CN113569188B - 基于di-scir的双层耦合社交网络舆情传播模型构建方法 - Google Patents
基于di-scir的双层耦合社交网络舆情传播模型构建方法 Download PDFInfo
- Publication number
- CN113569188B CN113569188B CN202110621350.XA CN202110621350A CN113569188B CN 113569188 B CN113569188 B CN 113569188B CN 202110621350 A CN202110621350 A CN 202110621350A CN 113569188 B CN113569188 B CN 113569188B
- Authority
- CN
- China
- Prior art keywords
- layer
- state
- probability
- user
- public opinion
- 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
Links
- 230000008878 coupling Effects 0.000 title claims abstract description 50
- 238000010168 coupling process Methods 0.000 title claims abstract description 50
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 50
- 238000010276 construction Methods 0.000 title claims description 4
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000003053 immunization Effects 0.000 claims abstract description 15
- 238000002649 immunization Methods 0.000 claims abstract description 15
- 230000007704 transition Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims description 28
- 230000000694 effects Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000036039 immunity Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000001902 propagating effect Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 239000010410 layer Substances 0.000 abstract description 65
- 239000011229 interlayer Substances 0.000 abstract description 16
- 238000009812 interlayer coupling reaction Methods 0.000 description 9
- 230000002829 reductive effect Effects 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 239000002356 single layer Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001900 immune effect Effects 0.000 description 3
- 230000002401 inhibitory effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000002355 dual-layer Substances 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229940088592 immunologic factor Drugs 0.000 description 1
