CN112396151A - 谣言事件的分析方法、装置、设备及计算机可读存储介质 - Google Patents
谣言事件的分析方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112396151A CN112396151A CN202011241237.0A CN202011241237A CN112396151A CN 112396151 A CN112396151 A CN 112396151A CN 202011241237 A CN202011241237 A CN 202011241237A CN 112396151 A CN112396151 A CN 112396151A
- Authority
- CN
- China
- Prior art keywords
- rumor
- user node
- target
- user
- fitness
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 13
- 208000015181 infectious disease Diseases 0.000 claims description 5
- 230000001902 propagating effect Effects 0.000 claims description 3
- 241000854291 Dianthus carthusianorum Species 0.000 description 19
- 239000011159 matrix material Substances 0.000 description 7
- 238000012804 iterative process Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000010485 coping Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000019771 cognition Effects 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 241000269350 Anura Species 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 241000271566 Aves Species 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 208000035126 Facies Diseases 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了谣言事件的分析方法、装置、设备及计算机可读存储介质，用于对谣言事件进行有效的分析。方法包括：确定平台网络中存在目标谣言事件处于传播状态的目标社交平台；获取目标社交平台中的用户节点、用户节点对于辟谣信息的初始适应度以及用户节点的社交关系；将用户节点划分为多个用户集合；通过蛙跳算法以及粒子群优化算法对多个用户集合进行快速辟谣模拟处理，快速辟谣模拟处理的每次迭代过程包括：在每个用户集合中挑选出符合最佳适应度要求的目标用户节点，向目标用户节点推送辟谣信息，结合社交关系更新每个用户节点对于辟谣信息的适应度，检测每个用户节点是否都更新为符合最佳适应度要求，若是则满足收敛标准；获取快速辟谣模拟处理的模拟结果。
Description
技术领域
本申请涉及通信领域，尤其涉及谣言事件的分析方法、装置、设备及计算机可读存储介质。
背景技术
随着互联网的飞速发展和各种网络形式的出现，社交平台已成为在线社交网络上的各个用户之间进行通信和收集第一手信息的最受欢迎的一大渠道。社交平台以固定的方式传播信息，使用户能够及时发布这些信息并与其他用户在线共享，这些信息包含了一手信息，并可以通过社交平台通过多样化的途径例如文字、图像、视频、音频和超链接等方式被广泛地传播。
然而，某些人为满足公众的好奇心或者个人不低，在社交平台放出不实消息或者编造信息，这些消息可以来自任何用户并且可以在整个社交平台中进行传播，无论它们是真是假，都无法第一时间验证其真伪，一旦虚假或欺骗性的谣言信息出现并在社交平台上占领了公众舆论，则可能会影响到社会和谐。
而在现有的相关技术的研究过程中，发明人发现，现有的辟谣机制，通常是通过一些官方机构或者权威账号在社交平台上发表的辟谣信息，而在实际应用中，这些官方机构或者权威账号也可能被误导进而发布有误的辟谣信息，这进一步地扩散了谣言的传播，其次，这些官方机构或者权威账号的发布渠道且受工作人员的人工操作限制，存在反应滞后的问题，其次还涉及到听众有限的情况，从这些内容可看出，现有的辟谣机制，明显存在着辟谣效率低下的问题，例如新型冠状病毒肺炎(COVID-19)的早期传播阶段，在各大社交平台上充斥着各式各样的谣言，引起了广大社会群众的恐慌，同时也容易影响到疫情管控工作的进行，这对于社会和谐来说是非常不利的。
发明内容
本申请提供了谣言事件的分析方法、装置、设备及计算机可读存储介质，用于对谣言事件进行有效的分析，获取其快速辟谣模拟处理的模拟结果，从而可根据该模拟结果对该谣言事件在第一时间内安排相关的应对操作，高效地进行辟谣。
第一方面，本申请提供了一种谣言事件的分析方法，方法包括：
确定平台网络中存在目标谣言事件处于传播状态的目标社交平台；
获取目标社交平台中的用户节点、用户节点对于辟谣信息的初始适应度以及用户节点的社交关系，用户节点中包括目标谣言事件的感染节点；
将用户节点划分为多个用户集合，作为不同青蛙个体构成的不同青蛙种群；
通过蛙跳算法(Shuffled Frog Leading Algorithm，SFLA)以及粒子群优化算法(Particle swarm optimization，PSO)对多个用户集合进行快速辟谣模拟处理，快速辟谣模拟处理的每次迭代过程包括：在每个用户集合中挑选出符合最佳适应度要求的目标用户节点，向目标用户节点推送辟谣信息，结合社交关系更新每个用户节点对于辟谣信息的适应度，检测每个用户节点是否都更新为符合最佳适应度要求，若是则满足收敛标准，完成快速辟谣模拟处理；
获取快速辟谣模拟处理的模拟结果。
结合本申请第一方面，在本申请第一方面第一种可能的实现方式中，社交关系包括不同的亲密度、自我可靠性以及可信度，亲密度用于指示用户节点之间的亲密程度，自我可靠性用于指示用户节点对于自身的谣言辨别能力的可信程度，可信度用于指示用户节点之间的信任度，适应度由亲密度、自我可靠性以及可信度计算得到。
