CN109086310B - 一种融合个人行为与社会互动的谣言传播模型构建方法 - Google Patents

一种融合个人行为与社会互动的谣言传播模型构建方法 Download PDF

Info

Publication number
CN109086310B
CN109086310B CN201810658158.6A CN201810658158A CN109086310B CN 109086310 B CN109086310 B CN 109086310B CN 201810658158 A CN201810658158 A CN 201810658158A CN 109086310 B CN109086310 B CN 109086310B
Authority
CN
China
Prior art keywords
rumor
user
propagation
node
propagators
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
Application number
CN201810658158.6A
Other languages
English (en)
Other versions
CN109086310A (zh
Inventor
李侃
张奕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201810658158.6A priority Critical patent/CN109086310B/zh
Publication of CN109086310A publication Critical patent/CN109086310A/zh
Application granted granted Critical
Publication of CN109086310B publication Critical patent/CN109086310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种融合个人行为与社会互动的谣言传播模型构建方法，属于社交网络建模分析技术领域。首先创建用于记录谣言传播过程中相关用户节点的集合，并对集合进行初始化；创建用于记录谣言传播过程中相关用户节点的集合，并对集合进行初始化。根据谣言传播的持续，逐时刻更新社交网络中仍在进行谣言传播的用户的传播者集合，直到社交网络中谣言不再存在。本发明方法引入振子简谐运动模型对用户个体教育程度、个体记忆遗忘因素、个体接受及传播谣言的概率进行整体建模，不仅整合了现有模型中的重要影响因素，而且突出了谣言持续时间的作用。

