CN109934727A - 网络谣言传播抑制方法、装置、设备及可读存储介质 - Google Patents

Abstract

本发明公开了一种网络谣言传播抑制方法，该方法包括以下步骤：获取在线社交网络的用户社交拓扑信息，并利用用户社交拓扑信息确定用户传播能力；利用用户社交拓扑信息确定用户相似度和目标谣言的传播热度，并结合用户相似度和传播热度确定用户辨别能力；在SEIR模型中添加用户传播能力和用户判别能力，获得DDSEIR模型；对DDSEIR模型的平均场方程进行求解获得谣言抑制因子，并利用谣言抑制因子对目标谣言进行传播抑制。应用该方法，可提升在线社交网络中谣言的传播抑制效率，可减少谣言传播带来的危害。本发明还公开了一种网络谣言传播抑制装置、设备及可读存储介质，具有相应的技术效果。

Description

网络谣言传播抑制方法、装置、设备及可读存储介质

技术领域

本发明涉及复杂网络传播动力学技术领域，特别是涉及一种网络谣言传播抑制方法、装置、设备及可读存储介质。

背景技术

在线社交网络(online social network，OSN)是人们日常交往的重要途径，已成为日常生活中不可缺少的一部分。然而，在给人们带来便利的同时，在线社交网络也为谣言的传播提供了重要的渠道。分析OSN中谣言传播的影响因素和传播规律对社会舆论的引导和预测具有重要意义。

近年来，由于谣言的传播过程类似于传染病的传染过程，故大部分研究基于经典的传染病模型SIR展开。具体的，流行病模型SIR考虑到小世界网络的谣言传播中，并确定了传播阈值。目前，提出了一种新的信息传播模型(Susceptible-Exposed-Infected-Removed，SEIR)，相较SIR模型此模型多了一个E状态(即exposed状态，也称暴露状态或潜伏状态)，其考虑人们在接收到信息后不是立刻做出决定，而是先采取观望的态度犹豫一段时间再做决定，并利用平均场方程求取同质网络和异质网络的传播阈值。虽然SEIR模型相比于SIR模型，对谣言分析和谣言传播抑制的效果更优，但是SEIR模型仍然无法满足人们对谣言分析和传播抑制效率的需求。

综上所述，如何有效地解决谣言传播抑制效率等问题，是目前本领域技术人员急需解决的技术问题。

发明内容

本发明的目的是提供一种网络谣言传播抑制方法、装置、设备及可读存储介质，以提高提高谣言传播抑制效率。

为解决上述技术问题，本发明提供如下技术方案：

一种网络谣言传播抑制方法，包括：

获取在线社交网络的用户社交拓扑信息，并利用所述用户社交拓扑信息确定用户传播能力；

利用所述用户社交拓扑信息确定用户相似度和目标谣言的传播热度，并结合所述用户相似度和所述传播热度确定用户辨别能力；

在SEIR模型中添加所述用户传播能力和所述用户判别能力，获得DDSEIR模型；

对所述DDSEIR模型的平均场方程进行求解获得谣言抑制因子，并利用所述谣言抑制因子对所述目标谣言进行传播抑制。

优选地，所述SEIR模型按照对所述目标谣言的传播状态将节点划分为无知节点、潜伏节点、传播节点和扼杀节点；所述在SEIR模型中添加所述用户传播能力和所述用户判别能力，获得DDSEIR模型，包括：

利用所述用户传播能力和所述用户判别能力对所述目标谣言的传播过程中各种节点之间的转变概率进行确定；

利用所述各个转变概率确定所述在线社交网络在目标时刻各种节点所占比例，获得DDSEIR模型。

优选地，利用所述用户传播能力和所述用户判别能力对所述目标谣言的传播过程中各种节点之间的转变概率进行确定，包括：

按照所述用户传播能力将所述在线社交网络中的用户划分为高级用户和普通用户，并将所述高级用户比例作为第一概率；

所述无知节点与所述传播节点接触时，若所述传播节点为所述高级用户，则所述无知节点直接变成所述目标谣言的潜伏节点；若所述传播节点为所述普通用户，则所述无知节点以第二概率变成所述潜伏节点；

所述潜伏节点按照所述用户辨别能力对所述目标谣言的真实性进行判断，若判断结果为否，则所述潜伏节点以第三概率变成所述传播节点；若判断结果为是，则以第四概率变成扼杀节点；

所述传播节点与所述传播节点、所述潜伏节点和所述扼杀节点中的任何一类节点相遇时，则以第五概率变成扼杀节点；在遗忘机制作用下，以第六概率变成所述潜伏状态，或以第七概率变成所述传播节点。

