CN112597699A - 一种融入客观赋权法的社交网络谣言源识别方法 - Google Patents

Abstract

本发明涉及信息安全领域，公开了一种融入客观赋权法的社交网络谣言源识别方法，包括构建网络谣言源识别有限无向图；利用SIR传染病模型模拟谣言传播过程；提取所有节点的若干个节点属性值；对所有节点的若干个节点属性值进行归一化处理；计算若干个节点属性值的信息熵；根据信息熵计算节点的客观权重；使用MLE算法对客观权重较高的前m个节点计算似然函数值，将似然函数值最大值对应的节点作为预测的社交网络谣言源点。本发明基于谣言中心性特征，使用融合客观赋权算法提取网络节点权重特征，利用SIR传播模型对谣言传播过程进行仿真，采用MLE似然估计算法有效实现了谣言源的识别，本发明对网络结构的表示更加合理，预测结果更加有效和精确。

Description

一种融入客观赋权法的社交网络谣言源识别方法

技术领域

本发明涉及信息安全领域，具体地涉及一种融入客观赋权法的社交网络谣言源识别方法。

背景技术

社交网络平台中流传的虚假信息严重影响着人们的生产生活，更有甚者扭曲事实，给社会带来了恶劣的影响。快速有效的识别网络谣言对于减少虚假信息传播的危害具有重要研究意义。但是，目前许多检测方法只是对信息是否为谣言进行判断，对于谣言源的研究工作较少。由于网络中信息的传播过程是动态的、可变的以及快速的，相对于普通信息，谣言往往更具有博取人们关注的特征，其扩散性强、爆发性高。

目前对于谣言传播模型的研究大多数是基于传染病模型进行展开的，在具体的检测方法上，基于网络结构的谣言源检测主要分为基于传播子图快照的检测方法和基于部署观察点的检测方法。基于传播子图快照的方法主要是基于最大似然估计(MLE)、树状网络结构特征等算法对所获取的节点是否为谣言信息进行判断。该方法虽然可以估计出谣言源点，但是在实际网络中，我们很难获取所有的节点状态信息，且完成的工作量过大，时间复杂度较高。基于部署观察点的谣言检测方法主旨在于选取适当数量和具有重要位置的节点作为整个网络的观察进行研究，但是如何选取合适的观察点一直研究的难点，若观察点分布过多，则增加了算法的复杂性，使其效率会降低。

现有技术中，选取观察点原则多是基于谣言中心性特征，并没有考虑到网络节点权值属性。少数考虑节点权值的方法是随机赋权法，该方法虽然考虑到节点权值这项重要参数，但随机赋权并不能很好的表示出网络结构的真实性，无法体现其作为一项重要特征用于谣言源识别效果的体现，所以，亟需一种融入客观赋权法的社交网络谣言源识别方法提高谣言源识别的准确率。

发明内容

本发明提供一种融入客观赋权法的社交网络谣言源识别方法，从而解决现有技术的上述问题。

本发明提供了一种融入客观赋权法的社交网络谣言源识别方法，包括以下步骤：

S1)构建由若干个节点以及若干条边组成的网络谣言源识别有限无向图G＝(V，E，W)，V表示节点，E表示边，W表示节点的权重；一个节点对应社会网络中的一个用户；每条边对应两个节点之间的关系；谣言源点s的谣言信息从所述网络谣言源识别有限无向图G中以异步的方式进行传播，所述谣言源点s为未知源节点；

S2)利用SIR传染病模型模拟谣言传播过程；SIR传染病模型将若干个节点分为三类节点，三类节点包括易感染节点、感染节点和恢复节点；

S3)根据SIR传染病模型从网络谣言源识别有限无向图中提取所有节点的若干个节点属性值；

S4)对所有节点的若干个节点属性值进行归一化处理，获得归一化处理后所有节点的若干个节点属性值；

S5)分别计算每个节点的若干个节点属性值的信息熵；

S6)根据每个节点的若干个节点属性值的信息熵计算所有节点的客观权重；

S7)进行社交网络谣言源点预测，获取客观权重较高的前m个节点，使用MLE算法对客观权重较高的前m个节点计算似然函数值，获取似然函数值最大值，将似然函数值最大值对应的节点作为预测的社交网络谣言源点。

