CN110661696A - 一种基于梯度信息的消息传播控制方法 - Google Patents
一种基于梯度信息的消息传播控制方法 Download PDFInfo
- Publication number
- CN110661696A CN110661696A CN201910813302.3A CN201910813302A CN110661696A CN 110661696 A CN110661696 A CN 110661696A CN 201910813302 A CN201910813302 A CN 201910813302A CN 110661696 A CN110661696 A CN 110661696A
- Authority
- CN
- China
- Prior art keywords
- network
- propagation
- message
- node
- gradient
- 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 33
- 238000012986 modification Methods 0.000 claims abstract description 13
- 230000004048 modification Effects 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000011273 social behavior Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000486761 Chilobrachys Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种基于梯度信息的消息传播控制方法，首先通过用户之间的关系和行为数据构建原始网络，然后通过预先训练好的传播预测模型对原始网络进行传播预测，再然后通过最小修改网络结构达到消息传播控制的目的，最后再通过相应的传播预测模型对修改后的网络进行传播预测，以验证消息的传播得到了控制。对用户级消息传播的控制，针对性较强；且对网络结构的改动较小，即消息传播控制的代价较小。
Description
技术领域
本发明涉及一种消息传播控制的方法，具体地说是一种基于梯度信息的消息传播控制方法。
背景技术
随着计算机技术高速发展、互联网产生大数据和神经网络训练方法改进，深度学习技术得到了快速发展。深度学习是一种特殊的机器学习，通过学习将世界使用嵌套的概念层次来表示并实现巨大的功能和灵活性，其中每个概念都定义为与简单概念相关联，而更为抽象的表示则以较不抽象的方式来计算。
近年来以社交网络为代表的互联网技术迅猛发展，社交网络服务已经在全世界范围内以极快的速度流行起来。截止到2015年10月，Facebook的全球用户量达到了15亿，成为了全球最大的社交网站。在国内，新浪微博的注册用户也超过了6亿，月活跃用户超过了2亿。人们可以通过社交网络分享信息、查找好友、游戏娱乐等。由此可见，社交网络已经成为人们日常生活的一部分，正在深刻地影响着人们生活的方方面面。
在社交网络中，用户不仅是信息的接受者，同时也是信息的发布者和传播者，体现了网络中社交的特性。社交网络的特性也使得信息在网络中传播的方式发生了巨大的变化，社交网络通过用户间的关系链带动用户行为的产生，又通过用户行为来促进关系链的巩固与持续传播。社交网络对用户和关系的带动是营销式的，因此信息在网络中传播的速度和规模都达到了一个新的高度。另一方面，由于社交网络具有虚拟性和开放性的特点，各种不法分子也利用这个平台进行违法犯罪活动，给国家安全和社会稳定带来了严重的影响。由此可见，及时发现社交网络中的敏感话题并控制其进一步传播所带来的恶劣影响就显得十分重要。
