CN112001072A - 基于爆发阈值及用户体验的谣言抑制方法 - Google Patents

Abstract

本发明公开一种基于爆发阈值及用户体验的谣言抑制方法，构建了一种考虑谣言整体流行度和个体传播倾向的动态谣言传播模型，并基于该模型从舆论危机视角出发，以基于双曲折扣效应的用户体验模型作为约束，通过选取目标节点子集进行阻断，确保谣言传播范围始终低于谣言爆发预警线。本发明能够获得较低的谣言感染率，同时需要较少的谣言阻断节点，即利用较低的谣言抑制成本获得了较好的谣言抑制性能。

Description

基于爆发阈值及用户体验的谣言抑制方法

技术领域

本发明属于网络安全治理领域，尤其是一种兼顾谣言抑制成本与抑制效果、 可有效避免舆论危机的基于爆发阈值及用户体验的谣言抑制方法。

背景技术

近年来，移动互联网技术为社交媒体提供了良好的发展机遇，各类社交媒 体(国内的微信、新浪微博，国外的Twitter、Facebook等)其信息传播的速度 和范围不断提升，从而为人们提供了一条高效的信息传播渠道。然而，在线社 交网络中“谣言泛滥”的现象严重影响了网络信息生态环境的健康状态，尤其 是发生突发事件时，如自然灾害、公共卫生以及社会安全事件等，谣言的快速 扩散极易引发公众群体性的心理焦虑和恐慌，极大地考验着政府部门的社会治 理能力和危机应对能力。网络空间治理的根本目的是抑制谣言或负面舆论短时 间内的大范围扩散，避免引发舆论危机，进而影响社会的和谐稳定。然而，在线社交网络平台具有的开放性、互动性以及信息传播的便捷性等特征，难以采 用强制性的干预措施将谣言消除。

构建能够真实反映谣言扩散规律的传播模型，以揭示传播平台、传播主体 以及传播环境等因素对谣言传播过程的影响，是设计有效的谣言抑制方法的基 础。目前，谣言传播模型的研究，主要分为宏观层面与微观层面两类。在宏观 层面上，谣言与其他类型的话题信息具有相似的全局流行趋势；在微观层面上， 实证研究表明社会网络中的信息传播过程与传染病的传染过程十分相似，因此 学者们纷纷基于传染病动力学来构建社会网络信息传播模型，以揭示信息传播 的动力学规律。传染病模型包括SIR模型、SI模型、SIS模型和SIRS模型等。

谣言阻断是实现谣言影响最小化的一种有效手段，其主要通过删除网络中 节点间的一部分链接，或是移除网络中的部分节点，即删除目标节点与网络中 其他节点的全部关系链接等措施，限制网络中谣言的扩散范围。谣言阻断方法 的研究通常将其等价为负面影响最小化问题，其中寻找最具影响力的用户节点 是此类方法设计的关键环节，实验表明：谣言检测起始时间越早，谣言阻断节 点数量越少，则可提高谣言抑制效果及减少谣言抑制成本。然而，现有方法均 将谣言阻断等价为谣言影响力最小化问题，却忽略了阻断方法的实施所要付出 的抑制代价问题，即屏蔽用户节点或切断节点间的关系链路，在一定程度上牺 牲了在线社交网络平台的效能和用户体验，谣言抑制成本较高。