进一步的，在步骤S2)中，SIR传染病模型为

S(t)表示t时刻网络中健康节点的总数，I(t)则表示在t时刻感染节点的总数，R(t)表示t时刻免疫节点的总数，S(t)+I(t)+R(t)＝n，n表示节点总数，θ₁为健康节点在传播过程中变成感染节点的概率，θ₂表示感染节点在传播过程中转变成免疫节点的概率。

进一步的，在步骤S3)中，根据SIR传染病模型从网络谣言源识别有限无向图中提取所有节点的若干个节点属性值，其中，第i个节点的若干个节点属性值集合为X_i＝{x_i1,x_i2,…,x_ij,…,x_in}，x_n为第i个节点的第n个节点属性值；若干个节点属性值包括度数中心性、介数中心性、紧密中心性和特征向量中心性。

进一步的，在步骤S4)中，对所有节点的若干个节点属性值进行归一化处理，获得归一化处理后所有节点的若干个节点属性值，归一化处理后第i个节点的若干个节点属性值集合为Y_i＝{y_i1,y_i2,…,y_ij,…,y_in}，归一化处理后第i个节点的第j个节点属性值为

进一步的，在步骤S5)中，分别计算每个节点的若干个节点属性值的信息熵，第i个节点的第j个节点属性值的信息熵

其中，p_ij表示归一化处理后第i个节点的第j个节点属性值出现的概率,

进一步的，在步骤S6)中，根据每个节点的若干个节点属性值的信息熵计算所有节点的客观权重；第i个节点的客观权重为

本发明的有益效果是：本发明基于谣言中心性特征，使用融合客观赋权算法提取网络节点权重特征，并使用SIR传播模型对于谣言传播过程进行仿真，采用MLE似然估计算法有效实现了社交网络谣言源点的准确识别。本发明将节点客观权重作为一项重要参数用于对谣言源的识别，对网络结构的表示更加合理，预测结果更加有效和精确。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本实施例一提供的融入客观赋权法的社交网络谣言源识别方法流程示意图。

图2为本实施例一提供的基于karate数据集进行谣言源点预测的预测效果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。

实施例一，一种融入客观赋权法的社交网络谣言源识别方法，如图1所示，包括以下步骤：

S1)构建由若干个节点以及若干条边组成的网络谣言源识别有限无向图G＝(V，E，W)，V表示节点，E表示边，W表示节点的权重；一个节点对应社会网络中的一个用户；每条边对应两个节点之间的关系；谣言源点s的谣言信息从所述网络谣言源识别有限无向图G中以异步的方式进行传播，谣言源点s为未知源节点；

S2)选择SIR传染病模型模拟谣言传播过程；SIR传染病模型将若干个节点分为三类节点，三类节点包括易感染节点、感染节点和恢复节点；在步骤S2)中，SIR传染病模型为

S(t)表示t时刻网络中健康节点的总数，I(t)则表示在t时刻感染节点的总数，R(t)表示t时刻免疫节点的总数，S(t)+I(t)+R(t)＝n，n表示节点总数，θ₁为健康节点在传播过程中变成感染节点的概率，θ₂表示感染节点在传播过程中转变成免疫节点的概率。

S3)利用SIR传染病模型从网络谣言源识别有限无向图中提取所有节点的若干个节点属性值；其中，第i个节点的若干个节点属性值集合为X_i＝{x_i1,x_i2,…,x_ij,…,x_in}，x_n为第i个节点的第n个节点属性值；若干个节点属性值包括度数中心性、介数中心性、紧密中心性和特征向量中心性。

度数中心性：在网络中，一个节点与其他节点发生直接联系，那么这个节点就处于中心地位。

介数中心性：又称为间接中心性，表示某一个节点到其他节点的接近程度。

紧密中心性：又称为接近度，反应某一节点与其他节点之间的接近程度；主要关注网络中平均距离的变化，与其它中心性不同的是，紧密中心性中，若一个节点的平均距离越小，那么该节点的紧密中心性则越大，平均距离越小，表示节点v_i更接近网络中其他的节点。