- 239000000367 immunologic factor Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了基于DI‑SCIR的双层耦合社交网络舆情传播模型构建方法,首先,基于传统SCIR模型,考虑网络用户数量的动态时变性和直接免疫作用,结合真实网络舆情传播情况,制定舆情传播规则;其次,提出基于LBRank的层间强耦合连接方法;最后,依据舆情传播规则,提出状态转移概率,建立舆情传播模型的微分方程,生成最终传播模型,更能有效和准确反映双层耦合社交网络中舆情传播的过程。
Description
技术领域
本发明涉及信息传播与控制学领域,具体涉及基于DI-SCIR的双层耦合社交网络舆情传播模型构建方法。
背景技术
随着社交网络平台和用户数量的大规模涌现,社交网络环境日趋复杂。单一社交网络平台的功能有限,已不能满足不同用户的跨平台信息交流需求,因此产生了一个用户同时活跃在多个社交网络平台的情况,使得不同社交网络之间呈现交互影响的发展趋势,形成了复杂的多层耦合社交网络。例如,用户通过微博浏览到感兴趣的信息后,通过转发等形式将其发布到微信平台上,实现信息的跨平台传播。多层耦合社交网络的数据交叉复用,拓展了社交网络信息传播的路径,增强了网络信息传播的效果和影响力,为网络数字经济带来新的发展机遇;同时,耦合社交网络增加了舆情传播的复杂性,一旦负面舆情被扩散,会对社会造成严重不良影响,为网络信息的监管带来新的挑战。近年来,政府部门不断要求加强社会治理能力,严格控制社交网络舆情传播,建设网络综合治理体系。因此,构建更符合实际的多层耦合社交网络模型,研究掌握多层耦合社交网络的舆情传播规律,有助于政府部门处置应对复杂敏感舆情,强化网络内容管理,对于营造文明和谐的网络空间极具现实意义。
发明内容
针对目前耦合社交网络的舆情传播研究没有考虑网络的拓扑结构以及免疫因素对于舆情传播的影响,难以准确描述耦合社交网络的舆情传播规律,本发明提出一种基于DI-SCIR的双层耦合社交网络舆情传播模型构建方法。
为实现上述目的,本发明的技术方案为:基于DI-SCIR的双层耦合社交网络舆情传播模型构建方法,包括:
根据社交网络用户数量的动态时变性和直接免疫作用对舆情传播的影响,构建基于实时在线用户的直接免疫舆情传播模型DI-SCIR;
通过LBRank算法将所述直接免疫舆情传播模型DI-SCIR的层间进行强耦合连接;
基于所述直接免疫舆情传播模型DI-SCIR构建双层耦合社交网络舆情传播模型。
进一步的,舆情传播过程的状态转移规则为:
(1)易感用户S接触到传播用户I后,会以概率PSC转变为接触用户C;
(2)所述接触用户C接触到传播用户I后,一部分以概率PCI转变为传播用户I,另一部分会以率PCR转变为免疫用户R;
(3)所述传播用户I以概率PIR转变为免疫用户R;
(4)用户一旦处于免疫状态R就不会发生改变;
(5)所述易感用户S受到直接免疫的作用,以概率PSR直接转为免疫用户R。
进一步的,影响舆情直接免疫效果的因素为:有关部门的介入力度、真实信息的可信度以及有关部门的介入时间,故直接免疫概率PSR表示为:
其中,α表示有关部门的介入力度,即采取直接免疫策略的初始时刻处于免疫状态R的用户密度,α∈[0,1];β表示真实信息的可信度,β∈[0,1];T表示有关部门的介入时间;e-β/α表示干扰噪声,与有关部门的介入力度α成正比,与真实信息的可信度β成反比。
进一步的,新增用户和离线用户分别通过A和μ进行控制,基于实时在线用户的直接免疫舆情传播模型DI-SCIR为:
其中,PSC表示接触到舆情,但没有决定是否传播该舆情的概率,即内部接触率;PCI表示接触到舆情并传播该舆情的概率,即间接转发概率;PCR表示犹豫状态不传播并转为免疫状态的概率,即间接免疫率;PIR表示传播者由于某种原因不相信该舆情从而成为免疫者的概率,即转发免疫率;满足0≤PSC,PCI,PCR,PIR≤1;Sk、Ck、Ik、Rk表示第k次迭代时节点的状态。