Description

一种融合个人行为与社会互动的谣言传播模型构建方法
技术领域
本发明涉及一种社交网络谣言传播模型的构建方法，特别涉及一种在社交网络中融合个人与社会互动的谣言传播模型构建方法，属于社交网络建模分析技术领域。
背景技术
随着互联网时代的逐步深入，出现了众多的在线社交网络,比如Twitter、Facebook和微博等，几乎每个人每天都会使用社交网络进行交友或传播信息。由于在线社交网络的快速发展，使得大量谣言在社交网络中进行扩散，造成了极大的危害。
由于谣言在社交网络中的传播与病毒的扩散很相似，因此现有的谣言传播模型以传染病模型系列为主，这类模型中考虑了人类因素对谣言传播的影响。其中人类因素如记忆遗忘和个体教育程度等方面,对谣言的最终规模、传播者的数量、传播的速度具有显著影响。但是这类模型忽略了个体间的社会互动关系在社交网络中对谣言传播的作用。
在社会互动关系方面，主要涉及到散播者何时发出谣言、用户是否会接受谣言。而主要针对社会互动关系对谣言传播建模的微观模型，对社会互动中关于“谁影响谁”增加了更多的注意力。这类模型假定谣言对个体有相同的吸引力，并且个体对于谣言的行为是一致的，但是没能考虑到个人在社交网络中扮演的的角色在传播过程中的作用。另外，他们认为个体影响其他用户的能力是恒定不变的，采用的固定的概率描述谣言的传播。
这些谣言传播模型都没有将对谣言传播起到重要影响作用的因素进行综合考虑，存在很多局限性。
发明内容
本发明的目的是为了克服已有技术的缺陷，解决对社交网络中谣言传播过程中未能综合考虑个人因素与社会互动因素相结合的问题，提出一种融合个人行为与社会互动的谣言传播模型构建方法。
本发明方法是通过以下技术方案实现：
一种融合个人行为与社会互动的谣言传播模型构建方法，包括以下步骤：
步骤一、创建用于记录谣言传播过程中相关用户节点的集合，并对集合进行初始化。
首先，输入社交网络图G(V,E,C)和已知的传播源用户节点vs，并给定好奇阈值、发射概率阈值、接受概率阈值以及概率参数。然后，创建三个用于记录谣言传播过程中相关用户节点的集合，包括记录时刻T正在进行谣言传播的用户的传播者集合S(T)、记录所有曾进行过谣言传播的用户的全部传播用户集合Q、记录曾经传播过但已经不再传播谣言的用户的隔绝者集合St。最后，通过输入的社交网络图和传播源用户节点，共同完成对上述三个集合的初始化，初始化方法如下：
用输入的传播源用户节点vs对初始时刻t＝0的传播者集合S(0)和全部传播用户集合Q进行初始化，即S(0)＝{vs}、Q＝{vs}。此时社交网络中尚未发生谣言传播，无法确定隔绝者用户节点，因此初始化隔绝者集合为
Figure BDA0001705973430000021
符号
Figure BDA0001705973430000022
表示为空集。
所述社交网络图G(V,E,C)，V表示社交网络中用户节点集，一个节点vi代表一个用户；边集
Figure BDA0001705973430000023
是具有权值的有向边，表示用户间的关系；vi,vj是两个相邻用户节点；
Figure BDA0001705973430000024
是表示从vi到vj的连接程度,描述用户vi对用户vj的信任程度；C是用户的特征集，包含个体vi在接受谣言后的第ti时刻对谣言的好奇程度Ai(ti)；
Figure BDA0001705973430000025
公式(1)中，ti表示i用户接受谣言后的某个时刻，接受谣言的时刻记ti＝0；Aint表示i用户最初接受谣言时的好奇程度；βi是i用户的教育程度，表示个体对谣言的评估程度；ωi是i用户的记忆遗忘因素,表示个体的记忆遗忘周期；e是数学常数中的自然对数。
步骤二、根据谣言传播的持续，逐时刻更新社交网络中仍在进行谣言传播的用户的传播者集合，直到社交网络中谣言不再存在。具体更新过程如下：
首先，判断上一时刻传播者集合S(T-1)是否为空，当传播者集合S(T-1)为空时，表示此时社交网络中不存在谣言；当传播者集合S(T-1)不为空时，遍历传播者集合S(T-1)中各节点元素，对每次遍历的节点vi进行如下操作：
用公式
Figure BDA0001705973430000026
