CN109492084A - 基于社交网络双谣言模型的谣言传播范围估计方法 - Google Patents
基于社交网络双谣言模型的谣言传播范围估计方法 Download PDFInfo
- Publication number
- CN109492084A CN109492084A CN201811330229.6A CN201811330229A CN109492084A CN 109492084 A CN109492084 A CN 109492084A CN 201811330229 A CN201811330229 A CN 201811330229A CN 109492084 A CN109492084 A CN 109492084A
- Authority
- CN
- China
- Prior art keywords
- rumour
- models
- double
- state
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 230000003993 interaction Effects 0.000 claims abstract description 6
- 208000015181 infectious disease Diseases 0.000 claims description 21
- 230000002458 infectious effect Effects 0.000 claims description 13
- 230000003053 immunization Effects 0.000 claims description 10
- 238000002649 immunization Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 229910052740 iodine Inorganic materials 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims 1
- 238000009792 diffusion process Methods 0.000 abstract description 5
- 230000005764 inhibitory process Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000011160 research Methods 0.000 description 7
- 230000006854 communication Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 4
- 230000014599 transmission of virus Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000001902 propagating effect Effects 0.000 description 3
- 241000700605 Viruses Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 150000002496 iodine Chemical class 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003758 nuclear fuel Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于社交网络双谣言模型的谣言传播范围估计方法，包括：根据SI模型，考虑两条谣言传播和他们之间的相互作用，构建双谣言SI模型，得到双谣言SI模型下不同状态用户人数比例随时间变化的微分方程组；在SI模型基础上，考虑有免疫者的情况，构建基于SIR模型的双谣言模型，分别考虑度均匀网络和度不均匀网络，得到双谣言SIR模型下不同状态用户人数比例随时间变化的微分方程组；对方程进行简化，推出两种网络中传播阈值表达式，得出在终态稳态中传播阈值和传播范围的关系，从而估计出谣言的传播范围。本发明可应用于在不同的网络情况下找到合适的时间控制谣言的扩散，让谣言的影响降低，能够估计谣言传播范围，有效抑制谣言传播。
Description
技术领域
本发明涉及信息传播领域，具体涉及一种社交网络的谣言传播范围估计方法。
背景技术
20世纪60年代，Milgram首次提出的六度分离理论，为在线社交网络的发展奠定了理论基础。对于社交网络研究的网络科学理论源于复杂网络的研究，其相关理论可以追溯到1960年，和Rényi提出的ER随机图模型。在此基础上，关于复杂网络的研究发展迅速，其中最为显著的成果当属1998年，Watts等人基于网络聚类性质提出的小世界网络模型，以及1999年Barabési等人通过分析网络的入度和出度近似服从幂律分布提出的无标度网络模型。此后，大多数学者基于以上两种网络模型，根据不同的网络拓扑特征，对模型进行修正和推广。
