CN110825948A - 基于促谣-辟谣消息和表示学习的谣言传播控制方法 - Google Patents

Abstract

本发明属于社交网络控制技术领域，尤其涉及一种基于促谣‑辟谣消息和表示学习的谣言传播控制方法，包括爬取原始数据，并基于内容兴趣特征、网络结构特征以及节点属性特征提取促谣消息、谣言消息以及辟谣消息的传播空间特征，建立谣言‑辟谣‑促谣消息传播空间矩阵；根据该矩阵以及谣言‑辟谣‑促谣消息全用户传播关系矩阵建立基于图卷积神经网络和辟谣‑促谣消息影响力的谣言传播预测模型；将当前数据输入谣言传播预测模型，获得谣言转发情况的预测；对下一个时刻的谣言转发潜在用户，进行谣言消息隔离或者进行辟谣消息推荐；本发明能够有效地预测谣言话题下的用户转发情况，同时可以更真实地刻画谣言传播动态过程。

Description

基于促谣-辟谣消息和表示学习的谣言传播控制方法

技术领域

本发明属于社交网络控制技术领域，尤其涉及一种基于促谣-辟谣消息和表 示学习的谣言传播控制方法。

背景技术

谣言是社会发展的产物。自人类文明诞生以来，作为一种社会现象，谣言 就在社会生活中扮演着特殊的角色。谣言是指没有经过官方确认，与事实不符 的信息、传闻或言论。谣言通过社交网络短时间内快速传播，因此，如何通过 技术手段对社交网络中的谣言传播进行分析、预测和控制，一方面有助于解析 网络谣言话题中网民群体数据变化中的科学规律，另一方面将有助于公共部门 引导正确的舆论导向，及时发现和化解社会问题。

社交媒体的出现提供了共享资源，交互信息并使得因特网维护大量用户信 息数据成为了可能。这些数据具有丰富的研究价值，使得从大量数据中挖掘有 用信息成为一项热门研究。针对网络谣言信息传播预测，国内外学者在宏观层 面对谣言传播动力学模型进行研究，在微观层面对用户的传播进行具体预测。

在宏观层面，基于传染病模型研究谣言传播动力机制是谣言传播研究的经 典方法。最近，研究往往侧重于人类个体和社会属性，如记忆机制、犹豫机制 和从众心理机制。在真实谣言传播过程中通常伴随大量相关信息传播，多数研 究是基于辟谣机制来考虑谣言传播动力学。K Ji等人提出了反谣言动力学，并 通过复杂网络上的数值模拟，探讨了反谣言动力学的特点。Zan Y等人建立双重 谣言传播模型，对复杂网络中多谣言同时传播过程进行研究。(王田，李黄海阳 等.社交网络中基于移动节点的辟谣方法：中国，CN109120460A.2019-01-01)， 该方法重点考虑传播节点中传辟谣和免疫谣言的状态，并引入移动节点进行谣 言控制。但是上述研究该专利只研究了谣言话题中的单消息或者是考虑了辟谣 消息的影响，并未充分考虑到谣言传播过程中附带消息的多样性，对于谣言传播的真实性程度挖掘不充分。

发明内容

为了分析谣言话题传播的规律，从而控制谣言话题的传播，本发明提出一 种基于促谣-辟谣消息和表示学习的谣言传播控制方法，包括以下步骤：

S1、利用网络爬虫或者通过在线社交网络API平台获取数据源，并进行预 处理；

S2、从谣言话题中的基本属性数据、交互数据、历史数据中提取、计算获 得内容兴趣特征表示、混合网络结构特征表示、节点属性特征表示，并将传播 空间中内容兴趣特征表示、混合网络结构特征表示、节点属性特征表示用低维 稠密的向量表示；