结合本申请第一方面第一种可能的实现方式，在本申请第一方面第二种可能的实现方式中，亲密度包括家庭成员关系、朋友关系、同事/邻居关系、陌生人关系，当待更新用户节点与向待更新用户节点传播辟谣信息的目标用户节点之间的亲密度为家庭关系时，待更新用户节点通过辟谣信息的发布中心节点或者目标用户节点更新适应度；或者，
当待更新用户节点与目标用户节点之间的亲密度为朋友关系时，待更新用户节点通过目标用户节点更新适应度；或者，
当待更新用户节点与目标用户节点之间的亲密度为同事/邻居关系时，待更新用户节点基于自身与目标用户节点之间的随机用户所搭建的信息传播关系，通过目标用户节点更新适应度；或者，
当待更新用户节点与目标用户节点之间的亲密度为陌生人关系时，待更新用户节点通过辟谣信息的发布中心节点更新适应度。
结合本申请第一方面在本申请第一方面第三种可能的实现方式中，最佳适应度要求为辟谣信息的发布中心节点的预设适应度。
结合本申请第一方面，在本申请第一方面第四种可能的实现方式中，目标谣言事件为已经通过官方机构确定为谣言性质并发布辟谣信息的谣言事件，或者，目标谣言事件为存在唯一辟谣结论并发布辟谣信息的谣言事件。
结合本申请第一方面，在本申请第一方面第五种可能的实现方式中，获取用户节点对于辟谣信息的初始适应度以及用户节点的社交关系包括：
获取用户节点在目标社交平台中公开的账户信息；
根据账户信息，确定初始适应度以及社交关系。
结合本申请第一方面，在本申请第一方面第六种可能的实现方式中，获取辟谣模拟结果的模拟结果之后，方法还包括：
根据模拟结果，向模拟结果指示的不同迭代过程中挑选的不同目标用户节点，推送辟谣信息，以按照模拟结果在目标社交平台中对目标谣言事件进行辟谣处理。
第二方面，本申请提供了一种谣言事件的分析装置，装置包括：
确定单元，用于确定平台网络中存在目标谣言事件处于传播状态的目标社交平台；
获取单元，用于获取目标社交平台中的用户节点、用户节点对于辟谣信息的初始适应度以及用户节点的社交关系，用户节点中包括目标谣言事件的感染节点；
划分单元，用于将用户节点划分为多个用户集合，作为不同青蛙个体构成的不同青蛙种群；
模拟单元，用于通过SFLA算法以及PSO算法对多个用户集合进行快速辟谣模拟处理，快速辟谣模拟处理的每次迭代过程包括：在每个用户集合中挑选出符合最佳适应度要求的目标用户节点，向目标用户节点推送辟谣信息，结合社交关系更新每个用户节点对于辟谣信息的适应度，检测每个用户节点是否都更新为符合最佳适应度要求，若是则满足收敛标准，完成快速辟谣模拟处理；
获取单元，还用于获取快速辟谣模拟处理的模拟结果。
结合本申请第二方面，在本申请第二方面第一种可能的实现方式中，社交关系包括不同的亲密度、自我可靠性以及可信度，亲密度用于指示用户节点之间的亲密程度，自我可靠性用于指示用户节点对于自身的谣言辨别能力的可信程度，可信度用于指示用户节点之间的信任度，适应度由亲密度、自我可靠性以及可信度计算得到。
结合本申请第二方面第一种可能的实现方式，在本申请第二方面第二种可能的实现方式中，亲密度包括家庭成员关系、朋友关系、同事/邻居关系、陌生人关系，当待更新用户节点与向待更新用户节点传播辟谣信息的目标用户节点之间的亲密度为家庭关系时，待更新用户节点通过辟谣信息的发布中心节点或者目标用户节点更新适应度；或者，
当待更新用户节点与目标用户节点之间的亲密度为朋友关系时，待更新用户节点通过目标用户节点更新适应度；或者，
当待更新用户节点与目标用户节点之间的亲密度为同事/邻居关系时，待更新用户节点基于自身与目标用户节点之间的随机用户所搭建的信息传播关系，通过目标用户节点更新适应度；或者，
当待更新用户节点与目标用户节点之间的亲密度为陌生人关系时，待更新用户节点通过辟谣信息的发布中心节点更新适应度。
结合本申请第二方面，在本申请第二方面第三种可能的实现方式中，最佳适应度要求为辟谣信息的发布中心节点的预设适应度。
结合本申请第二方面在本申请第二方面第四种可能的实现方式中，目标谣言事件为已经通过官方机构确定为谣言性质并发布辟谣信息的谣言事件，或者，目标谣言事件为存在唯一辟谣结论并发布辟谣信息的谣言事件。
结合本申请第二方面，在本申请第二方面第五种可能的实现方式中，获取单元，具体用于：
获取用户节点在目标社交平台中公开的账户信息；
根据账户信息，确定初始适应度以及社交关系。
结合本申请第二方面，在本申请第二方面第六种可能的实现方式中，装置还包括推送单元，用于：
根据模拟结果，向模拟结果指示的不同迭代过程中挑选的不同目标用户节点，推送辟谣信息，以按照模拟结果在目标社交平台中对目标谣言事件进行辟谣处理。
第三方面，本申请提供了一种谣言事件的分析设备，包括处理器，处理器用于执行存储器中存储的计算机程序时实现如上述本申请第一方面或者第一方面任一种实现方式中的步骤。
第四方面，本申请提供了可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述本申请第一方面或者第一方面任一种实现方式中的步骤。
从以上技术方案可以看出，本申请具有以下优点：
对于目标社交平台出现的处于传播状态的目标谣言事件，本申请在对其进行辟谣处理之前，可通过SFLA算法以及PSO算法模拟其辟谣过程，以分析目标谣言事件的辟谣结果，在基于SFLA算法的聚类协作局部搜索能力和PSO算法的快速收敛性，本申请还引入社交关系因素，对于目标社交平台内的每个用户，在辟谣模拟过程中，通过社交关系因素来迭代更新每个用户个体对辟谣信息的适应度，每次迭代过程都分别更新符合最佳适应度要求的用户节点作为推送辟谣信息的节点，如此当每个用户都达到最佳适应度时迭代结束，完成颗粒度更小、精度更高的快速辟谣模拟处理，如此，根据模拟结果可对该目标谣言事件在第一时间内安排相关的应对操作，高效地进行辟谣，避免了现有的辟谣机制明显存在的效率低下的问题。
附图说明
图1为本申请谣言事件的分析方法的一种流程示意图；
图2示出的本申请的一种场景示意图；
图3为本申请谣言事件的分析装置的一种结构示意图；
图4为本申请谣言事件的分析设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。所熟知的适合用于本申请的运算系统、环境与组态的范例可包括(但不限于)手持电话、个人计算机、服务器、多处理器系统、微电脑为主的系统、主架构型计算机、及分布式运算环境，其中包括了任何的上述系统或装置。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。
首先，在介绍本申请之前，先介绍下本申请关于应用背景的相关内容。
本申请提供的谣言事件的分析方法、装置以及计算机可读存储介质，可应用于谣言事件的分析设备上，用于对谣言事件进行有效的分析，获取其快速辟谣模拟处理的模拟结果，从而可根据该模拟结果对该谣言事件在第一时间内安排相关的应对操作，高效地进行辟谣。