近年来，社交网络发展迅速，日益增大的网络规模与不断进步的通讯技术，在方便用户日常交流，分享信息的同时，也为谣言、不良广告等恶意消息的传播提供了便利条件，对网络安全、社会经济等造成了一定的损害。1964年，Daley和Kendall根据网络中谣言扩散与病毒传播的相似性，首次提出谣言传播D-K模型，为谣言传播模型的研究提供了理论基础。在此基础上，越来越多的学者根据生物病毒网络中病毒传播的特征，建立谣言传播模型：Xia等人基于用户在决策谣言传播过程中的犹豫机制，提出了一个改进的SEIR模型；Zhao等人则考虑了一种特殊情况，即健康者在接触谣言后将必然改变他们的状态，提出了一个改进的SIR(即易感人群(susceptible individual)，感染者(infected individual)，免疫者(removed individual))模型；Gu等人则分析了谣言扩散过程中，用户对于谣言的遗忘与记忆机制。除此以外，针对谣言扩散过程中用户的状态，谣言传播机制等，许多学者基于平均场理论和经典的SIR模型，也进行了相关研究。
以上研究皆是针对一则谣言在网络中的传播情形，但在现实网络中，往往是多条信息同时传播且相互之间存在影响。多则谣言同时在网络中传播也会根据彼此内容上的相关性相互影响，内容相近的谣言在传播时相互促进，而内容相悖的谣言在传播时会相互抑制。此外，许多内容上看似独立的谣言，在传播过程中却有关联，例如第一则谣言为某地区核电站发生核泄漏，核原料汇入大海，第二则谣言则为东南沿海地区民众疯狂抢购含碘食盐，显然当用户在接受第一则谣言时，针对第二则谣言，用户更有可能选择相信。以上谣言之间的相互作用被学者们称为互动作用。但是当前还鲜见对于二则谣言在网络中同时传播的情况下，二者如何相互促进或相互抑制的研究，谣言传播范围的估计精确度也有待提高。
发明内容
发明目的：针对现有技术的不足，本发明的目的是提供一种基于社交网络双谣言模型的谣言传播范围估计方法，更符合实际的社交网络情况，能够更精确地估计谣言传播范围。
技术方案：为了实现以上目的，本发明所述的一种基于社交网络双谣言模型的谣言传播范围估计方法，包括以下步骤：
(1)根据SI模型，考虑两条谣言传播和他们之间的相互作用，构建双谣言SI模型，得到双谣言SI模型下不同状态用户人数比例随时间变化的微分方程组；
(2)在SI模型基础上，考虑有免疫者的情况，构建基于SIR模型的双谣言模型，分别考虑度均匀网络和度不均匀网络，进一步得到双谣言SIR模型下不同状态用户人数比例随时间变化的微分方程组；
(3)对方程进行简化，推出两种网络中传播阈值表达式，得出在终态稳态中传播阈值和传播范围的关系，从而估计出谣言的传播范围。
进一步地，所述步骤(1)中双谣言SI模型的随时间变化微分方程组为：
其中，S表示易感人群，I表示感染者，每个方程Ω下第一个字母的S，I代表对第一个谣言的三种状态，第二字母的S，I代表对第二个谣言的三种状态，合起来为个体对两个谣言的状态；Ω表示相应状态的人数或比例；λx表示谣言在不同子状态下的传染率；为网络平均度。
进一步地，所述步骤(2)中，度均匀网络中双谣言SIR模型的随时间变化微分方程组为：
其中，ΩSX表示SX状态的人数或者比例，X可以为S,I,R，就是该人数比例随着时间的变化率，其他以此类推；λx表示谣言在不同子状态下的传染率；μx表示谣言在不同子状态下的免疫率；为网络平均度；k1,k2为谣言1对谣言2的传播影响因子。
进一步地，所述所述步骤(2)中，度不均匀网络中双谣言SIR模型的随时间变化微分方程组为：
ρs、ρi、ρr分别为S,I,R状态的人数比例，λ为传染率，α为感染者免疫率，δ为易感人群免疫率，k′为k的变量，具体为对每一个k求和，k表示节点的度；
其中P(k′|k)为度相关方程：
其中P(k′)为度分布，<k>是度的平均值，
其中
ρi(k,t)＝ρi(k,0)e-λkΦ(t)
ρi(k,0)是有k连通行的未知节点的初始比重，Φ(t)为引入的辅助函数。
进一步地，所述步骤(3)中，度均匀网络的传播阈值需要满足的条件如下：
其中，λ1为从S状态到I状态的传染率；μ1为从S状态到R状态的免疫率。
进一步地，所述步骤(3)中，度不均匀网络的传播阈值满足如下条件：
有益效果：
1、本发明在双谣言传播的基础上，提出了一种新的双谣言相互作用的分析方式，并推导出阈值的表达式，仿真了感染规模和传播阈值的关系，从而根据阈值估计谣言扩散的范围，估计准确度更高。
2、本发明可以根据不同谣言传播的媒介不同，即不同的网络模型，得到不同的谣言传播范围和阈值之间的关系，从而估计出谣言传播的范围，可以根据范围传播的是否达到界限，来判断是否需要介入。还可以根据影响范围的增长率来判断谣言扩散的影响，从而得出最佳控制谣言的时间，让谣言的影响降到最低，更高效地抑制谣言的传播。
附图说明
图1为本发明所述的双谣言模型的研究方法的流程框图；
图2为SI模型传播示意图示意图；
图3为SIR模型传播示意图示意图；
图4为双谣言SI模型传播示意图示意图；
图5为双谣言SI模型中用户状态转移方程图示；
图6为双谣言SIR模型传播示意图示意图；
图7小世界模型中阈值和感染规模关系示意图；
图8无标度模型中阈值和感染规模关系示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
参照图1，本发明针对社交网络谣言的实际传播情况，构建双谣言模型，并提出阈值推导方法，基于阈值和传播范围，对谣言传播范围进行估计，包括以下步骤：
步骤1：从经典的传染病模型分析，考虑易感人群和感染者得出SI模型，在此模型中，用户根据所处的不同状态可划分为两类，即易感人群、感染者。易感人群在网络中处于健康状态，对谣言未知且尚未接触；感染者为谣言的传播者，在网络中对谣言进行扩散，如图2。传染病模型来自1964年，Daley和Kendall根据网络中谣言扩散与病毒传播的相似性，首次提出谣言传播D-K模型，为谣言传播模型的研究提供了理论基础。在此基础上，越来越多的学者根据生物病毒网络中，病毒传播的特征，建立谣言传播模型。
