CN111583049A - 基于间接互惠的智能信息传播方法 - Google Patents

Abstract

本发明公开了一种基于间接互惠的智能信息传播方法，属于信号处理领域。本发明方法基于演化博弈论和间接互惠，通过引入声誉机制来建立智能信息传播方法，削弱社交网络中非理性用户的负面影响。本发明方法可帮助理性用户区分邻节点的可信度，合理降低非理性用户的信誉值，从而有效削弱非理性用户在社交网络中产生的不良影响，同时在得知网络特征参数及用户的特性参数后，可准确预估理性用户与非理性用户的声誉值期望，从而得到网络总体的演化动态和最终的稳定状态。

Description

基于间接互惠的智能信息传播方法

技术领域

本发明属于信号处理领域，具体涉及基于间接互惠原则削弱社交网络中非理性用户负面影响的智能信息传播方法。

背景技术

在当今大数据时代，信息数量爆炸式增长，其中很大一部分是通过社交网络进行传播，渠道包括微信、微博、脸书、推特等流行应用。信息在社交网络上的传播给我们生活带来乐趣、便利的同时，也带来了安全挑战。部分网络用户为了一己私利而传播不实消息，一些恶意用户甚至扩散有害信息，例如木马病毒，导致了不可估量的经济损失和严重不良的社会影响。因此，理性用户有必要保护自己免受恶意用户的负面影响。建立机制抑制非理性用户的不良影响意义重大，它不仅可以提升社交网络安全性，还可以帮助我们对社交网络信息传播产生更深入的理解。

为了最小化社交网络中谣言、病毒等不良信息带来的负面影响，产生了相应的影响阻塞最大化(IBM)问题。然而，已有研究只是从宏观上解决问题，关注网络的图形结构，而忽略了个体本身在不良影响最小化中所起的重要作用。与IBM方法不同，本发明关注的是如何建立机制通过理性用户的个体行为来保护其免受危害，从而降低社交网络中的负面影响。同时，为了模拟用户之间抵制恶意用户的合作行为，本发明基于间接互惠原则，引入了声誉机制来衡量用户的可信度。间接互惠的原理是“我帮助你不是因为你帮助了我，而是因为你帮助了别人”，强调用户之间非直接的互助和合作。因此，本发明中所有用户的声誉值共享，从而帮助用户对彼此及非理性用户有更透彻的了解，加速网络的动态演化。

用户的决策过程是复杂的，与信息的真假性、策略持续时间、个人喜好及其他决策因素相关。基于演化博弈论，可以将上述所有因素合并到模型中，从而建立用户交互策略和更新规则。虽然已有基于演化博弈论对信息传播的研究，且模型取得了良好效果，但它们都是基于社交网络中用户为理性的设定；设计演化博弈智能机制来抑制非理性用户对信息传播的影响更是无人涉及。因此，本发明将在含有非理性用户的社交网络中，在已有演化博弈模型基础上，设计基于间接互惠原则的智能信息传播机制，以削弱非理性用户对整个网络的不良影响。

发明内容

本发明的目的在于，基于演化博弈论和间接互惠，通过引入声誉机制来建立智能信息传播方法，削弱社交网络中非理性用户的负面影响。

本发明设定网络用户的策略为s，s∈S，其中S＝{0,1}是策略集，0表示发送信息，1表示不发送信息。理性用户的策略更新方法为：某一时刻网络中随机选取一个理性用户放弃自己当前的策略，然后计算所有相邻用户当前策略所带来的收益，将收益大小作为选取概率，依照概率大小选择采取其中一个相邻用户的策略。为了仿真非理性用户蓄意发送不良信息的场景，设定非理性用户均采用s＝0的策略，若采用其他策略时分析过程及结果类似。

假设非理性用户与理性用户之间的连接在信息传播的第一个时刻建立，而理性用户之间的关系已维持一段时间。在第一个时刻，理性用户无法确定他们的新邻居即非理性用户是否可信，因此网络中所有用户的初始声誉均设置为1。对于“新朋友”和“老朋友”，理性用户将有不同的声誉衡量及更新标准。