谣言事件的分析设备，具体可以为服务器、物理主机、UE等设备，还可采用设备集群的方式存在。其中，UE，具体可以为智能手机、平板电脑、笔记本电脑、个人数字助理(Personal Digital Assistant，PDA)、台式电脑、电脑一体机等不同类型的终端设备。
下面，开始介绍本申请提供的谣言事件的分析方法。
如图1示出的本申请谣言事件的分析方法的一种流程示意图，在本申请中，谣言事件的分析方法，具体可包括如下步骤：
步骤S101，确定平台网络中存在目标谣言事件处于传播状态的目标社交平台；
步骤S102，获取目标社交平台中的用户节点、用户节点对于辟谣信息的初始适应度以及用户节点的社交关系，用户节点中包括目标谣言事件的感染节点；
步骤S103，将用户节点划分为多个用户集合，作为不同青蛙个体构成的不同青蛙种群；
步骤S104，通过SFLA算法以及PSO算法对多个用户集合进行快速辟谣模拟处理，快速辟谣模拟处理的每次迭代过程包括：在每个用户集合中挑选出符合最佳适应度要求的目标用户节点，向目标用户节点推送辟谣信息，结合社交关系更新每个用户节点对于辟谣信息的适应度，检测每个用户节点是否都更新为符合最佳适应度要求，若是则满足收敛标准，完成快速辟谣模拟处理；
步骤S105，获取快速辟谣模拟处理的模拟结果。
在图1所示实施例中，对于目标社交平台出现的处于传播状态的目标谣言事件，本申请在对其进行辟谣处理之前，可通过SFLA算法以及PSO算法模拟其辟谣过程，以分析目标谣言事件的辟谣结果，在基于SFLA算法的聚类协作局部搜索能力和PSO算法的快速收敛性，本申请还引入社交关系因素，对于目标社交平台内的每个用户，在辟谣模拟过程中，通过社交关系因素来迭代更新每个用户个体对辟谣信息的适应度，每次迭代过程都分别更新符合最佳适应度要求的用户节点作为推送辟谣信息的节点，如此当每个用户都达到最佳适应度时迭代结束，完成颗粒度更小、精度更高的快速辟谣模拟处理，如此，根据模拟结果可对该目标谣言事件在第一时间内安排相关的应对操作，高效地进行辟谣，避免了现有的辟谣机制明显存在的效率低下的问题。
下面，具体介绍图1所示实施例中的各步骤及其在实际应用中可能采用的具体实现方式。
在本申请中，确定存在目标谣言事件处于传播状态的目标社交平台，可以理解为先确定存在目标谣言事件，此时尚不明确哪些社交平台中正传播着开该目标谣言事件，接着再确定平台网络中该目标谣言事件处于传播状态的目标社交平台；
又或者，也可监测着某些特定的社交平台，例如可将一些用户量巨大、用户活跃度高的社交平台作为目标社交平台，再监测这些平台内是否存在处于传播状态的谣言事件。
其中，在本申请中，对于目标谣言事件，可以理解的是，它是已存在辟谣信息，或者说是已经被证实为谣言性质事件的事件，而即使某一传播的事件已经被证实为谣言事件，在现有技术的辟谣机制中，由于其辟谣效率有限，在短时间内难以完成辟谣，辟谣速度甚至还可能慢于谣言事件的传播速度，而本申请，则结合用户的社交关系进行高效、精确的快速辟谣模拟处理，来获悉本次谣言事件如何高效进行辟谣。
对应本申请的快速辟谣模拟处理，在确定平台网络中目标谣言事件处于传播状态的目标社交平台后，本申请可获取该目标社交平台中的用户节点，这些节点中还包括目标谣言事件已经完成感染的感染节点，其次，还可获取每个用户节点的对于本次目标谣言事件的初始适应度以及每个用户节点的社交关系。
用户节点，可以理解为一一对应的用户账号，用户账号后面对应的则是真实用户，当这些用户账号存在对于目标谣言事件的评论、转发、收藏等具有认同性质的用户操作时，则可认为以被该目标谣言事件感染，成为感染节点。
初始适应度，可以理解为用户节点对于辟谣信息的接受程度，可以理解，本申请所介绍的快速辟谣模拟处理，实质上就是模拟每个用户对于辟谣信息的接受情况，用户在模拟过程中其适应度是可能发生变化的，当所有人的适应度都最佳适应度要求、接受辟谣信息、认同辟谣信息的内容时，则可视为完成了本次谣言事件的辟谣处理，因此，在进行快速辟谣模拟处理之前，可为用户先配置对应的初始适应度。
初始适应度，具体可以通过用户节点的账号操作习惯、账号对应机构等因素配置。例如，对于政府机构的相关账号，则具有较佳的初始适应度；又或者，对于一些具有“公知”标签，在目标社交平台积极评价实事的相关账号，也可具有较佳的初始适应度；又例如，对于一些大部分分用户操作为转发娱乐八卦、小道消息或者存在历史谣言信息转发行为的相关账号，则具有较差的初始适应度，在该初始适应度下，可以认为这些账号非常容易受到目标谣言事件的感染。
社交关系，可以理解为用户节点之间在信息传播上的对应关系。例如，不同用户之间具有不同的社交关系、例如家人、朋友、同事、邻居、陌生人等，其具有不同的亲密程度，节点自身对于外界的信息吸收能力也是不同的，例如尽管用户节点A、B互为家人关系，用户节点A对于用户节点B传播过来的信息的接受情况，与用户节点B对于用户节点A传播过来的信息的接受情况，也是可能完全不同的。
社交关系，具体也是可以从用户节点的账号操作习惯、账号基础信息等途径获取。例如，用户节点X在好友列表中将用户节点Y标注为家人；又例如，用户节点W将公司行业动态转发至用户节点Q，并评论“我们公司又进一步了”，此时可认为用户节点W、Q之间互为同事关系。
应当理解的是，在实际应用中，上述所提及的用户节点及其初始适应度、社交关系的获取，都是基于用户节点公开的账号信息所处理得到的，或者，也可以为告知目标社交平台的辟谣处理需求、在通过用户允许的前提下，从用户节点对于本次目标谣言的辟谣处理而公开的账号信息中处理得到的。
因此，在本申请中，获取用户节点对于辟谣信息的初始适应度以及用户节点的社交关系包括：
获取用户节点在目标社交平台中公开的账户信息；
根据账户信息，确定初始适应度以及社交关系。
当然，这些信息也可以为历史配置信息，例如在历史谣言事件的辟谣处理中获取得到的；又或者，这些信息也可以为通过用户问卷调查生成的，其具体获取方式可随实际需要调整，在此不做限定。
下面，开始介绍本申请涉及的快速辟谣模拟处理，具体可先从快速辟谣模拟处理的基础：SFLA算法以及PSO算法开始。
SFLA算法，蛙跳算法，是一种元启发式算法，可以理解为模拟一组青蛙在食物搜索中的行为，在实际应用中可用于执行明智的启发式搜索，以寻求组合优化问题的解决方案。具体的，它是一种基于递减的随机搜索算法，该算法将青蛙的初始种群定义为决策变量。
PSO算法，粒子群优化算法，可以理解为模仿昆虫、兽群、鸟群和鱼群等的群集行为，这些群体按照一种合作的方式寻找食物，群体中的每个成员通过学习它自身的经验和其他成员的经验来不断改变其搜索模式，在实际应用中，通过修改最初的模仿提出了PSO的原始版本，然后在惯性权重的基础上快速收敛地说明了标准PSO算法，其可采用种群的方式进行搜索。