北京理工大学的闫波等人(参考文献1：基于神经网络的社会网络影响力预测及最大化系统与方法，申请号2017113964780)提出了一种预测模型和影响力最大化的方法，该方法通过观察社会网络节点行为属性或使用线性阈值模型，获得节点之间部分的影响力关系。将影响力关系文本化，使用神经网络进行学习。通过得到的神经网络模型对该社会网络影响力进行预测。该方法只做了影响力预测而并未考虑预测出结果后如何进行有效控制和应对；同样的，北京邮电大学的程祥等人(参考文献2：基于社交网络事件的用户影响力预测方法，申请号2016102799836)提出一种基于社交网络事件的用户影响力预测方法，该方法旨在提出一种新的预测模型对用户影响力进行预测，提高预测结果的准确性，而对预测出结果后如何进行有效控制只字未提。腾讯科技(深圳)有限公司的陈钊等人(参考文献3：一种控制在线社交网络信息传播的方法、装置及终端，申请号2016108172645)公开了一种控制在线社交网络信息传播的方法、装置及终端，该方法通过构建信息传播网络，计算节点的离线特征，从离线特征中抽取训练样本，通过机器学习训练预先构建的节点传播影响力预测模型，计算节点的在线特征，向节点传播影响力预测模型提供作为输入的离线特征和在线特征，节点传播影响力预测模型进行预测并输出节点传播影响力预测值；结合当前节点的节点传播影响力预测值和指定时间窗口大小内的其他节点的信息，判定是否对当前节点进行控制。该方法需要结合当前节点的节点传播影响力预测值和指定时间窗口大小内的其他节点的信息，判定是否对当前节点进行控制。
发明内容
本发明要克服现有技术的上述缺点，提供一种基于梯度信息的消息传播控制方法。
本发明首先通过用户之间的关系和行为数据构建原始网络，然后通过预先训练好的传播预测模型对原始网络进行传播预测，再然后通过最小修改网络结构达到消息传播控制的目的，最后再通过相应的传播预测模型对修改后的网络进行传播预测，以验证消息的传播得到了控制。
本发明解决其技术问题所采用的技术方案是：
一种基于梯度信息的消息传播控制方法，所述消息传播控制方法包括以下步骤：
1)构建原始网络；
具体的说，通过用户之间的关系数据获得原始网络的邻接表以储存所有节点的邻居信息(每个节点代表一个用户)，邻接表以python中字典的形式记录，如{‘a’：[‘b’,‘c’,‘d’]}表示节点a的一阶邻居为b,c,d。
2)对原始网络进行传播预测；
具体的说，通过预先训练好的deepinf模型对原始网络的传播进行预测。首先通过采样获得固定大小的子网络，然后将采样获得的子网络喂入具有小批量学习的深度神经网络，最后输出每个节点的二维表示，分别表示了节点的动作状态和该节点是否为我们关注的中心节点v，如
表示在t时刻下节点u被激活，即执行了某操作。该操作可以是转发等一系列社交动作。采样方法参考了GraphSAGE模型中的邻居采样，本方法中子网络大小固定为50(表示每个子网络由50个节点组成)，对所有r阶以内的邻居进行邻居相似度排序(本方法中r设定为3)，从一阶邻居内相似度高的开始，若所有一阶邻居数量不足50个，则从二阶邻居内按相似度排序取，以此类推，直到补足50个节点视为采样完成。
3)通过最小修改网络结构，从而控制消息的传播；
具体的说，在子网络中计算梯度，得到梯度最大的连边，回到原始网络中对相应连边进行修改。deepinf模型的损失函数设计为负的对数似然函数
其中
表示由节点vi的r阶邻居采样得到的子网络，表示在ti时刻下节点vi的动作状态，θ为模型参数，N为子网络的数目。求得每条连边对于损失函数的梯度(即偏导数)，以衡量每条连边对于损失函数的“贡献”，然后取梯度方向，若梯度方向为正，则增加连边(已有则忽略)；若梯度方向为负，则删除连边。更新被攻击后的网络的邻接矩阵，再次求取梯度，重复上述操作，反复迭代5次，即一共修改5条连边。
4)验证消息的传播得到了控制。
具体的说，迭代完成后，再次使用deepinf模型对被修改后的网络进行传播预测，若预测结果发生翻转，则视为消息的传播得到了控制。即修改网络结构前我们关心的中心节点v受活跃邻居的影响被激活，即
修改后再次预测变为不受影响,即
或反之，修改前不受影响修改后变为受影响，则都视为消息的传播得到了控制。
本发明事先给定一个用户v和他的活跃邻居u，预测这个用户v最终是否会被活跃邻居u影响，并通过最小修改网络结构，使得预测结果发生翻转(原本受影响修改后变为不受影响，或反之)，以达到传播控制的目的。
本发明的优点是：对用户级消息传播的控制，针对性较强；且对网络结构的改动较小，即消息传播控制的代价较小。
附图说明
图1是本发明方法的流程示意图。
图2是本发明的deepinf模型框架图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步描述。
实施例1