发明内容

本发明为了解决现有技术所存在的上述问题，提供了一种兼顾谣言抑制成 本与抑制效果、可有效避免舆论危机的基于爆发阈值及用户体验的谣言抑制方 法。

本发明的技术解决方案是：一种基于爆发阈值及用户体验的谣言抑制方法， 其特征在于依次按照如下方法进行：

步骤1：构建PISIR模型

步骤1-1：计算谣言的个体传播倾向概率P_ind

设定S态为易感状态，即没有听过谣言的人；I态为感染状态，即相信谣言 并传播谣言的人；R态为免疫状态，即不再参与谣言传播的人；

假设t-1时刻节点u处于I态，那么t时刻节点u发送谣言给邻居节点v的概 率

如下：

式中：C表示谣言的可信度，D_out_u表示节点u的出度，P₀表示节点u的谣 言初始发送概率，

表示节点u由S态转变为I态的时刻，即被感染时刻，

表示当前时刻t与节点u的被感染时刻

的时间间隔；

假设t-1时刻节点v处于S态，那么t时刻节点v接受邻居节点u发送的谣言 的概率

如下：

式中：D_in_v是节点v的入度，Rw_uv表示节点u对节点v的相对影响权重；

所述Rw_uv如下：

式中：f(u,v)表示节点u对节点v的影响权重，f(v,u)表示节点v对节点u的 影响权重；

所述f(u,v)如下：

式中：

为节点v的所有邻居节点的出度之和；

所述f(v,u)如下：

式中：

为节点u的所有邻居节点的出度之和；

则t时刻I态节点u向S态节点v发送谣言，S态节点v接受该谣言，并转化 成I态的概率，即节点(u,v)之间谣言的个体传播倾向概率P_ind如下：

步骤1-2：计算谣言的整体流行度P_glb

利用多峰高斯分布来模拟谣言在宏观层面上的传播过程，即整体流行度P_glb如下：

式中：峰值系数k_i∈[0,1]，且

u_i与σ_i分别代表高斯分布中的均值 及标准差，k₀表示谣言传播的下限值，n表示多峰高斯分布的峰数；

步骤1-3：计算节点(u,v)间的谣言成功传播概率P_uv(t)

式中：β₁,β₂∈(0,1)为平衡系数，且β₁+β₂＝1；

步骤1-4：计算t时刻节点v由S态转变为I态的概率，即激活概率

如 下：

式中：Ne_v表示节点v的所有邻居节点集合，

是网络关系矩阵A中的一个 元素，

表示节点(u,v)之间存在有向边，

表示节点(u,v)之间不存在 有向边，S_u(t-1)表示节点u在t-1时刻所处的状态，如果节点u处于I态，则 S_u(t-1)＝1；如果节点u处于S态，则S_u(t-1)＝0；如果节点u处于R态，则S_u(t-1)＝2；

步骤1-5：计算t时刻节点u由I态转变为R态的概率，即痊愈概率

如 下：

所述激活概率

和痊愈概率

构成PISIR模型；

步骤2：在观测时间窗T内，以PISIR模型计算感染率并根据用户体验作为 选取阻断节点子集的约束条件，通过选取阻断节点子集并模拟将其阻断，使网 络中被感染的节点数量所占比例始终小于谣言爆发阈值：

步骤2-1：在当前时刻t，利用PISIR模型预测t+1时刻的节点感染率I(t+1) 是否大于等于爆发阈值R_T，若I(t+1)≥R_T，则进行步骤2-2，否，转步骤4；

步骤2-2：根据阻断节点选择算法从候选阻断节点集合G中选取一个满足用 户体验约束条件PU≥U_th的阻断节点ub，所述PU表示用户的体验，所述U_th表 示用户的体验容忍阈值；将选取的阻断节点ub从G中移除并加入到阻断节点集 合V_B中，同时更新网络关系矩阵A；

所述用户体验计算如下：

式中：PU(i,t_block)表示节点i在阻断持续时间t_block后的体验值，t_block表示阻断 持续时间，即节点接收信息的延迟时间，u(i)表示节点i未被阻断时的初始体验， df(i)表示节点i的体验折扣系数，即节点i在延迟时间t_block后，才能接收到信息 的用户体验的折扣系数；

