CN109064348B - 一种在社交网络中封锁谣言社区并抑制谣言传播的方法 - Google Patents

Abstract

本发明涉及一种在社交网络中封锁谣言社区并抑制谣言传播的方法，包括以下步骤：1)根据已知信息得到社交网络G的子网络G′；2)在子网络G′中封锁数量最少的节点用以阻断所有桥边，所述桥边的起点为谣言起源节点或谣言可达的且在谣言社区内的节点，其终点为桥节点，3)以贪婪的方式循环从谣言可达节点集合A′中选择一个目标节点，并在子网络G′中将其封锁，直到在谣言传播过程结束时，受到谣言影响的总节点数的期望值不超过设定的正整数K，最终得到需要封锁的节点所构成的集合M。与现有技术相比，本发明具有减少候选封锁节点数量、谣言抑制效果好、简单易行、实用性广等优点。

Description

一种在社交网络中封锁谣言社区并抑制谣言传播的方法

技术领域

本发明涉及社交网络谣言抑制领域，尤其是涉及一种在社交网络中封锁谣言社区并抑制谣言传播的方法。

背景技术

随着在线社交网络(Online Social Networks,OSNs)飞速发展，各式各样的信息传播得到了极大促进，其中也包括谣言信息。谣言信息借助在线社交网络，能在短期内大范围地传播，导致社交网络平台的可信度与用户体验变差，甚至造成严重的不良社会影响。关于设计一种有效的方法，来抑制社交网络中谣言信息传播的研究愈发显得重要。

经检索国内外现有的关于谣言抑制技术的文献发现，已有的谣言抑制方法大致可分为两种类型。第一类方法是选择少量的节点来传播真相或者积极消息从而抑制谣言。这类方法通常假设当一个节点得知并认可了真相，就不会受到谣言的影响，也不会传播谣言，而且还会尝试将真相传播给邻居节点。第二类方法是选取一些网络中的节点或者边，它们通常是影响力大的节点或者是在信息传播路径上很重要的边，从网络里删除或者封锁这些节点或边之后会使得谣言无法通过这些节点或者边进一步传播，从而减小谣言的传播范围。社交网络一般都有隐含的社区结构，社区内部节点的连接较为紧密，而各个社区之间的连接比较稀疏。Fan等人考虑了社区结构，提出了社交网络中的最小代价谣言阻断问题(theLeast Cost Rumor Blocking problem)设计了一种基于集合覆盖的贪婪方法，选择最少的“保护者”节点来传播真相，使得谣言无法传播到其最初所在的社区之外，但是此方法无法确保该社区内的谣言抑制效果可控。另外，Biao Wang等人考虑了用户体验，设计了一种基于极大似然的谣言动态抑制方法，选出一定数量的节点进行删除，使得谣言的影响范围最小化。不同研究者们在不同的谣言传播模型下和传播情境下，设计了相应的方法来减少谣言的影响范围。

但是，第一类方法在现实生活中实施起来代价较大。第二类方法一般较少利用到网络的社区结构，没能发挥社区结构的优势与特点来抑制谣言信息的传播。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种在社交网络中封锁谣言社区并抑制谣言传播的方法。

本发明的目的可以通过以下技术方案来实现：

一种在社交网络中封锁谣言社区并抑制谣言传播的方法，包括以下步骤：

1)根据已知信息得到社交网络G的子网络G′；

2)在子网络G′中封锁数量最少的节点用以阻断所有桥边，所述桥边的起点为谣言起源节点或谣言可达的且在谣言社区内的节点，其终点为桥节点，

3)以贪婪的方式循环从谣言可达节点集合A′中选择一个目标节点，并在子网络G′中将其封锁，直到在谣言传播过程结束时，受到谣言影响的总节点数的期望值不超过设定的正整数K，最终得到需要封锁的节点所构成的集合M。

所述的步骤1)中，社交网络G适用的传播情景为：

已知社交网络G的社区结构、谣言起源节点、谣言的传播模型为一个影响力传播模型，并且谣言起源节点均在同一个谣言社区内部。

所述的步骤1)具体包括以下步骤：

11)通过宽度优先搜索方法得到社交网络G中所有桥节点以及谣言起源节点所在社区内部的谣言可达节点，所述的桥节点包括特殊桥节点以及除特殊桥节点以外的普通桥节点，所述的特殊桥节点定义为其父节点中包含至少一个谣言源节点；

12)在社交网络G中除去所有均不属于谣言起源节点集合、特殊桥节点集合B₀、普通桥节点集合B₁和谣言社区内部的谣言可达节点集合A的节点以及与其相连接的边后即得到社交网络G的子网络G′＝(V′,E′)，其中，V′为点集，E′为边集。

所述的步骤11)中桥节点为谣言社区的邻居社区的边缘节点，并且满足以下条件：

不属于谣言社区，且至少存在一条起点为谣言起源节点，终点为桥节点的路径，使得该路径上的节点均在谣言社区内部。

所述的步骤2)具体包括以下步骤：

21)利用子网络G′构建一个无权无向的二部图

其中，

为二部图

的节点集合，且

为二部图

的边集，且

22)获取二部图

的一个最小顶点覆盖的解集合M₀；

23)获取封锁节点集合M＝M₀∪B₀，并从子网络G′中删除封锁节点集合M中的所有节点以及与其相连的所有边；

24)在新的子网络G′中，采用宽度优先搜索方法从谣言起源节点出发搜索，得到新的由谣言社区内部的谣言可达节点构成的谣言可达节点集合A′。

所述的步骤3)具体包括以下步骤：

31)在谣言传播过程结束时，根据谣言传播模型判断子网络G′中受到谣言影响的总节点数的期望值是否大于K，若是，则进行步骤32)，若否，则将此时的封锁节点集合M作为最终的封锁节点集合；

32)从谣言可达节点集合A′中选择一个目标节点u，使得在封锁目标节点u之后，谣言能够影响的总节点数的期望值最小；

33)从子网络G′中封锁目标节点u，并且将目标节点u加入至封锁节点集合M；

34)利用宽度优先搜索方法更新谣言可达节点集合A′，并返回步骤31)。

所述的步骤32)具体为：

在从子网络G′中封锁封锁节点集合M中的所有节点以及节点u之后，谣言能够影响子网络G′中的总节点数的期望值为σ(M∪u)，根据谣言的传播模型，获取每一个节点u∈A′的期望值σ(M∪u)，将使σ(M∪u)最小对应的节点作为所选的目标节点。

与现有技术相比，本发明具有以下优点：

一、封锁关键节点：本发明巧妙地利用了社交网络潜在的社区结构，找到了在信息传播过程中起到关键作用的节点，通过封锁少量节点使得它们不受谣言影响，来抑制谣言信息的传播范围，不但能够确保将谣言限制在谣言所在的社区内，还很大程度上减少了候选封锁节点的数量；

二、简单易行效果好：本发明方法并不复杂，而且易于理解和实施，仅需封锁少量的节点便可以实现预设的谣言抑制效果要求，效果良好。

三、实用性广：本发明方法包含了一个实用性很强的子方法用于封锁谣言社区。它利用了图论中的经典方法，来快速选出最少的封锁节点。通过简单的移植应用，可以利用它来改良其它已有的且未考虑网络社区结构的谣言抑制方法，减少它们的计算开销。

附图说明

图1为本发明方法的流程图。

图2为社交网络G的社区结构示意图。

图3为子网络G′的示意图。

图4为二部图

的示意图。

图5为本发明方法与其他四个典型方法在Epinions网络上的谣言抑制结果对比图。

图6为本发明方法与其他四个典型方法在Gnutella08网络上的谣言抑制结果对比图。

图7为本发明方法与其他四个典型方法在Wiki-Vote网络上的谣言抑制结果对比图。

图8为本发明方法与其他四个典型方法在ER网络上的谣言抑制结果对比图。

图9为本发明方法与其他四个典型方法在SF网络上的谣言抑制结果对比图。

具体实施方式

下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

实施例：

本实施例对于一个已知社区结构、谣言信息的起源节点已知且都在一个谣言社区C_R并且谣言信息的传播模型是一个影响力传播模型的社交网络G，为了在谣言传播的初始时刻，选出最少数量的节点进行封锁，从而封锁谣言社区，并且在谣言传播过程结束时，能令谣言社区内部被谣言信息影响的总节点数的期望值不会超过一个给定的正整数K，提供了一种基于最小顶点覆盖的贪婪式谣言抑制方法，该方法包括如下步骤：

步骤S1、根据已知信息得到社交网络G的子网络G′，具体包括以下步骤：

步骤S11、利用宽度优先搜索方法，从已知的谣言起源节点出发进行搜索，搜索过程终止于全部的桥节点。此处的桥节点是谣言社区的邻居社区的边缘节点，具体是指这样的节点u：1)它不属于谣言社区；2)至少存在一条这样的路径：起点是一个谣言源节点，终点是u,路径上的其它节点都在谣言社区内部。谣言能够更早抵达这些桥节点，相比于它们所在社区的其它节点。把桥节点分为两类：一类是特殊的桥节点，它们的父节点中包含至少一个谣言源节点。除了特殊桥节点以外，其余桥节点均为普通桥节点。搜索完成后，除了获得所有的桥节点，还得到了谣言社区内部所有的谣言可达节点。图2中的节点1、8和9是桥节点，其中节点1是特殊桥节点，节点8和9是普通桥节点。

步骤S12、将特殊桥节点集合记为B₀,普通桥节点集合记为B₁，谣言社区内部所有的谣言可达节点构成的集合记为A。该步骤以谣言源节点集合、A、B₀和B₁从G中导出一个子网络G′＝(V′,E′)。具体地，从G删除所有不是谣言源节点,或者不属于A,或者不属于B₀,或者不属于B₁的所有节点以及与它们相连接的边之后，就得到了G的子网络G′，V′是它的点集，E′是它的边集。

步骤S2、在G′中封锁最少的节点，从而阻断所有的桥边,它们是这样的边：它的起点是谣言起源节点或者是谣言可达的且在谣言社区内的节点，终点是桥节点，具体包括以下步骤：

步骤S21、利用G′构建一个无权无向的二部图

将所有普通桥节点的属于A的父节点构成的集合记为X。所述步骤S2根据节点集合

和边集

构建一个无权无向的二部图

图4是这个无权无向二部图

的一个示意图。

步骤S22、计算

的一个最小顶点覆盖，得到它的解集合M₀；

先利用图论中已有的方法先获取

的一个最大匹配，比如用Hopcroft–Karp方法，然后根据图论中著名的

定理的证明过程所用的方法，从

的一个最大匹配得到

的一个最小顶点覆盖的解集合M₀。

步骤S23、得到封锁节点集合M，并从G′中封锁M的所有节点；

将M₀和B₀合并为封锁节点集合M，也就是令封锁节点集合M＝M₀∪B₀。再从G′中将M中的所有节点和与这些节点相连的所有边删除。那么至此，从谣言起源节点出发，便不可以抵达任意一个桥节点，也就是说已经封锁了该谣言社区，谣言无法再传播到该社区之外。

步骤S24、得到新的由谣言社区内部的谣言可达节点构成的集合A′；

用宽度优先搜索方法从G′中的谣言源节点出发搜索，得到新的由谣言社区内部的谣言可达节点构成的集合A′。

步骤S3、以贪婪的方式循环从A′中选择一个目标节点，并在G′中封锁它，直到谣言传播过程结束时，受到谣言影响的总节点数的期望值(不包括谣言源节点的数量)不超过已知的正整数K，最终得到需要封锁的节点所构成的集合M，具体包括以下步骤：

步骤S31、利用已知的谣言传播模型来判断，在谣言传播过程结束时，网络G′中受到谣言影响的总节点数的期望值是否大于K。若是肯定的判断结果，则从步骤S31跳转到步骤S32。若是否定的判断结果，意味着此时的集合M就是本发明方法最终得到的封锁节点集合；

步骤S32、从集合A′中选出一个这样的节点u，若是封锁它之后，可以使得谣言能够影响的总节点数的期望值最小；

具体地，记从G′中封锁M中的所有节点以及u之后，谣言能够影响G′中的总节点数的期望值为σ(M∪u)。根据谣言的传播模型，对每一个节点u∈A′都计算得到相应的σ(M∪u)，然后令最小的σ(M∪u)所对应的节点作为步骤S32所选的目标节点。

步骤S33、从G′中封锁步骤S32得到的节点u，并且将节点u加入至集合M；

具体而言，从G′中删除节点u以及与之相连的所有边，再令M＝M∪{u}。

步骤S34、利用宽度优先搜索方法得到新的谣言社区内部的谣言可达节点所构成的集合A′。最后，跳转至步骤S31。

本实施例的有效性可以通过下面的仿真实验来进一步说明。需要说明的是，实验中应用的参数不影响本发明的一般性。

1)仿真条件：

CPU:

Core^TMi7-7700HQ 2.80GHz，RAM 16.00GB，操作系统Windows 10，仿真软件Python3.6。

2)仿真内容：

用于仿真实验的数据集包括三个真实网络:Wiki-Vote，Epinions和Gnutella08，还有两个人工网络:ER随机网络与Scale-Free(SF)网络。用独立级联模型作为谣言信息的传播模型。首先获取这些有向网络对应的无向网络，使用Louvain方法得到这些无向网络的社区结构，作为原始网络的社区结构。从每个网络中选取一个合适规模的社区作为谣言社区。表1显示了五个网络的一些统计量数据。实验要求在任何情况下，A内至少90％的节点都不会受到谣言的影响，即令K＝0.1·|A|。

表1网络相关数据统计量

网络	节点数	边数	平均节点度数	谣言社区的节点数
					Wiki-Vote	7115	103689	29.15	2191
Gnutella08	6301	20777	6.59	582
					Epinions	131828	841372	12.76	2835
ER	7000	24449	6.99	314
					SF	8000	19166	4.79	1647

