CN108153884B - 一种微博谣言传播的分析方法 - Google Patents
一种微博谣言传播的分析方法 Download PDFInfo
- Publication number
- CN108153884B CN108153884B CN201711436575.8A CN201711436575A CN108153884B CN 108153884 B CN108153884 B CN 108153884B CN 201711436575 A CN201711436575 A CN 201711436575A CN 108153884 B CN108153884 B CN 108153884B
- Authority
- CN
- China
- Prior art keywords
- node
- rumor
- forwarding
- user
- rumors
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000009193 crawling Effects 0.000 claims abstract description 4
- 230000007480 spreading Effects 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 2
- 230000001902 propagating effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 239000000470 constituent Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 description 4
- 208000001613 Gambling Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
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
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种微博谣言传播的分析方法,涉及社会网络建模与分析。构建微博数据信息数据库,爬取微博用户资料和微博数据,并进行系列数据预处理操作;构建博弈论模型;基于博弈论的仿真,分析微博传播;从微博用户的角度出发,考虑用户对谣言的选择策略,构建出基本的博弈模型和责任均分的博弈模型,把博弈模型和微博谣言传播网络结构相结合,以此模拟谣言的传播过程。可以一定程度上模拟出微博谣言的传播情况,其模拟结果受所处网络结构的影响。
Description
技术领域
本发明涉及社会网络建模与分析技术领域,尤其是涉及一种微博谣言传播的分析方法。
背景技术
微博作为当前最为热门的社交网络平台之一,是人们分享和获取信息的重要场所,但在为人们的日常生活提供便利的同时,也成为了众多网络谣言滋生蔓延的温床。借助微博庞大的用户使用群体,谣言的传播速度、波及范围得到了前所未有的提升,给社会的和谐安定造成了严重威胁。研究微博谣言传播问题对于理解、预测和疏导舆情有着重要的理论和现实意义,正日益引起各国政府和社会的广泛关注和重视。
目前,常见的微博谣言传播分析方法都是通过构建微博谣言传播模型实现的。现有的谣言传播模型虽然在一定程度上可以刻画出谣言传播过程中各阶段所呈现的特征,但是由于缺乏完整的谣言传播社会动力学机制分析,受限于简易的参数设定方法([1]郭艳燕,童向荣,等.基于博弈论的网络信息传播模型的研究[J].计算机科学,2014,41(3):238-244),模型中的节点欠缺实际谣言传播过程中个体间所具备的差异性,节点间的作用规则也较为简单,最终导致所构建的模型无法完整、真实地模拟现实世界中微博谣言的传播过程。由此,基于这些模型对微博谣言传播状况进行的分析与真实微博谣言情况仍存在较大差距([2]韩少春,刘云,张彦超,等.基于动态演化博弈论的舆论传播羊群效应[J].系统工程学报,2011,26(2):275-281)。因此,提供一种微博谣言的分析方法具有实际意义。
发明内容
本发明的目的在于提供能够比较完整、真实的模拟现实世界中微博谣言传播过程的一种微博谣言传播的分析方法。
本发明包括以下步骤:
1)构建微博数据信息数据库,爬取微博用户资料和微博数据,并进行系列数据预处理操作;
在步骤1)中,所述系列数据预处理操作可包括分词、去除停止词以及广告链接等步骤,具体步骤如下:
通过编写网络爬虫程序,以对指定网络页面进行解析的方式获得需要的数据,其过程为:以一个经过仔细挑选的种子用户为起始用户,将其加入到待爬取用户队列中,每次从队头选取一个用户,获取其用户资料和发布的微博数据,然后将该用户粉丝和关注用户依次加入至待爬取用户队列尾部,如此循环往复下去,直至爬取到所需要的用户资料和微博数据。
2)构建博弈论模型;
在步骤2)中,所述构建博弈论模型的微博转发博弈形式如下:博弈双方为当前考虑是否转发的用户节点和其未转发该谣言的粉丝节点,其个数为该节点的子节点数;当前用户的转发策略只有两种选择,即转发,不转发;博弈另一方的未转发该谣言的粉丝节点在未来可能没有一个人转发该谣言,也有可能全部转发该谣言,则其选择策略为0个转发,1个转发,……,n个转发,即共n+1种策略,n代表未转发谣言的粉丝个数;假设微博用户转发一条谣言的收益固定为u,而转发该条谣言带来的风险为惩罚项v,为一正太分布,该值表示当前用户对谣言的负面影响的估计;而粉丝节点的收益就是其中可能转发该条微博的粉丝整体的平均收益;假设网络中的所有用户节点为同质节点,即不考虑每个用户节点的自身信息,只关心其在网络结构中所处的位置以及在其中的影响力,博弈化过程具体步骤如下:
(1)、转发谣言的收益定义:
A、当前用户转发谣言时的收益定义为:
C=u-v
其中,u是用户转发谣言的固定收益,v为一服从正太分布的惩罚项。
B、粉丝节点的整体收益为:
其中,v(p)代表第p个粉丝节点的惩罚项,m代表有m个粉丝节点转发谣言。
C、假如当前用户不转发该谣言时,定义则其收益为:
C=0
则此时其粉丝节点就不能通过当前节点转发该谣言,但仍然可能通过其他的传播路径获接触到该谣言,因为本仿真网络只是一个局部的微博关系网,不能覆盖所有的情况;但此时粉丝节点转发谣言的可能性就会降低,相应的其整体收益也会成比例的下降,此时粉丝节点的收益函数为:
其中γ表示其收益下降的比例。
(2)、构建以下基本的谣言转发策略式博弈:
A、U={current(i),fans(i)},博弈的参与者为当前节点和周围邻近节点;
B、S={Sc,Sf},其中Sc代表当前节点转发策略,Sf表示周围邻近节点的策略,即Sc={retweet,Nonretweet},Sf={0,1,...,n},其中n为未转发谣言的粉丝节点个数;
C、G={C,F},收益函数,具体定义如上;
根据博弈模型的组成元素,依次可以获得所有情况的效益矩阵,基本博弈模型的效益矩阵如表1所示(每行表示Sc的策略,每列表示Sf的策略,n为未转发谣言的粉丝节点个数):
表1
3)基于博弈论的仿真,分析微博传播;
基于步骤2)描述的谣言转发策略的博弈模型,模拟谣言从源头开始传播的过程;模拟谣言传播的网络模型是在真实谣言的传播路径基础上构建而来,谣言传播网络有三个不同类型,即三条谣言传播网络;在现实的微博网络中,把其中传播某条谣言的路径和用户称作原谣言传播网络;在仿真网络中,每一个网络不仅包含原本谣言传播网络,还包含许多并没有转发谣言的微博用户节点,相当于构造一个现实网络的局部微博用户关系网;仿真的目的是分析实验中的谣言传播结束时有多少个转发谣言的用户节点,这些用户节点和原本真实谣言传播路径中的节点的异同;
把谣言在网络中的扩散过程看作一个有向图的遍历过程。图的遍历有常见的两种方式,即深度优先传播方法和广度优先传播方法;一条谣言可以看作是分层扩散,即先传播到源节点的粉丝节点,再扩散到这些节点的粉丝节点,这样层层扩散至全网络,这就相当于广度优先的方式。另一种情况是谣言可能在单条路径上优先传播,然后再扩散至周围邻近的用户节点,这就相当于深度优先扩散方式,仿真按照这两种传播方式分别模拟谣言在网络中的传播;
具体的算法描述如下:
(1)广度优先的传播算法:
1.初始化队列Q,并把谣言源头节点source的粉丝节点加入到队列Q中去;
2.while(队列Q非空):
3.V=队列Q的队头元素出队;
4.visited[v]=true;
5.if(v节点存在转发谣言的关注人):
6.转发策略=v节点的纳什均衡计算;
7.if(转发策略==true):
8.v节点加入到转发节点集合中;
9.if(v节点不存在转发谣言的关注人):
10.概率P=0到1的随机数;
11.if(p>=0.5):
12.转发策略=v节点的纳什均衡计算;
13.if(转发策略==true):
14.v节点加入到转发节点集合中;
15.if(当前节点v有粉丝节点):
16.V的粉丝节点加入到Q的队尾;
(2)深度优先算的传播算法:
1.函数DFS(当前访问节点v):
2.if(v节点不是源头节点)
3.if(v节点存在转发谣言的关注人):
4.转发策略=v节点的纳什均衡计算;
5.if(转发策略==true):
6.节点v加入到转发谣言节点集合中;
7.if(v节点不存在转发谣言的关注人):
8.概率P=0到1的随机数;
9.If(p>=0.5):
10.转发策略=v节点的纳什均衡计算;
11.if(转发策略==true):
12.v节点加入到转发节点集合中;
13.if(v节点存在粉丝节点):
14.for fans_i in粉丝节点集合fans:
15.DFS(fans_i)。
本发明从微博用户的角度出发,考虑用户对谣言的选择策略,构建出基本的博弈模型和责任均分的博弈模型,把博弈模型和微博谣言传播网络结构相结合,以此模拟谣言的传播过程。本发明可以一定程度上模拟出微博谣言的传播情况,其模拟结果受所处网络结构的影响。
附图说明
图1为微博谣言传播示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施实例,对本发明进行详细的说明。应当说明的是,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例:采用微软Windows 7操作系统的PC机作为终端设备,以Pycharm 5.0.3作为开发平台,选取HeidiSql作为后台数据库,利用python语言编程,实现了微博谣言传播状况分析功能。
图1为基于谣言传播分析系统结构示意图,具体实施按照如下步骤:
步骤1,构建微博数据信息数据库,爬取微博用户资料和微博数据,并进行系列数据预处理操作。
步骤2,构建博弈论模型,包括转发谣言的收益定义和构建基本的谣言转发策略式博弈。
步骤3,基于博弈论的仿真,分析微博传播。使用的是三条谣言的微博传播网络。在这三个不同的微博网络之上,仿真谣言从源头扩散至整个网络的过程。使用基本的谣言转发博弈模型进行模拟,并运用深度传播方式和广度传播方式进行对比和分析。博弈函数中的固定收益u=10,α=0.4,β=0.6,γ=0.5,损失项v服从正太分布(0,200)。本仿真过程是通过还原度来评判模拟结果的好坏。还原度是指谣言传播模拟实验结果中有多少个节点属于原本的真实谣言传播节点。