优选地，对所述DDSEIR模型的平均场方程进行求解获得谣言抑制因子，包括：

利用所述DDSEIR模型，确定出所述平均场方程，并利用所述平均场方程确定所述目标谣言的传播规模函数；

对所述传播规模函数进行谣言抑制求解，获得所述谣言抑制因子。

优选地，利用所述用户社交拓扑信息确定用户相似度，包括：

利用所述用户社交拓扑信息确定每一个用户的好友集合；

计算每两个所述用户的所述好友集合的好友交集，集合所述好有交集确定所述用户相似度。

优选地，利用所述用户社交拓扑信息确定用户传播能力，包括：

利用度中心性的度量方法，对所述用户社交拓扑信息进行处理，获得所述用户传播能力。

优选地，利用所述用户社交拓扑信息确定用户传播能力，包括：

利用所述用户社交拓扑信息，确定每一个用户的邻居数目；

利用所述邻居数目确定每一个所述用户的所述用户传播能力。

一种网络谣言传播抑制装置，包括：

用户传播能力确定模块，用于获取在线社交网络的用户社交拓扑信息，并利用所述用户社交拓扑信息确定用户传播能力；

用户辨别能力确定模块，用于利用所述用户社交拓扑信息确定用户相似度和目标谣言的传播热度，并结合所述用户相似度和所述传播热度确定用户辨别能力；

DDSEIR模型建立模块，用于在SEIR模型中添加所述用户传播能力和所述用户判别能力，获得DDSEIR模型；

谣言抑制模块，用于对所述DDSEIR模型的平均场方程进行求解获得谣言抑制因子，并利用所述谣言抑制因子对所述目标谣言进行传播抑制。

一种网络谣言传播抑制设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述网络谣言传播抑制方法的步骤。

一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述网络谣言传播抑制方法的步骤。

应用本发明实施例所提供的方法，获取在线社交网络的用户社交拓扑信息，并利用用户社交拓扑信息确定用户传播能力；利用用户社交拓扑信息确定用户相似度和目标谣言的传播热度，并结合用户相似度和传播热度确定用户辨别能力；在SEIR模型中添加用户传播能力和用户判别能力，获得DDSEIR模型；对DDSEIR模型的平均场方程进行求解获得谣言抑制因子，并利用谣言抑制因子对目标谣言进行传播抑制。

考虑到在线社交网络中不同用户的用户传播能力不同，且因用户的个人见识、消息的来源等因素也会造成用户对目标谣言的判别能力有所区别。基于此，利用用户社交拓扑信息确定出用户传播能力、用户相似度和目标谣言的传播热度。然后利用用户相似度和传播热度确定出用户辨别能力。确定出用户传播能力和用户辨别能力之后，便在SEIR模型的基础上添加上用户传播能力和用户判别能力，获得基于用户传播能力和用户判别能力的DDSEIR模型。也就是说，在DDSEIR模型中能够在SRIE模型的基础上，兼顾用户传播能力和用户判别能力对目标谣言进行分析和抑制。即对DDSEIR模型的平均场方程进行求解便可获得可用于抑制目标谣言传播的谣言抑制因子。如此，便可提升在线社交网络中谣言的传播抑制效率，可减少谣言传播带来的危害。

相应地，本发明实施例还提供了与上述网络谣言传播抑制方法相对应的网络谣言传播抑制装置、设备和可读存储介质，具有上述技术效果，在此不再赘述。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中一种网络谣言传播抑制方法的实施流程图；

图2为本发明实施例中DDSEIR模型传播过程示意图；

图3为本发明实施例中DDSEIR模型中各类节点所占比例随时间而变化的情况示意图；

图4(a)为本发明实施例中无知节点在各类模型中的变化情况示意图；

图4(b)为本发明实施例中潜伏节点在各类模型中的变化情况示意图；

图4(c)为本发明实施例中传播节点在各类模型中的变化情况示意图；

图4(d)为本发明实施例中扼杀节点在各类模型中的变化情况示意图；

图5为本发明实施例中高级用户所占百分比对谣言传播规模的影响示意图；

图6为本发明实施例中用户判断信息真假的标准baseline高低对谣言传播规模的影响示意图；

图7为本发明实施例中一种网络谣言传播抑制装置的结构示意图；

图8为本发明实施例中一种网络谣言传播抑制设备的结构示意图；

图9为本发明实施例中一种网络谣言传播抑制设备的具体结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

请参考图1，图1为本发明实施例中一种网络谣言传播抑制方法的流程图，该方法包括以下步骤：

S101、获取在线社交网络的用户社交拓扑信息，并利用用户社交拓扑信息确定用户传播能力。

可利用在线社交网络的服务器中存储的用户信息获得该用户社交拓扑信息。其中，用户社交拓扑信息可具体包括用户与用户之间的好友关系(如用户A与用户B之间的好友关系)，用户与用户之间的邻近关系(如用户B和用户C为网上邻居)。

目前，针对谣言传播的研究大都未考虑用户传播能力不同这一特点，用户在网络中的影响力越大，其传播能力也越强。目前已有节点影响力的度量方法，同时传播动力学适用的影响力形式是基于网络拓扑的度量指标，基于网络拓扑的影响力度量指标有度中心性、介数中心性、簇系数中心性等，优缺点如表1所示：