所述体验折扣系数df(i)计算如下：

df(i)＝γ₁×Au_i+γ₂×Mk_i+γ₃×D_out_i

式中：Au_i表示节点i的活跃度，Mk_i表示节点i的兴趣度，D_out_i表示节点i的出度，系数γ₁,γ₂,γ₃∈(0,1)，且γ₁+γ₂+γ₃＝1；

所述阻断节点选择算法的具体步骤如下：

在t时刻阻断G中的节点ub之后，在t+1时刻，其S态邻居节点v激活概率 的变化量

计算如下：

所述节点ub的所有S态邻居节点v激活概率的变化量之和M^ub(t+1)计算如 下：

按照如下目标函数选择阻断节点：

步骤2-3：根据更新后网络关系矩阵A，利用PISIR模型再次预测t+1时刻 的I(t+1)是否小于等于R_T，否，则转至步骤2-2，是，则转至步骤3；

步骤3：检测V_B内的阻断节点的阻断时长t_duration是否达到阻断持续时间t_block； 当检测到某个节点t_duration≥t_block后，释放该阻断节点并将该阻断节点从V_B中移除， 更新关系矩阵A并返回到步骤2-3；若所有节点均t_duration＜t_block，则切断V_B内所有 节点的关系连接且t←t+1；若t＜T，转步骤2-3，否则结束。

步骤4：t←t+1；若t＜T，转步骤2-1，否则结束。

本发明构建了一种考虑谣言整体流行度和个体传播倾向的动态谣言传播模 型，并基于该模型从舆论危机视角出发，以基于双曲折扣效应的用户体验模型 作为约束，通过选取目标节点子集进行阻断，确保谣言传播范围始终低于谣言 爆发预警线。本发明能够获得较低的谣言感染率，同时需要较少的谣言阻断节 点，即利用较低的谣言抑制成本获得了较好的谣言抑制性能。

附图说明

图1是本发明实施例的流程图。

图2是本发明实施例的谣言整体流行度的拟合图。

图3是本发明实施例的利用Weibo数据的谣言感染率实验结果。

图4是本发明实施例的利用Weibo数据的阻断节点数量实验结果。

具体实施方式

本发明的一种基于爆发阈值及用户体验的谣言抑制方法，依次按照如下方 法进行：

步骤1：构建PISIR模型

PISIR模型将关系网络中的个体分为三类状态：易感状态(S态)，即没有 听过谣言的人；感染状态(I态)，即相信谣言并传播谣言的人；免疫状态(R 态)，即从网络中移出，不再参与谣言传播的人，包括相信谣言并不再进行传播 的人，以及完全对谣言不感兴趣的人。