进一步的,LeaderRank算法在包含N个节点、M条连边的有向社交网络G(N,M)中再增加一个背景节点(ground node),将该背景节点与已有所有节点双向连接,得到包含(N+1)个节点、(M+2N)条边的有向社交网络G(N+1,M+2N);由于背景节点(ground node)与网络中其他节点是双向连接,使得新社交网络是一个强连通的网络,然后再按照PageRank算法计算得到原来N个节点的“重要性”排序;
LeaderRank算法计算公式为:
其中,为节点j的出度,aij为节点的连接情况,aij满足:
每次迭代时,均将背景节点的LR值平均分给每个与其相连的节点;经过c次迭代后,所有节点的重要度均收敛到一个唯一的稳定状态LRi(tc),接着,将背景节点的重要度平均分配给网络中的其他节点,从而得到社交网络中节点的全局重要度LRi;
其中,LRg为groundnode的LR值,N为社交网络中节点的数量;
由于社交网络中不同节点的介数特性,引入介数中心性,定义为LBRank算法,计算公式为:
其中,γj表示节点的介数中心性,μ为权重系数,μ∈[0,1];
节点介数中心性的计算公式如下:
其中,σst(v)表示由节点s到节点t的所有最短路径中经过节点v的条数,σst表示节点s到节点t的所有最短路径条数;此定义刻画了节点v对于网络中节点对之间沿着最短路径传输信息的控制能力。
更进一步的,所述双层耦合社交网络舆情传播模型为:
PSC1为Layer A中易感状态转为接触状态的概率;PSI1为Layer A中易感状态转为传播状态的概率;PSR1为Layer A中易感状态转为免疫状态的概率;PCI1为Layer A中接触状态转为传播状态的概率;PCR1为Layer A中接触状态转为免疫状态的概率;PIR1为Layer A中传播状态转为免疫状态的概率;PRC1为Layer A中传播免疫转为接触状态的概率;A1为Layer A中新增用户的概率;μ1为Layer A中用户离线的概率;PAB为Layer A向Layer B传播的概率;δ为网络间的耦合概率;S1为Layer A中处于易感状态的用户;C1为Layer A中处于接触状态的用户;I1为Layer A中处于传播状态的用户;R1为Layer A中处于免疫状态的用户;
PSC2为Layer B中易感状态转为接触状态的概率;PSI2为Layer B中易感状态转为传播状态的概率;PSR2为Layer B中易感状态转为免疫状态的概率;PCI2为Layer B中接触状态转为传播状态的概率;PCR2为Layer B中接触状态转为免疫状态的概率;PIR2为Layer B中传播状态转为免疫状态的概率;PRC2为Layer B中传播免疫转为接触状态的概率;A2为Layer B中新增用户的概率;μ2为Layer B中用户离线的概率;PBA为Layer B向Layer A传播的概率;S2为Layer B中处于易感状态的用户;C2为Layer B中处于接触状态的用户;I2为Layer B中处于传播状态的用户;R2为Layer B中处于免疫状态的用户。
本发明由于采用以上技术方案,能够取得如下的技术效果:本方法通过考虑多层耦合社交网络的交互作用,提出一种基于DI-SCIR的双层耦合社交网络舆情传播模型,更贴合舆情在真实社交网络中的传播情况,可为管理多层社交网络的舆情传播提供有力手段。
附图说明
为了更清楚的说明本发明的实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的图做一简单地介绍,显而易见地,下面描述中的图仅仅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,还可以根据这些图获得其他的图。
图1是社交网络拓扑结构图;
图2是基于DI-SCIR的双层耦合社交网络舆情传播模型图;
图3是层间传播概率Pab对舆情传播的影响图;
图4是层间耦合率δ对舆情传播的影响图;
图5是介入力度对舆情传播的影响图;
图6是信息可信度对舆情传播的影响图;
图7是介入时间对舆情传播的影响图;
图8是单层网络与耦合网络的舆情传播对比图;
图9是不同耦合方式对舆情传播的影响图。
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,以下结合图及具体实施方式,对本发明进行进一步详细说明。下面的实施例可以使本专业的技术人员更全面地理解本发明,但并不因此将本发明限制在所述的实施例范围之中。