一方面，传统的SFLA算法，难以涵盖实际情况，另一方面，PSO算法也可能会长时间陷入局部最优状态或者长时间收敛到全局最优状态。本申请的快速辟谣模拟处理，则结合两者，兼具SFLA的聚类协作局部搜索能力和PSO算法的快速收敛性，来提高及时和实时的辟谣算法的性能。
示例性的，在快速辟谣模拟处理中，对于辟谣的分析始于当辟谣信息进入网络时，谣言感染人口N遍及整个目标社交网络，此时可根据家庭和社区的特征，将谣言感染人群分为几个(m)座标/类似集群，其中用户(n)能够自主学习以从不同信息传播路径来接受真相、辟谣。在每个用户集群中，可能被其他用户的谣言认知(例如SFLA中的模因)感染或反驳的用户会经历有关谣言事件反驳的真相演变，辟谣的真相演变意味着，当用户从其他用户了解真相时，用户可以有效地减少与谣言事件有关的信念和焦虑，提高用户对于谣言事件的认知度，并增强了各个用户对谣言的可识别标准，这被认为是用户的适应度。
而为了保证更有效、迅速地驳斥谣言，本申请则还可进一步要求适应度较高的用户比适应度较差的用户，对来自事实的新认知的发展做出更大的贡献，即，在目标社交平台或者用户集群中对辟谣信息的传播作出更大的贡献。
其中，如图2示出的本申请的一种场景示意图，这些集群中具有最佳适应度的用户节点可被选为目标用户节点，记为集群头(CH)，CH可以为同一集群中的集群成员(CM)提供更好的认知和辟谣信息。在真相演化过程中，CM可以通过来自同一集群中CH的最佳谣言认知来提高其适应性，而这过程中，则可围绕用户节点的社交关系进行旋转。这些集群，可以是随机划分得到的；或者，根据集群的预设用户节点数量进行划分；或者，也可以以每个感染用户节点为中心进行划分；或者，还可以以每个目标用户节点进为中心进行划分，具体可随实际需要调整。
CM的谣言认知的增量变化对应于青蛙的跳跃步长，其新状态(包括CH的适应度)类似于蛙跳算法中青蛙的新位置，单个CM改善状态后，将其返回到群集，根据从CM状态变化中获得的信息，可以立即反驳谣言，从而实现整个集群中对新信息的即时访问、更新。
在快速辟谣模拟处理中，在初始分配的青蛙种群(用户集合)的基础上，涉及到多次的迭代过程，每个迭代过程中，都根据社交关系来进行真相演变、更新每个用户的适应度，并向具有最佳适应度的目标用户节点推送辟谣信息，以使得这些具有最佳谣言认知的用户节点向其他用户节点进行真相传播、进行辟谣，当某个迭代过程中检测到所有的用户节点的适应度都成最佳适应度时，则可认为所有用户都完成了真相认知，在目标社交平台中对目标谣言事件完成了辟谣处理，此时收敛结束，该模拟结果(迭代过程)则可输出，用于还原辟谣过程，供实际中的辟谣操作进行参考或者应用。
例如，可以根据模拟结果，向模拟结果指示的不同迭代过程中挑选的不同目标用户节点，推送辟谣信息，以按照模拟结果在目标社交平台中对目标谣言事件进行辟谣处理。
进一步的，在实际应用中，用户节点的社交关系具体可包括不同的亲密度、自我可靠性以及可信度，亲密度用于指示用户节点之间的亲密程度，自我可靠性用于指示用户节点对于自身的谣言辨别能力的可信程度，可信度用于指示用户节点之间的信任度，适应度则具体可以由亲密度、自我可靠性以及可信度计算得到。
亲密度，是表示两个用户之间的亲密关系的主要参数之一，接触被视为分析亲密关系的关键因素。通常，高频接触用于反映亲密关系，这表明用户之间的接触频率越高，他们建立的亲密关系就越紧密。但是，基于诸如同事关系之类的高频接触来建立真正的信任则可能是不够的，高频接触、多点交流和长期合作不会使同事成为朋友。
应该指出的是，任何两个用户之间的信任度不是直接由他们可以直接接触的人数来确定的，也就是说，两个熟人少的个人之间的关系也可能是封闭的，也因此，谣言的传播涉及一个复杂的社会心理过程。
具体的，本申请在实际应用中，还可将通过分析各种社交关系来讨论深层接触。亲密度有四个级别，包括“最信任”、“更多信任”、“一般信任”和“不信任”(定义为T1，T2，T3，T4)。考虑到社交平台中用户的社交亲密关系，可假设1＞T1≥0.75＞T2≥0.5＞T3≥0.25＞T4≥0，以便通过深度接触来适当地加权调整亲密关系。本申请可从衡量城市人口的亲密度出发，并介绍其社交关系，例如家庭成、朋友、同事/邻居和陌生人。因此，本申请提出家庭成员>朋友>同事/邻居>陌生人作为具有信任度的关系顺序，对应于T1＞T2>T3＞T4。
用户节点i和用户节点j之间的亲密程度模型可以通过将高频和深层接触结合来建立，例如可以由以下公式描述：
其中I表示亲密度，hij是接触频率的数量，TK ij表示用户节点i与用户节点j之间的社交关系。
自我可靠性，是每个用户节点的固有属性，表示由于具有良好的信息传播能力而被信任的程度。根据过去的经验，相信某些用户会对社交平台中的谣言可以做出更准确的判断，而这些用户传播这些谣言时的可信度更高，当谣言流传到社交平台各处时，该用户节点将获得更高的信任，并获得更高的自我可靠性。
可将R＝{Ri}，i＝1,2,...,N，定义为每个用户节点的自我可靠性。
可信度，可通过两个用户节点之间的一定概率来反映。陌生人之间的可信度接近零，而他们在相互理解和亲密接触后，可信度可能会增加。但是，在各种社会关系中，亲密感和可信度之间没有比例关系。即，尽管用户节点之间经常或者深度接触，但也并不可信，原因可能是用户的自我可靠性低，信任不足以及两个用户之间的冲突等。
整个在线社交网络扩散耦合，辟谣信息能够传播到整个网络，在社交关系中，用户节点A可以通过辟谣信息对用户节点B进行辟谣，而用户节点B可以相信用户节点A，这意味着两个用节点户之间可能存在信任不对称，这可以通过有向图来描述。
本质上，本申请可以将(lij)N×N，1≤i，j≤N作为拉普拉斯耦合矩阵L，其中对角元素被认是
它代表了用户节点之间社会关系的连接拓扑，如果用户节点i和用户节点j之间存在连接，则lij＝lji＝1；否则lij＝lji＝0，定义lii，整个社交凭条被连接，矩阵L不可约。
此外，对拉普拉斯耦合矩阵L进行了权重调整，以建立信任不对称性，可以将其转换为可信度矩阵
其中符号*是矩阵的Hadamard乘积(哈达玛积)，矩阵
表示信任不对称矩阵，而cij则根据用户节点j表示用户节点i的信誉，显然，可信度矩阵是一个不对称的正定矩阵，cij≠cji，i≠j.。
需要注意的是，“陌生人”用户通常被认为是非连接用户，如前所述，有lij＝lji＝0。但是，由于分析的亲密程度，具有社交关系T4的“陌生人”用户可以限制在[0.0.25)的范围内，这被认为是对当前连接拓扑的精确描述。