更新对该用户节点vi在接受谣言后的第ti＝ti+1时刻的好奇程度Ai(ti)。用更新后的好奇程度Ai(ti)与设定的好奇阈值(一般情况下其值设为输入的所有用户节点的初始好奇程度中最大值的百分之三十)进行比较，如果好奇程度小于好奇阈值，表明用户节点vi对谣言不再感兴趣，将该用户节点加入到隔绝者集合St中；否则，表明用户节点vi仍然对谣言感兴趣，将其加入到当前T时刻传播者集合S(T)集合中，进而计算当前节点vi在接受谣言后的第ti时刻传播谣言的发送概率
Figure BDA0001705973430000031
Figure BDA0001705973430000032
公式(2)中，ti表示i用户接受谣言后的某个时刻，接受谣言的时刻记ti＝0；βi是i用户的教育程度，表示个体对谣言的评估程度；ωi是i用户的记忆遗忘因素,表示个体的记忆遗忘周期；e是数学常数中的自然对数。
用该发送概率
Figure BDA0001705973430000033
与设定的发射概率阈值(一般情况下其值设为0.3)进行比较，如果发送概率小于发射概率阈值，则表明该用户节点vi不会继续传播谣言；否则，表明该用户节点vi会发送谣言到该用户节点不属于全部传播用户集合Q的全部邻居用户节点，并为当前T时刻传播者集合S(T)集合中该用户节点vi做传播标记。
然后，遍历传播者集合S(T)中各节点元素，对每次遍历的节点vi进行如下操作：
如果当前用户节点vi不含传播标记，则跳过该节点；否则，遍历当前用户节点vi不属于全部传播用户集合Q的全部邻居用户节点集合，对每次遍历的邻居节点vj进行如下操作：
计算该邻居节点vj接受用户节点vi传播谣言的接受概率
Figure BDA0001705973430000034
Figure BDA0001705973430000035
公式(3)中，P是一个确定的概率参数(一般情况下其值为0.5),而
Figure BDA0001705973430000036
分别是用户节点vi对用户节点vj和用户节点vj对用户节点vi的连接程度。
用接受概率
Figure BDA0001705973430000037
与设定的接受概率阈值(一般情况下其值为0.3)进行比较，如果接受概率小于接受概率阈值，认定该邻居节点vj没有接受这条谣言；如果接受概率大于等于接受概率阈值，认定该邻居节点vj接受了这条谣言，将该邻居节点vj加入到当前T时刻传播者集合S(T)，同时将该邻居节点vj加入到全部传播用户集合Q中，并且记录该邻居节点vj接受谣言的时间为tj＝0。
最后，判断当前T时刻传播者集合S(T)是否为空，当传播者集合S(T)为空时，表示此时网络中不存在谣言，步骤二过程结束；当传播者集合S(T)不为空时，将当前T时刻更新为T+1，用步骤二的过程更新传播者集合S(T)，直到网络中不再存在谣言。
步骤三、当上述步骤一、步骤二的过程执行完毕后，网络中已不存在谣言，此时的全部传播用户集合Q记录了谣言传播过程中全部用户节点。通过该集合推出谣言在社交网络中从传播源用户vs到其余各个传播用户之间的单向传播过程，从而能够更有效地对谣言实施管控。
有益效果
本发明方法，对比已有技术，能够同时考虑了个人行为和社会互动关系两个方面。引入振子简谐运动模型对用户个体教育程度、个体记忆遗忘因素、个体接受及传播谣言的概率进行整体建模，不仅整合了现有模型中的重要影响因素，而且突出了谣言持续时间的作用。从而能够更好刻画社交网络中谣言传播的过程，通过该模型更有效地对谣言进行管控，可以尽早地遏制谣言的传播。
附图说明
图1为本发明的步骤流程图。
图2为本发明实例，包含10个用户节点，12条边的样例网络。
图3为初始时社交网络中谣言传播状态。
图4为运行中的社交网络谣言传播状态。
图5为运行中的社交网络谣言传播状态。
图6为运行中的社交网络谣言传播状态。
图7为社交网络中谣言传播最终状态。
图8为社交网络中从传播源用户到全部谣言传播用户之间的传播过程。
图3-7为本发明实例运行状态，灰色节点表明是接受谣言影响的用户，黑色是隔绝(中止)谣言传播的用户，白色节点为没有接受或没有传播到谣言的用户。
具体实施方式
下面将结合附图和实施例对本发明方法进行详细说明。
如图2所示，为本发明实施例10个节点的网络结构图。
一种融合个人行为与社会互动的谣言传播模型的构建方法，包括以下步骤：