社交耦合网络是由多个单层网络通过建立节点的层间连接关系构成的。节点的层间连接方式是耦合网络一切跨层活动的基础,信息可通过耦合节点进行层间传输。不同网络对于层与层之间的耦合关系存在特定的要求,即节点的映射关系不仅仅是一一随机对应的,很有可能是一个有力的节点映射其他层的很多节点,或者节点倾向与自己类似的节点发生连接关系。所以,社交耦合网络针对层间的不同连接关系分为强耦合和弱耦合。其中,能够发生混合传播现象的网络称为弱耦合网络,反之称为强耦合网络。大量研究表明,对于两个社交网络构成的双层耦合网络,只要两个网络的平均度大约相等,即表现强耦合关系。从社会网络理论来看,社交网络的用户之间建立了基于大量朋友关系的强连接关系,产生了高度频繁互动,强耦合关系更利于分享舆情信息、强化认知观点。
双层耦合社交网络的层间连接方式可以分为同配、异配和随机三种连接方式。
(1)层间同配连接:表示网络Layer A和Layer B的层间连接与节点的度正相关。Layer A中度大的节点倾向于连接Layer B中度大的节点,Layer A中度小的节点倾向于连接Layer B中度小的节点。如果存在度相同的节点,则对它们进行随机排序。
(2)层间异配连接:与同配连接相反,表示网络Layer A和Layer B的层间连接与节点的度负相关。Layer A中度大的节点更倾向于连接Layer B中度小的节点。
(3)层间随机连接:表示Layer A的节点和Layer B的节点连接不相关。Layer A中的节点随机连接Layer B中的节点,并构成两个社交网络节点间一对一的连接模式。
实施例1
本实施例提出基于DI-SCIR的双层耦合社交网络舆情传播模型构建方法,如图1所示,具体实施步骤如下:
S1:考虑网络用户数量的动态时变性和直接免疫作用对舆情传播的影响,提出一种基于实时在线用户的直接免疫舆情传播模型DI-SCIR,具体是:
(1)易感用户S接触到传播用户I后,会以概率PSC转变为接触用户C;
(2)接触用户C接触到传播用户I后,一部分以概率PCI转变为传播用户I,另一部分会以率PCR转变为免疫用户R;
(3)传播用户I以概率PIR转变为免疫用户R;用户一旦处于免疫状态R就不会发生改变;
(4)用户一旦处于免疫状态R就不会发生改变;
(5)易感用户S受到直接免疫的作用,以概率PSR直接转为免疫用户R。
DI-SCIR模型中每种状态的用户数量是实时变化的,新增用户和离线用户分别通过A和μ进行控制。影响舆情直接免疫效果的因素归纳为3点:有关部门的介入力度、真实信息的可信度以及有关部门的介入时间。故,直接免疫概率PSR表示为:
其中,α表示有关部门的介入力度,即采取直接免疫策略的初始时刻处于免疫状态R的用户密度,α∈[0,1];β表示真实信息的可信度,β∈[0,1];T表示有关部门的介入时间;e-β/α表示干扰噪声,与有关部门的介入力度α成正比,与真实信息的可信度β成反比。
基于实时在线用户的直接免疫舆情传播模型DI-SCIR表示为:
S2:通过LBRank算法将所述直接免疫舆情传播模型DI-SCIR的层间进行强耦合连接,具体是:
LeaderRank算法在包含N个节点、M条连边的有向网络G(N,M)中再增加一个背景节点(ground node),将该节点与已有所有节点双向连接,得到包含(N+1)个节点、(M+2N)条边的有向网络G(N+1,M+2N)。由于背景节点(groundnode)与网络中其他节点是双向连接,使得新网络是一个强连通的网络,这样就可解决排序的唯一性问题,然后再按照PageRank算法计算得到原来N个节点的“重要性”排序。
LeaderRank算法计算公式为:
其中,为节点j的出度,aij为节点的连接情况,aij满足:
每次迭代时,均将背景节点的LR值平均分给每个与其相连的节点。经过c次迭代后,所有节点的重要度均收敛到一个唯一的稳定状态LRi(tc),此时系统达到稳定状态。接着,将背景节点的重要度平均分配给网络中的其他节点,从而得到网络中节点的全局重要度LRi。
其中,LRg为ground node的LR值,N为网络中节点的数量。
然而,LeaderRank算法计算全局重要度LRi时存在LR值被均分的问题。本发明在LeaderRank算法的基础上,考虑网络中不同节点的介数特性,引入介数中心性,定义为LBRank算法,计算公式为:
其中,γj表示节点的介数中心性,μ为权重系数,μ∈[0,1]。
节点介数中心性的计算公式如下:
其中,σst(v)表示由节点s到节点t的所有最短路径中经过节点v的条数,σst表示节点s到节点t的所有最短路径条数。此定义刻画了节点v对于网络中节点对之间沿着最短路径传输信息的控制能力。
在LBRank算法中,通过引入权重系数,可有效解决LR值被均分的问题,当与节点相连的邻居节点个数增加时,节点的重要度也随之提高,并且经过节点的路径数越多,节点就越活跃,节点重要度也就越高。
S3:基于所述直接免疫舆情传播模型DI-SCIR构建双层耦合社交网络舆情传播模型:
考虑到模型的一般性与普适性,大部分对于社交网络舆情传播的研究都是基于BA无标度网络进行研究。为验证本发明提出的基于加强效应SCIR网络的舆情传播模型有效性和可行性,根据上述构造规则生成的2个BA无标度网络拓扑结构如图1(a)(b)所示。针对不同耦合率δ,通过采用LBRank方法建立同配耦合连接关系生成的双层耦合网络拓扑结构,并设置LBRank的权重系数μ=0.5。为使社交网络中不同状态节点的传播演化过程达到稳定状态,将设置迭代次数为100次。
(1)改变层间传播概率Pab
为研究层间传播概率Pab对双层耦合网络舆情传播的影响,在基本参数不变的前提下啊,通过改变Pab=0.1,Pab=0.3,Pab=0.5,Pab=0.7。仿真结果如图3所示。
由图3(a)(e)可以看出,增大层间传播概率Pab,加快了上下层网络中S状态用户转化为C、I状态用户的速率,促进了耦合网络舆情的传播。从图3(b)(f)可以看出,增大Pab后,上下层网络中C状态用户数量的峰值对应增加,说明增大Pab可以促进上下层网络中潜在传播者的数量,从而增大了舆情传播的潜在可能性。从图3(c)(g)可以看出,增大Pab后,稳定状态时上下层网络中I状态用户所占比例对应增加,说明增大Pab促进了舆情在上下层网络中的流通,从而促进了舆情的进一步传播。从图3(d)(h)可以看出,增大Pab,降低了稳定状态时上下层网络中R状态用户的比例,同样印证了增大Pab能够扩大舆情的传播范围。
(2)改变层间耦合率δ
为了分析层间耦合率δ对舆情传播的影响,通过改变δ=0.1,δ=0.3,δ=0.5,δ=0.7,δ=0.9。仿真结果如图4所示。
由图4可以看到,增大层间耦合率δ,加快了上下层网络中S状态用户转化为C、I状态用户的速率,从而加速了舆情在耦合网络中的传播速率。从图4(c)(g)可以看出,增大层间耦合率δ,在舆情传播初期时,I状态用户比例增长更快;稳定状态时,上下层网络中I状态用户所占比例相应增加,说明增大层间耦合率δ促进了舆情的传播。从图4(d)(h)可以看出,增大层间耦合率δ,稳定状态时,增加了上下层网络中R状态用户的比例,说明层间耦合率δ对免疫策略的效果有影响。
(3)改变介入力度α
为了分析介入力度α对舆情传播的影响,通过改变α=0.2,α=0.4,α=0.6,α=0.8。仿真结果如图5所示。
由图5(a)(b)(e)(f)可以看到,增大介入力度α能够促进S和C状态用户的状态转换,从而加快传播进程。从图5(c)(g)可以看出,增大介入力度α后,上、下层网络中I状态用户数量的峰值减少,且稳定状态时I状态用户数量也随之降低,说明增大介入力度α可以抑制上下层网络中传播者的数量,从而抑制舆情传播。从图5(d)(h)可以看出,增大介入力度α后,稳定状态时上下层网络中R状态用户所占比例增大,说明在耦合网络的一层施加直接免疫会影响到耦合网络另一层的舆情传播,直接免疫作用具有层间的控制效果。
(4)改变信息可信度β
为了分析信息可信度β对舆情传播的影响,通过改变β=0.2,β=0.4,β=0.6,β=0.8。仿真结果如图6所示。
由图6(a)(e)可以看到,增大真实信息可信度β可以加快处于S状态用户的状态转移速率,使得处于其他状态的用户数量迅速增长。从图6(b)(f)可以看出,增大真实信息可信度β后,上层网络中C状态用户数量的峰值随之减少,当达到稳定状态时上下层网络中C状态用户数量均降低,说明增大上层网络中真实信息可信度β可以抑制上下层网络中潜在传播者的数量,从而抑制舆情传播。从图6(c)(g)可以看出,增大真实信息可信度β后,上层网络中I状态用户数量的峰值明显减少,当达到稳定状态时,β越大,上下层网络中I状态用户所占比例越小,说明增大上层网络中真实信息可信度β不仅能够抑制上层网络中舆情的传播,同时也会对下层网络中舆情的传播造成影响,体现了直接免疫的层间控制效果;从图6(d)(h)可以看出,增大真实信息可信度β后,在稳定状态时,增大了上下层网络中R状态用户所占比例,说明在双层耦合网络的一层施加直接免疫会影响到耦合网络另一层的舆情传播效果。
(5)改变介入时间T
为了分析介入时间T对舆情传播的影响,通过改变T=5,T=10,T=15,T=20。仿真结果如图7所示。
由图7(a)(e)可以看到,增大介入时间T后,S状态用户迅速减少;从图7(b)(f)可知,增大介入时间T能够使C状态用户更快速趋近于稳定状态。从图7(c)(g)可以看出,增大介入时间T,能够使I状态用户更快速达到稳定状态,并且介入时间越早,越能够使得I状态的数量在达到正常状态的峰值前就迅速减小,说明增大介入时间T可以抑制双层耦合网络增加传播者数量,从而抑制舆情传播。从图7(d)(h)可以看出,增大介入时间T后,R状态用户能够更早达到稳定状态,并且增大了免疫用户的数量,降低了舆情的传播范围,体现了直接免疫作用能够有效控制舆情在耦合网络的传播。
(6)单层网络与耦合网络的舆情传播对比
为观察单层网络与耦合网络对舆情传播影响的区别,在DI-SCIR舆情传播模型的状态转移概率保持相同的前提下,对单层网络和双层耦合网络的舆情传播过程进行对比分析,仿真结果如图8所示。
由图8可以看到,相比于单层网络的舆情传播过程,在存在直接免疫作用的双层耦合网络中,当网络达到稳定状态时,I状态的用户数量相对较少,R状态的用户数量相对较多,表明负面舆情在单层网络中传播的范围比耦合网络更广,说明直接免疫作用在双层耦合网络中的舆情控制效果比单层网络更好,可以更好地抑制舆情层间传播,增强监管作用,减小舆情的不良影响。
(7)不同耦合方式对舆情传播的影响
为研究不同耦合方式的双层耦合网络对舆情传播的影响,观察在正相关、负相关、随机、LeaderRank以及的LBRank等不同耦合方式下,双层耦合网络的舆情传播过程,仿真结果如图9所示。
由图9(a)(e)可以看到,采用LBRank方法可以更快地将S状态用户转换为其他状态。从图9(b)(f)可知,在同一时刻,采用负相关方法的C用户数量最多,采用LBRank方法的C用户数量最少,说明LBRank方法能够减少潜伏状态用户数量,从而抑制舆情的传播。从图9(c)(g)可以看出,相比于其他耦合方式,采用LBRank方法能够更早的减少下层网络中I状态用户数量的峰值,说明能够一定程度上更好地抑制下层网络的舆情传播,体现直接免疫作用在双层耦合网络中更优的舆情传播控制效果。从图9(d)(h)可以看出,采用LBRank方法,当舆情传播达到稳定状态时,增大了R状态用户所占比例,说明采用LBRank方法构成的双层耦合网络能够有效抑制舆情的播,具有更好的控制效果。
由以上仿真结果可知,构建的双层社交网络舆情传播模型能较好的反映实际的舆情传播过程,通过增加用户在多层社交网络之间的互动交流,能够促进舆情在上下层网络中的流通,扩大了舆情信息的传播范围,增大层间耦合率、介入力度α、真实信息的可信度β和介入力度T能够有效抑制舆情传播,可为管理多层社交网络的舆情传播提供有力手段。
本发明的实施例有较佳的实施性,并非是对本发明任何形式的限定。本发明实施例中描述的技术特征或技术特征的组合不应当被认为是孤立的,它们可以被互相组合从而达到更好的技术效果。本发明优选实施方式的范围也可以包括另外的实现,且这应被发明实施例所属技术领域的技术人员所理解。
Claims (3)
1.基于DI-SCIR的双层耦合社交网络舆情传播模型构建方法,其特征在于,包括:
根据社交网络用户数量的动态时变性和直接免疫作用对舆情传播的影响,构建基于实时在线用户的直接免疫舆情传播模型DI-SCIR;
通过LBRank算法将所述直接免疫舆情传播模型DI-SCIR的层间进行强耦合连接;
基于所述直接免疫舆情传播模型DI-SCIR构建双层耦合社交网络舆情传播模型;
新增用户和离线用户分别通过A和μ进行控制,基于实时在线用户的直接免疫舆情传播模型DI-SCIR为:
其中,PSC表示接触到舆情,但没有决定是否传播该舆情的概率,即内部接触率;PCI表示接触到舆情并传播该舆情的概率,即间接转发概率;PCR表示犹豫状态不传播并转为免疫状态的概率,即间接免疫率;PIR表示传播者由于某种原因不相信该舆情从而成为免疫者的概率,即转发免疫率;满足0≤PSC,PCI,PCR,PIR≤1;Sk、Ck、Ik、Rk表示第k次迭代时节点的状态;