表1

考虑到包括网络谣言在内的信息传播是逐跳完成的，由传播者向其邻居传递消息，而不能跨越邻居实现信息的传递。

优选地，度中心性的度量方法可以直观反映出邻居的数量，邻居数量越多，该节点的影响力越大，且计算简单。因而可利用度中心性的度量方法，对用户社交拓扑信息进行处理，获得用户传播能力。具体的，可利用用户社交拓扑信息，确定每一个用户的邻居数目；利用邻居数目确定每一个用户的用户传播能力。需要说明的是，在本发明实施例中，确定用户影响力的计算过程可参见常见的节点影响力度量方法的具体实现过程，在此不再一一赘述。

S102、利用用户社交拓扑信息确定用户相似度和目标谣言的传播热度，并结合用户相似度和传播热度确定用户辨别能力。

考虑到，实际生活中人们并不是一味被动的接受消息，也会对消息的真假进行判别，但判别能力因人而异。且，人们对消息真假的判断因素包括消息的来源以及消息本身的属性，其中，消息属性的判别如消息是否是热点问题和消息的伪装程度等。例如，若消息为热点内容，则极可能被视为真消息。另外，消息伪装程度越高，即达到以假乱真的程度，则容易被视为真消息。

通常兴趣爱好越相近的两个人，越容易相信彼此传递的消息。两个用户所关注的人重复度越大，表示两个人的相似性就越大。具体的，用户相似度确定过程，包括：

步骤一、利用用户社交拓扑信息确定每一个用户的好友集合；

步骤二、计算每两个用户的好友集合的好友交集，集合好有交集确定用户相似度。

为便于描述，下面将上述两个步骤结合起来进行说明。

首先，可以利用用户社交网络拓扑信息确定出每一个用户的好友集合，然后计算出每两个用户的好友集合之间的好友交集，以物以类聚，人以群分的思想，便可基于好友交集便可确定出这两个用户之间的相似度。例如，可采用如Frisim(AB)表示用户A和用户B之间的相似度，可通过如下工作计算：其中，K_A表示用户A的好友集合，K_B表示用户B的好友集合，C_AB表示用户A和用户B的好友交集。

另外，如果接触到的消息热度很高，网络中很多人都在传播讨论这个消息，如微博的热搜榜单中的消息，处于看到此信息的人就会采取人云亦云策略，来博取人们关注。网络中传播的人越多，对收到消息但未进行传播的用户诱惑越大，即去该用户最终去进行消息传播的可能性越大。同时如果传播消息的用户是影响力大的用户如粉丝数量较多的微博用户，这将会提升信息的热度。可利用用户社交拓扑信息计算出消息的传播热度。可利用以下公式进行计算：

其中，Inf_A(t)代表是A用户在全网的影响力，Geg(A)代表用户A所能影响的用户数量，Sn是在线社交网络的用户总数；

其中，CIf_s(t)代表在t时刻网络中传播者的影响力，Speader是t时刻网络中传播者集合；

其中，其中是t时刻网络中信息的传播热度。

需说明的是，在本发明实施例中计算用户相似度和目标谣言的传播热度之间并无先后必然顺序，因此在计算用户相似度和传播热度时，可分别依次计算也可并行计算。

计算出用户相似度和目标谣言的传播热度之后，便可结合用户相似度和传播热度，确定出用户辨别能力。

用户判别能力是将传播热度及信息来源综合起来的能力。可利用下式计算用户辨别能力：

其中，baseline表示用户基础判别力。用户判断的数值越大，证明用户将越相信消息是真的并会转发消息。如果小于用户基础判别力，也就说明此信息不可靠，接收到目标谣言的用户将以概率变成传播状态，即去传播目标谣言；如果大于等于用户基础判别力，说明此消息可以选择相信并可以传播，就会以的概率变成传播者，此行为也证明了两个用户相似度越高，给对方传播信息的可能性越大。

S103、在SEIR模型中添加用户传播能力和用户判别能力，获得DDSEIR模型。

在本发明实施例中，所创建的DDSEIR模型是在SEIR模型的基础上进行改进的。具体的，SEIR模型按照对目标谣言的传播状态将节点划分为无知节点、潜伏节点、传播节点和扼杀节点，且在SEIR模型中设定了节点状态之间的转换概率和传播过程，在此不再一一赘述SEIR模型。下面详细说明本申请新提出的DDSEIR(diffuse&distinguish-spread-exposed-ignorant-recover)模型，获得DDSEIR模型的过程，包括：

步骤一、利用用户传播能力和用户判别能力对目标谣言的传播过程中各种节点之间的转变概率进行确定；

步骤二、利用各个转变概率确定在线社交网络在目标时刻各种节点所占比例，获得DDSEIR模型。

为便于描述，下面将上述两个个步骤结合起来进行说明。

考虑到用户传播能力和用户判别能力对谣言的识别和传播具有较大影响，因而在确定各个节点之间的转变概率时，结合用户传播能力和用户判别能力进行重新设定。其中，各个节点之间的转变概率指各种状态的节点之间的状态变化，如从无知节点转变为潜伏节点的概率。然后，利用各个转变概率确定出在线社交网络在目标时刻各种节点所占比例，获得DDSEIR模型。确定各种节点所占比例时，可参照在线社交网络的传播规则，如消息只能逐跳完成，即仅能通过传播者向邻居传递消息，而不能跨越邻居实现消息传递。其中，各种节点所占比例总和为1。