步骤1-1：计算谣言的个体传播倾向概率P_ind

假设t-1时刻节点u处于I态，那么t时刻节点u发送谣言给邻居节点v的概 率

如下：

式中：C表示谣言的可信度，D_out_u表示节点u的出度，P₀表示节点u的谣 言初始发送概率，

表示节点u由S态转变为I态的时刻，即被感染时刻，

表示当前时刻t与节点u的被感染时刻

的时间间隔；

假设t-1时刻节点v处于S态，那么t时刻节点v接受邻居节点u发送的谣言 的概率

如下：

式中：D_in_v是节点v的入度，Rw_uv表示节点u对节点v的相对影响权重；

所述Rw_uv如下：

式中：f(u,v)表示节点u对节点v的影响权重，f(v,u)表示节点v对节点u的 影响权重；

所述f(u,v)如下：

式中：

为节点v的所有邻居节点的出度之和；

所述f(v,u)如下：

式中：

为节点u的所有邻居节点的出度之和；

则t时刻I态节点u向S态节点v发送谣言，S态节点v接受该谣言，并转化 成I态的概率，即节点(u,v)之间谣言的个体传播倾向概率P_ind如下：

步骤1-2：计算谣言的整体流行度P_glb

利用多峰高斯分布来模拟谣言在宏观层面上的传播过程，即整体流行度P_glb如下：

式中：峰值系数k_i∈[0,1]，且

u_i与σ_i分别代表高斯分布中的均值 及标准差，k₀表示谣言传播的下限值(即波谷下限值)，n表示多峰高斯分布的 峰数；

为确定谣言整体流行度多峰高斯分布的参数，本发明在新冠肺炎疫情期间， 利用Python工具，以“新型冠状病毒”和“肺炎”等词语为关键字，从新浪微博中 抓取了2020年1月20日到2020年4月3日期间有关疫情的数据，仅保留被官 方证实为虚假谣言的信息，并以谣言的转发数作为指标，衡量谣言整体流行度。 经过数据预处理与平滑处理，采用MATLAB自带的曲线拟合工具——Curve Fitting进行曲线拟合，在95％的置信水平下，得到了一个三峰高斯分布曲线(如 图2所示)，曲线拟合效果较好，拟合的三峰高斯分布曲线的参数如表1所示。 然后，对拟合曲线进行归一化处理，得到三峰高斯分布的函数，作为谣言的整 体流行度。

表1曲线拟合参数表(95％置信水平下)

步骤1-3：计算节点(u,v)间的谣言成功传播概率P_uv(t)

式中：β₁,β₂∈(0,1)为平衡系数，且β₁+β₂＝1；

步骤1-4：计算t时刻节点v由S态转变为I态的概率，即激活概率

如 下：

式中：Ne_v表示节点v的所有邻居节点集合，

是网络关系矩阵A中的一个 元素，

表示节点(u,v)之间存在有向边，

表示节点(u,v)之间不存在 有向边，S_u(t-1)表示节点u在t-1时刻所处的状态，如果节点u处于I态，则 S_u(t-1)＝1；如果节点u处于S态，则S_u(t-1)＝0；如果节点u处于R态，则S_u(t-1)＝2；

步骤1-5：计算t时刻节点u由I态转变为R态的概率，即痊愈概率

如 下：

所述激活概率

和痊愈概率

构成PISIR模型；

步骤2：在观测时间窗T内，以PISIR模型计算感染率并根据用户体验作为 选取阻断节点子集的约束条件，通过选取阻断节点子集并模拟将其阻断，使网 络中被感染的节点数量所占比例始终小于谣言爆发阈值：

本发明从网络中下载了Weibo真实社交网络数据集，在利用该数据集进行 仿真实验时，从数据集中采样了1000个网络节点。

本发明实施例谣言爆发阈值R_T∈(0,1)，检测起始时间t_start分别设定为2、3、 4，阻断持续时间t_block分别设定为2和4，每个节点的入度D_in和出度D_out可 分别根据关系矩阵计算得到，节点活跃度Au以及兴趣度Mk在[0,1]区间内随机 分布。网络初始状态设定如下：5％的用户作为传播谣言的感染节点子集，即I 态节点集合，5％的用户作为免疫状态的节点子集，即R态节点集合，90％的用 户作为易感状态节点子集，即S态节点集合。

步骤2-1：在当前时刻t，利用PISIR模型预测t+1时刻的节点感染率I(t+1) 是否大于等于爆发阈值R_T，若I(t+1)≥R_T，则进行步骤2-2，否，转步骤4；

步骤2-2：根据阻断节点选择算法从候选阻断节点集合G中选取一个满足用 户体验约束条件PU≥U_th的阻断节点ub，所述PU表示用户的体验，所述U_th表 示用户的体验容忍阈值；将选取的阻断节点ub从G中移除并加入到阻断节点集 合V_B中，同时更新网络关系矩阵A；

所述用户体验计算如下：

式中：PU(i,t_block)表示节点i在阻断持续时间t_block后的体验值，t_block表示阻断 持续时间，即节点接收信息的延迟时间，u(i)表示节点i未被阻断时的初始体验， df(i)表示节点i的体验折扣系数，即节点i在延迟时间t_block后，才能接收到信息 的用户体验的折扣系数；