以上介绍了本申请中，用户节点的社交关系可具体包括不同的亲密度、自我可靠性以及可信度，进一步的，本申请还可在这三个因素的基础上，引入信任度的因素，该信任度用于从整体层面上表征由亲密度、自我可靠性以及可信度组成的社交关系，可记为：
进一步的，在快速辟谣模拟处理的迭代过程中，以亲密度包括家庭成员关系、朋友关系、同事/邻居关系、陌生人关系为例，根据社交关系更新待更新用户节点的适应度，具体可以为下面四种情况：
1.当待更新用户节点与目标用户节点之间的亲密度为家庭成员关系时，待更新用户节点通过辟谣信息的发布中心节点或者目标用户节点更新适应度；
可以理解的，每个用户节点的社交关系，在相同的联系频率下，可以从彼此之间获得足够的亲密度。当用户节点i为与目标用户节点(集群中的CH)具有“家庭成员”关系时，目标用户节点通常愿意为用户节点i提供任何帮助，并且没有任何回报，同时，统群集中的所有用户都基于CH的自我可靠性和可信度对其对应度进行了适当的改进。
因此，所有“家庭成员”用户都可以在迭代中从目标用户节点(集群中的CH)和辟谣信息的发布中心节点接收真相、辟谣信息，具体的，其适应度的调节可参考：
其中，vk i和vk+1 i是提高速度的速度，用户节点i分别处于第k次和第(k+1)次迭代，fk i是用户节点i在第k次迭代时的适应度，fk,best i定义为具有最佳适应度的目标用户节点(CH)，由此用户节点i在k次迭代时对其适应度进行适当的改进，T1和T2是用户节点i在第k次迭代时的正常数，用于表示用户节点i的家庭成员的信任度，T1、T2的范围[0.75，1)，ξ1和ξ2是范围[0，1]中的两个随机数，w是惯性权重。
2.当待更新用户节点与目标用户节点之间的亲密度为朋友关系时，待更新用户节点通过目标用户节点更新适应度；
“朋友”用户描述了与紧密社交关系相关的目标用户节点(CH)相关联的用户节点i，目标用户节点愿意为用户节点i提供某些帮助，“朋友”用户可能会受到目标用户节点(CH)的影响，适应度可能会有所提高，以适应目标用户节点(CH)的需求，具体的，其适应度的更新可参考：
其中，T3是表示用户节点i的家庭成员的信任度，T3是[0.5，0.75)范围内的正常数，ξ3是[0，1]范围内的随机值，该等式描述了“朋友”用户的真实进化，他们随着目标用户节点(CH)而增强了适应度。
3.当待更新用户节点与目标用户节点之间的亲密度为同事/邻居关系时，待更新用户节点基于自身与目标用户节点之间的随机用户所搭建的信息传播关系，通过目标用户节点(CH)更新适应度；
“同事/邻居”关系被视为每个用户节点的共同和必要的社交关系。一般而言，与目标用户节点(CH)有这种关系的“同事/邻居”用户可能不会向他们的同事或邻居敞开心，这也使得彼此之间的相互影响有限。由于“同事/邻居”关系的亲密度较低，传统的PSO算法不足以有效地驳斥谣言。
因此，利用随机用户来帮助“同事/邻居”用户增强其适应度以接近标用户节点(CH)的适应度，随机用户为“同事/邻居”用户和标用户节点(CH)提供了新颖的关系，一次迭代包含两个步骤：1)随机用户对标用户节点(CH)的适应度；2)“同事/邻居”用户会根据随机用户的适应度来提高自己的适应度。
出现概率为50％的三个用户之间的“家庭成员”或“朋友”关系能够提高适应度的提高速度，而出现概率为25％的“陌生人”关系可能会降低这种改善的速度。具体的，其适应度的更新可参考：
其中，T4和T5是表示用户节点i的家庭成员的信任度，T4和T5在[0.25，0.5)范围内，ξ4和ξ5是在[0，1]范围内的随机值，该等式描述了“同事/邻居”用户，该用户基于随机用户和迭代适应度强的用户进行了两次改进。
4.当待更新用户节点与目标用户节点之间的亲密度为陌生人关系时，待更新用户节点通过辟谣信息的发布中心节点更新适应度。
在社交平台中，存在一定数量的孤立的“陌生人”用户，而与其他用户节点之间没有任何社会关系。由于该用户在集群中的信任度低，因此寻找用户的事实有所不同。本申请则提出辟谣信息的发布中心节点基于SFLA直接将真相(辟谣信息)传播给“陌生人”用户。因此，对于“陌生人”用户，其适应度的更新可参考：
其中，ξ6是[0，1]中的随机值，f*是辟谣信息的发布中心节点的预设适应度，vM是适应度上的最大增量。
进一步的，在实际应用中，对于快速辟谣模拟处理中涉及的最佳适应度要求，可以为随实际需要配置的适应度阈值，其中，优选地可将辟谣信息的发布中心节点的预设适应度选定为该适应度阈值，即最佳适应度要求，如此，当目标社交平台中的用户节点都完成真相演变、完成辟谣时，每个用户节点的适应度都极大地趋于或者等于该发布中心节点的预设适应度。
进一步的，从上述内容可看出，在每次迭代过程中，符合最佳适应度要求的目标用户节点时会发生变化的，也就是说，该目标用户节点为具有动态更新的特性，该情况，在实际应用中，更符合具有简单谣言性质的谣言事件。
可以理解的，对于部分谣言事件，其谣言内容比较单一，当通过官方机构确定为谣言性质并发布辟谣信息后，获知该真相的用户节点，可通过官方机构发布的辟谣信息极大可能认清谣言、接受真相，适用于短时间内的及时辟谣场景，以唯一辟谣结论进行高度权威、敏捷的辟谣处理。
举例而言，当某一谣言事件发生后，官方机构可通过报纸、广播、电视和互联网热情表达社会舆论和争议，尤其是对当前社会热点和重大问题的迅速反应，以此达到及时的辟谣。及时的辟谣意味着通过迅速的反应迅速阻止谣言的传播，此外，任何用户节点都可以立即达到最佳适应性，并在迭代中传播真相，因此，在每次迭代中，具有最佳适应性的目标用户节点(CH)往往会交替出现，即，目标用户节点(CH)并非一直维持不变的。
换句话说，在本申请中，目标谣言事件为已经通过官方机构确定为谣言性质并发布辟谣信息的谣言事件，或者，目标谣言事件为存在唯一辟谣结论并发布辟谣信息的谣言事件。
以上是本申请提供的谣言事件的分析方法的说明，为便于更好的实施本申请提供的谣言事件的分析方法，本申请还提供了谣言事件的分析装置。
参阅图3，图3为本申请谣言事件的分析装置的一种结构示意图，在本申请中，谣言事件的分析装置300具体可包括如下结构：
确定单元301，用于确定平台网络中存在目标谣言事件处于传播状态的目标社交平台；
获取单元302，用于获取目标社交平台中的用户节点、用户节点对于辟谣信息的初始适应度以及用户节点的社交关系，用户节点中包括目标谣言事件的感染节点；
划分单元303，用于将用户节点划分为多个用户集合，作为不同青蛙个体构成的不同青蛙种群；
模拟单元304，用于通过SFLA算法以及PSO算法对多个用户集合进行快速辟谣模拟处理，快速辟谣模拟处理的每次迭代过程包括：在每个用户集合中挑选出符合最佳适应度要求的目标用户节点，向目标用户节点推送辟谣信息，结合社交关系更新每个用户节点对于辟谣信息的适应度，检测每个用户节点是否都更新为符合最佳适应度要求，若是则满足收敛标准，完成快速辟谣模拟处理；