其中，利用用户传播能力和用户判别能力对目标谣言的传播过程中各种节点之间的转变概率进行确定，具体包括：按照用户传播能力将在线社交网络中的用户划分为高级用户和普通用户，并将高级用户比例作为第一概率；

情况一、无知节点与传播节点接触时，若传播节点为高级用户，则无知节点直接变成目标谣言的潜伏节点；若传播节点为普通用户，则无知节点以第二概率变成潜伏节点；

情况二、潜伏节点按照用户辨别能力对目标谣言的真实性进行判断，若判断结果为否，则潜伏节点以第三概率变成传播节点；若判断结果为是，则以第四概率变成扼杀节点；

情况三、传播节点与传播节点、潜伏节点和扼杀节点中的任意一类节点相遇时，则以第五概率变成扼杀节点；在遗忘机制作用下，以第六概率变成潜伏状态，或以第七概率变成传播节点。

也就是说，在确定各中节点之间的转化概率时，利用用户传播能力和用户判别能力进行确定。

请参考图2，图2为本发明实施例中DDSEIR模型传播过程示意图。假定一个在线社交网络中用户的数量为N，使用如图2所示的无向图来表示用户之间的社交关系，图2中的边表示节点之间的联系，图2中的节点代表网络中的用户。类似于流行病传染模型SIR(Susceptible Infected Recovered Model)，在DDSEIR将谣言传播过程中的用户分为以下四种状态：

ignorant状态，即无知状态，从来没有接触过消息的用户类似于SIR模型中的易感染节点，该状态的节点成为无知节点。

exposed状态，即潜伏状态，已经听到谣言但是还没有采取任何行动的人。相当于传染病传染过程中正常人在接触了传染源时，并没有立刻就被传染，病毒会在其身上潜伏一段时间再有可能爆发。该状态的节点成为潜伏节点。

spreader状态，即传播状态，对谣言感兴趣，并认为此谣言具有一定价值进行传播的人，类似于SIR模型中的感染节点。该状态的节点成为传播节点。

stifler状态，即扼杀状态，已经听到谣言，其判断出谣言或者是对谣言没有兴趣，认为此信息没有价值而拒绝传播谣言的状态，类似于SIR模型中的免疫状态。该状态的节点成为扼杀节点。

请参考图2，DDSEIR在OSN的传播规则如下：

在网络中按用户传播能力划分用户等级，如设置网络中p比例的用户高级用户，1-p比例的用户是普通用户。当一个无知节点跟谣言传播者接触的时候，有两种状况发生，如果相遇的传播者的身份是高级用户，因其影响力大能够保证与其有联系的用户肯定可以接收到消息，所以此无知节点会直接变成潜伏状态；如果相遇的传播者身份是普通用户，其的传播能力只能让部分人接受这个消息，所以此无知节点会以γ的概率变成潜伏状态。即p为第一概率，(1-p)γ为第二概率。

成为潜伏状态的节点会对消息的真实性进行判断，同时还会根据自己对此信息的感兴趣程度决定是否变成传播者，他会以ωF的概率变成传播者，如果其判断该消息是谣言，就会以的概率转变成R状态。即，为第三概率，为第四概率。

传播者发生状态改变有两种情况，一种是当跟已经听过信息的人(E、R、S状态)相遇时，传播者会认为此条消息失去了利用价值，从而失去了继续传播的兴趣，以α的概率变成扼杀状态；另一种是因为人类自身遗忘机制，他忘记了自己为什么传播此条消息，同时如果此信息的伪装程度比较好判断不出是真是假，传播者就会以δm的概率又变成潜伏状态，将继续由潜伏状态开始转变，否则将以δ(1-m)概率变成R状态。即，δ(1-m)为第五概率，δm为第六概率，α为第七概率。

获得DDSEIR模型之后，便可执行步骤S104的操作。

S104、对DDSEIR模型的平均场方程进行求解获得谣言抑制因子，并利用谣言抑制因子对目标谣言进行传播抑制。

其中，对DDSEIR模型的平均场方程进行求解以获得谣言抑制因子的具体实现过程，包括：

步骤一、利用DDSEIR模型，确定出所述平均场方程，并利用所述平均场方程确定目标谣言的传播规模函数；

步骤二、对传播规模函数进行谣言抑制求解，获得谣言抑制因子。

为便于描述，下面结合如图2所示的DDSEIR模型，将上述两个步骤结合起来说明。

结合图2，DDSEIR模型的目标谣言在网络中的传播或扩散比例是一个很重要的参量，在本发明实施例中使用平均场理论来分析DDSEIR在OSN中谣言传播的特性，以及各因素对谣言传播的影响。模型中I(t)、S(t)、E(t)、R(t)分别代表t时刻无知节点、传播节点、潜伏节点以及扼杀节点在网络中所占的比例，且满足I(t)+E(t)+S(t)+R(t)＝1，结合谣言传播过程，DDSEIR模型的平均场方程如下：