1.输入社交网络图G(V,E,C)，社交网络中用户节点为V＝{v1,v2,…,v10},描述用户间的关系的带权有向边集
Figure BDA0001705973430000051
以及包含每个用户对谣言的好奇程度Ai(ti)、个体教育程度βi、个体记忆遗忘因素ωi的个体特征Ci＝{Ai,βi,ωi}。网络结构如图1所示，相关数据由表1，表2所示。谣言是由用户v1开始传播的，即v1是传播源节点，记录v1接受谣言的时间为t1＝0。初始化传播者集合S(0)＝{v1}，初始化全部传播用户集合Q＝{v1}，初始化隔绝者集合
Figure BDA0001705973430000052
好奇程度阈值设定为3，发送概率阈值为0.3,接受概率阈值定为0.3，概率参数P＝0.5。
表1用户个体特征信息
A<sub>i</sub>(t<sub>i</sub>),t<sub>i</sub>＝0时接受谣言的初始好奇程度 取值 ω<sub>i</sub> 取值 β<sub>i</sub> 取值
A<sub>1</sub>(t<sub>i</sub>) 10 ω<sub>1</sub> π/2 β<sub>1</sub> 0.5
A<sub>2</sub>(t<sub>i</sub>) 8 ω<sub>2</sub> π/5 β<sub>2</sub> 0.4
A<sub>3</sub>(t<sub>i</sub>) 5 ω<sub>3</sub> π/4 β<sub>3</sub> 0.9
A<sub>4</sub>(t<sub>i</sub>) 10 ω<sub>4</sub> π/3 β<sub>4</sub> 0.3
A<sub>5</sub>(t<sub>i</sub>) 5 ω<sub>5</sub> π/5 β<sub>5</sub> 0.8
A<sub>6</sub>(t<sub>i</sub>) 7 ω<sub>6</sub> π/2 β<sub>6</sub> 0.8
A<sub>7</sub>(t<sub>i</sub>) 8 ω<sub>7</sub> π/3 β<sub>7</sub> 0.3
A<sub>8</sub>(t<sub>i</sub>) 5 ω<sub>8</sub> π/4 β<sub>8</sub> 0.5
A<sub>9</sub>(t<sub>i</sub>) 1 ω<sub>9</sub> π/4 β<sub>9</sub> 0.1
A<sub>10</sub>(t<sub>i</sub>) 9 ω<sub>10</sub> π/2 β<sub>10</sub> 0.9
表2用户间连接程度di,j取值(有向边边权权值)
连接程度d<sub>i,j</sub> 取值 连接程度d<sub>i,j</sub> 取值 连接程度d<sub>i,j</sub> 取值 连接程度d<sub>i,j</sub> 取值
d<sub>1,2</sub> 4 d<sub>2,1</sub> 1 d<sub>4,8</sub> 3 d<sub>8,4</sub> 9
d<sub>1,3</sub> 3 d<sub>3,1</sub> 5 d<sub>5,8</sub> 9 d<sub>8,5</sub> 2
d<sub>2,4</sub> 2 d<sub>4,2</sub> 1 d<sub>6,8</sub> 2 d<sub>8,6</sub> 4
d<sub>2,5</sub> 5 d<sub>5,2</sub> 4 d<sub>7,9</sub> 1 d<sub>9,7</sub> 8
d<sub>2,6</sub> 4 d<sub>6,2</sub> 4 d<sub>8,10</sub> 6 d<sub>10,8</sub> 2
d<sub>3,7</sub> 2 d<sub>7,3</sub> 3 d<sub>9,10</sub> 1 d<sub>10,9</sub> 4
2、按照步骤二进行操作，此时谣言传播状态如图3所示。过程如下：
当前时刻是T＝1，上一时刻传播者集合S(0)＝{v1}不为空，遍历上一时刻传播者集合S(0)中各节点元素S(0)＝{v1}:
对v1更新在t1＝1时对谣言的好奇程度
Figure BDA0001705973430000053