所述体验折扣系数df(i)计算如下：

df(i)＝γ₁×Au_i+γ₂×Mk_i+γ₃×D_out_i

式中：Au_i表示节点i的活跃度，Mk_i表示节点i的兴趣度，D_out_i表示节点 i的出度，系数γ₁,γ₂,γ₃∈(0,1)，且γ₁+γ₂+γ₃＝1；

所述阻断节点选择算法的具体步骤如下：

在t时刻阻断G中的节点ub之后，在t+1时刻，其S态邻居节点v激活概率 的变化量

计算如下：

所述节点ub的所有S态邻居节点v激活概率的变化量之和M^ub(t+1)计算如 下：

按照如下目标函数选择阻断节点：

步骤2-3：根据更新后网络关系矩阵A，利用PISIR模型再次预测t+1时刻 的I(t+1)是否小于等于R_T，否，则转至步骤2-2，是，则转至步骤3；

步骤3：检测V_B内的阻断节点的阻断时长t_duration是否达到阻断持续时间t_block； 当检测到某个节点t_duration≥t_block后，释放该阻断节点并将该阻断节点从V_B中移除， 从V_B中移除的节点不再加入G中，更新关系矩阵A并返回到步骤2-3；若所有节 点均t_duration＜t_block，则切断V_B内所有节点的关系连接且t←t+1；若t＜T，转步 骤2-3，否则结束。

步骤4：t←t+1；若t＜T，转步骤2-1，否则结束。

图3为本发明实施例利用Weibo数据的谣言感染率实验结果。该图描述了R_T为0.1、t_start为2、t_block为2的情况下，无阻断方法(采用Origin表示)、随机选 取阻断节点的阻断方法(简称随机阻断方法，采用Random表示)、基于网络节 点出度选取阻断节点的阻断方法(简称度阻断方法，采用Degree表示)、本发明 方法实施例中检测接下来第一个时刻的谣言感染率是否大于R_T的方法，采用 1-hop表示；本发明实施例检测接下来第二个时刻的谣言感染率是否大于R_T的方 法，采用2-hop表示)，共5种方法的谣言感染率随时间的变化情况。从图3可 以看出，与其他三种方法相比，本发明的1-hop和2-hop方法的谣言感染率更低，谣言抑制性能更优。

图4为本发明实施例利用Weibo数据的阻断节点数量实验结果。该图描述 了t_start为2、t_block为2的情况下，Random方法、Degree方法、本发明的1-hop和 2-hop方法，共4种方法的阻断节点数量随谣言爆发阈值R_T的变化情况。从图4 可以看出，4种方法的阻断节点数量均随R_T的增加而减小，但是，与Random和 Degree方法相比，本发明的1-hop和2-hop方法所需阻断节点数量更少，即谣言 抑制成本更低。

Claims (1)

1.一种基于爆发阈值及用户体验的谣言抑制方法，其特征在于依次按照如下方法进行：

步骤1：构建PISIR模型

步骤1-1：计算谣言的个体传播倾向概率P_ind

设定S态为易感状态，即没有听过谣言的人；I态为感染状态，即相信谣言并传播谣言的人；R态为免疫状态，即不再参与谣言传播的人；

假设t-1时刻节点u处于I态，那么t时刻节点u发送谣言给邻居节点v的概率

如下：

式中：C表示谣言的可信度，D_out_u表示节点u的出度，P₀表示节点u的谣言初始发送概率，

表示节点u由S态转变为I态的时刻，即被感染时刻，

表示当前时刻t与节点u的被感染时刻

的时间间隔；

假设t-1时刻节点v处于S态，那么t时刻节点v接受邻居节点u发送的谣言的概率

如下：

式中：D_in_v是节点v的入度，Rw_uv表示节点u对节点v的相对影响权重；

所述Rw_uv如下：

式中：f(u,v)表示节点u对节点v的影响权重，f(v,u)表示节点v对节点u的影响权重；

所述f(u,v)如下：

式中：

为节点v的所有邻居节点的出度之和；

所述f(v,u)如下：

式中：

为节点u的所有邻居节点的出度之和；

则t时刻I态节点u向S态节点v发送谣言，S态节点v接受该谣言，并转化成I态的概率，即节点(u,v)之间谣言的个体传播倾向概率P_ind如下：

步骤1-2：计算谣言的整体流行度P_glb

利用多峰高斯分布来模拟谣言在宏观层面上的传播过程，即整体流行度P_glb如下：

式中：峰值系数k_i∈[0,1]，且

u_i与σ_i分别代表高斯分布中的均值及标准差，k₀表示谣言传播的下限值，n表示多峰高斯分布的峰数；

步骤1-3：计算节点(u,v)间的谣言成功传播概率P_uv(t)