步骤2：考虑到免疫者的情况，转化为SIR模型，在此模型中，用户根据所处的不同状态可划分为三类，即易感人群、感染者、免疫者。易感人群在网络中处于健康状态，对谣言未知且尚未接触；感染者为谣言的传播者，在网络中对谣言进行扩散；当感染者对谣言失去兴趣，或发现辟谣信息时，将对谣言产生免疫，转化为免疫者，如图3。
步骤3：考虑两条谣言和他们之间的相互作用，得出基于SI模型的双谣言模型，如图4，得到用户接触不同个体的状态转移方程，如图5所示，其中每个方程中第一个字母的S，I，R代表对第一个谣言的三种状态，第二字母的S，I，R代表对第二个谣言的三种状态，合起来为个体对两个谣言的状态。其中λx(x＝1,2,3,4,5)表示谣言在不同子状态下的传染率，如λ3是对两个谣言同时由S状态感染为I状态的概率。
由于两则谣言在传播过程中相互作用，假定谣言1对谣言2的传播影响分别由互动影响因子k1,k2决定，有λ5＝k1λ1，λ4＝k1λ2。谣言1对谣言2的影响是有两种，由图4可以看出，λ1是在谣言1为S状态时感染谣言2的概率，而λ5是在谣言1是I状态时感染谣言2的概率。如果没有谣言1的情况下，λ1应该等于λ5，所以设λ5＝k1λ1，k1就为谣言1对谣言2的影响因子。
举例说明图5中个体状态转移方程的含义，例如表示个体对两则谣言都是健康状态转换为对第二则谣言的感染者，传染率是λ1，箭头上的SI表示遇到的人对两则谣言的状态，即他遇到了一个对第一个谣言未知，对第二个谣言已经被感染的人，然后转化到下一个状态的概率。例如上面有两个状态，表示在遇到两种情况下都会感染成后面状态，即一种是对第一个谣言未感染，对第二个谣言已感染，还有一种为对第一个和第二个都已经感染的人。
步骤4：进一步得到不同状态用户人数比例随时间变化的微分方程组，目的是为下面的推导阈值做铺垫，方程组根据状态转移图得出，即根据SIR三种状态的变化概率得出，例如，II状态的方程就是把所有箭头指向他的变化概率相加。
其中为网络平均度。网络平均度默认为已知条件，实际中可以测量取平均得。度表示了网络中一个节点与其他节点之间的连接关系，对于一个节点，若看作源节点，则出度为由源节点指向其他节点的边数；入度为其他节点指向源节点的边数；度：出度与入度的和。
步骤5：尽管两则谣言同时传播时相互影响，为简化模型，实施例中重点考虑谣言2对谣言1在扩散时的影响，相应的谣言1对谣言2的传播影响也可得到类似的结论。假定ΩSX＝ΩSI+ΩSS，则在谣言2影响下，谣言1在网络中扩散的SI模型为：
其中ΩSX是SX状态的人数或者比例，X可以为S,I,R。就是人数比例随着时间的变化率。
步骤6：在SI模型基础上，考虑有免疫者的情况，得出基于SIR模型的双谣言模型，如图6，由于易感人群在遇到感染者后将不可避免改变自身状态有λ1+λ2＝λ1′+λ2′＝1,λ3+λ4＝λ4′+λ8′＝1,λ5+λ6＝λ5′+λ6′＝λ6+λ7＝λ6′+λ7′＝1,λx(x＝1,2,3,4,5等)表示谣言在不同子状态下的传染率，如λ3是对两个谣言同时由S状态感染为I状态的概率。为了简化参数，假定用户在已知一条谣言时，对另一则谣言的感染率相同，即有λ5＝λ7＝k1λ1，μ2＝k2μ1，λ′5＝λ′7＝k1λ′1，μ2′＝k2μ1′，假定ΩSX＝ΩSS+ΩSI+ΩSI，得到不同状态用户人数比例随时间变化的微分方程组：
这些方程也是根据状态转化得来，例如就是SX状态的比例随时间变化的方程，负数表示S状态的人数在减少，减少的速度和这三个参数相关，因为相当于S转化为了I和R。
上式所述的模型受到求和条件的约束：ΩSX+ΩIX+ΩRX＝1，该约束表示一共比例为1，一定处于这三种状态，所以三种状态加起来是单位1。特别地当k1＝k2＝1，即两个谣言的比例相同，谣言2对谣言1的传播不存在显著影响时，上式可简化为：
根据上式有：
对两边积分，得到：
在终态ΩSX＝1-ΩRX，则
设因为在终态稳态时ΩRX＝0，因此有：
上式表示在时间趋于无穷即稳态时，R状态的人数不会再变化，即变化率为0，所以对ΩRX求导在ΩRX＝0时得出上式。
步骤7：在简化方程之后得出在终态稳态中阈值和传播率的关系。
考虑步骤6中表达式式≥1的情况，物理现实意义为，当R状态的传播率大于1时，终态时所有人状态转化为R，反之为I状态。下面的式子是否大于1能成立是是否能够传播的关键：
通过上式推出传播阈值需要满足的条件：
λ1为从S状态到I状态的传染率；μ1为从S状态到R状态的免疫率。
步骤8：上述步骤4-7都是基于度均匀网络模型考虑的，用的都是平均度，即在现实中，更多的是度不均匀的网络模型，下面给出度不均匀阈值的推导。
在度不均匀的模型中，度和时间都为变量，将各状态比例随着时间的变化状态方程表示为：
ρi等就是S,I,R状态的人数比例，λ为传染率，α为感染者免疫率，δ为易感人群免疫率，k′为k的变量，本来为平均度，现在为对每一个k求和，k为各节点的度。
其中P(k′|k)为度相关方程：
其中P(k′)为度分布，<k>是度的平均值，
其中
ρi(k,t)＝ρi(k,0)e-λkΦ(t)
ρi(k,0)是有k连通行的未知节点的初始比重，并引入辅助函数Φ(t)：
在上面和之后的方程式中，使用速记符号。
为了得到谣言最终大小R的表达式，使用Φ更方便。假设齐次的初始分布可以通过将上述的方程乘以q(k)，再对k求和，得到该量的微分方程：