首先对于非理性用户，影响其声誉的因素有三方面，一方面是从理性用户角度看，其策略与理性用户的策略是否相同，一方面是非理性用户采用发送策略的时间长短，另一方面是非理性用户采取发送策略时其发送信息的真假性。于是定义非理性用户的标量声誉标准Q_M为：

s_m＝0 s_m＝1

其中S_m表示此非理性用户的策略，S_r表示与此非理性用户相连的理性用户的策略，c和d非别表示为：

n_a是理性用户所能承受的最大发送策略采取时长，n表示非理性用户采取发送策略持续的时长，tr代表非理性用户所发送信息的真假性，若t₀时刻前非理性用户采取发送策略并且发送消息为真，或者t₀时刻前采取不发送策略，那么tr＝1，否则tr＝0。由于用户无法在当前时刻得知发送信息的真假性，我们设定用户知道发送信息的真假性最少需要t₀时刻，因此采用t₀时刻前信息的真假性来计算当前标量声誉。一般来说，t₀≤n_a。

对于理性用户，影响其声誉的因素只有发送信息的真假性。于是定义理性用户的标量声誉标准Q_R为：

S_r＝0 S_r＝1

其中

d＝s_r+tr (4)

同样tr代表理性用户所发送信息的真假性。

令r＝[r_l,r_h]为每个用户的声誉向量，r_l+r_h＝1，其中r_l代表用户声誉值小的概率，r_h代表用户声誉值大的概率，所有用户的r_h初始值均为1，r_l初始值均为0，计算过程中只使用r_h的值。用户i(包括理性用户与非理性用户)在t+1时刻声誉向量的更新策略为：

其中ξ为影响系数，

代表t+1时刻得到的即时声誉，对于理性用户和非理性用户分别定义为

和

由于用户的标量声誉Q只有三种取值可能：0,1,和2，因此用户的即时声誉只可能是e₀，e₁和e₂，其中e₀＝rⁱ(t),e₁＝[1,0],e₂＝[0,1]。

本发明采用的技术方案如下：

一种基于间接互惠的智能信息传播方法，包括以下步骤：

S1.将用户看作网络拓扑结构中的节点，确定所要分析的网络结构，包括a_max个非理性节点，M+N个理性节点以及各个节点之间的拓扑关系。其中M个理性节点为与非理性节点直接相连的Ⅰ类节点，N个理性节点为与非理性节点不直接相连的Ⅱ类节点。同时设定网络为非均匀网络，每个Ⅱ类节点有k个理性邻接节点，每个Ⅰ类节点除了常规的k个理性邻接节点之外还有a个非理性邻接节点，k服从分布γ(k)，a服从分布λ(a)。其中，γ(k)表示当随机选取一个理性节点时，这个节点有k个理性邻节点的概率为γ(k)；λ(a)表示当随机选取一个Ⅰ类理性节点时，这个节点有a个非理性邻节点的概率为λ(a)。u_ff，u_fn和u_nn分别代表理性节点在自己和相邻节点采取各自策略时所获得的收益，其中u_ff代表两个用户均发送信息时获得的收益，u_nn代表两个用户均不发送信息时获得的收益，u_fn代表一个用户发送信息另一个用户不发送信息时获得的收益。

网络信息扩散的当前状态用总体状态p_f来表示，表示所有理性用户中采取s＝0即发送策略的理性用户比例。同样，两种类型节点的局部状态分别定义为p_f1和p_f2。两个相邻时刻的状态差为网络的演化动态，分别记为

和

S2.在已知网络特征参数后，Ⅰ类节点每一时刻的演化动态表示为：

Ⅱ类节点每一时刻的演化动态表示为：

其中

和

分别是理性用户和非理性用户在t时刻的声誉值，α为选择系数，现实中采用弱选择，因此α是一个很小的值，为10^-2量级。

对于整个网络来说，每一时刻的演化动态表示为：

将演化动态置零，得到p_f的解即是网络最终的演化稳定状态。

S3.得到两类节点的演化动态(6)和(7)后，需要对E{}中的部分求期望，而求期望的对象为网络理性度数k、非理性度数a、以及声誉值r_h。k和a的期望值都是给定网络后已知的网络参数，因此只需要得到声誉值的期望。根据间接互惠原则，网络中所有用户的声誉值共享。由于理性节点与非理性节点的声誉衡量标准不同，因此声誉值期望也不同。其中理性用户的声誉值期望表示为：