S3、根据根据每个传播节点上游用户中促谣-辟谣用户个数计算传播节点的 影响力；

S4、构建基于图卷积神经网络和辟谣-促谣消息影响力的谣言传播预测模型， 将当前时刻的数据源输入该模型，获得下一个时刻谣言转发情况的预测；

S5、对下一个时刻的谣言转发潜在用户，进行谣言消息隔离或者进行辟谣 消息推荐。

进一步的，步骤S1具体包括：

S11、利用网络爬虫或者通过在线社交网络烤房API平台获取数据源，获取 的数据源违反谣言话题下谣言、辟谣以及促谣三类消息传播空间的基本属性、 交互数据以及历史数据；

S12、对数据源中重复数据和无效数据进行删除，其中无效数据是指信息不 完整或者信息丢失的数据。

进一步的，步骤S2包括：

S21、利用改进Doc2vec算法获得数据源的传播空间内容兴趣特征表示；

S22、利用Line网络表示学习算法将一个用户的传播结构特征用一个低维稠 密向量表示，获得混合网络结构特征表示；

S23、基于用户基本信息、用户消息感知力、用户活跃度计算获得节点属性 特征表示。

进一步的，所述利用改进Doc2vec算法获得数据源的传播空间内容兴趣特 征表示包括：基于TextRank算法对Doc2vec算法进行改进，将用户id标识和上 下文关键词，输出的用户内容特征向量，表示为：

X_a＝N×F^a；

其中，X_a为传播空间内容兴趣特征表示；N为用户节点个数，F^a为用户节 点内容兴趣特征向量维度。

进一步的，传播空间结构特征表示：

X_b＝N×F^b

其中，X_b，N为用户节点个数，F^b为消息结构特征向量维度。

进一步的，基于用户基本信息、用户消息感知力、用户活跃度计算获得混 合网络结构特征表示包括将属性特征经过栈式降噪自编码算法表示，得到混合 网络结构特征表示，表示为：

X_n＝f_θn(x_n-1)；

其中，X_n为栈式降噪自编码算法第n个编码层，即传播空间属性特征表示， n为大于等于1的整数，X₀表示由用户基本信息、用户消息感知力、用户活跃 度构成的原始数据；f_θn(·)表示栈式降噪自编码算法。

进一步的，步骤S3包括

S31、构建上游传播空间促谣影响力矩阵M^K、上游传播空间辟谣影响力矩 阵M^B、上游传播空间交互度矩阵M^C以及谣言-辟谣-促谣三条消息下混合网络邻 接矩阵M^A，将这四个矩阵凭借起来得到基于促谣和辟谣话题影响力下的网络结 构M^G；

S32、将矩阵中附带消息影响力矩阵剥去，基于促谣和辟谣消息影响力下全 用户关联矩阵；

S33、将演化博弈论思想融入话题传播关系网络拓扑中，根据节点决策收益 来量化新拓扑的边关系，获得在t时间段内谣言-促谣-辟谣多消息下的混合网络 中边权值。

进一步的，上游传播空间促谣影响力矩阵M^K表示为：

上游传播空间促谣影响力矩阵M^K中第i行、第j列的的元素

表示j节点 其上游用户中第i个节点存在的促谣影响，表示为：

其中，m为某节点的度，

是其上游用户中传播促谣消息的节点数，V_j表 示用户j的上游用户集；n_i,j表示用户j转发的来自i的微博数量；C为常数；S 表示促谣或者辟谣消息的可信度。

进一步的，在t时间段内谣言-促谣-辟谣多消息下的混合网络中边权值表示 为：

其中，Inc₁(u_i)表示点选择转发辟谣消息的收益；Inc₂(u_i)表示节点选择转发 促谣消息。

进一步的，构建基于图卷积神经网络和多影响力的谣言-辟谣模型表示为：

其中，P(r,d|x)表示用户是否转发谣言，当P(r,d|x)＝1时，表示用户转发谣言，当P(r,d|x)＝0时，表示用户不转发谣言；A为话题传播混合网络中节点之间连接 信息的矩阵；