在不丧失一般性的情况下，让当t→∞有方程的平凡解为：
其中《k》＝＜k2>/<k>和《k2》＝<k3>/<k>，得出：
这里的Φ∞为正值前提是
即度不均匀网络模型中的阈值。
步骤9：根据之前推出的阈值，分别在小世界模型和无标度模型中进行仿真模拟谣言的传播，得出阈值和传播范围的关系图，如图7和图8所示，阈值越高，感染规模越大。最后的谣言规模用R比例的人数来刻画，即免疫者的比例越大反应出越多的人被感染。从而可以估计出谣言的传播范围。
进一步地，在实际中可以根据实际不同的情况，将不同的传播路径或者网络看成不同的模型，从而进行更准确的估计。例如能够根据现实中谣言在不同网络的传播，和传染率和免疫率算出阈值，估计出他们的传染规模。这样就可以根据达到传染规模的大小，采取不同的策略，如果不会出传播或者不会达到界限，可以不做影响。如果需要，可以改变阈值，来抑制谣言的传播。
Claims (6)
1.一种基于社交网络双谣言模型的谣言传播范围估计方法，其特征在于，所述方法包括以下步骤：
(1)根据SI模型，考虑两条谣言传播和他们之间的相互作用，构建双谣言SI模型，得到双谣言SI模型下不同状态用户人数比例随时间变化的微分方程组；
(2)在SI模型基础上，考虑有免疫者的情况，构建基于SIR模型的双谣言模型，分别考虑度均匀网络和度不均匀网络，进一步得到双谣言SIR模型下不同状态用户人数比例随时间变化的微分方程组；
(3)对方程进行简化，推出两种网络中传播阈值表达式，得出在终态稳态中传播阈值和传播范围的关系，从而估计出谣言的传播范围。
2.根据权利要求1所述的基于社交网络双谣言模型的谣言传播范围估计方法，其特征在于，所述步骤(1)中双谣言SI模型的随时间变化微分方程组为：
其中，S表示易感人群，I表示感染者，每个方程Ω下第一个字母的S，I代表对第一个谣言的三种状态，第二字母的S，I代表对第二个谣言的三种状态，合起来为个体对两个谣言的状态；Ω表示相应状态的人数或比例；λx表示谣言在不同子状态下的传染率；为网络平均度。
3.根据权利要求1所述的基于社交网络双谣言模型的谣言传播范围估计方法，其特征在于，所述步骤(2)中，度均匀网络中双谣言SIR模型的随时间变化微分方程组为：
其中，ΩSX表示SX状态的人数或者比例，X可以为S，I，R，就是该人数比例随着时间的变化率，其他以此类推；λx表示谣言在不同子状态下的传染率；μx表示谣言在不同子状态下的免疫率；为网络平均度；k1，k2为谣言1对谣言2的传播影响因子。
4.根据权利要求1所述的基于社交网络双谣言模型的谣言传播范围估计方法，其特征在于，所述所述步骤(2)中，度不均匀网络中双谣言SIR模型的随时间变化微分方程组为：
ρs、ρi、ρr分别为S，I，R状态的人数比例，λ为传染率，α为感染者免疫率，δ为易感人群免疫率，k′为k的变量，具体为对每一个k求和，k表示节点的度；
其中P(k′|k)为度相关方程：
其中P(k′)为度分布，<k>是度的平均值，
其中
ρi(k，t)＝ρi(k，0)e-λkΦ(t)
ρi(k，0)是有k连通行的未知节点的初始比重，Φ(t)为引入的辅助函数。
5.根据权利要求3所述的基于社交网络双谣言模型的谣言传播范围估计方法，其特征在于，所述步骤(3)中，度均匀网络的传播阈值需要满足的条件如下：
其中，λ1为从S状态到I状态的传染率；μ1为从S状态到R状态的免疫率。
6.根据权利要求4所述的基于社交网络双谣言模型的谣言传播范围估计方法，其特征在于，所述步骤(3)中，度不均匀网络的传播阈值满足如下条件：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811330229.6A CN109492084A (zh) | 2018-11-09 | 2018-11-09 | 基于社交网络双谣言模型的谣言传播范围估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811330229.6A CN109492084A (zh) | 2018-11-09 | 2018-11-09 | 基于社交网络双谣言模型的谣言传播范围估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109492084A true CN109492084A (zh) | 2019-03-19 |
Family
ID=65694241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811330229.6A Pending CN109492084A (zh) | 2018-11-09 | 2018-11-09 | 基于社交网络双谣言模型的谣言传播范围估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109492084A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110851736A (zh) * | 2019-11-11 | 2020-02-28 | 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 |
| CN111274496A (zh) * | 2020-01-21 | 2020-06-12 | 南京邮电大学 | 一种在异构网络上考虑群组的谣言传播模型构建方法 |