基本的谣言传播博弈模拟结果参见表2。
表2
仿真使用基本的谣言传播博弈模型来模拟谣言的传播结果和影响。基于以上三条真实谣言的传播路径构建仿真网络,仿真网络中包含原本微博网络中转发谣言的和没有转发谣言的用户。基本的博弈模型对三条谣言原本的谣言传播路径上的节点都有不同程度的还原;其中谣言2,3的还原度较高,谣言1的还原度最低。谣言1的广度模拟传播方式还原度为18%,深度模拟传播方式还原度为17%。谣言2在广度传播时还原度为23%,在深度传播时还原度为24%。谣言3在广度传播时的还原度为22%,在深度传播时还原度为23%。在我们的分析网络中,谣言1的网络规模达到37516个节点,其中只有1803个节点属于原本的谣言传播路径。谣言2的网络结构和原本谣言传播网络的结构非常接近,谣言3的仿真网络规模和原本的谣言传播节点差别不是特别大。说明在谣言传播模型中,谣言传播的影响范围和数量与谣言所处的网络结构相关,不同的网络结构会造成不同的传播效应。
广度优先的传播方式和深度优先的传播方式最终模拟结果并没有太大的差别。这说明在仿真的谣言传播模型中节点传播的先后顺序对最终谣言的数量和范围没有影响。
博弈模型中,可以模拟出用户在面对谣言时的心态和选择策略。在这种情况下,该模型可以表现出微博用户对待谣言的态度和选择策略会受用户自身所处的环境相关。
Claims (1)
1.一种微博谣言传播的分析方法,其特征在于包括以下步骤:
1)构建微博数据信息数据库,爬取微博用户资料和微博数据,并进行系列数据预处理操作;
所述系列数据预处理操作包括分词、去除停止词以及广告链接步骤,具体步骤如下:
通过编写网络爬虫程序,以对指定网络页面进行解析的方式获得需要的数据,其过程为:以一个经过仔细挑选的种子用户为起始用户,将其加入到待爬取用户队列中,每次从队头选取一个用户,获取其用户资料和发布的微博数据,然后将该用户粉丝和关注用户依次加入至待爬取用户队列尾部,如此循环往复下去,直至爬取到所需要的用户资料和微博数据;
2)构建博弈论模型,所述构建博弈论模型的微博转发博弈形式如下:博弈双方为当前考虑是否转发的用户节点和其未转发该谣言的粉丝节点,其个数为该节点的子节点数;当前用户的转发策略只有两种选择,即转发,不转发;博弈另一方的未转发该谣言的粉丝节点在未来可能没有一个人转发该谣言,也有可能全部转发该谣言,则其选择策略为0个转发,1个转发,……,n个转发,即共n+1种策略,n代表未转发谣言的粉丝个数;假设微博用户转发一条谣言的收益固定为u,而转发该条谣言带来的风险为惩罚项v,为一正太分布,该值表示当前用户对谣言的负面影响的估计;而粉丝节点的收益就是其中可能转发该条微博的粉丝整体的平均收益;假设网络中的所有用户节点为同质节点,即不考虑每个用户节点的自身信息,只关心其在网络结构中所处的位置以及在其中的影响力,博弈化过程具体步骤如下:
(1)、转发谣言的收益定义:
A、当前用户转发谣言时的收益定义为:
C=u-v
其中,u是用户转发谣言的固定收益,v为一服从正太分布的惩罚项;
B、粉丝节点的整体收益为:
其中,v(p)代表第p个粉丝节点的惩罚项,m代表有m个粉丝节点转发谣言;
C、假如当前用户不转发该谣言时,定义则其收益为:
C=0
则此时其粉丝节点就不能通过当前节点转发该谣言,但仍然可能通过其他的传播路径获接触到该谣言,因为本仿真网络只是一个局部的微博关系网,不能覆盖所有的情况;但此时粉丝节点转发谣言的可能性就会降低,相应的其整体收益也会成比例的下降,此时粉丝节点的收益函数为:
其中γ表示其收益下降的比例;
(2)、构建以下基本的谣言转发策略式博弈:
A、U={current(i),fans(i)},博弈的参与者为当前节点和周围邻近节点;
B、S={Sc,Sf},其中Sc代表当前节点转发策略,Sf表示周围邻近节点的策略,即Sc={retweet,Nonretweet},Sf={0,1,...,n},其中n为未转发谣言的粉丝节点个数;
C、G={C,F},收益函数,具体定义如上;
根据博弈模型的组成元素,依次获得所有情况的效益矩阵;
3)基于博弈论的仿真,分析微博传播,具体方法为:
基于步骤2)描述的谣言转发策略的博弈模型,模拟谣言从源头开始传播的过程;模拟谣言传播的网络模型是在真实谣言的传播路径基础上构建而来,谣言传播网络有三个不同类型,即三条谣言传播网络;在现实的微博网络中,把其中传播某条谣言的路径和用户称作原谣言传播网络;在仿真网络中,每一个网络不仅包含原本谣言传播网络,还包含许多并没有转发谣言的微博用户节点,相当于构造一个现实网络的局部微博用户关系网;仿真的目的是分析实验中的谣言传播结束时有多少个转发谣言的用户节点,这些用户节点和原本真实谣言传播路径中的节点的异同;
把谣言在网络中的扩散过程看作一个有向图的遍历过程,图的遍历有常见的两种方式,即深度优先传播方法和广度优先传播方法;一条谣言看作是分层扩散,即先传播到源节点的粉丝节点,再扩散到这些节点的粉丝节点,这样层层扩散至全网络,这就相当于广度优先的方式;另一种情况是谣言可能在单条路径上优先传播,然后再扩散至周围邻近的用户节点,这就相当于深度优先扩散方式,仿真按照这两种传播方式分别模拟谣言在网络中的传播;
具体的算法描述如下:
(1)广度优先的传播算法:
1).初始化队列Q,并把谣言源头节点source的粉丝节点加入到队列Q中去;
2).while队列Q非空;
3).V=队列Q的队头元素出队;
4).visited[v]=true;
5).if v节点存在转发谣言的关注人;
6).转发策略=v节点的纳什均衡计算;
7).if转发策略==true;
8).v节点加入到转发节点集合中;
9).if v节点不存在转发谣言的关注人;
10).概率P=0到1的随机数;
11).if p>=0.5;
12).转发策略=v节点的纳什均衡计算;
13).if转发策略==true;
14).v节点加入到转发节点集合中;
15).if当前节点v有粉丝节点:
16).V的粉丝节点加入到Q的队尾;
(2)深度优先算的传播算法:
1).函数DFS:当前访问节点v;
2).if v节点不是源头节点;
3).if v节点存在转发谣言的关注人;
4).转发策略=v节点的纳什均衡计算;
5).if转发策略==true;
6).节点v加入到转发谣言节点集合中;
7).if v节点不存在转发谣言的关注人;
8).概率P=0到1的随机数;
9).If p>=0.5;
10).转发策略=v节点的纳什均衡计算;
11).if转发策略==true;
12).v节点加入到转发节点集合中;
13).if v节点存在粉丝节点;
14).for fans_iin粉丝节点集合fans:
15).DFS fans_i。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711436575.8A CN108153884B (zh) | 2017-12-26 | 2017-12-26 | 一种微博谣言传播的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711436575.8A CN108153884B (zh) | 2017-12-26 | 2017-12-26 | 一种微博谣言传播的分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108153884A CN108153884A (zh) | 2018-06-12 |
CN108153884B true CN108153884B (zh) | 2020-11-10 |
Family
ID=62463197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711436575.8A Active CN108153884B (zh) | 2017-12-26 | 2017-12-26 | 一种微博谣言传播的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108153884B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059240A (zh) * | 2019-03-20 | 2019-07-26 | 重庆邮电大学 | 一种基于影响等级的网络用户责任指数计算方法 |
CN110807556B (zh) * | 2019-11-05 | 2022-05-31 | 重庆邮电大学 | 对微博谣言或/和辟谣话题传播趋势的预测方法及装置 |
CN110851736B (zh) * | 2019-11-11 | 2022-07-01 | 重庆邮电大学 | 一种基于三方动态博弈的谣言传播控制方法 |
CN112269945B (zh) * | 2020-11-03 | 2022-10-18 | 重庆邮电大学 | 基于谣言辟谣促谣和三方认知博弈的信息传播预测方法 |
CN112464082B (zh) * | 2020-11-05 | 2022-06-28 | 重庆邮电大学 | 基于稀疏表示和张量补全的谣言-辟谣博弈传播控制方法 |
CN112819645B (zh) * | 2021-03-23 | 2024-03-29 | 大连民族大学 | 基于模体度的社交网络虚假信息传播检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701100A (zh) * | 2014-11-26 | 2016-06-22 | 上海高研明鉴信息技术有限公司 | 互联网信息转发过程自动记录方法、装置及系统 |
CN106126700A (zh) * | 2016-07-01 | 2016-11-16 | 复旦大学 | 一种微博谣言传播的分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170357724A1 (en) * | 2016-06-14 | 2017-12-14 | International Business Machines Corporation | Model independent and network structure driven ranking of nodes for limiting the spread of misinformation through location based social networks |
-
2017
- 2017-12-26 CN CN201711436575.8A patent/CN108153884B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701100A (zh) * | 2014-11-26 | 2016-06-22 | 上海高研明鉴信息技术有限公司 | 互联网信息转发过程自动记录方法、装置及系统 |
CN106126700A (zh) * | 2016-07-01 | 2016-11-16 | 复旦大学 | 一种微博谣言传播的分析方法 |
Non-Patent Citations (1)
Title |
---|
基于博弈论的网络信息传播模型的研究;郭艳燕等;《计算机科学》;20140331;第41卷(第3期);第239页第1段,第240页第5段,第241页第6-12段,表2 * |
Also Published As
Publication number | Publication date |
---|---|
CN108153884A (zh) | 2018-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108153884B (zh) | 一种微博谣言传播的分析方法 | |
Jiang et al. | Graphical evolutionary game for information diffusion over social networks | |
Sen et al. | Sociophysics: an introduction | |
CN106126700B (zh) | 一种微博谣言传播的分析方法 | |
Li et al. | Bayesian regularized quantile regression | |
Neuman et al. | Structure and bias in the network autocorrelation model | |
Wang et al. | Statistical power of the social network autocorrelation model | |
Fink et al. | Investigating the observability of complex contagion in empirical social networks | |
Yin et al. | Quantify the role of superspreaders-opinion leaders-on COVID-19 information propagation in the Chinese Sina-microblog | |
Jiang et al. | A new approach to detecting and designing living structure of urban environments | |
CN113254719B (zh) | 一种基于地位理论的在线社交网络信息传播方法 | |
Kumar et al. | Information diffusion model for spread of misinformation in online social networks | |
Banks et al. | Statistical challenges in agent-based modeling | |
Barbosa Filho et al. | Migration and social networks—an explanatory multi-evolutionary agent-based model | |
Chen | An agent-based model for information diffusion over online social networks | |
Landis et al. | Integration of chlorpyrifos acetylcholinesterase inhibition, water temperature, and dissolved oxygen concentration into a regional scale multiple stressor risk assessment estimating risk to Chinook salmon | |
Turok et al. | The role of informal urban settlements in upward mobility | |
Malekzadeh et al. | Social balance and signed network formation games | |
Zhang et al. | Research on the information dissemination mechanisms of weibo in scale-free networks | |
CN110245133B (zh) | 基于集体注意力流网络的在线学习课程分析方法 | |
Wang et al. | Rumor dynamic model considering intentional spreaders in social network | |
Yu et al. | Prediction of users retweet times in social network | |
CN115422738A (zh) | 自媒体消息传播仿真模型的建模方法、仿真方法及系统 | |
Wu et al. | Strategies for reducing polarization in social networks | |
Koncar et al. | Exploring the impact of trolls on activity dynamics in real-world collaboration networks |
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 |