本实施例公开一种基于梯度信息的消息传播控制方法,本方法是基于梯度信息的方法，通过求取每条连边的梯度，以增大损失函数为手段修改网络结构，以达到消息传播控制的目的。传播预测模型采用deepinf模型，如图2所示，该模型包含原始输入层、嵌入层、归一化、输入层、GCN/GAT层、输出层等。
本实施例具体包括以下步骤：
1)构建原始网络；
本实施例中，通过用户之间的关系数据获得原始网络的邻接表以储存所有节点的邻居信息(每个节点代表一个用户)，邻接表以python中字典的形式记录，如{‘a’：[‘b’,‘c’,‘d’]}表示节点a的一阶邻居为b,c,d。
2)对原始网络进行传播预测；
本实施例中，通过预先训练好的deepinf模型对原始网络的传播进行预测。首先通过采样获得固定大小的子网络，然后将采样获得的子网络喂入具有小批量学习的深度神经网络，最后输出每个节点的二维表示，分别表示了节点的动作状态和该节点是否为我们关注的中心节点v，如
表示在t时刻下节点u被激活，即执行了某操作。该操作可以是转发等一系列社交动作。采样方法参考了GraphSAGE模型中的邻居采样，本方法中子网络大小固定为50(表示每个子网络由50个节点组成)，对所有r阶以内的邻居进行邻居相似度排序(本方法中r设定为3)，从一阶邻居内相似度高的开始，若所有一阶邻居数量不足50个，则从二阶邻居内按相似度排序取，以此类推，直到补足50个节点视为采样完成。
3)通过最小修改网络结构，从而控制消息的传播；
本实施例中，在子网络中计算梯度，得到梯度最大的连边，回到原始网络中对相应连边进行修改。deepinf模型的损失函数设计为负的对数似然函数
其中
表示由节点vi的r阶邻居采样得到的子网络，
表示在ti时刻下节点vi的动作状态，θ为模型参数，N为子网络的数目。求得每条连边对于损失函数的梯度(即偏导数)，以衡量每条连边对于损失函数的“贡献”，然后取梯度方向，若梯度方向为正，则增加连边(已有则忽略)；若梯度方向为负，则删除连边。更新被攻击后的网络的邻接矩阵，再次求取梯度，重复上述操作，反复迭代5次，即一共修改5条连边。
4)验证消息的传播得到了控制。
本实施例中，迭代完成后，再次使用deepinf模型对被修改后的网络进行传播预测，若预测结果发生翻转，则视为消息的传播得到了控制。即修改网络结构前我们关心的中心节点v受活跃邻居的影响被激活，即
修改后再次预测变为不受影响,即
或反之，修改前不受影响修改后变为受影响，则都视为消息的传播得到了控制。
实施例2
1.数据集：数据集包含四个不同领域的社交网络，分别是Digg，OAG,Twitter和微博，表1为每个数据集的详细数据信息。
①Digg：Digg数据集包含2009年一个月内推广到Digg首页的故事数据。对于每个故事，我们收集了截止日期前为故事投票的所有Digg用户以及每次投票的时间戳。我们还检索了选民的友情链接。用户ID已被匿名化，但在数据集中是唯一的：友谊链接表中具有特定id的用户和在投票表中具有相同id的用户对应于相同的实际用户。
②OAG:Open Academic Graph,是一个统一两个十亿规模大小的学术图表：Microsoft Academic Graph(MAG)和AMiner的大型知识图，其中包含来自MAG的166,192,182篇论文和来自AMiner的154,771,162篇论文，并在两个图之间生成64,639,608个链接(匹配)关系。我们从数据挖掘，信息检索，机器学习，自然语言处理，计算机视觉和数据库研究社区中选择了20个热门会议。社交网络被定义为共同作者网络，并且社会行为被定义为引用了上述会议的论文。
③Twitter:该数据集是在2012年7月4日宣布发现具有难以捉摸的希格斯玻色子特征的新粒子之前，期间和之后监测Twitter上的传播过程之后建立的，社交网络被定义为Twitter友谊网络，社会行为被定义为用户是否转发“Higgs”相关推文。
④微博：该数据集包含2012年9月28日到2012年10月29日之间发布日志的1776950位用户信息，社会行为被定义为转发微博。
| Digg | OAG | |||
| V | 279630 | 953675 | 456626 | 1776950 |
| E | 1548126 | 4151463 | 12508413 | 308489739 |
| N | 24428 | 499848 | 499160 | 779164 |
表1
其中V和E分别为数据集中节点数和连边数，N为实例(子网络)数。
2.实验过程
Deepinf模型训练过程：
training...
train loss in this epoch 1.958795
train loss in this epoch 0.783924
train loss in this epoch 0.509384
train loss in this epoch 0.496420
train loss in this epoch 0.485202
train loss in this epoch 0.477271
train loss in this epoch 0.475218
train loss in this epoch 0.472851
train loss in this epoch 0.469796
train loss in this epoch 0.465528
epoch 9,checkpoint！
valid_loss:0.4641 AUC:0.7795 Prec:0.6559 Rec:0.4116 F1:0.5058
best threshold＝-1.172128,f1＝0.5737
using threshold -1.1721
test_loss:0.4575 AUC:0.7918 Prec:0.5176 Rec:0.6386 F1:0.5718
…
…
…
train loss in this epoch 0.368711
train loss in this epoch 0.367306
train loss in this epoch 0.368192
train loss in this epoch 0.368998
train loss in this epoch 0.368329
train loss in this epoch 0.367247
train loss in this epoch 0.367043
train loss in this epoch 0.366434
train loss in this epoch 0.366478
train loss in this epoch 0.371854
epoch 999,checkpoint！
valid_loss:0.4048 AUC:0.8379 Prec:0.7279 Rec:0.5375 F1:0.6184
best threshold＝-1.047002,f1＝0.6444
using threshold-1.0470
test_loss:0.4077 AUC:0.8401 Prec:0.6488 Rec:0.6347 F1:0.6416
optimization Finished！
total time elapsed:296.0662s
retrieve best threshold...
valid_loss:0.4048 AUC:0.8379 Prec:0.7279 Rec:0.5375 F1:0.6184
best threshold＝-1.047002,f1＝0.6444
testing...
using threshold -1.0470
test_loss:0.4077 AUC:0.8401 Prec:0.6488 Rec:0.6347 F1:0.6416
修改网络结构，得到修改后的样本：
修改第1条连边:
第1个样本
第2个样本
第3个样本
…
…
第6107个样本
Time used:157.989258129
修改第2条连边:
第1个样本
第2个样本
第3个样本
…
…
第6107个样本
Time used:157.55636057700002
…
…
修改第5条连边
第1个样本
第2个样本
第3个样本
…
…
第6107个样本
Time used:160.4071904519999
网络结构修改完成！
3.实验结果
训练完成后用保存好的模型对修改网络结构后得到的样本进行分类，结果：
第一次迭代：test_loss:0.5290 AUC:0.7278 Prec:0.4745 Rec:0.5861 F1:0.5244 388
第二次迭代：test_loss:0.6191 AUC:0.6466 Prec:0.3852 Rec:0.5401 F1:0.4497 588
第三次迭代：test_loss:0.6901 AUC:0.5862 Prec:0.3338 Rec:0.5026 F1:0.4012 764
第四次迭代：test_loss:0.7584 AUC:0.5312 Prec:0.2957 Rec:0.4744 F1:0.3643 948
第五次迭代：test_loss:0.8080 AUC:0.4944 Prec:0.2621 Rec:0.4494 F1:0.3311 1064
其中388,588,764,948,1064是统计每一次迭代(每迭代一次修改一条连边)消息传播得到成功控制的样本数量。由实验结果可知，本方法经过5次迭代后损失函数的值达到了0.8以上，且每次迭代后消息传播得到控制的成功率有着明显提升。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (2)
1.一种基于梯度信息的消息传播控制方法，包括以下步骤：
1)构建原始网络；
所述构建原始网络是指通过用户之间的关系数据获得原始网络的邻接表以储存所有节点的邻居信息，每个节点代表一个用户，邻接表以python中字典的形式记录；
2)对原始网络进行传播预测；
所述对原始网络进行传播预测是指通过预先训练好的deepinf模型对原始网络的传播进行预测；首先通过采样获得固定大小的子网络，然后将采样获得的子网络喂入具有小批量学习的深度神经网络，最后输出每个节点的二维表示，分别表示了节点的动作状态和该节点是否为被关注的中心节点v，
表示在t时刻下节点u被激活，即执行了某操作，该操作是包括转发的一系列社交动作；采样方法参考了GraphSAGE模型中的邻居采样，子网络大小固定为50，表示每个子网络由50个节点组成，对所有r阶以内的邻居进行邻居相似度排序，从一阶邻居内相似度高的开始，若所有一阶邻居数量不足50个，则从二阶邻居内按相似度排序取，以此类推，直到补足50个节点视为采样完成；
3)通过最小修改网络结构，从而控制消息的传播；
所述最小修改网络结构是指在子网络中计算梯度，得到梯度最大的连边，回到原始网络中对相应连边进行修改；deepinf模型的损失函数设计为负的对数似然函数：
其中
表示由节点vi的r阶邻居采样得到的子网络，表示在ti时刻下节点vi的动作状态，θ为模型参数，N为子网络的数目；求得每条连边对于损失函数的梯度，以衡量每条连边对于损失函数的“贡献”，然后取梯度方向，若梯度方向为正，则增加连边，已有则忽略；若梯度方向为负，则删除连边；更新被攻击后的网络的邻接矩阵，再次求取梯度，重复上述操作，反复迭代5次，即一共修改5条连边；
4)验证消息的传播得到了控制；
所述验证消息传播得到了控制是指迭代完成后，再次使用deepinf模型对被修改后的网络进行传播预测，若预测结果发生翻转，则视为消息的传播得到了控制；即修改网络结构前被关心的中心节点v受活跃邻居的影响被激活，即
修改后再次预测变为不受影响,即
或反之，修改前不受影响修改后变为受影响，则都视为消息的传播得到了控制；
2.如权利要求1所述的一种基于梯度信息的消息传播控制方法，其特征在于：步骤2中r设定为3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910813302.3A CN110661696A (zh) | 2019-08-30 | 2019-08-30 | 一种基于梯度信息的消息传播控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910813302.3A CN110661696A (zh) | 2019-08-30 | 2019-08-30 | 一种基于梯度信息的消息传播控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110661696A true CN110661696A (zh) | 2020-01-07 |
Family
ID=69036557
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910813302.3A Pending CN110661696A (zh) | 2019-08-30 | 2019-08-30 | 一种基于梯度信息的消息传播控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110661696A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310975A (zh) * | 2020-01-19 | 2020-06-19 | 浙江工业大学 | 一种基于深度模型的多任务消息传播预测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008150A (zh) * | 2014-05-20 | 2014-08-27 | 中国科学院信息工程研究所 | 一种对社交网络信息传播趋势预测的方法及系统 |
| US20140372542A1 (en) * | 2013-06-12 | 2014-12-18 | Foundation Of Soongsil University-Industry Cooperation | Method and apparatus for propagating a message in a social network |
| CN105468681A (zh) * | 2015-11-16 | 2016-04-06 | 中国科学院信息工程研究所 | 一种基于话题模型的网络负面信息影响最小化方法 |
| CN107809363A (zh) * | 2016-08-30 | 2018-03-16 | 腾讯科技（深圳）有限公司 | 一种网络信息传播控制方法和装置 |
| CN107818514A (zh) * | 2016-09-12 | 2018-03-20 | 腾讯科技（深圳）有限公司 | 一种控制在线社交网络信息传播的方法、装置及终端 |
| CN108648095A (zh) * | 2018-05-10 | 2018-10-12 | 浙江工业大学 | 一种基于图卷积网络梯度的节点信息隐藏方法 |
| CN109472412A (zh) * | 2018-11-09 | 2019-03-15 | 百度在线网络技术（北京）有限公司 | 一种事件的预测方法及装置 |
| CN110097079A (zh) * | 2019-03-29 | 2019-08-06 | 浙江工业大学 | 一种基于分类边界的用户隐私保护方法 |
-
2019
- 2019-08-30 CN CN201910813302.3A patent/CN110661696A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140372542A1 (en) * | 2013-06-12 | 2014-12-18 | Foundation Of Soongsil University-Industry Cooperation | Method and apparatus for propagating a message in a social network |
| CN104008150A (zh) * | 2014-05-20 | 2014-08-27 | 中国科学院信息工程研究所 | 一种对社交网络信息传播趋势预测的方法及系统 |
| CN105468681A (zh) * | 2015-11-16 | 2016-04-06 | 中国科学院信息工程研究所 | 一种基于话题模型的网络负面信息影响最小化方法 |
| CN107809363A (zh) * | 2016-08-30 | 2018-03-16 | 腾讯科技（深圳）有限公司 | 一种网络信息传播控制方法和装置 |
| CN107818514A (zh) * | 2016-09-12 | 2018-03-20 | 腾讯科技（深圳）有限公司 | 一种控制在线社交网络信息传播的方法、装置及终端 |
| CN108648095A (zh) * | 2018-05-10 | 2018-10-12 | 浙江工业大学 | 一种基于图卷积网络梯度的节点信息隐藏方法 |
| CN109472412A (zh) * | 2018-11-09 | 2019-03-15 | 百度在线网络技术（北京）有限公司 | 一种事件的预测方法及装置 |
| CN110097079A (zh) * | 2019-03-29 | 2019-08-06 | 浙江工业大学 | 一种基于分类边界的用户隐私保护方法 |
Non-Patent Citations (1)
| Title |
|---|
| JIEZHONG QIU,JIAN TANG,HAO MA YUXIAO DONG,KUANSAN WANG,AND J: "deepinf: social influence prediction with deep learning", 《PROCEEDINGS OF THE 24TH ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY & DATA MINING》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310975A (zh) * | 2020-01-19 | 2020-06-19 | 浙江工业大学 | 一种基于深度模型的多任务消息传播预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wei et al. | Twitter bot detection using bidirectional long short-term memory neural networks and word embeddings | |
| Beskow et al. | Bot conversations are different: leveraging network metrics for bot detection in twitter | |
| CN112199608B (zh) | 基于网络信息传播图建模的社交媒体谣言检测方法 | |
| Kumar et al. | Dynamics of conversations | |
| CN109597844B (zh) | 基于深度神经网络与图网络的核心用户挖掘方法及系统 | |
| Suleiman et al. | SMS spam detection using H2O framework | |
| CN104281882A (zh) | 基于用户特征的预测社交网络信息流行度的方法及系统 | |
| Panagopoulos et al. | Multi-task learning for influence estimation and maximization | |
| CN110147911B (zh) | 一种基于内容感知的社交影响力预测模型及预测方法 | |
| Lu et al. | An efficient combined deep neural network based malware detection framework in 5G environment | |
| CN106294590A (zh) | 一种基于半监督学习的社交网络垃圾用户过滤方法 | |
| Alzahrani et al. | Comparative study of machine learning algorithms for SMS spam detection | |
| CN110825980B (zh) | 一种基于对抗生成网络的微博话题推送方法 | |
| CN107870957A (zh) | 一种基于信息增益和bp神经网络的热门微博预测方法 | |
| CN111737427B (zh) | 融合论坛互动行为与用户阅读偏好的慕课论坛帖推荐方法 | |
| Khan et al. | Trust and believe-should we? evaluating the trustworthiness of twitter users | |
| CN111428151A (zh) | 一种基于网络增速的虚假消息识别方法及其装置 | |
| Bailurkar et al. | Detecting bots to distinguish hate speech on social media | |
| Kirchner et al. | Researching alignment research: Unsupervised analysis | |
| CN107644268B (zh) | 一种基于多特征的开源软件项目孵化状态预测方法 | |
| CN110661696A (zh) | 一种基于梯度信息的消息传播控制方法 | |
| Segal et al. | Fast Uncertainty Sampling for Labeling Large E-mail Corpora. | |
| CN112819499A (zh) | 信息发送方法、装置、服务器及存储介质 | |
| Gupta et al. | Identifying radical social media posts using machine learning | |
| CN115952343A (zh) | 一种基于多关系图卷积网络的社交机器人检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200107 |