| CN111414552A (zh) * | 2020-02-25 | 2020-07-14 | 杭州师范大学 | 一种在线社交网络谣言传播范围的估计方法 |
| CN111797328A (zh) * | 2020-06-22 | 2020-10-20 | 曲靖师范学院 | 一种社交网络中抑制谣言传播的方法 |
| CN111966958A (zh) * | 2020-08-17 | 2020-11-20 | 南京邮电大学 | 一种谣言传播模型建立方法 |
| CN112001072A (zh) * | 2020-08-17 | 2020-11-27 | 东北财经大学 | 基于爆发阈值及用户体验的谣言抑制方法 |
| CN115051923A (zh) * | 2022-05-25 | 2022-09-13 | 广州大学 | 一种具有反攻击机制的谣言传播模型构建方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104361231A (zh) * | 2014-11-11 | 2015-02-18 | 电子科技大学 | 一种复杂网络中的谣言传播控制方法 |
| US20160212163A1 (en) * | 2015-01-16 | 2016-07-21 | The Trustees Of The Stevens Institute Of Technology | Method and Apparatus to Identify the Source of Information or Misinformation in Large-Scale Social Media Networks |
| CN107844626A (zh) * | 2017-09-21 | 2018-03-27 | 南京邮电大学 | 一种具有多重传播率的病毒传播控制方法 |
-
2018
- 2018-11-09 CN CN201811330229.6A patent/CN109492084A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104361231A (zh) * | 2014-11-11 | 2015-02-18 | 电子科技大学 | 一种复杂网络中的谣言传播控制方法 |
| US20160212163A1 (en) * | 2015-01-16 | 2016-07-21 | The Trustees Of The Stevens Institute Of Technology | Method and Apparatus to Identify the Source of Information or Misinformation in Large-Scale Social Media Networks |
| CN107844626A (zh) * | 2017-09-21 | 2018-03-27 | 南京邮电大学 | 一种具有多重传播率的病毒传播控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 付明明 等: "《在线社交网络的双谣言模型研究》", 《计算机技术与发展》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110851736A (zh) * | 2019-11-11 | 2020-02-28 | 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 |
| CN111274496A (zh) * | 2020-01-21 | 2020-06-12 | 南京邮电大学 | 一种在异构网络上考虑群组的谣言传播模型构建方法 |
| CN111274496B (zh) * | 2020-01-21 | 2022-08-30 | 南京邮电大学 | 一种在异构网络上考虑群组的谣言传播模型构建方法 |
| CN111414552A (zh) * | 2020-02-25 | 2020-07-14 | 杭州师范大学 | 一种在线社交网络谣言传播范围的估计方法 |
| CN111414552B (zh) * | 2020-02-25 | 2022-05-27 | 杭州师范大学 | 一种在线社交网络谣言传播范围的估计方法 |
| CN111797328A (zh) * | 2020-06-22 | 2020-10-20 | 曲靖师范学院 | 一种社交网络中抑制谣言传播的方法 |
| 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 |
| CN111966958A (zh) * | 2020-08-17 | 2020-11-20 | 南京邮电大学 | 一种谣言传播模型建立方法 |
| CN112001072A (zh) * | 2020-08-17 | 2020-11-27 | 东北财经大学 | 基于爆发阈值及用户体验的谣言抑制方法 |
| 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 |
| CN115051923A (zh) * | 2022-05-25 | 2022-09-13 | 广州大学 | 一种具有反攻击机制的谣言传播模型构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492084A (zh) | 基于社交网络双谣言模型的谣言传播范围估计方法 | |