其中<k>代表网络中节点的平均度。

为了得到谣言规模函数R(t)的表达式，令λ＝p+(1-p)γ，可做如下处理：

假设网络最初只有一个传播节点，剩余N-1个节点都是无知节点，即：

对两边同时对t积分得：

当t→∞，网络中只存在扼杀节点和从未接触过信息的节点，此时R(t)+I(t)＝1，那么(10)可整理为：

当t→∞，R＝R(∞)则得到一个超越方程，其中

当时，超越方程的解有两个，一个R＝0，一个非零解，即时不能控制谣言，此时

特别地，当δ＝1时，由此可以看出：谣言的传播阈值随着信息伪装程度提高而降低，即伪装程度越高，谣言越容易在网络中传播。该阈值随着用户判别值的增强而降低，即用户判别值越高，代表其越相信这个谣言。随着高级别节点所占比例的增大而提高，即传播能力越强、辨别能力越强的人，越不容易相信谣言。也就是说，因此，在舆情监控过程中，首先需要控制高级别用户，再进一步控制其下级用户，进而控制谣言的传播。此外，本发明实施例中用户的判断力不是固定不变的，其随信息热度动态变化，且，用户的判断力存在基准线，其基准线越高，谣言越难在网络中传播。超越基准线，用户判断的值越高谣言越容易传播。为了防止谣言在网络中传播，可以举办一些活动来提高用户的辨别力，比如辨别谣言的教育、有奖竞猜活动等。

应用本发明实施例所提供的方法，获取在线社交网络的用户社交拓扑信息，并利用用户社交拓扑信息确定用户传播能力；利用用户社交拓扑信息确定用户相似度和目标谣言的传播热度，并结合用户相似度和传播热度确定用户辨别能力；在SEIR模型中添加用户传播能力和用户判别能力，获得DDSEIR模型；对平均场方程进行求解获得谣言抑制因子，并利用谣言抑制因子对目标谣言进行传播抑制。

考虑到在线社交网络中不同用户的用户传播能力不同，且因用户的个人见识、消息的来源等因素也会造成用户对目标谣言的判别能力有所区别。基于此，利用用户社交拓扑信息确定出用户传播能力、用户相似度和目标谣言的传播热度。然后利用用户相似度和传播热度确定出用户辨别能力。确定出用户传播能力和用户辨别能力之后，便在SEIR模型的基础上添加上用户传播能力和用户判别能力，获得基于用户传播能力和用户判别能力的DDSEIR模型。也就是说，在DDSEIR模型中能够在SRIE模型的基础上，兼顾用户传播能力和用户判别能力对目标谣言进行分析和抑制。即对DDSEIR模型的平均场方程进行求解便可获得可用于抑制目标谣言传播的谣言抑制因子。如此，便可提升在线社交网络中谣言的传播抑制效率，可减少谣言传播带来的危害。

为了便于本领域技术人员更好地理解本发明实施例所提供的网络谣言传播抑制方法的技术效果，下面利用NetLogo平台模拟谣言的传播过程，并采用本发明实施例所提供的方法进行谣言抑制。

其中，NetLogo是一种多主体建模仿真集成环境，适合对随时间演化的复杂系统进行建模仿真。以小世界网络结构为背景，设置N＝5000，重连概率ρ＝0.3并且<k＞＝6。所有的仿真过程均为从网络中随机选取一个传播者展开，仿真结果取200次运行结果的平均值。

一、DDSEIR模型中各类节点的转化情况分析：

请参考图3，图3为本发明实施例中DDSEIR模型中各类节点所占比例随时间而变化的情况示意图。其中，模型参数γ＝0.3，α＝0.1，δ＝0.6，β＝0.2，m＝0.7，p＝0.1，baseline＝0.2。图3中传播节点(图3中s代表的曲线)的比例一直处于一个相对稳定的较低水平，这对控制感染节点较为有利，而在线社交网络中的潜伏节点(图3中e代表的曲线)的比例是先增加到一定水平后维持一段时间，然后在减少。无知节点(图3中i代表的曲线)所占比例随时间单调递减后达到稳定，扼杀节点(图3中r代表的曲线)所占比例随时间单调递增后达到稳定。网络中最后还是存在一定比例的无知节点，是因为网络中有一部分无知节点因最近一段时间没有上线或者他的周围被扼杀节点包围，以致其没有机会跟传播节点接触，从而没有机会转变自身的状态。谣言传播一段时间后，网络中各类节点所占比例均达到稳定状态。从图3中可以看出，一段时间后，网络中仅存在扼杀节点及无知节点，符合谣言传播一般规律。