判断得出用户v1对该谣言感兴趣，将该用户节点加入到当前T＝1时刻对应的传播者集合S(1)中(S(1)＝{v1})；进而计算发送概率
Figure BDA0001705973430000054
Figure BDA0001705973430000061
判断得出该用户v1会发送谣言到该节点不属于全部传播用户集合Q的全部邻居用户节点{v2,v3}，对节点v1记录传播标记。
此时传播者集合S(0)已经遍历结束。
当前T＝1时刻传播者集合S(1)＝{v1},对{v1}进行遍历：
当前节点v1含有传播标记，遍历当前节点v1不属于全部传播用户集合Q的全部邻居用户节点集合{v2,v3}，并进行如下操作：
对邻居用户v2，计算接受谣言概率
Figure BDA0001705973430000062
判断得用户v2接受了v1传播的谣言。将其加入传播者集合S(1)＝{v1,v2}，加入全部传播用户集合Q＝{v1,v2}，并且记录v2接受谣言的时间为t2＝0。
对邻居用户v3，计算接受谣言概率
Figure BDA0001705973430000063
判断得用户v3没有接受谣言。
此时v1全部邻居用户节点集合{v2,v3}已经遍历结束。
此时传播者集合S(1)已经遍历结束。
当前T＝1时刻传播者集合S(1)＝{v1,v2}不为空，传播状态如图4所示，进入下一时刻(T＝2)，重复步骤二。
当前时刻是T＝2，上一时刻传播者集合S(1)＝{v1,v2}不为空，遍历上一时刻传播者集合S(1)中各节点元素S(1)＝{v1,v2}:
对v1更新在t1＝2时对谣言的好奇程度
Figure BDA0001705973430000064
判断得出用户v1对该谣言不再感兴趣，将用户v1加入到隔绝者集合St＝{v1}；
对v2更新在t2＝1时对谣言的好奇程度
Figure BDA0001705973430000065
判断得出用户v2对该谣言感兴趣，将该用户节点加入到当前T＝2时刻对应的传播者集合S(2)中(S(2)＝{v2})；进而计算发送概率
Figure BDA0001705973430000066
Figure BDA0001705973430000067
判断得出该用户v2会发送谣言到该节点不属于全部传播用户集合Q的全部邻居用户节点{v4,v5,v6}，对节点v2记录传播标记。
此时传播者集合S(1)已经遍历结束。
当前T＝2时刻传播者集合S(2)＝{v2}，对{v2}进行遍历：
当前节点v2含有传播标记，遍历当前节点v2不属于全部传播用户集合Q的全部邻居用户节点集合{v4,v5,v6}，并进行如下操作：
对邻居用户v4，计算接受谣言概率
Figure BDA0001705973430000068
判断得用户v4接受了v2传播的谣言。将其加入传播者集合S(2)＝{v2,v4}，加入全部传播用户集合Q＝{v1,v2,v4},并且记录v4接受谣言的时间为t4＝0。
对邻居用户v5，计算接受谣言概率
Figure BDA0001705973430000071
判断得用户v5没有接受v2传播的谣言。
对邻居用户v6，计算接受谣言概率
Figure BDA0001705973430000072
判断得用户v6没有接受v2传播的谣言。
此时v2全部邻居用户节点集合{v4,v5,v6}已经遍历结束。
此时传播者集合S(2)已经遍历结束。
当前T＝2时刻传播者集合S(2)＝{v2,v4}不为空，传播状态如图5所示，进入下一时刻(T＝3)，重复步骤二。
当前时刻是T＝3，上一时刻传播者集合S(2)＝{v2,v4}不为空，遍历上一时刻传播者集合S(2)中各节点元素S(2)＝{v2,v4}:
对v2更新在t2＝2时对谣言的好奇程度
Figure BDA0001705973430000073
判断得出用户v2对该谣言感兴趣，将该用户节点加入到当前T＝3时刻对应的传播者集合S(3)中(S(3)＝{v2})；进而计算发送概率
Figure BDA0001705973430000074
Figure BDA0001705973430000075
判断得出该用户v2会发送谣言到该节点不属于全部传播用户集合Q的全部邻居用户节点{v5,v6}，对节点v2记录传播标记。
对v4更新在t4＝1时对谣言的好奇程度
Figure BDA0001705973430000076
判断得出用户v4对该谣言感兴趣，将该用户节点加入到当前T＝3时刻对应的传播者集合S(3)中(S(3)＝{v2,v4})；进而计算发送概率
Figure BDA0001705973430000077
Figure BDA0001705973430000078
判断得出该用户v4会发送谣言到该节点不属于全部传播用户集合Q的全部邻居用户节点{v8}，对节点v4记录传播标记。
此时传播者集合S(2)已经遍历结束。
当前T＝3时刻传播者集合S(3)＝{v2,v4}，对{v2,v4}进行遍历：
当前节点v2含有传播标记，遍历当前节点v2不属于全部传播用户集合Q的全部邻居用户节点集合{v5,v6}，并进行如下操作：
对邻居用户v5，计算接受谣言概率
Figure BDA0001705973430000079
判断得用户v5没有接受v2传播的谣言。
对邻居用户v6，计算接受谣言概率
Figure BDA00017059734300000710
判断得用户v6没有接受v2传播的谣言。
此时v2全部邻居用户节点集合{v5,v6}已经遍历结束。
当前节点v4含有传播标记，遍历当前节点v4不属于全部传播用户集合Q的全部邻居用户节点集合{v8}，并进行如下操作：
对邻居用户v8，计算接受谣言概率
Figure BDA0001705973430000081
判断得用户v8没有接受v4传播的谣言。
此时v4全部邻居用户节点集合{v8}已经遍历结束。
此时传播者集合S(3)已经遍历结束。
当前T＝3时刻传播者集合S(3)＝{v2,v4}不为空，传播状态如图5所示，进入下一时刻(T＝4)，重复步骤二。
当前时刻是T＝4，上一时刻传播者集合S(3)＝{v2,v4}不为空，遍历上一时刻传播者集合S(3)中各节点元素S(3)＝{v2,v4}:
对v2更新在t2＝3时对谣言的好奇程度
Figure BDA0001705973430000082
判断得出用户v2对该谣言不再感兴趣,将用户v2加入到隔绝者集合St＝{v1,v2}；
对v4更新在t4＝2时对谣言的好奇程度
Figure BDA0001705973430000083
判断得出用户v4对该谣言感兴趣，将该用户节点加入到当前T＝4时刻对应的传播者集合S(4)中(S(4)＝{v4})；进而计算发送概率
Figure BDA0001705973430000084
Figure BDA0001705973430000085
判断得出该用户v4会发送谣言到该节点不属于全部传播用户集合Q的全部邻居用户节点{v8}，对节点v4记录传播标记。。
此时传播者集合S(3)已经遍历结束。
当前T＝4时刻传播者集合S(4)＝{v4}，对{v4}进行遍历：
当前节点v4含有传播标记，遍历当前节点v4不属于全部传播用户集合Q的全部邻居用户节点集合{v8}，并进行如下操作：
对邻居用户v8，计算接受谣言概率
Figure BDA0001705973430000086
判断得用户v8没有接受v4传播的谣言。
此时v4全部邻居用户节点集合{v8}已经遍历结束。
此时传播者集合S(4)已经遍历结束。
当前T＝4时刻传播者集合S(4)＝{v4}不为空，传播状态如图6所示，进入下一时刻(T＝5)，重复步骤二。
当前时刻是T＝5，上一时刻传播者集合S(4)＝{v4}不为空，遍历上一时刻传播者集合S(4)中各节点元素S(4)＝{v4}:
对v4更新在t4＝3时对谣言的好奇程度
Figure BDA0001705973430000087
判断得出用户v4对该谣言不再感兴趣,将用户v4加入到隔绝者集合St＝{v1,v2,v4}，
此时传播者集合S(4)已经遍历结束。
当前T＝5时刻传播者集合
Figure BDA0001705973430000091
为空，此时已没有谣言传播者，社交网络中没有谣言，此时的传播状态如图7所示，操作完成。
3.当上述过程执行完毕后，曾进行过谣言传播的用户传播者Q＝{v1,v2,v4}，谣言传播过程如附图3-7所示，其中灰色为传播者集合,黑色为隔绝者集合；从传播源用户开始到其他全部传播谣言的用户之间的传播过程如图8所示，灰色表示接受谣言并进行过传播的用户。