| CN106096075B (zh) | 一种基于社交网络的消息传播模型的构建方法 | |
| Xiao et al. | A space-time diffusion scheme for peer-to-peer least-squares estimation | |
| Moreno et al. | Efficiency and reliability of epidemic data dissemination in complex networks | |
| Trajanovski et al. | Decentralized protection strategies against SIS epidemics in networks | |
| CN103279512B (zh) | 利用社会网络上最有影响力节点实现高效病毒营销的方法 | |
| CN105978732B (zh) | 一种基于粒子群优化最简回声状态网络参数的方法和系统 | |
| Yu | Consensus-based distributed mixture Kalman filter for maneuvering target tracking in wireless sensor networks | |
| Li et al. | Competition and cooperation: Dynamical interplay diffusion between social topic multiple messages in multiplex networks | |
| Vega-Oliveros et al. | Rumor propagation with heterogeneous transmission in social networks | |
| Zhu et al. | Analysis of SHIR rumor propagation in random heterogeneous networks with dynamic friendships | |
| Zhang et al. | Layered SIRS model of information spread in complex networks | |
| Kumar et al. | Temporally agnostic rumor-source detection | |
| Jiang et al. | Stability analysis and control models for rumor spreading in online social networks | |
| Wang et al. | Direct immune-SCIR public-opinion propagation model based on real-time online users | |
| Trajanovski et al. | From epidemics to information propagation: Striking differences in structurally similar adaptive network models | |
| CN104199884A (zh) | 一种基于r覆盖率优先的社交网络观察点选取方法 | |
| Zhang et al. | Dynamic behavior of an I2S2R rumor propagation model on weighted contract networks | |
| Gao et al. | Modeling covid-19 with mean field evolutionary dynamics: Social distancing and seasonality | |
| CN105869054A (zh) | 基于三度影响力原则的社会网络影响力最大化的方法 | |
| Ren et al. | A fractional order model for rumor spreading in mobile social networks from a stochastic process | |
| CN111414552B (zh) | 一种在线社交网络谣言传播范围的估计方法 | |
| CN111966958A (zh) | 一种谣言传播模型建立方法 | |
| Tang et al. | Study of Turing patterns in a SI reaction-diffusion propagation system based on network and non-network environments | |
| Fan et al. | Epidemic model of mobile phone virus for hybrid spread mode with preventive immunity and mutation |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190319 |
|
| RJ01 | Rejection of invention patent application after publication |