式中：β₁,β₂∈(0,1)为平衡系数，且β₁+β₂＝1；

步骤1-4：计算t时刻节点v由S态转变为I态的概率，即激活概率

如下：

式中：Ne_v表示节点v的所有邻居节点集合，

是网络关系矩阵A中的一个元素，

表示节点(u,v)之间存在有向边，

表示节点(u,v)之间不存在有向边，S_u(t-1)表示节点u在t-1时刻所处的状态，如果节点u处于I态，则S_u(t-1)＝1；如果节点u处于S态，则S_u(t-1)＝0；如果节点u处于R态，则S_u(t-1)＝2；

步骤1-5：计算t时刻节点u由I态转变为R态的概率，即痊愈概率

如下：

所述激活概率

和痊愈概率

构成PISIR模型；

步骤2：在观测时间窗T内，以PISIR模型计算感染率并根据用户体验作为选取阻断节点子集的约束条件，通过选取阻断节点子集并模拟将其阻断，使网络中被感染的节点数量所占比例始终小于谣言爆发阈值：

步骤2-1：在当前时刻t，利用PISIR模型预测t+1时刻的节点感染率I(t+1)是否大于等于爆发阈值R_T，若I(t+1)≥R_T，则进行步骤2-2，否，转步骤4；

步骤2-2：根据阻断节点选择算法从候选阻断节点集合G中选取一个满足用户体验约束条件PU≥U_th的阻断节点ub，所述PU表示用户的体验，所述U_th表示用户的体验容忍阈值；将选取的阻断节点ub从G中移除并加入到阻断节点集合V_B中，同时更新网络关系矩阵A；

所述用户体验计算如下：

式中：PU(i,t_block)表示节点i在阻断持续时间t_block后的体验值，t_block表示阻断持续时间，即节点接收信息的延迟时间，u(i)表示节点i未被阻断时的初始体验，df(i)表示节点i的体验折扣系数，即节点i在延迟时间t_block后，才能接收到信息的用户体验的折扣系数；

所述体验折扣系数df(i)计算如下：

df(i)＝γ₁×Au_i+γ₂×Mk_i+γ₃×D_out_i

式中：Au_i表示节点i的活跃度，Mk_i表示节点i的兴趣度，D_out_i表示节点i的出度，系数γ₁,γ₂,γ₃∈(0,1)，且γ₁+γ₂+γ₃＝1；

所述阻断节点选择算法的具体步骤如下：

在t时刻阻断G中的节点ub之后，在t+1时刻，其S态邻居节点v激活概率的变化量

计算如下：

所述节点ub的所有S态邻居节点v激活概率的变化量之和M^ub(t+1)计算如下：

按照如下目标函数选择阻断节点：

步骤2-3：根据更新后网络关系矩阵A，利用PISIR模型再次预测t+1时刻的I(t+1)是否小于等于R_T，否，则转至步骤2-2，是，则转至步骤3；

步骤3：检测V_B内的阻断节点的阻断时长t_duration是否达到阻断持续时间t_block；当检测到某个节点t_duration≥t_block后，释放该阻断节点并将该阻断节点从V_B中移除，更新关系矩阵A并返回到步骤2-3；若所有节点均t_duration＜t_block，则切断V_B内所有节点的关系连接且t←t+1；若t＜T，转步骤2-3，否则结束。

步骤4：t←t+1；若t＜T，转步骤2-1，否则结束。

Images