获取单元302，还用于获取快速辟谣模拟处理的模拟结果。
在一种示例性的实现方式中，社交关系包括不同的亲密度、自我可靠性以及可信度，亲密度用于指示用户节点之间的亲密程度，自我可靠性用于指示用户节点对于自身的谣言辨别能力的可信程度，可信度用于指示用户节点之间的信任度，适应度由亲密度、自我可靠性以及可信度计算得到。
在又一种示例性的实现方式中，亲密度包括家庭成员关系、朋友关系、同事/邻居关系、陌生人关系，当待更新用户节点与向待更新用户节点传播辟谣信息的目标用户节点之间的亲密度为家庭关系时，待更新用户节点通过辟谣信息的发布中心节点或者目标用户节点更新适应度；或者，
当待更新用户节点与目标用户节点之间的亲密度为朋友关系时，待更新用户节点通过目标用户节点更新适应度；或者，
当待更新用户节点与目标用户节点之间的亲密度为同事/邻居关系时，待更新用户节点基于自身与目标用户节点之间的随机用户所搭建的信息传播关系，通过目标用户节点更新适应度；或者，
当待更新用户节点与目标用户节点之间的亲密度为陌生人关系时，待更新用户节点通过辟谣信息的发布中心节点更新适应度。
在又一种示例性的实现方式中，最佳适应度要求为辟谣信息的发布中心节点的预设适应度。
在又一种示例性的实现方式中，目标谣言事件为已经通过官方机构确定为谣言性质并发布辟谣信息的谣言事件，或者，目标谣言事件为存在唯一辟谣结论并发布辟谣信息的谣言事件。
在又一种示例性的实现方式中，获取单元301，具体用于：
获取用户节点在目标社交平台中公开的账户信息；
根据账户信息，确定初始适应度以及社交关系。
在又一种示例性的实现方式中，装置还包括推送单元305，用于：
根据模拟结果，向模拟结果指示的不同迭代过程中挑选的不同目标用户节点，推送辟谣信息，以按照模拟结果在目标社交平台中对目标谣言事件进行辟谣处理。
本申请还提供了谣言事件的分析设备，参阅图4，图4示出了本申请谣言事件的分析设备的一种结构示意图，具体的，本申请谣言事件的分析设备包括处理器401、存储器402、输入输出设备403，处理器401用于执行存储器402中存储的计算机程序时实现如图1对应实施例中谣言事件的分析方法的各步骤；或者，处理器401用于执行存储器402中存储的计算机程序时实现如图3对应实施例中各单元的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
谣言事件的分析设备可包括，但不仅限于处理器401、存储器402、输入输出设备403。本领域技术人员可以理解，示意仅仅是谣言事件的分析设备的示例，并不构成对谣言事件的分析设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如谣言事件的分析设备还可以包括网络接入设备、总线等，处理器401、存储器402、输入输出设备403以及网络接入设备等通过总线相连。
处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是谣言事件的分析设备的控制中心，利用各种接口和线路连接整个设备的各个部分。
存储器402可用于存储计算机程序和/或模块，处理器401通过运行或执行存储在存储器402内的计算机程序和/或模块，以及调用存储在存储器402内的数据，实现计算机装置的各种功能。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据谣言事件的分析设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器401用于执行存储器402中存储的计算机程序时，具体可实现以下功能：
获取目标社交平台中的用户节点、用户节点对于辟谣信息的初始适应度以及用户节点的社交关系；
将用户节点划分为多个用户集合，作为不同青蛙个体构成的不同青蛙种群；
通过SFLA算法以及PSO算法对多个用户集合进行快速辟谣模拟处理，快速辟谣模拟处理的每次迭代过程包括：在每个用户集合中挑选出符合最佳适应度要求的目标用户节点，向目标用户节点推送辟谣信息，结合社交关系更新每个用户节点对于辟谣信息的适应度，检测每个用户节点是否都更新为符合最佳适应度要求，若是则满足收敛标准，完成快速辟谣模拟处理；
获取快速辟谣模拟处理的模拟结果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的谣言事件的分析装置、设备及其相应单元的具体工作过程，可以参考如图1对应实施例中谣言事件的分析方法的说明，具体在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请如图1对应实施例中谣言事件的分析方法中的步骤，具体操作可参考如图1对应实施例中谣言事件的分析方法的说明，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器(Read Only Memory，ROM)、随机存取记忆体(Random Access Memory，RAM)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令，可以执行本申请如图1对应实施例中谣言事件的分析方法中的步骤，因此，可以实现本申请如图1对应实施例中谣言事件的分析方法所能实现的有益效果，详见前面的说明，在此不再赘述。
以上对本申请提供的谣言事件的分析方法、装置、设备及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种谣言事件的分析方法，其特征在于，所述方法包括：
确定平台网络中存在目标谣言事件处于传播状态的目标社交平台；
获取所述目标社交平台中的用户节点、所述用户节点对于辟谣信息的初始适应度以及所述用户节点的社交关系，所述用户节点中包括所述目标谣言事件的感染节点；
将所述用户节点划分为多个用户集合，作为不同青蛙个体构成的不同青蛙种群；
通过蛙跳算法以及粒子群优化算法对多个所述用户集合进行快速辟谣模拟处理，所述快速辟谣模拟处理的每次迭代过程包括：在每个所述用户集合中挑选出符合最佳适应度要求的目标用户节点，向所述目标用户节点推送所述辟谣信息，结合所述社交关系更新每个用户节点对于所述辟谣信息的适应度，检测每个所述用户节点是否都更新为符合所述最佳适应度要求，若是则满足收敛标准，完成所述快速辟谣模拟处理；
获取所述快速辟谣模拟处理的模拟结果。
2.根据权利要求1所述的方法，其特征在于，所述社交关系包括不同的亲密度、自我可靠性以及可信度，所述亲密度用于指示所述用户节点之间的亲密程度，所述自我可靠性用于指示用户节点对于自身的谣言辨别能力的可信程度，所述可信度用于指示所述用户节点之间的信任度，所述适应度由所述亲密度、所述自我可靠性以及所述可信度计算得到。
