CN112634070B - 社交网络中隐私信息传播范围的度量模型和度量方法 - Google Patents

社交网络中隐私信息传播范围的度量模型和度量方法 Download PDF

Info

Publication number
CN112634070B
CN112634070B CN202011599205.8A CN202011599205A CN112634070B CN 112634070 B CN112634070 B CN 112634070B CN 202011599205 A CN202011599205 A CN 202011599205A CN 112634070 B CN112634070 B CN 112634070B
Authority
CN
China
Prior art keywords
node
network
propagation
state
privacy information
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.)
Active
Application number
CN202011599205.8A
Other languages
English (en)
Other versions
CN112634070A (zh
Inventor
朱娜斐
潘世佳
何泾沙
靳姝婷
陈宝存
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202011599205.8A priority Critical patent/CN112634070B/zh
Publication of CN112634070A publication Critical patent/CN112634070A/zh
Application granted granted Critical
Publication of CN112634070B publication Critical patent/CN112634070B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种社交网络中隐私信息传播范围的度量模型和度量方法，度量方法包括：构建社交网络，并设置社交网络中各网络节点的亲密度和关注度；随机选取网络节点作为初始发送节点，基于传染病模型开始针对隐私信息主体的隐私信息进行传播；根据各网络节点的亲密度和关注度以及传染病模型的基础传播概率确定网络节点的状态；社交网络中完成隐私信息的传播后，统计社交网络中各网络节点的状态转换结果；根据状态转换结果确定隐私信息的传播范围。通过本发明的技术方案，使得隐私信息的传播更加符合真实场景，实现了隐私信息传播范围的度量，且提高了隐私信息传播范围的度量过程的客观性和准确性。

Description

社交网络中隐私信息传播范围的度量模型和度量方法
技术领域
本发明涉及信息传播技术领域，尤其涉及一种社交网络中隐私信息传播范围的度量模型和一种社交网络中隐私信息传播范围的度量方法。
背景技术
自web2.0以来，得益于移动互联网的迅猛发展以及智能手机在全球范围内的普及，在线社交网络也迎来了其发展的黄金期，全球社交媒体用户数量在2019年初已增长到35亿，这将全球渗透率推高至45％。在诸如Twitter、微博等社交平台上，用户往往可以快捷又及时的获取热门信息或感兴趣的话题。但随着海量用户在社交网络中对于信息的爆炸性传播，诸如隐私安全问题的弊端也逐渐暴露在我们眼前。用户在通过在线社交网络进行交流的过程中，往往会揭露部分个人信息或传播他人的隐私信息，而这种有意或无意的对于用户个人信息的公开，或多或少的暴露了用户的隐私，对用户的隐私安全造成威胁，也不利于积极向上的网络环境的构建。因此，对社交网络中隐私信息传播的传播进行研究也是当下的一个亟需关注的问题。
对于普通的信息传播而言，社交网络的拓扑结构、社交网络用户的特征、社交媒体提供的服务等都是影响社交网络中信息传播的关键因素。但是对于隐私信息而言，隐私信息的特殊性决定了社交网络中隐私信息传播的复杂性。除了上述影响信息传播的常见因素以外，还有一些因素会对隐私信息的传播产生较为显著的影响。而考虑到隐私信息的高度个性化的个人信息，用户在传播过程中会考虑到自己与隐私主体的关系而选择参与或放弃信息传播，故而用户间的关系也是隐私信息传播过程中的一个重要因素。
而在现有的技术中，针对隐私信息这一特殊的信息类型收到多重因素的共同作用下表现出的传播态势并未有相关的模型进行描述，传播过程中也不清楚什么样的隐私信息在什么样的情况下会被传播，传播完成后也无法通过有效的参数或指标用来对隐私信息的传播范围进行度量。
发明内容
针对上述问题，本发明提供了一种社交网络中隐私信息传播范围的度量模型和度量方法，通过在社交网络中引入亲密度和关注度两个用于表达用户间关系的参数，将用户间关系作为隐私信息传播过程中的影响因素，从而更好地分析社交网络中隐私信息的传播机理，使得隐私信息的传播更加符合真实场景，将亲密度和关注度以量化参数的形式引入度量模型中，在隐私信息基于传染病模型进行传播完成后，根据社交网络中各网络节点的状态转换结果确定隐私信息在社交网络中的传播范围，从而完成隐私信息传播范围的度量，且提高了隐私信息传播范围的度量过程的客观性和准确性。
为实现上述目的，本发明提供了一种社交网络中隐私信息传播范围的度量模型，所述社交网络根据标准社交网络构建算法进行构建，所述社交网络中隐私信息主体的隐私信息在网络节点中传播；所述隐私信息主体和所述社交网络中其余网络节点之间、以及所述社交网络中任意两个网络节点之间具有相应的亲密度和关注度；所述社交网络中的亲密度包括预设数量个基础等级关系，且各关系层次的网络节点具有预设占比，根据该预设占比对所述社交网络中任意两个网络节点分配基础等级关系，并根据该基础等级关系对应的预设亲密度取值区间中的随机生成值作为当前两个网络节点之间的亲密度；所述社交网络中网络节点之间的关注度符合正态分布；所述隐私信息主体的隐私信息基于传染病模型实现传播，根据所述网络节点与所述隐私信息主体之间的亲密度和关注度以及所述传染病模型的基础传播概率，所述网络节点的状态由未知态经犹豫态和传播态后转换为退出态。
在上述技术方案中，优选地，处于未知态的网络节点在所述传染病模型中收到所述隐私信息的概率λ下转换为犹豫态；处于犹豫态的网络节点，在所述传染病模型的基础传播概率μ的基础上，根据该网络节点与所述隐私信息主体的亲密度Ijk和对该隐私信息主体的关注度Cjk，以的概率转换为传播态，或者，在基础不传播概率δ的基础上，以/>的概率转换为退出态；处于传播态的网络节点将所述隐私信息传播完成后转换为退出态。
在上述技术方案中，优选地，处于传播态的网络节点与邻居节点的亲密度高于该网络节点与所述隐私信息主体之间的亲密度时，才向该邻居节点发送所述隐私信息。
在上述技术方案中，优选地，所述社交网络中的亲密度包括亲人、朋友、同事和陌生人4个基础等级关系，该4个基础等级关系的网络节点的占比分别为亲人占比1％、朋友占比5％、同事占比10％、陌生人占比84％。
在上述技术方案中，优选地，所述社交网络中不同基础等级关系对应的预设亲密度取值区间分别为：亲人关系区间为[0.8,1)、朋友关系区间为[0.5,0.8)、同事关系区间为[0.3,0.5)、陌生人关系区间为(0,0.3)。
本发明还提出一种社交网络中隐私信息传播范围的度量方法，应用于如上述技术方案中任一项提出的社交网络中隐私信息传播范围的度量模型，包括：构建社交网络，并设置社交网络中各网络节点的亲密度和关注度；随机选取网络节点作为初始发送节点，基于传染病模型开始针对隐私信息主体的隐私信息进行传播；根据各网络节点的亲密度和关注度以及所述传染病模型的基础传播概率确定网络节点的状态；所述社交网络中完成所述隐私信息的传播后，统计所述社交网络中各网络节点的状态转换结果；根据所述状态转换结果确定所述隐私信息的传播范围。
在上述技术方案中，优选地，所述随机选取网络节点作为初始发送节点，基于传染病模型开始针对隐私信息主体的隐私信息进行传播具体包括：在社交网络中随机选取网络节点作为初始发送节点，并加入本轮次的传播列表中，由该初始发送节点开始针对隐私信息主体的隐私信息的传播；遍历所述传播列表，每轮获取一个发送节点以及该发送节点的邻居节点列表，并将该邻居节点列表中的网络节点加入待接收节点列表；遍历所述待接收节点列表，判断当前发送节点与待接收节点之间的亲密度是否大于该发送节点与所述隐私信息主体之间的亲密度，若大于则向该待接收节点发送所述隐私信息，否则不考虑向该待接收节点发送所述隐私信息；在发送节点向待接收节点发送所述隐私信息后，所述待接收节点根据传染病模型的基础接收概率收到该隐私信息；所述待接收节点收到该隐私信息后，根据所述待接收节点与所述隐私信息主体之间的亲密度和关注度以及所述传染病模型的基础传播概率，确定该待接收节点的转换状态；根据状态转换结果，将转换为传播态的网络节点加入下一轮次的传播列表；本轮次的传播列表遍历完成后，将本轮次的传播列表清空，并将下一轮次的传播列表中的网络节点转移至本轮次传播列表中，将下一轮次传播列表清空，开启新一轮次的信息传播，直至传播列表清空后停止信息传播。
在上述技术方案中，优选地，根据各网络节点的亲密度和关注度以及所述传染病模型的基础传播概率确定网络节点的状态具体包括：处于未知态的网络节点在所述传染病模型中收到所述隐私信息的概率λ下转换为犹豫态；处于犹豫态的网络节点，在所述传染病模型的基础传播概率μ的基础上，根据该网络节点与所述隐私信息主体的亲密度Ijk和对该隐私信息主体的关注度Cjk，以的概率转换为传播态，或者，在基础不传播概率δ的基础上，以/>的概率转换为退出态；处于传播态的网络节点将所述隐私信息传播完成后转换为退出态。
在上述技术方案中，优选地，所述社交网络中的亲密度包括亲人、朋友、同事和陌生人4个基础等级关系，该4个基础等级关系的网络节点的占比分别为亲人占比1％、朋友占比5％、同事占比10％、陌生人占比84％；所述社交网络中不同基础等级关系对应的预设亲密度取值区间分别为：亲人关系区间为[0.8,1)、朋友关系区间为[0.5,0.8)、同事关系区间为[0.3,0.5)、陌生人关系区间为(0,0.3)。
在上述技术方案中，优选地，根据所述社交网络中网络节点之间的基础等级关系，设置该基础等级关系对应的预设亲密度取值区间中的随机生成值作为当前两个网络节点之间的亲密度，按照正态分布设置所述社交网络的网络节点之间的关注度。
与现有技术相比，本发明的有益效果为：通过在社交网络中引入亲密度和关注度两个用于表达用户间关系的参数，将用户间关系作为隐私信息传播过程中的影响因素，从而更好地分析社交网络中隐私信息的传播机理，使得隐私信息的传播更加符合真实场景，将亲密度和关注度以量化参数的形式引入度量模型中，在隐私信息基于传染病模型进行传播完成后，根据社交网络中各网络节点的状态转换结果确定隐私信息在社交网络中的传播范围，从而实现隐私信息传播范围的度量，且提高了隐私信息传播范围的度量过程的客观性和准确性。
附图说明
图1为本发明一种实施例公开的社交网络中隐私信息传播范围的度量模型中隐私信息传播的状态转移示意图；
图2为本发明一种实施例公开的社交网络中隐私信息传播范围的度量方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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的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。
下面结合附图对本发明做进一步的详细描述：
如图1所示，根据本发明提供的一种社交网络中隐私信息传播范围的度量模型，社交网络根据标准社交网络构建算法进行构建，社交网络中隐私信息主体的隐私信息在网络节点中传播；隐私信息主体和社交网络中其余网络节点之间、以及社交网络中任意两个网络节点之间具有相应的亲密度和关注度；社交网络中的亲密度包括预设数量个基础等级关系，且各关系层次的网络节点具有预设占比，根据该预设占比对社交网络中任意两个网络节点分配基础等级关系，并根据该基础等级关系对应的预设亲密度取值区间中的随机生成值作为当前两个网络节点之间的亲密度；社交网络中网络节点之间的关注度符合正态分布；隐私信息主体的隐私信息基于传染病模型实现传播，根据网络节点与隐私信息主体之间的亲密度和关注度以及传染病模型的基础传播概率，网络节点的状态由未知态经犹豫态和传播态后转换为退出态。
在该实施例中，亲密度表示社交网络中两个用户之间的亲密程度。当选定一个隐私主体并在当前社交网络中传播该隐私主体的隐私信息时，需要考虑两种亲密度设置的情况。首先，设置当前社交网络中每一个用户和隐私信息主体之间的亲密度；其次，对当前社交网络中任意两个用户之间设置亲密度。对这两种情况采用同样的亲密度分配方案进行设置以保证参数设置的统一性。
在上述实施例中，优选地，社交网络中的亲密度包括亲人、朋友、同事和陌生人4个基础等级关系，并确定各关系层次中用户数量的占比，例如该4个基础等级关系的网络节点的占比可分别设置为亲人占比1％、朋友占比5％、同事占比10％、陌生人占比84％。依据该占比情况，在所构建的社交网络中对所有网络节点分配不同的关系层次，并在对应的亲密度取值区间中随机生成一个值，作为这两个用户之间的亲密度。
例如，优选地，社交网络中不同基础等级关系对应的预设亲密度取值区间分别为：亲人关系区间为[0.8,1)、朋友关系区间为[0.5,0.8)、同事关系区间为[0.3,0.5)、陌生人关系区间为(0,0.3)。
具体地，社交网络中网络节点间的亲密度设置如下表所示：
关系 占比 亲密度取值范围
亲人 1％ [0.8,1)
朋友 5％ [0.5,0.8)
同事 10％ [0.3,0.5)
陌生人 84％ (0,0.3)
因此在完成亲密度设置后，在一个具有N个节点的社交网络中，任一节点都与其余N-1个节点之间存在亲密度，且任一节点也都和隐私信息主体节点之间存在亲密度。
另一方面，关注度表示社交网络中一个用户对另一个用户的关注程度。当某一隐私信息主体的隐私信息在当前所设定的社交网络中进行传播时，全网所有网络节点都会对当前这一隐私信息主体存在一定的关注度，表示社交网络中的某个用户对该隐私信息主体的隐私信息的关注程度。本发明实施例中，关注度按照正态分布进行设置。
在上述实施例中，优选地，处于未知态的网络节点在传染病模型中收到隐私信息的概率λ下转换为犹豫态；处于犹豫态的网络节点，在传染病模型的基础传播概率μ的基础上，根据该网络节点与隐私信息主体的亲密度Ijk和对该隐私信息主体的关注度Cjk，以的概率转换为传播态，或者，在基础不传播概率δ的基础上，以/>的概率转换为退出态；处于传播态的网络节点将隐私信息传播完成后转换为退出态。
在该实施例中，隐私信息的传播是基于传染病模型的原理进行的，首先传播过程中的节点状态可分为未知态(S)、犹豫态(E)、传播态(I)和退出态(R)四种状态。其中S态代表一群没有听过或看过该信息的用户，E态代表一群看过该信息后，对是否要进行传播表示犹豫但是尚未传播的用户，I态代表一群主动分享传播该信息的用户，R态代表一群知道该信息但是已经失去传播兴趣的用户。在此基础上，对节点状态转移过程中所涉及的相关参数进行定义，如下表1所示。
表1隐私信息传播中状态转移参数定义
符号 说明
λ 节点接收到信息的概率
μ 节点参与信息传播的基础概率
δ 节点不参与信息传播的基础概率
Ijk 节点j与节点k之间的亲密度
Cjk 节点j对节点k的关注度
基于上述隐私信息传播的状态转移参数，网络节点在隐私信息传播过程中的状态转移规则如下：
(1)当一个处于传播态I的网络节点i向处于未知态S的网络节点j传播某隐私信息主体的隐私信息时，考虑到网络节点是否会及时登录社交网络浏览信息的情况，设置网络节点j会以λ的概率获取到该隐私信息，并转变为犹豫态E。
(2)处于犹豫态E的网络节点在获取到该隐私信息后，会受到网络节点自身与隐私信息主体网络节点之间的亲密度Ijk和对信息主体网络节点关注度Cjk的影响，在基础传播概率μ的基础上，考虑用户间关系的影响，该网络节点会以的概率转换为状态I，对该隐私信息进行传播，也可能出于各种考量，从而在基础不传播概率δ的基础上，以/>的概率转换为状态R，直接退出传播。
(3)处于传播态I的网络节点会考虑要向他的哪些邻居节点发送这条隐私信息。这里考虑到亲密度的影响，优选地，只有当处于传播态的网络节点与邻居节点的亲密度高于该网络节点和隐私信息主体网络节点的亲密度时，才会向该邻居节点发送消息。处于传播态的网络节点在完成信息传播后就转变为退出态退出整个传播过程，不再对该隐私信息进行二次传播。
具体地，在网络节点的状态转移过程中，在基础传播模型的基础上引入节点之间亲密度和关注度对传播过程的影响因素。当前网络节点和隐私信息主体两者之间的亲密度越高，越倾向于保护对方的隐私，所以亲密度会对当前网络节点转换到传播态(I状态)存在负向激励。而当前网络节点对于隐私主体的关注度越高，则越想要传播对方的隐私信息，所以关注度会对当前网络节点转换到传播态(I状态)存在正向激励。传播概率的取值应该是在(0,1)之间的正值。而指数函数中，当底数小于1、指数为正值时，指数函数的取值为正，且在(0,1)之间。这对于概率的取值有天然的支持，故将亲密度、关注度作为指数的影响因素(亲密度越大，转为传播态(I状态)的概率越低，所以亲密度放在指数的被除数部分，而关注度越大，转为传播态的概率越高，所以关注度放在指数的除数部分)。而转为退出态(R状态)的概率的影响是相反的，即关注度越大，越不会转为退出状态；亲密度越大，越会转为退出状态，所以将指数部分的除数和被除数位置互换。
本发明还提出一种社交网络中隐私信息传播范围的度量方法，应用于如上述实施例中任一项提出的社交网络中隐私信息传播范围的度量模型，包括：构建社交网络，并设置社交网络中各网络节点的亲密度和关注度；随机选取网络节点作为初始发送节点，基于传染病模型开始针对隐私信息主体的隐私信息进行传播；根据各网络节点的亲密度和关注度以及传染病模型的基础传播概率确定网络节点的状态；社交网络中完成隐私信息的传播后，统计社交网络中各网络节点的状态转换结果；根据状态转换结果确定隐私信息的传播范围。
具体地，在构建社交网络过程中，依据标准社交网络构建算法构建符合社交网络特征的社交网络，并设置网络中各节点之间的亲密度，设置网络中每个节点和隐私主体节点之间的亲密度，以及设置网络中每个节点对隐私主体节点的关注度。
在隐私信息传播完成后，依据对社交网络中各个网络节点的状态转换结果，判断哪些网络节点进行了传播，以及哪些网络节点收到了该隐私信息，根据收到该隐私信息及传播该隐私信息的网络节点占整个社交网络中网络节点数量的比例，确定隐私信息的传播范围。
如图2所示，在上述实施例中，优选地，随机选取网络节点作为初始发送节点，基于传染病模型开始针对隐私信息主体的隐私信息进行传播具体包括：
在社交网络中随机选取网络节点作为初始发送节点，并加入本轮次的传播列表中，由该初始发送节点开始针对隐私信息主体的隐私信息的传播；
遍历传播列表，每轮获取一个发送节点以及该发送节点的邻居节点列表，并将该邻居节点列表中的网络节点加入待接收节点列表；
遍历待接收节点列表，判断当前发送节点与待接收节点之间的亲密度是否大于该发送节点与隐私信息主体之间的亲密度，若大于则向该待接收节点发送隐私信息，否则不考虑向该待接收节点发送隐私信息；
在发送节点向待接收节点发送隐私信息后，待接收节点根据传染病模型的基础接收概率收到该隐私信息；
待接收节点收到该隐私信息后，根据待接收节点与隐私信息主体之间的亲密度和关注度以及传染病模型的基础传播概率，计算该待接收节点转化为传播态或退出态的概率，并确定自身转换为何种状态；
根据状态转换结果，将转换为传播态的网络节点加入下一轮次的传播列表；
当本轮次的传播列表遍历完成后，将本轮次的传播列表清空，本轮次传播完成；
将下一轮次的传播列表中的网络节点转移至本轮次传播列表中，将下一轮次传播列表清空；
根据上述步骤，开启新一轮次的信息传播，直至传播列表清空后停止信息传播。
在上述实施例中，优选地，根据各网络节点的亲密度和关注度以及传染病模型的基础传播概率确定网络节点的状态具体包括：处于未知态的网络节点在传染病模型中收到隐私信息的概率λ下转换为犹豫态；处于犹豫态的网络节点，在传染病模型的基础传播概率μ的基础上，根据该网络节点与隐私信息主体的亲密度Ijk和对该隐私信息主体的关注度Cjk，以的概率转换为传播态，或者，在基础不传播概率δ的基础上，以/>的概率转换为退出态；处于传播态的网络节点将隐私信息传播完成后转换为退出态。
具体地，在网络节点的状态转移过程中，在基础传播模型的基础上引入节点之间亲密度和关注度对传播过程的影响因素。当前网络节点和隐私信息主体两者之间的亲密度越高，越倾向于保护对方的隐私，所以亲密度会对当前网络节点转换到传播态(I状态)存在负向激励。而当前网络节点对于隐私主体的关注度越高，则越想要传播对方的隐私信息，所以关注度会对当前网络节点转换到传播态(I状态)存在正向激励。
在上述实施例中，优选地，社交网络中的亲密度包括亲人、朋友、同事和陌生人4个基础等级关系，该4个基础等级关系的网络节点的占比分别为亲人占比1％、朋友占比5％、同事占比10％、陌生人占比84％；社交网络中不同基础等级关系对应的预设亲密度取值区间分别为：亲人关系区间为[0.8,1)、朋友关系区间为[0.5,0.8)、同事关系区间为[0.3,0.5)、陌生人关系区间为(0,0.3)。
在上述实施例中，优选地，根据社交网络中网络节点之间的基础等级关系，设置该基础等级关系对应的预设亲密度取值区间中的随机生成值作为当前两个网络节点之间的亲密度，按照正态分布设置社交网络的网络节点之间的关注度。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种社交网络中隐私信息传播范围的度量模型，其特征在于：
所述社交网络根据标准社交网络构建算法进行构建，所述社交网络中隐私信息主体的隐私信息在网络节点中传播；
所述隐私信息主体和所述社交网络中其余网络节点之间、以及所述社交网络中任意两个网络节点之间具有相应的亲密度和关注度；
所述社交网络中的亲密度包括预设数量个基础等级关系，且各关系层次的网络节点具有预设占比，根据该预设占比对所述社交网络中任意两个网络节点分配基础等级关系，并根据该基础等级关系对应的预设亲密度取值区间中的随机生成值作为当前两个网络节点之间的亲密度；
所述社交网络中网络节点之间的关注度符合正态分布；
所述隐私信息主体的隐私信息基于传染病模型实现传播，根据所述网络节点与所述隐私信息主体之间的亲密度和关注度以及所述传染病模型的基础传播概率，所述网络节点的状态由未知态经犹豫态和传播态后转换为退出态；
处于未知态的网络节点在所述传染病模型中收到所述隐私信息的概率λ下转换为犹豫态；
处于犹豫态的网络节点，在所述传染病模型的基础传播概率μ的基础上，根据该网络节点与所述隐私信息主体的亲密度Ijk和对该隐私信息主体的关注度Cjk，以的概率转换为传播态，或者，
在基础不传播概率δ的基础上，以的概率转换为退出态；
处于传播态的网络节点将所述隐私信息传播完成后转换为退出态。
2.根据权利要求1所述的社交网络中隐私信息传播范围的度量模型，其特征在于，处于传播态的网络节点与邻居节点的亲密度高于该网络节点与所述隐私信息主体之间的亲密度时，才向该邻居节点发送所述隐私信息。
3.根据权利要求1所述的社交网络中隐私信息传播范围的度量模型，其特征在于，所述社交网络中的亲密度包括亲人、朋友、同事和陌生人4个基础等级关系，该4个基础等级关系的网络节点的占比分别为亲人占比1％、朋友占比5％、同事占比10％、陌生人占比84％。
4.根据权利要求3所述的社交网络中隐私信息传播范围的度量模型，其特征在于，所述社交网络中不同基础等级关系对应的预设亲密度取值区间分别为：
亲人关系区间为[0.8,1)、朋友关系区间为[0.5,0.8)、同事关系区间为[0.3,0.5)、陌生人关系区间为(0,0.3)。
5.一种社交网络中隐私信息传播范围的度量方法，应用于如权利要求1至4中任一项所述的社交网络中隐私信息传播范围的度量模型，其特征在于，包括：
构建社交网络，并设置社交网络中各网络节点的亲密度和关注度；
随机选取网络节点作为初始发送节点，基于传染病模型开始针对隐私信息主体的隐私信息进行传播；
根据各网络节点的亲密度和关注度以及所述传染病模型的基础传播概率确定网络节点的状态；
所述社交网络中完成所述隐私信息的传播后，统计所述社交网络中各网络节点的状态转换结果；
根据所述状态转换结果确定所述隐私信息的传播范围；
所述随机选取网络节点作为初始发送节点，基于传染病模型开始针对隐私信息主体的隐私信息进行传播具体包括：
在社交网络中随机选取网络节点作为初始发送节点，并加入本轮次的传播列表中，由该初始发送节点开始针对隐私信息主体的隐私信息的传播；
遍历所述传播列表，每轮获取一个发送节点以及该发送节点的邻居节点列表，并将该邻居节点列表中的网络节点加入待接收节点列表；
遍历所述待接收节点列表，判断当前发送节点与待接收节点之间的亲密度是否大于该发送节点与所述隐私信息主体之间的亲密度，若大于则向该待接收节点发送所述隐私信息，否则不考虑向该待接收节点发送所述隐私信息；
在发送节点向待接收节点发送所述隐私信息后，所述待接收节点根据传染病模型的基础接收概率收到该隐私信息；
所述待接收节点收到该隐私信息后，根据所述待接收节点与所述隐私信息主体之间的亲密度和关注度以及所述传染病模型的基础传播概率，确定该待接收节点的转换状态；
根据状态转换结果，将转换为传播态的网络节点加入下一轮次的传播列表；
本轮次的传播列表遍历完成后，将本轮次的传播列表清空，并将下一轮次的传播列表中的网络节点转移至本轮次传播列表中，将下一轮次传播列表清空，开启新一轮次的信息传播，直至传播列表清空后停止信息传播；
根据各网络节点的亲密度和关注度以及所述传染病模型的基础传播概率确定网络节点的状态具体包括：
处于未知态的网络节点在所述传染病模型中收到所述隐私信息的概率λ下转换为犹豫态；
处于犹豫态的网络节点，在所述传染病模型的基础传播概率μ的基础上，根据该网络节点与所述隐私信息主体的亲密度Ijk和对该隐私信息主体的关注度Cjk，以的概率转换为传播态，或者，
在基础不传播概率δ的基础上，以的概率转换为退出态；
处于传播态的网络节点将所述隐私信息传播完成后转换为退出态。
6.根据权利要求5中所述的社交网络中隐私信息传播范围的度量方法，其特征在于，所述社交网络中的亲密度包括亲人、朋友、同事和陌生人4个基础等级关系，该4个基础等级关系的网络节点的占比分别为亲人占比1％、朋友占比5％、同事占比10％、陌生人占比84％；
所述社交网络中不同基础等级关系对应的预设亲密度取值区间分别为：亲人关系区间为[0.8,1)、朋友关系区间为[0.5,0.8)、同事关系区间为[0.3,0.5)、陌生人关系区间为(0,0.3)。
7.根据权利要求5中所述的社交网络中隐私信息传播范围的度量方法，其特征在于，根据所述社交网络中网络节点之间的基础等级关系，设置该基础等级关系对应的预设亲密度取值区间中的随机生成值作为当前两个网络节点之间的亲密度，按照正态分布设置所述社交网络的网络节点之间的关注度。
CN202011599205.8A 2020-12-29 2020-12-29 社交网络中隐私信息传播范围的度量模型和度量方法 Active CN112634070B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011599205.8A CN112634070B (zh) 2020-12-29 2020-12-29 社交网络中隐私信息传播范围的度量模型和度量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011599205.8A CN112634070B (zh) 2020-12-29 2020-12-29 社交网络中隐私信息传播范围的度量模型和度量方法

Publications (2)

Publication Number Publication Date
CN112634070A CN112634070A (zh) 2021-04-09
CN112634070B true CN112634070B (zh) 2023-11-17

Family

ID=75286520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011599205.8A Active CN112634070B (zh) 2020-12-29 2020-12-29 社交网络中隐私信息传播范围的度量模型和度量方法

Country Status (1)

Country Link
CN (1) CN112634070B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107403092A (zh) * 2017-07-27 2017-11-28 中国人民大学 一种手机app隐私风险量化评估方法
CN108230170A (zh) * 2017-12-20 2018-06-29 重庆邮电大学 面向社交网络的多信息和多维网络信息传播模型及方法
CN109213953A (zh) * 2018-08-13 2019-01-15 华东师范大学 一种社交网络多信息传播模型的建模方法
CN109379718A (zh) * 2018-12-10 2019-02-22 南京理工大学 基于连续查询位置服务的全匿名隐私保护方法
CN109727154A (zh) * 2019-01-29 2019-05-07 重庆理工大学 一种基于时变阻尼运动的在线社交网络信息传播分析方法
CN110781518A (zh) * 2019-10-31 2020-02-11 北京工业大学 一种社交网络中确定隐私信息传播范围的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107403092A (zh) * 2017-07-27 2017-11-28 中国人民大学 一种手机app隐私风险量化评估方法
CN108230170A (zh) * 2017-12-20 2018-06-29 重庆邮电大学 面向社交网络的多信息和多维网络信息传播模型及方法
CN109213953A (zh) * 2018-08-13 2019-01-15 华东师范大学 一种社交网络多信息传播模型的建模方法
CN109379718A (zh) * 2018-12-10 2019-02-22 南京理工大学 基于连续查询位置服务的全匿名隐私保护方法
CN109727154A (zh) * 2019-01-29 2019-05-07 重庆理工大学 一种基于时变阻尼运动的在线社交网络信息传播分析方法
CN110781518A (zh) * 2019-10-31 2020-02-11 北京工业大学 一种社交网络中确定隐私信息传播范围的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
大数据时代的用户隐私保护;王若明;可靠传输;第9卷(第6期);37-38 *

Also Published As

Publication number Publication date
CN112634070A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
Wang et al. Toward trustworthy crowdsourcing in the social internet of things
Yang et al. Identifying opinion leader nodes in online social networks with a new closeness evaluation algorithm
US8943053B2 (en) Social data ranking and processing
US9542503B2 (en) Estimation of closeness of topics based on graph analytics
CN106993048B (zh) 确定推荐信息的方法及装置、信息推荐方法及装置
US7808909B2 (en) Method and a system for matching between network nodes
JP5762489B2 (ja) 通信システムのコンフィギュレーション又は設定を自動的に変更又は更新する方法及びシステム
Song et al. Quality of sensing aware budget feasible mechanism for mobile crowdsensing
Boix et al. Flocks: enabling dynamic group interactions in mobile social networking applications
CN106530097B (zh) 一种基于随机游走机制的有向社交网络关键传播节点发现方法
US11245649B2 (en) Personalized low latency communication
CN103179198A (zh) 基于多关系网络的话题影响力个体挖掘方法
Lin et al. A trustworthy access control model for mobile cloud computing based on reputation and mechanism design
Tulu et al. Cluster head selection method for content‐centric mobile social network in 5G
CN112634070B (zh) 社交网络中隐私信息传播范围的度量模型和度量方法
CN109816544B (zh) 基于接触概率的信息传播模型实现方法及装置
CN109858279B (zh) 基于信任激励和位置隐私保护的k近邻查询方法
CN102110131A (zh) 一种防止社交网络中陌生人骚扰的方法与系统
KR101509888B1 (ko) 소셜 네트워크에서의 메시지 전파 방법 및 그 장치
Rui et al. Location‐dependent sensing data collection and processing mechanism in vehicular network
CN116468569A (zh) 一种基于群组的针对虚假信息传播的模型构建方法
CN106603387B (zh) 基于微博转发关系进行微博转发路径预测的方法和系统
Xu et al. Information dissemination model of microblogging with Internet marketers
CN113569188B (zh) 基于di-scir的双层耦合社交网络舆情传播模型构建方法
CN111210357A (zh) 基于社交网络信息交互的用户影响力获取方法

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