二、多种信息传播模型对比分析：

当γ＝0.3，α＝0.1，δ＝0.6，β＝0.2，m＝0.7，p＝0.1，baseline＝0.2时，各类节点在各种模型中变化规律可参考图4(a)、图4(b)、图4(c)以及图4(d)。其中，图4(a)、图4(b)、图4(c)以及图4(d)分别表示无知节点、潜伏节点、传播节点以及扼杀节点在各类模型中的变化情况。图4(a)、图4(b)、图4(c)以及图4(d)中S0表示SEIR模型；S1表示SEIR模型的基础上增加了用户的判断力这个因素；S2表示是本发明实施例所提供的DDSEIR模型，即考虑用户判断力又考虑用户的传播能力的模型。

从图4(a)和图4(d)两图横向比较可以看出，无论只增加用户判断力的S1还是增加用户判断力和用户的传播能力两个因素的S2都延缓了谣言传播的时间，如此便可增加发现谣言并进行处理的时间。相比较S1，S2两曲线，S2传播速度比S1快的原因：S2中增加了高级身份的用户，此类用户的传播能力很强，一旦高级用户成为传播者，所有与之联系的人都会变成潜伏节点，此过程加速了信息传播。现实生活中，人们的传播能力就是有区别的，比如微博、twitter中娱乐明星的传播能力跟普通大众的传播能力是天壤之别的，娱乐明星的粉丝数可达百万千万甚至是亿，而粉丝数达到万位的普通大众已经是凤毛麟角。

从图4(a)和图4(d)纵向比较可以看出，当系统达到稳定时，S1和S2两种情况网络中无知节点所含比例远高于S0，谣言传播规模低于S0，这是因为基于S1和S2的人们会对信息进行判断，一旦判定其是假消息，用户就会从潜伏状态变成扼杀状态，此部分节点将不再续传消息。但S0中没有此过程，S0中应该变成扼杀状态的潜伏节点很大概率变成了传播者，因此S0的传播范围就广泛了，听过的谣言的人就比S1，S2多。S1与S2相比较，因为高级用户存在，S2传播范围更小。一旦此类人判定听到的消息是假消息，那么其将会变成扼杀节点并停止传播消息，其粉丝都将失去了与此消息接触的机会。而普通人的粉丝没有那么多，也就是普通人变成扼杀节点对其他节点的影响没有高级用户大。

从图4(b)、图4(c)两图可以看出，无论是潜伏状态还是传播状态，本文所提的S2在网络中所占比例都比S0、S1低，且变化相对稳定，这有利于快速控制谣言的源头，并且控制已知谣言的节点禁止他们继续传播。

三、网络中高级用户所占比例对传播影响分析：

设置γ＝0.3，α＝0.1，δ＝0.6，β＝0.2，m＝0.7，baseline＝0.2，调整p＝0.1，p＝0.2，p＝0.25，p＝0.3来观察谣言规模。请参考图5，图5为本发明实施例中高级用户所占百分比对谣言传播规模的影响示意图。从图5中可以看出，目标谣言的传播速度随着网络中高级用户比例的增大而加快。此外，网络中高级别用户越多，谣言传播的范围越广。因此为了预防谣言传播过快，可适当设定网络中高级用户比例。

四、用户判断信息真假的标准(baseline)对信息传播的影响分析：

设置γ＝0.3，α＝0.1，δ＝0.6，β＝0.2，m＝0.7，p＝0.2，在[O-1]区间内，以0.05的区间间隔为增量调整baseline大小，比较谣言传播规模，结果如图6，即图6为本发明实施例中用户判断信息真假的标准baseline高低对谣言传播规模的影响示意图。从图6中可以看出baseline越高，谣言在网络中越难传播。而且baseline在达到0.2之后，谣言传播的规模急剧下降，这说明在不采取任何措施情况下(如辨别谣言的教育、宣传等)，普通人的baseline是低于0.2的。为了防止谣言在网络中传播，可以举办一些活动来提高用户的辨别力，比如辨别谣言的教育、有奖竞猜活动等。

综合考虑各种影响因素，本文发明实施例提出了一种基于用户传播能力和用户判别能力的信息传播模型DDSEIR并进行仿真。用户传播能力的强弱决定了其向无知节点传播消息时无知节点转换成潜伏节点的比例。用户的判别能力体现在用户在听到信息后(潜伏状态)决定是否续传该信息。用户会综合考虑各种因素来判断传给自己消息的人是否可信及信息是否存在利用的价值，用户判断的值越大则传播该消息的可能性越大。通过与其他模型对比发现，本发明实施例所提供的DDSEIR模型推迟了谣言传播的时间，同时降低了谣言传播的规模。仿真结果显示用户的传播能力与用户的辨别能力是影响谣言传播的两个重要因素。譬如，网络中高级别用户的比例与谣言传播的规模呈正比。因此，在舆情监控过程中，首先需要控制高级别用户，再进一步控制其下级用户，进而控制谣言的传播。此外，用户的判断力存在基准线，其基准线越高，谣言越难在网络中传播。超越基准线，用户判断的值越高谣言越容易传播。还需说明的是，在本发明实施例中用户判断能力不是固定不变的，其随信息热度动态变化。