3.根据权利要求2所述的方法，其特征在于，所述亲密度包括家庭成员关系、朋友关系、同事/邻居关系、陌生人关系，当待更新用户节点与向所述待更新用户节点传播所述辟谣信息的目标用户节点之间的亲密度为家庭关系时，所述待更新用户节点通过所述辟谣信息的发布中心节点或者所述目标用户节点更新所述适应度；或者，
当所述待更新用户节点与所述目标用户节点之间的亲密度为朋友关系时，所述待更新用户节点通过所述目标用户节点更新所述适应度；或者，
当所述待更新用户节点与所述目标用户节点之间的亲密度为同事/邻居关系时，所述待更新用户节点基于自身与所述目标用户节点之间的随机用户所搭建的信息传播关系，通过所述目标用户节点更新所述适应度；或者，
当所述待更新用户节点与所述目标用户节点之间的亲密度为陌生人关系时，所述待更新用户节点通过所述辟谣信息的发布中心节点更新所述适应度。
4.根据权利要求1所述的方法，其特征在于，所述最佳适应度要求为所述辟谣信息的发布中心节点的预设适应度。
5.根据权利要求1所述的方法，其特征在于，所述目标谣言事件为已经通过官方机构确定为谣言性质并发布所述辟谣信息的谣言事件，或者，所述目标谣言事件为存在唯一辟谣结论并发布所述辟谣信息的谣言事件。
6.根据权利要求1所述的方法，其特征在于，所述获取所述用户节点对于辟谣信息的初始适应度以及所述用户节点的社交关系包括：
获取所述用户节点在所述目标社交平台中公开的账户信息；
根据所述账户信息，确定所述初始适应度以及所述社交关系。
7.根据权利要求所述的方法，其特征在于，获取所述辟谣模拟结果的模拟结果之后，所述方法还包括：
根据所述模拟结果，向所述模拟结果指示的不同迭代过程中挑选的不同目标用户节点，推送所述辟谣信息，以按照所述模拟结果在所述目标社交平台中对所述目标谣言事件进行辟谣处理。
8.一种谣言事件的分析装置，其特征在于，所述装置包括：
确定单元，用于确定平台网络中存在目标谣言事件处于传播状态的目标社交平台；
获取单元，用于获取所述目标社交平台中的用户节点、所述用户节点对于辟谣信息的初始适应度以及所述用户节点的社交关系，所述用户节点中包括所述目标谣言事件的感染节点；
划分单元，用于将所述用户节点划分为多个用户集合，作为不同青蛙个体构成的不同青蛙种群；
模拟单元，用于通过蛙跳算法以及粒子群优化算法对多个所述用户集合进行快速辟谣模拟处理，所述快速辟谣模拟处理的每次迭代过程包括：在每个所述用户集合中挑选出符合最佳适应度要求的目标用户节点，向所述目标用户节点推送所述辟谣信息，结合所述社交关系更新每个用户节点对于所述辟谣信息的适应度，检测每个所述用户节点是否都更新为符合所述最佳适应度要求，若是则满足收敛标准，完成所述快速辟谣模拟处理；
所述获取单元，还用于获取所述快速辟谣模拟处理的模拟结果。
9.一种谣言事件的分析设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011241237.0A CN112396151B (zh) | 2020-11-09 | 2020-11-09 | 谣言事件的分析方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011241237.0A CN112396151B (zh) | 2020-11-09 | 2020-11-09 | 谣言事件的分析方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112396151A true CN112396151A (zh) | 2021-02-23 |
| CN112396151B CN112396151B (zh) | 2023-09-26 |
Family
ID=74600067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011241237.0A Active CN112396151B (zh) | 2020-11-09 | 2020-11-09 | 谣言事件的分析方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112396151B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990369A (zh) * | 2021-04-26 | 2021-06-18 | 四川新网银行股份有限公司 | 一种基于社交网络的逃废债行为识别方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150188941A1 (en) * | 2013-12-26 | 2015-07-02 | Telefonica Digital Espana, S.L.U. | Method and system for predicting victim users and detecting fake user accounts in online social networks |
| CN107895010A (zh) * | 2017-11-13 | 2018-04-10 | 华东师范大学 | 一种基于网络点赞检测网络水军的方法 |
| CN108304521A (zh) * | 2018-01-25 | 2018-07-20 | 重庆邮电大学 | 基于演化博弈的微博谣言传播的分析方法与系统 |
| CN110008975A (zh) * | 2018-11-30 | 2019-07-12 | 武汉科技大学 | 基于免疫危险理论的社交网络水军检测方法 |
-
2020
- 2020-11-09 CN CN202011241237.0A patent/CN112396151B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150188941A1 (en) * | 2013-12-26 | 2015-07-02 | Telefonica Digital Espana, S.L.U. | Method and system for predicting victim users and detecting fake user accounts in online social networks |
| CN107895010A (zh) * | 2017-11-13 | 2018-04-10 | 华东师范大学 | 一种基于网络点赞检测网络水军的方法 |
| CN108304521A (zh) * | 2018-01-25 | 2018-07-20 | 重庆邮电大学 | 基于演化博弈的微博谣言传播的分析方法与系统 |