为矩阵A的归一化对称矩阵；X为转发谣言和不转发谣言的标 签集，r表示谣言转发的标签集，d表示谣言不转发的标签集；W⁽⁰⁾为第一层初 始网络参数矩阵，W⁽¹⁾第二层初始网络权重。

本发明提出的谣言传播预测方法，不仅能够有效地预测谣言话题下的用户 转发情况，同时可以更真实地刻画谣言传播动态过程。

附图说明

图1本发明基于促谣-辟谣消息和表示学习的谣言传播控制方法的流程图；

图2本发明基于促谣-辟谣消息和表示学习的谣言传播控制方法基于谣言辟 谣消息影响力下传播示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，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。

本发明提出一种基于促谣-辟谣消息和表示学习的谣言传播控制方法，如图 1，包括以下步骤：

S1、利用网络爬虫或者通过在线社交网络API平台获取数据源，并进行预 处理；

S2、从谣言话题中的基本属性数据、交互数据、历史数据中提取、计算获 得内容兴趣特征表示、混合网络结构特征表示、节点属性特征表示，并将传播 空间中内容兴趣特征表示、混合网络结构特征表示、节点属性特征表示用低维 稠密的向量表示；

S3、根据每个传播节点上游用户中促谣-辟谣用户个数计算传播节点的影响 力；

S4、构建基于图卷积神经网络和辟谣-促谣消息影响力的谣言传播预测模型， 将当前时刻的数据源输入该模型，获得下一个时刻谣言转发情况的预测；

S5、对下一个时刻的谣言转发潜在用户，进行谣言消息隔离或者进行辟谣 消息推荐。

在本实施例中，数据获取可以利用网络爬虫或通过各在线社交网站开放API 平台获取数据，获取的数据包括从在线社交网络中获取谣言话题下谣言-辟谣- 促谣三类消息传播空间的基本属性数据，交互数据，历史数据；为了更好地对 数据进行分析，对数据源重复数据、无效数据进行清洗操作。

用户促谣消息、谣言消息、辟谣消息以及促谣影响力、辟谣影响力和消息 传播的关系如图2所示，用户在不同的时间发表的微博内容信息中包含了用户 的兴趣和观点态度，每个用户的历史社交内容是多条短文本形式的微博内容组 成的一个段落，本发明设计一种基于TextRank算法的Doc2vec算法改进方法， 本文用TextRank算法来提取段落的关键字，对每个段落进行jieba分词、词性标 注和过滤停用词，得到段落的候选关键词，使用TextRank算法构建词图，计算 候选关键词节点权重，并降序排列；再根据用户属性设置阙值选取Top-K关键 词，活跃度高或者粉丝数量多的用户选取关键词多的用户选取关键词多，然后 利用doc2vec将每个用户文本段落标识即用户id被映射到向量空间中，每个关 键词被映射成词向量，该向量为用户内容特征向量，表示为：

X_a＝N×F^a；

其中，N为用户节点个数，F^a为用户节点内容兴趣特征向量维度。

在实际数据中，用户直接关注关系和上游影响力是很稀疏的，只能刻画局 部的显示关系，然而两个节点的亲密程度很大程度上取决于他们关系网络的重 复程度。因此本发明考虑了用户之间拥有共同邻居的情况。Line算法考虑到网 络中存在两种邻近度。本节使用Line网络表示学习算法将一个用户的传播结构 特征用一个低维稠密向量表示，表示为：

X_b＝N×F^b；

其中，N为用户节点个数，F^b为消息结构特征向量维度。

用户基本属性也是影响谣言传播的重要因素。本节从三类消息传播空间提 取了三类特征，即用户基本信息、用户消息感知力、用户活跃度。用户消息感 知力Pre(u_i)反应了在话题传播中用户接触到话题的概率。用户u_i的信息感知力表 示为：