特征向量中心性：通常一个节点的重要性往往取决于其邻居节点的数量，也取决于邻居节点的重要性。从网络中节点的地位和重要性角度出发将单个节点的声望值看作是其他所有节点声望值的线性组合，从而得到一个线性组合方程。该方程中所对应的特征向量就是各个节点的重要程度。

S4)对所有节点的若干个节点属性值进行归一化处理，获得归一化处理后所有节点的若干个节点属性值；归一化处理后第i个节点的若干个节点属性值集合为Y_i＝{y_i1,y_i2,…,y_ij,…,y_in}，归一化处理后第i个节点的第j个节点属性值为

S5)分别计算每个节点的若干个节点属性值的信息熵；第i个节点的第j个节点属性值的信息熵

其中，p_ij表示归一化处理后第i个节点的第j个节点属性值出现的概率,

S6)根据每个节点的若干个节点属性值的信息熵计算所有节点的客观权重；根据每个节点的若干个节点属性值的信息熵计算所有节点的客观权重；第i个节点的客观权重为

本发明与现有技术中的随机赋权算法模型不同，随机赋权算法虽然在谣言源检测中考虑了节点权值这项重要参数，但是节点权值的随机性并不能很好的表示出网络内部结构的真实性，这通常会增加计算的复杂度，降低了谣言源检测的准确性。本发明在此基础上对权值特征进行了规范处理，对网络结构的表示更加合理，预测结果更加准确和有效。本发明通过客观赋值算法求出网络中节点客观权重后，将节点的客观权重作为一项重要参数引入谣言源的估计算法中，从而达到了量化社交网络不确定性的目的。

S7)进行社交网络谣言源点预测，获取客观权重较高的前m个节点，使用MLE算法对客观权重较高的前m个节点计算似然函数值，获取似然函数值最大值，将似然函数值最大值对应的节点作为预测的社交网络谣言源点。

本发明实施例中，通过四个不同的网络数据集进行了实验验证，选取了四个不同真实世界网络拓扑的数据集进行仿真实验。四个不同的网络数据集包括：(1)karate网络，表示某俱乐部34名成员之间的联系，该网络是由34个节点和78条边组成，如图2若示，附图符号1表示预测的源节点，附图符号2表示为真实的谣言源，附图符号3为其余节点。(2)Football网络，表示足球比赛网络，该网络是由115个节点和613条边所组成。(3)Facebook友谊网络，该网络是由4039个节点和88234条边所组成。(4)Wikipedia网络，表示维基百科投票情况，该网络由7115个节点和103689条边所组成。

为保证实验的准确性和真实性，本发明实施例将实验独立运行50次，统计预测的社交网络谣言源点C与真实的源s^*之间重合的次数，然后再将重合的次数之后除以运行总次数，即得到正确预测的概率R。

检验谣言源识别效果的评价指标采用研究普遍使用的误差跳数和平均误差距离，通过四种不同的真实网络数据进行实验，结果表明，该发明方法的谣言源识别效果表现出了较好效果。与随机赋权算法相比，在karate网络数据集中准确率提升10个百分点，且近90％的社交网络谣言源点和真实谣言源点间误差的距离保持在两跳之内。Football网络准确率提升6个百分点；Wikipedia网络中准确率提升4个百分点，准确率方面高于随机赋权算法；Facebook网络中准确率提升约12个百分点，且社交网络谣言源点和真实谣言源点间的距离保持在两跳之内占到96％，明显高于随机赋权算法。

本发明实施例对于四种不同网络拓扑所体现的平均误差进行了分析，结果表明融合客观赋权算法模型所产生的平均误差距离均低于随机赋权算法。本发明证明了谣言源识别的可行性，提高了谣言源识别的准确率，社交网络谣言源点和真实谣言源点间误差距离两跳以内的保持在80％以上，且平均误差距离较低，本发明为传播动力学，谣言源检测技术以及信息溯源等研究提供借鉴和参考。

