CN108334953B - 一种基于权重更新的社交网络信任度学习方法 - Google Patents

Abstract

一种基于权重更新的社交网络信任度学习方法，包括以下步骤：S1：导入网络；S2：选取智慧节点，假设整个网络有且仅有1个智慧节点；S3：初始化权重，在网络中每条有向连边权重都分配一个固定常数；S4：通过基于级联信息传播的学习方法，不断更新权重，使权重达到平稳状态；S5计算网络信息过滤能力指标。本发明提供一种基于权重更新的社交网络信任度学习方法，能够模拟人与人之间的信任度随着时间的推移而发生的变化。通过特定的学习方法使得已具有信息过滤能力的原始网络权重达到平稳状态，变得更加智能。

Description

一种基于权重更新的社交网络信任度学习方法

技术领域

本发明涉及网络信息传播领域，特别是涉及一种基于权重更新的社交网络信任度学习方法。

背景技术

随着计算机通信技术和web 2.0的快速发展，人们的交互方式与传统的交流方式相比发生了重大的变化。在传统社会中人们的信息交流受到时间和空间等诸多因素的限制，而在线社交网络的出现，提供给人们的是一种只需借助计算机和网络就能够无限制交互的虚拟社会平台。用户不仅是信息的接收者，同时也是信息的生产者和传播者。社交媒体的出现，也改变了传统的信息扩散方式，人们通过社交网络交换信息的同时，也建立起一个庞大的人际传播信息网络。信息传播途径的改变，也对个体信息传播行为带来了变革。而作为一种典型的社会现象，真假消息在现代社会不仅没有消失，而且伴随着信息技术的发展其传播手段、传播途径等愈发得多样化。在突发事件乃至各种危机中，假消息的危害不可低估。因此，对真假消息传播的机理进行研究非常重要。

网络中的不同节点和链接在信息传播中扮演着不同的角色。研究人员在几个真实的复杂网络中信息传播应用了SIR模型和SIS模型(参考文献[1]:R.Pastor-Satorras,C.Castellano,P.Van Mieghem,and A.Vespignani,“Epidemic processes in complexnetworks,”Reviews of modern physics,vol.87,no.3,p.925,2015.即R.Pastor-Satorras,C.Castellano等，复杂网络中传染病过程)，另外发现最有效的传播者是由k-shell分解分析确定的网络核心内的传播者(参考文献[2]:S.Carmi,S.Havlin,S.Kirkpatrick,Y.Shavitt,and E.Shir,“A model of internet topology using k-shell decomposition,”Proceedings of the National Academy of Sciences,vol.104,no.27,pp.11 150–11 154,2007.即S.Carmi,S.Havlin等，一种基于k-shell分解的网络拓扑模型)。并且还发现，当同时考虑多个传播者时，它们之间的距离成为决定传播范围的关键参数。有研究者(参考文献[3]:E.Bakshy,I.Rosenn,C.Marlow,and L.Adamic,“The roleof social networks in information diffusion,”in Proceedings of the 21^stinternational conference on World Wide Web.ACM,2012,pp.519-528.即E.Bakshy,I.Rosenn,C.Marlow,and L.Adamic，社交网络在信息传播中的作用)通过在Facebook上设计实验，研究了信息传播中强、弱链接的作用，表明更强的链接更有影响力，而更大的薄弱环节则负责新信息的传播。这些作品大多只关注节点或链接之间的结构差异，然后研究它们对信息扩散的影响，但很大程度上忽略了社会个体之间的本质区别，例如，有些人可能比其他人更聪明，能够区分谣言方面。并且在真正的社交网络中，人与人之间的信任可能随着时间的推移而发生变化。假如一个人从朋友那里发现了一条信息。假设这个人最终可以被告知这个消息是真还是假，如果消息是真实的，那么他/她会增加对于这位朋友的信任度，如果消息是假的，他/她减小对于这位朋友的信任度。在本研究中，我们希望通过在社交网络中通过权重更新的方法来模拟这种奖励和惩罚方法。

发明内容

为了克服现有的网络信息传播方式的无学习方法去模拟社交网络中人与人之间信任度的变化，本发明提出一种基于权重更新的社交网络信任度学习方法，使已具有信息过滤能力的网络通过这种学习方法训练之后变得更加智能，即具有更强的信息过滤能力。

本发明解决其技术问题所采用的技术方案如下：

一种基于权重更新的社交网络信任度学习方法，所述方法包括如下步骤：

S1：导入网络集合G＝(V,E,W)，其节点集和连边集分别为V＝{v₁,v₂,...,v_n}和

权重集合W，节点总数N；

S2：选取智慧节点；对网络节点进行标号，设定标号为1的节点为智慧节点，为了研究这种学习方法的训练过程，假设整个网络有且仅有1个智慧节点；

S3：初始化权重；在网络中每条有向连边从v_j指向v_k的权重都分配一个固定常数0.5，即，w_jk＝0.5，权重w_jk表示v_k对v_j的信任度；

S4：基于级联信息传播的学习方法；随机选择一个网络中的节点v_j，作为信息传播的源节点，如果源节点v_j为智慧节点，只发布真消息；如果源节点v_j为普通节点，以同等概率发布消息或假消息；当一个节点v_k观察到来自它的邻居节点的消息时，它将首先随机选取其中一个相邻的邻居节点，表示为v_j，然后级联信息传播模型如下：

如果v_k是一个智慧节点，如果这是真消息，它将该消息转发的概率p＝η，否则拒绝发布。

如果v_k是一个普通节点，它将该消息转发的概率p＝η·w_jk，不管它是真的还是假的，0≤η≤1是自然转发率；

在信息传播过程中，每次迭代t，如果v_k观察到的是真消息，根据以下公式(1)更新权重：

在信息传播过程中，每次迭代t，如果v_k观察到的是假消息，根据以下公式(2)更新权重：

其中，Δ＝0.001为更新参数，并且防止产生信息传播阻隔；

每一个节点只有一次机会传播，传播不成功则不再继续传播，当网络中能够看到信息的节点，已经全部被转发询问后停止，记为1次传播过程；设定循环次数M，即重复M次传播过程，权重更新达到平稳状态；

S5：计算网络信息过滤能力指标；经过学习方法训练之后，固定更新后的权重，计算传递真实消息和错误消息的节点的数量，分别由N_T和N_F表示，然后，我们定义了真消息传输能力TTA和假消息传输能力FTA，如下：

在此基础上，进一步定义一个社交网络的信息过滤能力IFA，如下：

比较训练前后网络的IFA的变化以及网络结构对IFA的影响。

进一步，所述步骤S4中的信息级联模型，网络中已经转发信息的节点集合记为V_reached，初始时只包含信息源节点；节点的邻居节点如果属于V_reached，并且未进行转发询问，这些节点记为V_noworked；节点的邻居节点如果属于V_reached，并且已经进行转发询问，这些节点记为V_worked；当某个节点k的邻居节点转发信息后，那么该节点就可以看到信息，同时节点k将以概率p转发该信息；设定总循环次数M；过程如下：

4.1)随机选择一个网络中的节点，作为信息传播的源节点，如果源节点j为智慧节点，只发布真消息；如果源节点j为普通节点，产生[0,1]的随机小数q，q≤0.5发布真消息，q＞0.5发布假消息；

4.2)对选择任意一个V_noworked中的节点k，根据网络信息传播模型，产生[0,1]的随机小数p按如果节点k是一个智慧节点，如果这是真消息，并且p≤η，它将该消息转发的概率，否则拒绝发布；如果节点k是一个普通节点，并且p≤η·w_jk它将该消息转发的概率，不管它是真的还是假的；0≤η≤1是自然转发率；

4.3)4.2)中，如果节点k转发了，将节点k的邻居节点中添加到V_noworked中，再将节点k移除出V_noworked，加入到V_reached；如果节点k不进行转发，节点k进入V_worked；如果节点k观察到的是真消息，不管有没有转发，如果w_jk≤1-Δ，那么更新权重w_jk＝w_jk+Δ，如果w_jk＞1-Δ，那么更新权重w_jk＝1；如果节点k观察到的是假消息，不管有没有转发，如果w_jk≥Δ，那么更新权重w_jk＝w_jk-Δ，如果w_jk＜Δ，那么更新权重w_jk＝Δ；

4.4)当V_noworked中不再有节点时，当前循环停止，表示此时所有看到信息的节点都已经经过处理；V_reached即表示传播到的节点集合；

4.5)不断重复步骤4.1)-4.4)，直到达到总循环次数M，学习方法停止，得到更新后的权重集合W；

4.6)改变网络结构和节点数量N，重复步骤S2-步骤4.5)。

再进一步，所述步骤S5中，计算传递真假消息的节点的数量也是通过信息级联模型统计，略去步骤S4中权重更新的部分，遍历整个网络中所有节点作为源节点发布真假消息，即每次统计集合V_reached中节点数量，最后根据公式(3)(4)(5)计算网络的信息过滤能力。

本发明的技术构思为：本发明受到以往谣言传播模型的推动，旨在解决以下两方面问题：(1)提出基于权重更新的社交网络信任度学习方法，用于模拟人与人之间的信任度随着时间的推移而发生的变化。(2)通过特定的学习方法使得已具有信息过滤能力的原始网络权重达到平稳状态，变得更加智能。

与传统的信息级联模型不同的是，这里认为信息只存在两种状态：真消息、假消息。我们提出了信息传播模型：认为网络中的智慧节点具有一定的能力来分辨出这两种不同的信息，智慧节点能够按照某种模式来传播真消息，而阻止假消息。同时，我们提出了一种基于权重更新的社交网络信任度学习方法，用于模拟人与人之间的信任度随着时间的推移而发生的变化；并与仿真实验结合，该模型能帮助研究人员更好地了解网络中的信息传播过程，以及智慧节点的作用。

本发明的有益效果为：基于信息级联模型的信息传播方法，解释了智慧节点在网络对于区分真假消息的方法；同时，我们提出的一种基于权重更新的社交网络信任度学习方法，通过在社交网络中通过权重更新的方法来模拟信任度变化的情况，使已具有信息过滤能力的网络通过这种学习方法训练之后权重达到平稳状态，变得更加智能，即具有更强的信息过滤能力。

附图说明

图1为本发明一种基于权重更新的社交网络信任度学习方法的算法流程图。

图2为本发明在链形网络训练前不同η值，不同N值的信息过滤能力变化图。

图3为本发明在链形网络训练后不同η值，不同N值的信息过滤能力变化图。

图4为本发明在链形网络训练前后IFA差值图。

图5为本发明在星形网络训练前不同η值，不同N值的信息过滤能力变化图。

图6为本发明在星形网络训练后不同η值，不同N值的信息过滤能力变化图。

图7为本发明在星形网络训练前后IFA差值图。

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细的描述。

参照图1～图7，一种基于权重更新的社交网络信任度学习方法，本发明选取两种不同结构网络链形网络和星形网络作为实验网络。上述网络结构简单，但具有代表性更能够帮助研究人员更好地了解智慧节点的作用，以及理解基于权重更新的社交网络信任度学习方法。设定链形网络节点数N_chain＝[2,3,4,5,6,7,8,9,10,11]，循环次数M_chain＝400000；星形网络节点数N_star＝[10,20,30,40,50,60,70,80,90,100]，循环次数M_star＝2000；传播概率η＝[0.3,0.5，0.7,0.9]。

本实施例中，一种基于权重更新的社交网络信任度学习方法，其具体步骤为：

S1：导入网络集合G＝(V,E,W)，其节点集和连边集分别为V＝{v₁,v₂,...,v_n}和

节点总数N；

S2：选取智慧节点；对网络节点进行标号，设定标号为1的节点为智慧节点，为了研究这种学习方法的训练过程，假设整个网络有且仅有1个智慧节点；

S3：初始化权重；在网络中每条有向连边从v_j指向v_k的权重都分配一个固定常数0.5，即，w_jk＝0.5。权重w_jk表示v_k对v_j的信任度；

S4：基于级联信息传播的学习方法；随机选择一个网络中的节点v_j，作为信息传播的源节点，如果源节点v_j为智慧节点，只发布真消息；如果源节点v_j为普通节点，以同等概率发布消息或假消息；当一个节点v_k观察到来自它的邻居节点的消息时，它将首先随机选取其中一个相邻的邻居节点，表示为v_j，然后级联信息传播模型如下：

如果v_k是一个智慧节点，如果这是真消息，它将该消息转发的概率p＝η，否则拒绝发布。

如果v_k是一个普通节点，它将该消息转发的概率p＝η·w_jk，不管它是真的还是假的。0≤η≤1是自然转发率。

在信息传播过程中，每次迭代t，如果v_k观察到的是真消息，根据以下公式(1)更新权重：

在信息传播过程中，每次迭代t，如果v_k观察到的是假消息，根据以下公式(2)更新权重：

其中，Δ＝0.001为更新参数，并且防止产生信息传播阻隔；

每一个节点只有一次机会传播，传播不成功则不再继续传播，当网络中能够看到信息的节点，已经全部被转发询问后停止，记为1次传播过程。设定循环次数M，即重复M次传播过程，更新权重达到平稳状态；