Claims (7)

1.一种融合个人行为与社会互动的谣言传播模型构建方法，其特征在于，包括以下步骤：
步骤一、创建用于记录谣言传播过程中相关用户节点的集合，并对集合进行初始化；
步骤二、根据谣言传播的持续，逐时刻更新社交网络中仍在进行谣言传播的用户的传播者集合，直到社交网络中谣言不再存在，具体更新过程如下：
首先，判断上一时刻传播者集合S(T-1)是否为空，当传播者集合S(T-1)为空时，表示此时社交网络中不存在谣言；当传播者集合S(T-1)不为空时，遍历传播者集合S(T-1)中各节点元素，对每次遍历的节点vi进行如下操作：
用公式
Figure FDA0002703111040000011
更新对该用户节点vi在接受谣言后的第ti时刻的好奇程度Ai(ti)，其中Aint表示个体最初接受谣言时的好奇程度；用更新后的好奇程度Ai(ti)与设定的好奇阈值进行比较，如果好奇程度小于好奇阈值，表明用户节点vi对谣言不再感兴趣，将该用户节点加入到隔绝者集合St中；否则，表明用户节点vi仍然对谣言感兴趣，将其加入到当前T时刻传播者集合S(T)中，进而计算当前节点vi在接受谣言后的第ti时刻传播谣言的发送概率
Figure FDA0002703111040000012
Figure FDA0002703111040000013
公式(2)中，ti表示i用户接受谣言后的某个时刻，接受谣言的时刻记ti＝0；βi是i用户的教育程度，表示个体对谣言的评估程度；ωi是i用户的记忆遗忘因素,表示个体的记忆遗忘周期；e是数学常数中的自然对数；
用该发送概率
Figure FDA0002703111040000014
与设定的发射概率阈值进行比较，如果发送概率小于发射概率阈值，则表明该用户节点vi不会继续传播谣言；否则，表明该用户节点vi能够发送谣言到该用户节点不属于全部传播用户集合Q的全部邻居用户节点，并为当前T时刻传播者集合S(T)集合中该用户节点vi做传播标记；
然后，遍历传播者集合S(T)中各节点元素，对每次遍历的节点vi进行如下操作：
如果当前用户节点vi不含传播标记，跳过该节点；否则，遍历当前用户节点vi不属于全部传播用户集合Q的全部邻居用户节点集合，对每次遍历的邻居节点vj进行如下操作：
计算该邻居节点vj接受用户节点vi传播谣言的接受概率
Figure FDA0002703111040000015
Figure FDA0002703111040000021
公式(3)中，P是一个确定的概率参数,而di,j,dj,i分别是用户节点vi对用户节点vj和用户节点vj对用户节点vi的连接程度；
用接受概率
Figure FDA0002703111040000022
与设定的接受概率阈值进行比较，如果接受概率小于接受概率阈值，认定该邻居节点vj没有接受这条谣言；如果接受概率大于等于接受概率阈值，认定该邻居节点vj接受了这条谣言，将该邻居节点vj加入到当前T时刻传播者集合S(T)，同时将vj加入到全部传播用户集合Q中，并且记录vj接受谣言的时间为tj＝0；
最后，判断当前T时刻传播者集合S(T)是否为空，当传播者集合S(T)为空时，表示此时网络中不存在谣言，步骤二过程结束；当传播者集合S(T)不为空时，将当前T时刻更新为T+1，用步骤二的过程更新传播者集合S(T)，直到网络中不再存在谣言；
步骤三、当上述步骤一、步骤二的过程执行完毕后，网络中已不存在谣言，此时的全部传播用户集合Q记录了谣言传播过程中全部用户节点；通过该集合推出谣言在社交网络中从传播源用户vs到其余各个传播用户之间的单向传播过程，从而更有效地对谣言实施管控。
2.如权利要求1所述的一种融合个人行为与社会互动的谣言传播模型构建方法，其特征在于，步骤一的具体实现过程如下：
首先，输入社交网络图G(V,E,C)和已知的传播源用户节点vs，并给定好奇阈值、发射概率阈值、接受概率阈值以及概率参数；其中，V表示社交网络中用户节点集，C是用户的特征集，边集E是具有权值的有向边，表示用户间的关系；
然后，创建三个用于记录谣言传播过程中相关用户节点的集合，包括记录时刻T传播者集合S(T)、记录所有曾进行过谣言传播的用户的全部传播用户集合Q、记录曾经传播过但已经不再传播谣言的用户的隔绝者集合St；
最后，通过输入的社交网络图和传播源用户节点，共同完成对上述三个集合的初始化。
3.如权利要求2所述的一种融合个人行为与社会互动的谣言传播模型构建方法，其特征在于，通过输入的社交网络图和传播源用户节点共同完成对三个集合的初始化方法如下：
用输入的传播源用户节点vs对初始时刻T＝0的传播者集合S(0)和全部传播用户集合Q进行初始化，即S(0)＝{vs}、Q＝{vs}，此时社交网络中尚未发生谣言传播，无法确定隔绝者用户节点，因此初始化隔绝者集合为
Figure FDA0002703111040000032
所述社交网络图G(V,E,C)，V表示社交网络中用户节点集，一个节点vi代表一个用户；边集E(vi,vj,di,j)是具有权值的有向边，表示用户间的关系；vi,vj是两个用户节点；di,j是表示从用户节点vi到用户节点vj的连接程度,描述用户节点vi对用户节点vj的信任程度；C是用户的特征集，包含个体vi在接受谣言后的第ti时刻对谣言的好奇程度Ai(ti)：
Figure FDA0002703111040000031
公式(1)中，ti表示i用户接受谣言后的某个时刻，接受谣言的时刻记ti＝0；Aint表示个体最初接受谣言时的好奇程度；βi是i用户的教育程度，表示个体对谣言的评估程度；ωi是i用户的记忆遗忘因素,表示个体的记忆遗忘周期；e是数学常数中的自然对数。
4.如权利要求1所述的一种融合个人行为与社会互动的谣言传播模型构建方法，其特征在于，步骤二中所述好奇阈值设为输入的所有用户节点的初始好奇程度中最大值的百分之三十。
5.如权利要求1所述的一种融合个人行为与社会互动的谣言传播模型构建方法，其特征在于，步骤二中所述发射概率阈值设为0.3。
6.如权利要求1所述的一种融合个人行为与社会互动的谣言传播模型构建方法，其特征在于，步骤二中所述接受概率阈值设为0.3。
7.如权利要求1所述的一种融合个人行为与社会互动的谣言传播模型构建方法，其特征在于，步骤二中所述概率参数设为0.5。
CN201810658158.6A 2018-06-25 2018-06-25 一种融合个人行为与社会互动的谣言传播模型构建方法 Active CN109086310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810658158.6A CN109086310B (zh) 2018-06-25 2018-06-25 一种融合个人行为与社会互动的谣言传播模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810658158.6A CN109086310B (zh) 2018-06-25 2018-06-25 一种融合个人行为与社会互动的谣言传播模型构建方法