| CN110008975A (zh) * | 2018-11-30 | 2019-07-12 | 武汉科技大学 | 基于免疫危险理论的社交网络水军检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李素;袁志高;王聪;陈天恩;郭兆春;: "群智能算法优化支持向量机参数综述", 智能系统学报, no. 01 * |
| 王恩贤;陶宏才;: "基于PSO-SVM算法的炒作微博识别研究", 成都信息工程学院学报, no. 06 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990369A (zh) * | 2021-04-26 | 2021-06-18 | 四川新网银行股份有限公司 | 一种基于社交网络的逃废债行为识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112396151B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ai et al. | CSRT rumor spreading model based on complex network | |
| Dong et al. | The algorithm of link prediction on social network | |
| CN111914569B (zh) | 基于融合图谱的预测方法、装置、电子设备及存储介质 | |
| US20110307494A1 (en) | Scoring Nodes in a Directed Graph with Positive and Negative Links | |
| Jin et al. | Community detection in complex networks by density-based clustering | |
| Torky et al. | Proof of credibility: A blockchain approach for detecting and blocking fake news in social networks | |
| Huang et al. | Scalable uncertainty-aware truth discovery in big data social sensing applications for cyber-physical systems | |
| Askarizadeh et al. | Soft rumor control in social networks: Modeling and analysis | |
| Chen et al. | Multi‐dimensional fuzzy trust evaluation for mobile social networks based on dynamic community structures | |
| Yu et al. | Fast budgeted influence maximization over multi-action event logs | |
| Sastry et al. | Buzztraq: predicting geographical access patterns of social cascades using social networks | |
| Gera et al. | T-Bot: AI-based social media bot detection model for trend-centric twitter network | |
| Fonhof et al. | Characterizing key players in child exploitation networks on the dark net | |
| CN112396151B (zh) | 谣言事件的分析方法、装置、设备及计算机可读存储介质 | |
| Gu et al. | Primary node selection algorithm of PBFT based on anomaly detection and reputation model | |
| CN111966920A (zh) | 舆情传播的稳定条件的预测方法、装置及设备 | |
| Hromic et al. | Characterising and evaluating dynamic online communities from live microblogging user interactions | |
| Cui et al. | Modeling information diffusion in time-varying community networks | |
| Jin et al. | A parallel community structure mining method in big social networks | |
| Xu et al. | DLCD-CCE: A local community detection algorithm for complex IoT networks | |
| Wang et al. | A multiple features fusion-based social network node importance measure for rumor control | |
| Kim et al. | Rete-ADH: An improvement to rete for composite context-aware service | |
| CN112396150B (zh) | 谣言事件的分析方法、装置、设备及计算机可读存储介质 | |
| Huang | Information dissemination control algorithm of ecological changes in the new media communication environment | |
| Liu et al. | Who to connect to? joint recommendations in cross-layer social networks |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |