源节点的次数;δ为增量参数δ≥0;
(2.4)、令节点vi向已感染父节点vj回溯的转移概率pij等于父节点vj在信息传播时感染节点vi概率pji,即:pij=pji;
对从vi出发,经过首步随机游走能够到达的节点的转移概率进行归一化处理,即:
(2.5)、根据随机游走方法,依转移概率值BtPii及BtPij选取从vi出发回溯到的下一个节点vk;
(2.6)、根据首步游走结果更新候选源节点集
在S中删除游走的出发节点vi,把回溯到的下一个节点vk加入到候选源节点集S;
(2.7)、当首步游走结束后,在S中随机选取下一个节点作为起始节点,并按照步骤(2.2)-(2.6)所述方法进行首次游走的下一步回溯,直到游走的步数达到最大回溯步数MaxBS时,首次游走结束,并进入步骤(2.8);
(2.8)、统计本次游走结束后,保留在候选源节点集S中的各个节点,并对各个节点进行计数,使其计数值加1;
(2.9)、当首次游走结束时,按照步骤(2.1)-(2.8)所述方法重复实验N次;
(3)、求解最有可能的源节点
根据各个节点被选为候选源节点的计数值,得到该节点被选为候选源节点的次数,再挑选次数最高的节点作为最终的源节点。
本发明的发明目的是这样实现的:
本发明基于随机游走的社交网络信息传播源求解方法,通过在社交网络中选取观测节点,观测选取的节点是否被感染,将被感染的观测节点放入观测集,直到得到含有K个已被感染节点的观测集,再从观测集的已被感染节点出发,进行多步基于随机游走的回溯,将所到达的节点放入候选源节点集,这样得到一个节点个数不超过观测节点集中节点个数的候选源点集,重复多次进行这样的回溯,记录各个节点在多次实验中被选入候选源点集的次数,得到被选中概率最高的节点作为源节点求解结果,这样考虑利用增强学习的思想加快算法收敛速度,也保证了求解结果的准确性。
同时,本发明基于随机游走的社交网络信息传播源求解方法还具有以下有益效果:
(1)、考虑了社交网络中信息传播源节点的求解问题,利用随机游走描述回溯源节点过程,更好的描述了节点被激活的实际过程,提供了一种符合实际情形的求解源节点的方法。与公知的信息传播图中源节点求解方法相比,更适用于目前大规模的社交网络,而不需完全了解整个网络的结构特性。
(2)、从观测到的已感染节点出发,利用随机游走的方法反向回溯求解传播源节点,较好地重现了传播的过程,能有效地进行传播源节点的求解;与公知的单个源节点求解方法相比,能适用于多个源节点的求解问题。
(3)、在求解方法中加入增量学习的思想,节点在随机游走过程中回到自己的概率随着多次实验中其被选中次数增加而增大,这使得在求解源节点时,该方法比现有公知方法具有更快的收敛速度。
附图说明
图1是本发明基于随机游走的社交网络信息传播源求解方法流程图;
图2是图1所示步骤2中基于随机游走的回溯流程图;
图3是社交网络的信息传播示例图;
图4是随机游走转移概率的计算示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明基于随机游走的社交网络信息传播源求解方法流程图。
在本实施例中,如图1所示,本发明基于随机游走的社交网络信息传播源求解方法,包括以下步骤:
(1)、获取观测集
(1.1)、从社交网络中随机选取节点,并观测选取的节点是否感染,若选取的节点已被感染,则将该节点加入到观测集O中;若选取的节点未感染,则丢弃该节点,并随机选取下一节点;
在本实施例中,除了随机选取节点的办法外,也利用其他方法进行选取。例如,当已知网络结构时,可选取社交网络中出度较大的节点或者介数较大的节点。
(1.2)、统计观测集O中已感染节点数是否达到K个,若已有K个已感染节点,则停止选取,并进入步骤(2);若未达到K个已感染节点,则返回步骤(1.1);
这样重复随机选取节点进行观测,直到观测集含有K个已感染节点。观测集中节点个数K与网络大小和源节点个数有关,太小或者太大都会使得源节点集的求解结果偏差较大,因此根据实际社交网络规模和信息传播时间确定合适的观测集大小将有利于源节点的求解。在实本实施例中,K的取值为源节点个数的2-5倍时,计算结果较好。
在本实施例中,根据某社交网络平台用户及用户之间的联系得到社交网络,其中社交网络中的节点表示用户,社交网络之间的边表示用户之间的联系。如图3所示,其中,v1、v2、v3、v4、v5、v6、v7、v8、v9和v10分别表示用户1、用户2、用户3、用户4、用户5、用户6、用户7、用户8、用户9和用户10。设有一信息从源节点v3开始传播,经过一段时间后,节点v1、v2、v3、v4、v6和v8被感染。采用随机选取观测节点的方法,观测节点是否被感染,若节点被感染则加入到观测集,假设选取的观测集合需含有2个节点,经过随机选取、观测后,已感染节点v1和v8被放入观测集,即观测集为:O={v1,v8}。
(2)、如图2所示,基于随机游走的回溯的具体流程为:
(2.1)、设置每次游走的最大回溯步数为MaxBS=2,将观测集O作为候选源节点集S,即:S=O={v1,v8};在S中随机选取个节点作为起始节点,并进行首次游走的首步回溯;其中,起始节点满足:起始节点的父节点中至少存在一个父节点已被感染;
(2.2)、求出候选源节点集S中每一个已感染节点vi的父节点vj,其中,vi∈S,i=1,2,…,K,j=1,2,…,m,m表示已被感染vi的父节点个数;
遍历所有的父节点vj,观测父节点vj是否感染,若某一个父节点vj已被感染,则将vj放入vi已被感染父节点集AFi中,再进入步骤(2.3);若vi已无已被感染父节点,则不做处理,将vi保留在候选源节点集S中作为候选源节点;
在本实施例中,从候选源节点集S={v1,v8}中的v1出发,首先求出v1的已感染父节点集合,可知AF1={v3,v6};
(2.3)、设信息传播中父节点vj感染节点vi的感染概率为pji;计算节点vi在随机游走中转移回到自己的概率为:
其中,Ni表示N次实验结果中,节点vi被选为候选源节点的次数;δ为增量参数δ≥0,δ的大小影响到求解方法的收敛速度和准确性;
经过多次实验后,随着节点被选中的次数增多,很小的增量参数δ都可能使得转移pii大于1,即pii>1,而本方法中步骤(2.4)的归一化处理能保证进行随机游走时,各个转移概率都小于1。
(2.4)、令节点vi向已感染父节点vj回溯的转移概率pij等于父节点vj在信息传播时感染节点vi概率pji,即:pij=pji;
对从vi出发,经过首步随机游走能够到达的节点的转移概率进行归一化处理,即:
(2.5)、根据随机游走方法,依转移概率值BtPii及BtPij选取从vi出发回溯到的下一个节点vk;
(2.6)、根据首步游走结果更新候选源节点集
在S中删除游走的出发节点vi,把回溯到的下一个节点vk加入到候选源节点集S;
(2.7)、当首步游走结束后,在S中随机选取下一个节点作为起始节点,并按照步骤(2.2)-(2.6)所述方法进行首次游走的下一步回溯,直到游走的步数达到最大回溯步数MaxBS时,首次游走结束,并进入步骤(2.8);
对从v1出发进行随机游走到达下一可能节点的转移概率进行归一化处理,得到:
各概率值如表1所示,
表1.v1出发的转移概率
依据各转移概率进行随机游走,假设v6被选中,即转移到节点v6。
将v6加入到候选源节点集S,并从S中删除v1,候选源节点集更新为:S={v6,v8}。
从候选源节点集中另一节点v8出发随机游走一步,方法与从v1出发的随机游走相同,如图4(a)和(b)所示,可知从v8出发的转移概率如表2所示,
表2.v8出发的转移概率
假设根据转移概率随机游走到下一节点v6,则候选源节点集S更新为S={v6}。
以上一步更新后的候选源节点集S={v6}中的节点为出发点,继续进行随机游走。
从候选源节点集中节点v6出发随机游走一步,方法与上一步中的随机游走相同,可知从v6出发的转移概率如表3所示,
表3.v6出发的转移概率
假设根据转移概率随机游走到下一节点v3,则候选源节点集S更新为:S={v3}。
经过两步随机游走,从观测节点集O={v1,v8}出发,得到了候选源节点集S={v3}。也就是说,在这次实验中节点v3被选为传播的源节点。于是更新节点的被选中次数,即将N3的值加1。
(2.8)、统计本次游走结束后,保留在候选源节点集S中的各个节点,并对各个节点进行计数,使其计数值加1;
(2.9)、当首次游走结束时,按照步骤(2.1)-(2.8)所述方法重复实验N次;
(3)、求解最有可能的源节点
根据各个节点被选为候选源节点的计数值,得到该节点被选为候选源节点的次数,再挑选次数最高的节点作为最终的源节点。
在经过10次实验后,各节点被选中次数如表4所示,次数最高的节点为v3,N3=6,则v3作为源节点求解结果输出。
表4.10次实验后各节点被选中的次数
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (4)
1.一种基于随机游走的社交网络信息传播源求解方法,其特征在于,包括以下步骤:
(1)、获取观测集
(1.1)、从社交网络中随机选取节点,并观测选取的节点是否感染,若选取的节点已被感染,则将该节点加入到观测集O中;若选取的节点未感染,则丢弃该节点,并随机选取下一节点;
(1.2)、统计观测集O中已感染节点数是否达到K个,若已有K个已感染节点,则停止选取,并进入步骤(2);若未达到K个已感染节点,则返回步骤(1.1);
(2)、基于随机游走的回溯
(2.1)、设置每次游走的最大回溯步数为MaxBS,将观测集O作为候选源节点集S,在S中随机选取一个节点作为起始节点,并进行首次游走的首步回溯;
(2.2)、求出候选源节点集S中每一个已感染节点vi的父节点vj,其中,vi∈S,i=1,2,…,K,j=1,2,…,m,m表示已被感染vi的父节点个数;
遍历所有的父节点vj,观测父节点vj是否感染,若某一个父节点vj已被感染,则将vj放入vi已被感染父节点集AFi中,再进入步骤(2.3);若vi已无已被感染父节点,则不做处理,将vi保留在候选源节点集S中作为候选源节点;
(2.3)、设信息传播中父节点vj感染节点vi的感染概率为pji;计算节点vi在随机游走中转移回到自己的概率为:
其中,Ni表示N次实验结果中,节点vi被选为候选源节点的次数;δ为增量参数δ≥0;
(2.4)、令节点vi向已感染父节点vj回溯的转移概率pij等于父节点vj在信息传播时感染节点vi概率pji,即:pij=pji;
对从vi出发,经过首步随机游走能够到达的节点的转移概率进行归一化处理,即:
(2.5)、根据随机游走方法,依转移概率值BtPii及BtPij选取从vi出发回溯到的下一个节点vk;
(2.6)、根据首步游走结果更新候选源节点集
在S中删除游走的出发节点vi,把回溯到的下一个节点vk加入到候选源节点集S;
(2.7)、当首步游走结束后,在S中随机选取下一个节点作为起始节点,并按照步骤(2.2)-(2.6)所述方法进行首次游走的下一步回溯,直到首次游走的步数达到最大回溯步数MaxBS时,首次游走结束,并进入步骤(2.8);
(2.8)、统计本次游走结束后,保留在候选源节点集S中的各个节点,并对各个节点进行计数,使其计数值加1;
(2.9)、当首次游走结束时,按照步骤(2.1)-(2.8)所述方法重复实验N次;
(3)、求解最有可能的源节点
根据各个节点被选为候选源节点的计数值,得到该节点被选为候选源节点的次数,再挑选次数最高的节点作为最终的源节点。
2.根据权利要求1所述的一种基于随机游走的社交网络信息传播源求解方法,其特征在于,所述的起始节点满足:起始节点的父节点中至少存在一个父节点已被感染。
3.根据权利要求1所述的一种基于随机游走的社交网络信息传播源求解方法,其特征在于,所述步骤(3)中,若节点被选中为候选源节点次数相同,那么则从这些节点中随机选取一节点作为源节点。
4.根据权利要求1所述的一种基于随机游走的社交网络信息传播源求解方法,其特征在于,所述步骤(1.1)中,在社交网络中选取节点的方法还可以为:当已知网络结构时,可选取社交网络中出度较大的节点或者介数较大的节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611040867.5A CN106557985B (zh) | 2016-11-21 | 2016-11-21 | 一种基于随机游走的社交网络信息传播源求解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611040867.5A CN106557985B (zh) | 2016-11-21 | 2016-11-21 | 一种基于随机游走的社交网络信息传播源求解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106557985A CN106557985A (zh) | 2017-04-05 |
CN106557985B true CN106557985B (zh) | 2020-03-24 |
Family
ID=58444951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611040867.5A Expired - Fee Related CN106557985B (zh) | 2016-11-21 | 2016-11-21 | 一种基于随机游走的社交网络信息传播源求解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106557985B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107592232A (zh) * | 2017-10-11 | 2018-01-16 | 中山大学 | 一种低代价传播或监控网络信息的方法 |
CN109002523A (zh) * | 2018-07-12 | 2018-12-14 | 苏州工业职业技术学院 | 基于时间接触网络的被影响节点查询方法 |
CN110362754B (zh) * | 2019-06-11 | 2022-04-29 | 浙江大学 | 基于强化学习的线上社交网络信息源头检测的方法 |
CN112086958B (zh) * | 2020-07-29 | 2022-02-08 | 国家电网公司西南分部 | 一种基于多步回溯强化学习算法的输电网扩展规划方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006132987A1 (en) * | 2005-06-03 | 2006-12-14 | Board Of Trustees Of Michigan State University | Worm propagation modeling in a mobile ad-hoc network |
CN104199884B (zh) * | 2014-08-19 | 2017-09-22 | 东北大学 | 一种基于r覆盖率优先的社交网络观察点选取方法 |
CN105574191B (zh) * | 2015-12-26 | 2018-10-23 | 中国人民解放军信息工程大学 | 在线社会网络多源点信息溯源系统及其方法 |
CN105915399B (zh) * | 2016-06-27 | 2019-02-26 | 华侨大学 | 一种基于反向传播的网络风险源头追溯方法 |
-
2016
- 2016-11-21 CN CN201611040867.5A patent/CN106557985B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN106557985A (zh) | 2017-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106557985B (zh) | 一种基于随机游走的社交网络信息传播源求解方法 | |
WO2021227322A1 (zh) | 一种SDN环境DDoS攻击检测防御方法 | |
Serrano et al. | A novel agent-based rumor spreading model in twitter | |
CN111222029B (zh) | 一种网络舆情信息传播中关键节点选择方法 | |
CN109064348B (zh) | 一种在社交网络中封锁谣言社区并抑制谣言传播的方法 | |
Erlandsson et al. | Crawling online social networks | |
JP6661754B2 (ja) | コンテンツ配信方法および装置 | |
EP2317730A1 (en) | Method and system to automatically change or update the configuration or setting of a communication system | |
Choi et al. | Rumor source detection under querying with untruthful answers | |
CN107566249B (zh) | 一种训练用于预测社交网络用户转发消息的模型的方法 | |
CN110322003B (zh) | 一种用于文档分类的基于梯度的通过添加虚假节点的图对抗样本生成方法 | |
Kumar et al. | Temporally agnostic rumor-source detection | |
WO2020073526A1 (zh) | 基于信任网络的推送方法、装置、计算机设备及存储介质 | |
Mitra et al. | Distributed inference with sparse and quantized communication | |
US10230677B2 (en) | Identifying an entity associated with an online communication | |
CN108965287B (zh) | 一种基于有限临时删边的病毒传播控制方法 | |
Cui et al. | Modeling information diffusion in time-varying community networks | |
Tanaka et al. | Estimation of the percentages of undiagnosed patients of the novel coronavirus (SARS-CoV-2) infection in Hokkaido, Japan by using birth-death process with recursive full tracing | |
Shekokar et al. | Security against sybil attack in social network | |
CN116468569A (zh) | 一种基于群组的针对虚假信息传播的模型构建方法 | |
Lobel et al. | Rate of convergence of learning in social networks | |
Mathur et al. | Dynamic SEIZ in online social networks: epidemiological modeling of untrue information | |
Zwart et al. | Unresolved advantages of multipartitism in spatially structured environments | |
Li et al. | A theory of network security: Principles of natural selection and combinatorics | |
CN116962996B (zh) | 基于粒子群算法的信息传播预测方法、装置和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200324 |