Publications (2)

Publication Number Publication Date
CN109086310A CN109086310A (zh) 2018-12-25
CN109086310B true CN109086310B (zh) 2020-11-17

Family

ID=64840189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810658158.6A Active CN109086310B (zh) 2018-06-25 2018-06-25 一种融合个人行为与社会互动的谣言传播模型构建方法

Country Status (1)

Country Link
CN (1) CN109086310B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934727B (zh) * 2019-03-19 2022-08-30 青岛大学 网络谣言传播抑制方法、装置、设备及可读存储介质
CN111797328B (zh) * 2020-06-22 2023-06-16 曲靖师范学院 一种社交网络中抑制谣言传播的方法
CN112001072B (zh) * 2020-08-17 2023-06-16 东北财经大学 基于爆发阈值及用户体验的谣言抑制方法
CN112256981B (zh) * 2020-11-13 2022-12-09 北京理工大学 一种基于线性和非线性传播的谣言检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107194819A (zh) * 2017-06-18 2017-09-22 太原理工大学 基于元胞自动机的信息传播模型

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10366183B2 (en) * 2015-12-01 2019-07-30 The United States Of America As Represented By The Secretary Of The Army System for modeling intelligent sensor selection and placement

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107194819A (zh) * 2017-06-18 2017-09-22 太原理工大学 基于元胞自动机的信息传播模型

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Rumor propagation in online social networks like twitter--a simulation study;Dechun Liu等;《2011 Third International Conference on Multimedia Information Networking and Security》;20111231;278-282 *
复杂社会网络上的谣言传播模型研究综述;李丹丹等;《情报理论与实践》;20161231;第39卷(第12期);130-134 *

Also Published As

Publication number Publication date
CN109086310A (zh) 2018-12-25

Similar Documents

Publication Publication Date Title
CN109086310B (zh) 一种融合个人行为与社会互动的谣言传播模型构建方法
CN111222029B (zh) 一种网络舆情信息传播中关键节点选择方法
Aicher et al. Learning latent block structure in weighted networks
US9483580B2 (en) Estimation of closeness of topics based on graph analytics
Singh The small-world effect: The influence of macro-level properties of developer collaboration networks on open-source project success
Seker Computerized argument Delphi technique
CN104778173B (zh) 目标用户确定方法、装置及设备
CN106126700B (zh) 一种微博谣言传播的分析方法
Sadler Diffusion games
CN105809554B (zh) 一种社交网络中用户参与热点话题的预测方法
CN106991617B (zh) 一种基于信息传播的微博社交关系提取算法
CN108229731B (zh) 一种热点话题下多消息互影响的用户行为预测系统及方法
US11336596B2 (en) Personalized low latency communication
CN112948885B (zh) 实现隐私保护的多方协同更新模型的方法、装置及系统
Squicciarini et al. Automatic social group organization and privacy management
Lin et al. Steering information diffusion dynamically against user attention limitation
Dover et al. Emergence of online communities: Empirical evidence and theory
CN115270001A (zh) 基于云端协同学习的隐私保护推荐方法及系统
CN113449183A (zh) 基于离线用户环境和动态奖励的交互式推荐方法和系统
CN103488885B (zh) 基于mmsb的微博网络用户行为分析方法
Yang et al. Finding the “liberos”: discover organizational models with overlaps
CN108520337B (zh) 一种基于网络风险熵差的谣言风险评估方法
Cui et al. Modeling information diffusion in time-varying community networks
Bertotti et al. Discretized kinetic theory on scale-free networks
CN110956553A (zh) 基于社交网络节点双标签传播算法的社区结构划分方法

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