S5：计算网络信息过滤能力指标；经过学习方法训练之后，固定更新后的权重，我们可以计算传递真实消息和错误消息的节点的数量，分别由N_T和N_F表示；然后，定义真正的消息传输能力TTA和假消息传输能力FTA，如下：

在此基础上，进一步定义一个社交网络的信息过滤能力IFA，如下：

比较训练前后网络的IFA的变化以及网络结构对IFA的影响。

进一步，所述步骤S4中的信息级联模型，网络中已经转发信息的节点集合记为V_reached，初始时只包含信息源节点；节点的邻居节点如果属于V_reached，并且未进行转发询问，这些节点记为V_noworked；节点的邻居节点如果属于V_reached，并且已经进行转发询问，这些节点记为V_worked；当某个节点k的邻居节点转发信息后，那么该节点就可以看到信息，同时节点k将以概率p转发该信息；设定总循环次数M；过程如下：

4.1)随机选择一个网络中的节点，作为信息传播的源节点，如果源节点j为智慧节点，只发布真消息；如果源节点j为普通节点，产生[0,1]的随机小数q，q≤0.5发布真消息，q＞0.5发布假消息；

4.2)对选择任意一个V_noworked中的节点k，根据网络信息传播模型，产生[0,1]的随机小数p按如果节点k是一个智慧节点，如果这是真消息，并且p≤η，它将该消息转发的概率，否则拒绝发布。如果节点k是一个普通节点，并且p≤η·w_jk它将该消息转发的概率，不管它是真的还是假的；0≤η≤1是自然转发率；

4.3)4.2)中，如果节点k转发了，将节点k的邻居节点中添加到V_noworked中，再将节点k移除出V_noworked，加入到V_reached；如果节点k不进行转发，节点k进入V_worked；如果节点k观察到的是真消息(不管有没有转发)，如果w_jk≤1-Δ，那么更新权重w_jk＝w_jk+Δ，如果w_jk＞1-Δ，那么更新权重w_jk＝1；如果节点k观察到的是假消息(不管有没有转发)，如果w_jk≥Δ，那么更新权重w_jk＝w_jk-Δ，如果w_jk＜Δ，那么更新权重w_jk＝Δ；

4.4)当V_noworked中不再有节点时，当前循环停止，表示此时所有看到信息的节点都已经经过处理；V_reached即表示传播到的节点集合；

4.5)不断重复步骤4.1)-4.4)，直到达到总循环次数M，学习方法停止，得到更新后的权重集合W；

4.6)改变网络结构和节点数量N，重复步骤S2-步骤4.5)。

另外，所述步骤S5中，计算传递真假消息的节点的数量也是通过信息级联模型统计，略去步骤S4中权重更新的部分，遍历整个网络中所有节点作为源节点发布真假消息，即每次统计集合V_reached中节点数量，最后根据公式(3)(4)(5)计算网络的信息过滤能力

图2，3表示链形网络中在训练前后不同节点数量和不同传播概率下IFA的变化曲线，图4表示链形网络在训练前后IFA的差值；图5，6表示星形网络中在训练前后不同节点数量和不同传播概率下IFA的变化曲线，图7表示星形网络在训练前后IFA的差值。由图2，3和图5，6比较可得，链形网络的信息过滤能力随着节点数N增加而减弱，而星形网络的信息过滤能力随着节点数N增加而增强。图4，7表明，我们的基于权重更新的社交网络信任度学习方法，能够普遍使网络变得更加智能，即使得网络的信息过滤能力增强。

如上所述为本发明在链形网络和星形网络上的实施例介绍，基于信息级联模型的信息传播方法，解释了智慧节点在网络对于区分真假消息的方法；同时，我们提出的一种基于权重更新的社交网络信任度学习方法，通过在社交网络中通过权重更新的方法来模拟信任度变化的情况，使已具有信息过滤能力的网络通过这种学习方法训练之后权重达到平稳状态，网络变得更加智能，即具有更强的信息过滤能力。对发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。

Claims (3)

1.一种基于权重更新的社交网络信任度学习方法，其特征在于，所述方法包括如下步骤：

S1：导入网络集合G＝(V,E,W)，其节点集和连边集分别为V＝{v₁,v₂,...,v_n}和

节点总数N；W为权重集合；

S2：选取智慧节点；对网络节点进行标号，设定标号为1的节点为智慧节点，为了研究这种学习方法的训练过程，假设整个网络有且仅有1个智慧节点；

S3：初始化权重；在网络中每条有向连边从v_j指向v_k的权重都分配一个固定常数0.5，即，w_jk＝0.5，权重w_jk表示v_k对v_j的信任度；

S4：基于级联信息传播的学习方法；随机选择一个网络中的节点v_j，作为信息传播的源节点，如果源节点v_j为智慧节点，只发布真消息；如果源节点v_j为普通节点，以同等概率发布消息或假消息；当一个节点v_k观察到来自它的邻居节点的消息时，它将首先随机选取其中一个相邻的邻居节点，表示为v_j，然后级联信息传播模型如下：

如果v_k是一个智慧节点，如果这是真消息，它将该消息转发的概率p＝η，否则拒绝发布；

如果v_k是一个普通节点，它将该消息转发的概率p＝η·w_jk，不管它是真的还是假的，0≤η≤1是自然转发率；

在信息传播过程中，每次迭代t，如果v_k观察到的是真消息，根据以下公式(1)更新权重：

在信息传播过程中，每次迭代t，如果v_k观察到的是假消息，根据以下公式(2)更新权重：

其中，Δ＝0.001为更新参数，并且防止产生信息传播阻隔；

每一个节点只有一次机会传播，传播不成功则不再继续传播，当网络中能够看到信息的节点，已经全部被转发询问后停止，记为1次传播过程；设定循环次数M，即重复M次传播过程，权重更新达到平稳状态；

S5：计算网络信息过滤能力指标；经过学习方法训练之后，固定更新后的权重，计算传递真实消息和错误消息的节点的数量，分别由N_T和N_F表示；然后，定义真正的消息传输能力TTA和假消息传输能力FTA，如下：

在此基础上，进一步定义一个社交网络的信息过滤能力IFA，如下：

比较训练前后网络的IFA的变化以及网络结构对IFA的影响。

2.如权利要求1所述的一种基于权重更新的社交网络信任度学习方法，其特征在于，所述步骤S4中的信息级联模型，网络中已经转发信息的节点集合记为V_reached，初始时只包含信息源节点；节点的邻居节点如果属于V_reached，并且未进行转发询问，这些节点记为V_noworked；节点的邻居节点如果属于V_reached，并且已经进行转发询问，这些节点记为V_worked；当某个节点k的邻居节点转发信息后，那么该节点就可以看到信息，同时节点k将以概率p转发该信息；设定总循环次数M；过程如下：

4.1)随机选择一个网络中的节点，作为信息传播的源节点，如果源节点j为智慧节点，只发布真消息；如果源节点j为普通节点，产生[0,1]的随机小数q，q≤0.5发布真消息，q＞0.5发布假消息；

4.2)对选择任意一个V_noworked中的节点k，根据网络信息传播模型，产生[0,1]的随机小数p按如果节点k是一个智慧节点，如果这是真消息，并且p≤η，它将该消息转发的概率，否则拒绝发布；如果节点k是一个普通节点，并且p≤η·w_jk它将该消息转发的概率，不管它是真的还是假的，0≤η≤1是自然转发率；

4.3)4.2)中，如果节点k转发了，将节点k的邻居节点中添加到V_noworked中，再将节点k移除出V_noworked，加入到V_reached；如果节点k不进行转发，节点k进入V_worked；如果节点k观察到的是真消息，不管有没有转发，如果w_jk≤1-Δ，那么更新权重w_jk＝w_jk+Δ，如果w_jk＞1-Δ，那么更新权重w_jk＝1；如果节点k观察到的是假消息，不管有没有转发，如果w_jk≥Δ，那么更新权重w_jk＝w_jk-Δ，如果w_jk＜Δ，那么更新权重w_jk＝Δ；

4.4)当V_noworked中不再有节点时，当前循环停止，表示此时所有看到信息的节点都已经经过处理；V_reached即表示传播到的节点集合；

4.5)不断重复步骤4.1)-4.4)，直到达到总循环次数M，学习方法停止，得到更新后的权重集合W；

4.6)改变网络结构和节点数量N，重复步骤S2-步骤4.5)。

3.如权利要求1或2所述的一种基于权重更新的社交网络信任度学习方法其特征在于，所述步骤S5中，计算传递真假消息的节点的数量也是通过信息级联模型统计，略去步骤S4中权重更新的部分，遍历整个网络中所有节点作为源节点发布真假消息，即每次统计集合V_reached中节点数量，最后根据公式(3)(4)(5)计算网络的信息过滤能力。

Images