非理性用户的声誉值期望表示为：

是向下取整函数，p₁和p₂分别代表理性用户和非理性用户发送信息为真的概率，t₀是辨别信息真假性所需的时长，n_a是理性用户所能承受的最大发送策略采取时长。将式(9)和(10)代回(6)和(7)，即可得到两类用户最终的演化动态结果，再根据式(8)得到网络总体的演化动态最终结果。

本发明的有益效果是，利用本发明的方法和结果，可帮助理性用户区分邻节点的可信度，合理降低非理性用户的信誉值，从而有效削弱非理性用户在社交网络中产生的不良影响，同时在得知网络特征参数及用户的特性参数后，可准确预估理性用户与非理性用户的声誉值期望，从而得到网络总体的演化动态和最终的稳定状态，由此也可反映出本发明方法的正确性和有效性。

附图说明

图1是社交网络结构示意图

图2是声誉更新机制示意图

图3是在收益取值为u_ff＝0.3,u_fn＝0.8,u_nn＝0.2时，在本发明提出的智能演化方法下社交网络演化示意图

图4是在收益取值为u_ff＝0.3,u_fn＝0.8,u_nn＝0.2时，没有利用本发明提出的智能机制下社交网络演化示意图

图5是在收益取值为u_ff＝0.3,u_fn＝0.6,u_nn＝0.4时，在本发明提出的智能演化方法下社交网络演化示意图

图6是在收益取值为u_ff＝0.1,u_fn＝0.1,u_nn＝0.5时，在本发明提出的智能演化方法下社交网络演化示意图

具体实施方式

实施例1：

本实验例验证了本发明所提出的智能信息传播方法在收益取值为u_ff＝0.3，u_fn＝0.8，u_nn＝0.2时的效果及预测符合程度，并与相同条件下没有利用本发明提出的智能机制的结果进行对比。在实验中，设定网络为均匀度数网络，邻接理性节点数k＝25，Ⅰ类节点数M＝500,Ⅱ类节点数N＝1000,非理性节点数a_max＝10，选择系数α＝0.035，影响系数ξ＝0.5，与Ⅰ类节点直接相连的固定策略节点数目a服从均匀分布。其他参数设置为t₀＝1500，n_a＝200000，p₁＝0.9，p₂＝0.7。实验所得网络的动态情况如图3和4所示，其中图3为在本发明提出的智能演化方法下社交网络演化示意图，图4为没有利用本专利的智能机制得到的网络演化示意图。从图3可以看出，理论分析与仿真结果吻合较好，同时在时刻t＝n_a＝200000有一个大幅度下降。这是因为当n大于n_a时，恶意用户的信誉明显下降，导致一直采取策略s＝0的非理性节点对理性节点的影响也降低。从图4可以看出，在没有声誉机制的情况下，t＝200000时没有下降，总体状态p_f及局部状态p_f1,p_f2均比图3中大，验证了本发明所提出的智能信息传播方法的有效性。在图3智能演化方法下网络状态处于演化稳定状态时，与图4无声誉机制相比，p_f在时隙n_a前降低了6.28％，在时隙n_a之后降低了9.48％，也验证了本发明所提出的智能演化方法可有效降低非理性用户的不良影响。

实施例2：

本实施例验证了本发明所提出的智能信息传播方法在收益取值为u_ff＝0.3,u_fn＝0.6,u_nn＝0.4及u_ff＝0.1,u_fn＝0.1,u_nn＝0.5时的效果及预测符合程度。在实验中，同样设定网络为均匀度数网络，其他参数设置与实施例1完全相同。实验所得网络的动态情况如图5和6所示，可以看到理论分析与仿真结果均吻合较好。图5的收益设定含义为发送信息对一部分用户有利，而对另一部分用户不利，设定含义与图3情况相同，但在时刻t＝n_a＝200000时图5的收益设定使网络状态p_f1,p_f2及p_f下降更多。图6的收益设定意味着不发送信息的收益是最大的，因此它鼓励理性用户不发送信息。从图6可以看到，经过时隙n_a后，网络状态逐渐趋近于零，这与没有利用本发明中的声誉机制的结果不同，其中p_f,p_f1,p_f2均不为零。这再次说明本发明所提出方法的有效性，即能够有效地减少恶意用户的负面影响。

Claims (1)