其中，Fol(u_i)是指用户的关注数，Fol_ave(net)是指全网中用户的平均关注数。

活跃度越高的用户更倾向于参与到信息传播中。我们根据用户的历史属性 数据对潜在用户k_i的活跃度表示为：

Act(u_i)＝α*count[Orignum(u_i)]+β*count[Retnum(u_i)]

其中，count[Orignum(u_i)]、count[Retnum(u_i)]分别表示潜在用户在谣言爆发 前的一个月发表和转发微博的数量；α和β是可调参数，α,β∈[0,1]；用户个体因 素Fac(u_i)是指用户性别，用户关注数，用户是否经过认证。

将上述人工特征使用栈式降噪自编码机表示，传播空间节点属性特征用一 个低维稠密实值的向量表示，表示为：

X_c＝N×F^c；

其中，F^c为消息属性特征向量维度。

在现有的话题传播网络结构特征表示中，用户之间的关联程度都是基于其 显式的直接关注关系，并未考虑到其上游传播空间节点的影响力。

本发明通过矩阵转换将话题传播网络关注关系拓扑结构与上游促谣和辟谣 消息影响力结合，重新构建附带消息影响力下的全用户矩阵。在t时刻，某节点 受到的促谣消息作用系数表示为：

其中，m为某节点的度，

是其上游用户中传播促谣消息的节点数，C为 常数，表示促谣消息传播的环境因素。

同理，某节点受到的辟谣消息作用系数表示为：

其中，

表示上游用户中传播辟谣消息的节点数。

另外，用户交互程度一定程度上反映了用传播消息的倾向性，某节点j与上 游节点i交互程度系数表示为：

令

表示上游传播空间促谣影响力矩阵，其中表示j节点与 其上游用户中第i个节点存在的促谣影响；令表示上游传播空间辟谣 影响力矩阵，令表示上游传播空间交互度矩阵，其中表 示j节点与其上游用户中第i个节点交互度影响；令

表示三条消息下 混合网络邻接矩阵，

表示用户中第i个节点对第j个节点存在关注关系。 将矩阵M^K、M^B、M^C、M^A拼接起来，得到新的邻接矩阵

用来表示 基于促谣和辟谣话题影响力下的网络结构。再将矩阵中附带消息影响力矩阵剥 去，得到本发明所需的基于促谣和辟谣消息影响力下全用户关联矩阵。

进一步的，为了使全用户间关联程度能够在直接关注关系与附带消息影响 力表示之间做出更好的协调，本发明使用KI(Katz Index)指数来计算用户之间 的关联程度，整个关联程度矩阵M^S表示为：

M^S＝(1-βM^G)^-1-1；

将矩阵中附带消息影响力矩阵剥去，得到本研究所需的基于促谣和辟谣话 题影响力下全用户关联矩阵M^W，表示为：

M^W＝M^S _{[N+1,2N],[N+1,2N]}

其中，N表示用户节点个数。

鉴于谣言-促谣-辟谣消息的共生性与对抗性，将演化博弈论思想融入话题传 播关系网络拓扑中，根据节点决策收益来量化新拓扑的边关系。进而重构出一 个全新的混合网络拓扑结构。

本发明定义三种博弈策略分别用1表示选择传播辟谣消息，2表示选择传播 促谣消息，3表示选择传播谣言。分别用A、B表示社交网络中进行博弈的节 点，用B_xy表示节点A选择决策x、节点B选择决策y时具体收益，其中x,y∈(1,2,3)， 得到节点选择转发辟谣消息、促谣消息和谣言的收益Inc₁(u_i)、Inc₂(u_i)、Inc₃(u_i)分 别表示为：

本发明设计了一种和节点收益成正比的边加权方法，这种方法将边权值映 射到0和1区间内，考虑促谣辟谣消息影响因素，本发明只对节点的谣言转发 情况进行预测，所以默认谣言转发节点权重是1；得到在t时间段内谣言-促谣- 辟谣多消息下的混合网络中边权值，表示为：