实验选取了过去已有工作中三个典型的谣言抑制方法作为对比：最大度(MaxDegree)方法、介数中心度(Betweenness-Centrality)方法、K-core方法。最大度方法是从网络中选取度数最大的那些节点进行封锁。介数中心度方法是封锁网络里介数中心度最大的节点。一个节点的介数中心度是网络里所有节点对之间的最短路径当中，通过该节点的最短路径所占的比例。K-core方法是先通过对网络进行k-shell分解，给网络中的每一个节点赋予一个唯一的k_s指数，然后封锁网络里k_s指数最大的节点。

每个网络的所有连边上的激活概率从[0,1]范围内均匀随机生成，并在每个网络上都分别做了100次实验。最终，取得四个算法在五个网络上的平均结果。对于每个网络上的每次实验，首先在网络里随机选取谣言社区内1.5％(2.5％,3.5％,4.5％)的节点作为谣言源节点。然后，令图G作为MVCBG算法的输入图。而为了充分利用已知信息，直接令G的子图G′作为另外三个方法的输入图。对于MaxDegree方法(或者K-core方法、BC方法)，首先封锁G′中的特殊桥节点，然后再不断地封锁G′中度数最大的节点(或者具有最高k_s指数的节点、具有最大介数中心度的节点)，直到所有的桥节点不会受谣言影响并且谣言能够影响的节点数量的期望值不超过K为止。

图5、图6、图7、图8和图9分别显示了四个方法在Epinions网络、Gnutella08网络、Wiki-Vote网络、ER网络和SF网络上的仿真结果。对于同样的谣言抑制效果要求，需要封锁的节点数量越少的方法越好。从仿真结果图中可看出，本发明的方法优于其他三个方法，因为它需要封锁的节点数量总是最少的。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (1)

1.一种在社交网络中封锁谣言社区并抑制谣言传播的方法，其特征在于，包括以下步骤：

1)根据已知信息得到社交网络G的子网络G′，社交网络G适用的传播情景为：

已知社交网络G的社区结构、谣言起源节点、谣言的传播模型为一个影响力传播模型，并且谣言起源节点均在同一个谣言社区内部，

具体包括以下步骤：

11)通过宽度优先搜索方法得到社交网络G中所有桥节点以及谣言起源节点所在社区内部的谣言可达节点，所述的桥节点包括特殊桥节点以及除特殊桥节点以外的普通桥节点，所述的特殊桥节点定义为其父节点中包含至少一个谣言源节点，所述的桥节点为谣言社区的邻居社区的边缘节点，并且满足以下条件：

不属于谣言社区，且至少存在一条起点为谣言起源节点，终点为桥节点的路径，使得该路径上的节点均在谣言社区内部；

12)在社交网络G中除去所有均不属于谣言起源节点集合、特殊桥节点集合B₀、普通桥节点集合B₁和谣言社区内部的谣言可达节点集合A的节点以及与其相连接的边后即得到社交网络G的子网络G′＝(V′,E′)，其中，V′为点集，E′为边集；

2)在子网络G′中封锁数量最少的节点用以阻断所有桥边，所述桥边的起点为谣言起源节点或谣言可达的且在谣言社区内的节点，其终点为桥节点，具体包括以下步骤：

21)利用子网络G′构建一个无权无向的二部图

其中，

为二部图

的节点集合，且

为二部图

的边集，且

22)获取二部图

的一个最小顶点覆盖的解集合M₀；

23)获取封锁节点集合M＝M₀∪B₀，并从子网络G′中删除封锁节点集合M中的所有节点以及与其相连的所有边；

24)在新的子网络G′中，采用宽度优先搜索方法从谣言起源节点出发搜索，得到新的由谣言社区内部的谣言可达节点构成的谣言可达节点集合A′；

3)以贪婪的方式循环从谣言可达节点集合A′中选择一个目标节点，并在子网络G′中将其封锁，直到在谣言传播过程结束时，受到谣言影响的总节点数的期望值不超过设定的正整数K，最终得到需要封锁的节点所构成的集合M，具体包括以下步骤：

31)在谣言传播过程结束时，根据谣言传播模型判断子网络G′中受到谣言影响的总节点数的期望值是否大于K，若是，则进行步骤32)，若否，则将此时的封锁节点集合M作为最终的封锁节点集合；

32)从谣言可达节点集合A′中选择一个目标节点u，使得在封锁目标节点u之后，谣言能够影响的总节点数的期望值最小，具体为：

在从子网络G′中封锁封锁节点集合M中的所有节点以及节点u之后，谣言能够影响子网络G′中的总节点数的期望值为σ(M∪u)，根据谣言的传播模型，获取每一个节点u∈A′的期望值σ(M∪u)，将使σ(M∪u)最小对应的节点作为所选的目标节点；

33)从子网络G′中封锁目标节点u，并且将目标节点u加入至封锁节点集合M；

34)利用宽度优先搜索方法更新谣言可达节点集合A′，并返回步骤31)。

Images