1.一种基于间接互惠的智能信息传播方法，包括以下步骤：

S1.将用户定义为网络拓扑结构中的节点，确定所要分析的网络结构，包括a_max个非理性节点，M+N个理性节点以及各个节点之间的拓扑关系，其中M个理性节点为与非理性节点直接相连的Ⅰ类节点，N个理性节点为与非理性节点不直接相连的Ⅱ类节点；同时设定网络为非均匀网络，每个Ⅱ类节点有k个理性邻接节点，每个Ⅰ类节点除了常规的k个理性邻接节点之外还有a个非理性邻接节点，k服从分布γ(k)，a服从分布λ(a)，γ(k)表示当随机选取一个理性节点时，这个节点有k个理性邻节点的概率为γ(k)，λ(a)表示当随机选取一个Ⅰ类理性节点时，这个节点有a个非理性邻节点的概率为λ(a)；设定网络用户的策略为s，s∈S，其中S＝{0,1}是策略集，0表示发送信息，1表示不发送信息；u_ff，u_fn和u_nn分别代表理性节点在自己和相邻节点采取各自策略时所获得的收益，其中u_ff代表两个用户均发送信息时获得的收益，u_nn代表两个用户均不发送信息时获得的收益，u_fn代表一个用户发送信息另一个用户不发送信息时获得的收益；

网络信息扩散的当前状态用总体状态p_f来表示，表示所有理性用户中采取s＝0即发送策略的理性用户比例；同样，两种类型节点的局部状态分别定义为p_f1和p_f2，两个相邻时刻的状态差为网络的演化动态，分别记为

和

S2.将网络中所有用户的初始声誉均设置为1，定义非理性用户的标量声誉标准Q_M为：

其中S_m表示此非理性用户的策略，S_r表示与此非理性用户相连的理性用户的策略，c和d非别表示：

n_a是理性用户所能承受的最大发送策略采取时长，n表示非理性用户采取发送策略持续的时长，tr代表所发送信息的真假性，若t₀时刻前非理性用户采取发送策略并且发送消息为真，或者t₀时刻前采取不发送策略，那么tr＝1，否则tr＝0；由于用户无法在当前时刻得知发送信息的真假性，设定用户知道发送信息的真假性最少需要t₀时刻，因此采用t₀时刻前信息的真假性来计算当前标量声誉；

对于理性用户，影响其声誉的因素只有发送信息的真假性；定义理性用户的标量声誉标准Q_R为：

其中

d＝s_r+tr (4)

令r＝[r_l,r_h]为每个用户的声誉向量，r_l+r_h＝1，其中r_l代表用户声誉值小的概率，r_h代表用户声誉值大的概率，所有用户的r_h初始值均为1，r_l初始值均为0，计算过程中只使用r_h的值；理性用户与非理性用户i在t+1时刻声誉向量的更新策略为：

其中ξ为影响系数，

代表t+1时刻得到的即时声誉，由于用户的标量声誉Q只有三种取值可能：0,1,和2，因此用户的即时声誉只可能是e₀，e₁和e₂，其中e₀＝rⁱ(t)，e₁＝[1,0]，e₂＝[0,1]；

在已知网络特征参数后，Ⅰ类节点每一时刻的演化动态表示为：

Ⅱ类节点每一时刻的演化动态表示为：

其中

和

分别是理性用户和非理性用户在t时刻的声誉值，α为选择系数；

对于整个网络来说，每一时刻的演化动态表示为：

将演化动态置零，得到p_f的解即是网络最终的演化稳定状态；

S3.得到两类节点的演化动态后，需要对E{}中的部分求期望，而求期望的对象为网络理性度数k、非理性度数a、以及声誉值大的概率r_h；k和a的期望值都是给定网络后已知的网络参数，因此只需要得到声誉值大的概率r_h的期望；根据间接互惠原则，网络中所有用户的声誉值共享；由于理性节点与非理性节点的声誉衡量标准不同，因此声誉值大的概率期望也不同；其中理性用户的声誉值期望表示为：

非理性用户的声誉值期望表示为：

表示向下取整函数，p₁和p₂分别代表理性用户和非理性用户发送信息为真的概率，t₀是辨别信息真假性所需的时长，n_a是理性用户所能承受的最大发送策略采取时长；将式(9)和(10)代回(6)和(7)，即可得到两类用户最终的演化动态结果，再根据式(8)得到网络总体的演化动态最终结果。

Images