结合上文中表示后的三类传播节点特征，和重构的混合网络拓扑，以及谣 言-辟谣-促谣多消息影响力的多角度融入。鉴于社交网络的这类非欧几里得结构 数据类型，本发明提出一种基于GCN的谣言传播预测模型。在GCN模型中一 个隐含层可以表示为：

其中，

为归一化对称矩阵，H⁰＝X,每层Hⁱ对应于一个N×Fⁱ特 征矩阵，其中每一行是节点的特征表示；在每一层，通过传播规则f将这些特征 聚合起来，抽象形成下一层的特征；每层神经网络传播规则中wⁱ是i层的权重 矩阵，σ是一个非线性激活函数。

本发明使用一个加入中间dropout层的双层图卷积神经网络作为网络谣言转 发预测模型，表示为：

其中，P(r,d|x)表示模型输出用户转发与否两类标签的概率，本发明将该概 率定义为：

当P(r,d|x)＝1时，即用户转发谣言的概率P(r|x)大于用户转发谣言的概率 P(d|x)，认为潜在用户在话题的下一阶段会转发谣言话题，即用户转发谣言；反 之，当Y＝0时，即用户转发谣言的概率P(r|x)小于用户转发谣言的概率P(d|x)， 潜在用户在话题的下一阶段不会转发此话题，即用户不转发谣言；其中，P(r|x)是 预测结是转发谣言的概率，P(d|x)是预测结是转发谣言的概率。

重复S4的过程，直至话题的生命周期结束。通过预测话题的不同阶段备选 用户的谣言话题参与情况，可以感知谣言话题的发展态势，对下一个时刻的谣 言转发潜在用户，进行谣言消息隔离或者进行辟谣消息推荐。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言， 可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变 化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.基于促谣-辟谣消息和表示学习的谣言传播控制方法，其特征在于，包括以下步骤：

S1、利用网络爬虫或者通过在线社交网络API平台获取数据源，并进行预处理；

S2、从谣言话题中的基本属性数据、交互数据、历史数据中提取促谣消息、谣言消息以及辟谣消息；

S3、基于内容兴趣特征、网络结构特征以及节点属性特征分别建立促谣消息传播空间特征表示、谣言消息传播空间特征表示以及辟谣消息传播空间特征表示；

S4、根据促谣消息传播空间特征表示、谣言消息传播空间特征表示以及辟谣消息传播空间特征表示建立谣言-辟谣-促谣消息传播空间矩阵；

S5、根据谣言-辟谣-促谣消息传播空间矩阵以及谣言-辟谣-促谣消息全用户传播关系矩阵建立基于图卷积神经网络和辟谣-促谣消息影响力的谣言传播预测模型；

S6、将当前时刻的数据输入基于图卷积神经网络和辟谣-促谣消息影响力的谣言传播预测模型，获得下一个时刻谣言转发情况的预测；

S7、对下一个时刻的谣言转发潜在用户，进行谣言消息隔离或者进行辟谣消息推荐。

2.根据权利要求1所述的基于促谣-辟谣消息和表示学习的谣言传播控制方法，其特征在于，步骤S1具体包括：

S11、利用网络爬虫或者通过在线社交网络API平台获取数据源，获取的数据源违反谣言话题下谣言、辟谣以及促谣三类消息传播空间的基本属性、交互数据以及历史数据；

S12、对数据源中重复数据和无效数据进行删除，其中无效数据是指信息不完整或者信息丢失的数据。

3.根据权利要求1所述的基于促谣-辟谣消息和表示学习的谣言传播控制方法，其特征在于，步骤S2包括：

S21、利用改进Doc2vec算法获得数据源的传播空间内容兴趣特征表示；

S22、利用Line网络表示学习算法将一个用户的传播结构特征用一个低维稠密向量表示，获得混合网络结构特征表示；

S23、基于用户基本信息、用户消息感知力、用户活跃度计算获得节点属性特征表示。

4.根据权利要求3所述的基于促谣-辟谣消息和表示学习的谣言传播控制方法，其特征在于，传播空间内容兴趣特征表示为：

X_a＝N×F^a；

其中，X_a为传播空间内容兴趣特征表示；N为用户节点个数，F^a为用户节点内容兴趣特征向量维度。

5.根据权利要求3所述的基于促谣-辟谣消息和表示学习的谣言传播控制方法，其特征在于，传播空间结构特征表示：

X_b＝N×F^b

其中，X_b，N为用户节点个数，F^b为消息结构特征向量维度。

6.根据权利要求3所述的基于促谣-辟谣消息和表示学习的谣言传播控制方法，其特征在于，基于用户基本信息、用户消息感知力、用户活跃度计算获得混合网络结构特征表示包括将属性特征经过栈式降噪自编码算法表示，得到混合网络结构特征表示，表示为：

X_n＝f_θn(x_n-1)；

其中，X_n为栈式降噪自编码算法第n个编码层，即传播空间属性特征表示，n为大于等于1的整数，X₀表示由用户基本信息、用户消息感知力、用户活跃度构成的原始数据；f_θn(·)表示栈式降噪自编码算法。

7.根据权利要求1所述的基于促谣-辟谣消息和表示学习的谣言传播控制方法，其特征在于，步骤S3包括

S31、构建上游传播空间促谣影响力矩阵M^K、上游传播空间辟谣影响力矩阵M^B、上游传播空间交互度矩阵M^C以及谣言-辟谣-促谣三条消息下混合网络邻接矩阵M^A，将这四个矩阵起来得到基于促谣和辟谣话题影响力下的网络结构M^G；

S32、将矩阵中附带消息影响力矩阵剥去，获得基于促谣和辟谣消息影响力下全用户关联矩阵；

S33、将演化博弈论思想融入话题传播关系网络拓扑中，根据节点决策收益来量化新拓扑的边关系，获得在t时间段内谣言-促谣-辟谣多消息下的混合网络中边权值。

8.根据权利要求7所述的基于促谣-辟谣消息和表示学习的谣言传播控制方法，其特征在于，上游传播空间促谣影响力矩阵M^K中第i行、第j列的的元素

表示j节点其上游用户中第i个节点存在的促谣影响，表示为：

上游传播空间辟谣影响力矩阵M^B中第i行、第j列的的元素

表示为：

上游传播空间交互度矩阵M^C中第i行、第j列的的元素

表示为：

其中，m为节点的度，是其上游用户中传播促谣消息的节点数，V_j表示用户j的上游用户集；n_i,j表示用户j转发的来自i的微博数量；C为常数；S表示促谣或者辟谣消息的可信度。

9.根据权利要求7所述的基于促谣-辟谣消息和表示学习的谣言传播控制方法，其特征在于，在t时间段内谣言-促谣-辟谣多消息下的混合网络中边权值表示为：

其中，Inc₁(u_i)表示节点x选择转发节点y发布的辟谣消息的收益；Inc₂(u_i)表示节点x选择转发节点y发布的促谣消息。

10.根据权利要求1所述的基于促谣-辟谣消息和表示学习的谣言传播控制方法，其特征在于，构建基于图卷积神经网络和多影响力的谣言-辟谣模型表示为：

其中，P(r,d|x)表示用户是否转发谣言，当P(r,d|x)＝1时，表示用户转发谣言，当P(r,d|x)＝0时，表示用户不转发谣言；A为话题传播混合网络中节点之间连接信息的矩阵；

为矩阵A的归一化对称矩阵；X为转发谣言和不转发谣言的标签集，r表示谣言转发的标签集，d表示谣言不转发的标签集；W⁽⁰⁾为第一层初始网络参数矩阵，W⁽¹⁾第二层初始网络权重。

Images