实施例二：

相应于上面的方法实施例，本发明实施例还提供了一种网络谣言传播抑制装置，下文描述的网络谣言传播抑制装置与上文描述的网络谣言传播抑制方法可相互对应参照。

参见图7所示，该装置包括以下模块：

用户传播能力确定模块101，用于获取在线社交网络的用户社交拓扑信息，并利用用户社交拓扑信息确定用户传播能力；

用户辨别能力确定模块102，用于利用用户社交拓扑信息确定用户相似度和目标谣言的传播热度，并结合用户相似度和传播热度确定用户辨别能力；

DDSEIR模型建立模块103，用于在SEIR模型中添加用户传播能力和用户判别能力，获得DDSEIR模型；

谣言抑制模块104，用于对DDSEIR模型的平均场方程进行求解获得谣言抑制因子，并利用谣言抑制因子对目标谣言进行传播抑制。

应用本发明实施例所提供的装置，获取在线社交网络的用户社交拓扑信息，并利用用户社交拓扑信息确定用户传播能力；利用用户社交拓扑信息确定用户相似度和目标谣言的传播热度，并结合用户相似度和传播热度确定用户辨别能力；在SEIR模型中添加用户传播能力和用户判别能力，获得DDSEIR模型；对DDSEIR模型的平均场方程进行求解获得谣言抑制因子，并利用谣言抑制因子对目标谣言进行传播抑制。

考虑到在线社交网络中不同用户的用户传播能力不同，且因用户的个人见识、消息的来源等因素也会造成用户对目标谣言的判别能力有所区别。基于此，利用用户社交拓扑信息确定出用户传播能力、用户相似度和目标谣言的传播热度。然后利用用户相似度和传播热度确定出用户辨别能力。确定出用户传播能力和用户辨别能力之后，便在SEIR模型的基础上添加上用户传播能力和用户判别能力，获得基于用户传播能力和用户判别能力的DDSEIR模型。也就是说，在DDSEIR模型中能够在SRIE模型的基础上，兼顾用户传播能力和用户判别能力对目标谣言进行分析和抑制。即对DDSEIR模型的平均场方程进行求解便可获得可用于抑制目标谣言传播的谣言抑制因子。如此，便可提升在线社交网络中谣言的传播抑制效率，可减少谣言传播带来的危害。

在本发明的一种具体实施方式中，SEIR模型按照对目标谣言的传播状态将节点划分为无知节点、潜伏节点、传播节点和扼杀节点，DDSEIR模型建立模块103，包括：

转变概率确定单元，用于利用用户传播能力和用户判别能力对目标谣言的传播过程中各种节点之间的转变概率进行确定；

节点所占比例确定单元，用于利用各个转变概率确定在线社交网络在目标时刻各种节点所占比例；

DDSEIR模型确定单元，用于将各种节点所占比例并结合目标谣言的传播过程，获得目标谣言在目标时刻的平均场方程，并将平均场方程作为DDSEIR模型。

在本发明的一种具体实施方式中，转变概率确定单元，具体用于按照用户传播能力将在线社交网络中的用户划分为高级用户和普通用户，并将高级用户比例作为第一概率；无知节点与传播节点接触时，若传播节点为高级用户，则无知节点直接变成目标谣言的潜伏节点；若传播节点为普通用户，则无知节点以第二概率变成潜伏节点；潜伏节点按照用户辨别能力对目标谣言的真实性进行判断，若判断结果为否，则潜伏节点以第三概率变成传播节点；若判断结果为是，则以第四概率变成扼杀节点；传播节点与传播节点、潜伏节点和扼杀节点中的任意一类节点相遇时，则以第五概率变成扼杀节点；在遗忘机制作用下，以第六概率变成潜伏状态，或以第七概率变成传播节点。

在本发明的一种具体实施方式中，谣言抑制模块104，具体用于利用DDSEIR模型，确定出所述平均场方程，并利用所述平均场方程确定目标谣言的传播规模函数；对传播规模函数进行谣言抑制求解，获得谣言抑制因子。

在本发明的一种具体实施方式中，用户辨别能力确定模块102，具体用于利用用户社交拓扑信息确定每一个用户的好友集合；计算每两个用户的好友集合的好友交集，集合好有交集确定用户相似度。

在本发明的一种具体实施方式中，用户传播能力确定模块101，具体用于利用度中心性的度量方法，对用户社交拓扑信息进行处理，获得用户传播能力。

在本发明的一种具体实施方式中，用户传播能力确定模块101，具体用于利用用户社交拓扑信息，确定每一个用户的邻居数目；利用邻居数目确定每一个用户的用户传播能力。

实施例三：

相应于上面的方法实施例，本发明实施例还提供了一种网络谣言传播抑制设备，下文描述的一种网络谣言传播抑制设备与上文描述的一种网络谣言传播抑制方法可相互对应参照。

参见图8所示，该网络谣言传播抑制设备包括：

存储器D1，用于存储计算机程序；

处理器D2，用于执行计算机程序时实现上述方法实施例的网络谣言传播抑制方法的步骤。

具体的，请参考图9，图9为本实施例提供的一种网络谣言传播抑制设备的具体结构示意图，该网络谣言传播抑制设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在网络谣言传播抑制设备301上执行存储介质330中的一系列指令操作。

网络谣言传播抑制设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。例如，Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等。

上文所描述的网络谣言传播抑制方法中的步骤可以由网络谣言传播抑制设备的结构实现。

实施例四：

相应于上面的方法实施例，本发明实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种网络谣言传播抑制方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的网络谣言传播抑制方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

Claims (10)

1.一种网络谣言传播抑制方法，其特征在于，包括：

获取在线社交网络的用户社交拓扑信息，并利用所述用户社交拓扑信息确定用户传播能力；

利用所述用户社交拓扑信息确定用户相似度和目标谣言的传播热度，并结合所述用户相似度和所述传播热度确定用户辨别能力；

在SEIR模型中添加所述用户传播能力和所述用户判别能力，获得DDSEIR模型；

对所述DDSEIR模型的平均场方程进行求解获得谣言抑制因子，并利用所述谣言抑制因子对所述目标谣言进行传播抑制。

2.根据权利要求1所述的网络谣言传播抑制方法，其特征在于，所述SEIR模型按照对所述目标谣言的传播状态将节点划分为无知节点、潜伏节点、传播节点和扼杀节点；所述在SEIR模型中添加所述用户传播能力和所述用户判别能力，获得DDSEIR模型，包括：

利用所述用户传播能力和所述用户判别能力对所述目标谣言的传播过程中各种节点之间的转变概率进行确定；

利用所述各个转变概率确定所述在线社交网络在目标时刻各种节点所占比例，获得DDSEIR模型。

3.根据权利要求2所述的网络谣言传播抑制方法，其特征在于，利用所述用户传播能力和所述用户判别能力对所述目标谣言的传播过程中各种节点之间的转变概率进行确定，包括：

按照所述用户传播能力将所述在线社交网络中的用户划分为高级用户和普通用户，并将所述高级用户比例作为第一概率；

所述无知节点与所述传播节点接触时，若所述传播节点为所述高级用户，则所述无知节点直接变成所述目标谣言的潜伏节点；若所述传播节点为所述普通用户，则所述无知节点以第二概率变成所述潜伏节点；

所述潜伏节点按照所述用户辨别能力对所述目标谣言的真实性进行判断，若判断结果为否，则所述潜伏节点以第三概率变成所述传播节点；若判断结果为是，则以第四概率变成扼杀节点；

所述传播节点与所述传播节点、所述潜伏节点和所述扼杀节点中的任何一类节点相遇时，则以第五概率变成扼杀节点；在遗忘机制作用下，以第六概率变成所述潜伏状态，或以第七概率变成所述传播节点。

4.根据权利要求3所述的网络谣言传播抑制方法，其特征在于，对所述DDSEIR模型的平均场方程进行求解获得谣言抑制因子，包括：

利用所述DDSEIR模型，确定出所述平均场方程，并利用所述平均场方程确定所述目标谣言的传播规模函数；

对所述传播规模函数进行谣言抑制求解，获得所述谣言抑制因子。

5.根据权利要求1所述的网络谣言传播抑制方法，其特征在于，利用所述用户社交拓扑信息确定用户相似度，包括：

利用所述用户社交拓扑信息确定每一个用户的好友集合；

计算每两个所述用户的所述好友集合的好友交集，集合所述好有交集确定所述用户相似度。

6.根据权利要求1至5任一项所述的网络谣言传播抑制方法，其特征在于，利用所述用户社交拓扑信息确定用户传播能力，包括：

利用度中心性的度量方法，对所述用户社交拓扑信息进行处理，获得所述用户传播能力。

7.根据权利要求6所述的网络谣言传播抑制方法，其特征在于，利用所述用户社交拓扑信息确定用户传播能力，包括：

利用所述用户社交拓扑信息，确定每一个用户的邻居数目；

利用所述邻居数目确定每一个所述用户的所述用户传播能力。

8.一种网络谣言传播抑制装置，其特征在于，包括：

用户传播能力确定模块，用于获取在线社交网络的用户社交拓扑信息，并利用所述用户社交拓扑信息确定用户传播能力；

用户辨别能力确定模块，用于利用所述用户社交拓扑信息确定用户相似度和目标谣言的传播热度，并结合所述用户相似度和所述传播热度确定用户辨别能力；

DDSEIR模型建立模块，用于在SEIR模型中添加所述用户传播能力和所述用户判别能力，获得DDSEIR模型；

谣言抑制模块，用于对所述DDSEIR模型的平均场方程进行求解获得谣言抑制因子，并利用所述谣言抑制因子对所述目标谣言进行传播抑制。

9.一种网络谣言传播抑制设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述网络谣言传播抑制方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述网络谣言传播抑制方法的步骤。