通过采用本发明公开的上述技术方案，得到了如下有益的效果：

本发明基于谣言中心性特征，使用融合客观赋权算法提取网络节点权重特征，并使用SIR传播模型对于谣言传播过程进行仿真，采用MLE似然估计算法有效实现了谣言源的识别。本发明将节点客观权重作为一项重要参数用于对谣言源的识别，对网络结构的表示更加合理，预测结果更加有效和精确。本发明设计的融入客观赋权法的谣言源检测模型相比现有技术在准确率方面的表现更好，且平均误差更低。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (6)

1.一种融入客观赋权法的社交网络谣言源识别方法，其特征在于，包括以下步骤：

S1)构建由若干个节点以及若干条边组成的网络谣言源识别有限无向图G＝(V，E，W)，V表示节点，E表示边，W表示节点的权重；一个节点对应社会网络中的一个用户；每条边对应两个节点之间的关系；谣言源点s的谣言信息从所述网络谣言源识别有限无向图G中以异步的方式进行传播，所述谣言源点s为未知源节点；

S2)利用SIR传染病模型模拟谣言传播过程；所述SIR传染病模型将若干个节点分为三类节点，所述三类节点包括易感染节点、感染节点和恢复节点；

S3)根据所述SIR传染病模型从网络谣言源识别有限无向图中提取所有节点的若干个节点属性值；

S4)对所有节点的若干个节点属性值进行归一化处理，获得归一化处理后所有节点的若干个节点属性值；

S5)分别计算每个节点的若干个节点属性值的信息熵；

S6)根据所述每个节点的若干个节点属性值的信息熵计算所有节点的客观权重；

S7)进行社交网络谣言源点预测，获取客观权重较高的前m个节点，使用MLE算法对客观权重较高的前m个节点计算似然函数值，获取似然函数值最大值，将所述似然函数值最大值对应的节点作为预测的社交网络谣言源点。

2.根据权利要求1所述的融入客观赋权法的社交网络谣言源识别方法，其特征在于，在步骤S2)中，所述SIR传染病模型为

S(t)表示t时刻网络中健康节点的总数，I(t)则表示在t时刻感染节点的总数，R(t)表示t时刻免疫节点的总数，S(t)+I(t)+R(t)＝n，n表示节点总数，θ₁为健康节点在传播过程中变成感染节点的概率，θ₂表示感染节点在传播过程中转变成免疫节点的概率。

3.根据权利要求1或2所述的融入客观赋权法的社交网络谣言源识别方法，其特征在于，在步骤S3)中，根据所述SIR传染病模型从网络谣言源识别有限无向图中提取所有节点的若干个节点属性值，其中，第i个节点的若干个节点属性值集合为X_i＝{x_i1,x_i2,…,x_ij,…,x_in}，x_n为第i个节点的第n个节点属性值；所述若干个节点属性值包括度数中心性、介数中心性、紧密中心性和特征向量中心性。

4.根据权利要求1所述的融入客观赋权法的社交网络谣言源识别方法，其特征在于，在步骤S4)中，对所有节点的若干个节点属性值进行归一化处理，获得归一化处理后所有节点的若干个节点属性值，归一化处理后第i个节点的若干个节点属性值集合为Y_i＝{y_i1,y_i2,…,y_ij,…,y_in}，归一化处理后第i个节点的第j个节点属性值为

5.根据权利要求4所述的融入客观赋权法的社交网络谣言源识别方法，其特征在于，在步骤S5)中，分别计算每个节点的若干个节点属性值的信息熵，第i个节点的第j个节点属性值的信息熵

其中，p_ij表示归一化处理后第i个节点的第j个节点属性值出现的概率,

6.根据权利要求5所述的融入客观赋权法的社交网络谣言源识别方法，其特征在于，在步骤S6)中，根据所述每个节点的若干个节点属性值的信息熵计算所有节点的客观权重；第i个节点的客观权重为

Images