LeaderRank算法在包含N个节点、M条连边的有向社交网络G(N,M)中再增加一个背景节点,将该背景节点与已有所有节点双向连接,得到包含(N+1)个节点、(M+2N)条边的有向社交网络G(N+1,M+2N);由于背景节点网络中其他节点是双向连接,使得新社交网络是一个强连通的网络,然后再按照PageRank算法计算得到原来N个节点的“重要性”排序;
LeaderRank算法计算公式为:
其中,为节点j的出度,aij为节点的连接情况,aij满足:
每次迭代时,均将背景节点的LR值平均分给每个与其相连的节点;经过c次迭代后,所有节点的重要度均收敛到一个唯一的稳定状态LRi(tc),接着,将背景节点的重要度平均分配给网络中的其他节点,从而得到社交网络中节点的全局重要度LRi;
其中,LRg为ground node的LR值,N为社交网络中节点的数量;
由于社交网络中不同节点的介数特性,引入介数中心性,定义为LBRank算法,计算公式为:
其中,γj表示节点的介数中心性,μ为权重系数,μ∈[0,1];
节点介数中心性的计算公式如下:
其中,σst(v)表示由节点s到节点t的所有最短路径中经过节点v的条数,σst表示节点s到节点t的所有最短路径条数;此定义刻画了节点v对于网络中节点对之间沿着最短路径传输信息的控制能力;
所述双层耦合社交网络舆情传播模型为:
PSC1为Layer A中易感状态转为接触状态的概率;PSI1为Layer A中易感状态转为传播状态的概率;PSR1为Layer A中易感状态转为免疫状态的概率;PCI1为Layer A中接触状态转为传播状态的概率;PCR1为Layer A中接触状态转为免疫状态的概率;PIR1为Layer A中传播状态转为免疫状态的概率;PRC1为Layer A中传播免疫转为接触状态的概率;A1为Layer A中新增用户的概率;μ1为Layer A中用户离线的概率;PAB为Layer A向Layer B传播的概率;δ为网络间的耦合概率;S1为Layer A中处于易感状态的用户;C1为Layer A中处于接触状态的用户;I1为Layer A中处于传播状态的用户;R1为Layer A中处于免疫状态的用户;
PSC2为Layer B中易感状态转为接触状态的概率;PSI2为Layer B中易感状态转为传播状态的概率;PSR2为Layer B中易感状态转为免疫状态的概率;PCI2为Layer B中接触状态转为传播状态的概率;PCR2为Layer B中接触状态转为免疫状态的概率;PIR2为Layer B中传播状态转为免疫状态的概率;PRC2为Layer B中传播免疫转为接触状态的概率;A2为Layer B中新增用户的概率;μ2为Layer B中用户离线的概率;PBA为Layer B向Layer A传播的概率;S2为Layer B中处于易感状态的用户;C2为Layer B中处于接触状态的用户;I2为Layer B中处于传播状态的用户;R2为Layer B中处于免疫状态的用户。
2.根据权利要求1所述基于DI-SCIR的双层耦合社交网络舆情传播模型构建方法,其特征在于,舆情传播过程的状态转移规则为:
(1)易感用户S接触到传播用户I后,会以概率PSC转变为接触用户C;
(2)所述接触用户C接触到传播用户I后,一部分以概率PCI转变为传播用户I,另一部分会以率PCR转变为免疫用户R;
(3)所述传播用户I以概率PIR转变为免疫用户R;
(4)用户一旦处于免疫状态R就不会发生改变;
(5)所述易感用户S受到直接免疫的作用,以概率PSR直接转为免疫用户R。
3.根据权利要求1所述基于DI-SCIR的双层耦合社交网络舆情传播模型构建方法,其特征在于,影响舆情直接免疫效果的因素为:有关部门的介入力度、真实信息的可信度以及有关部门的介入时间,故直接免疫概率PSR表示为:
其中,α表示有关部门的介入力度,即采取直接免疫策略的初始时刻处于免疫状态R的用户密度,α∈[0,1];β表示真实信息的可信度,β∈[0,1];T表示有关部门的介入时间;e-β/α表示干扰噪声,与有关部门的介入力度α成正比,与真实信息的可信度β成反比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110621350.XA CN113569188B (zh) | 2021-06-03 | 2021-06-03 | 基于di-scir的双层耦合社交网络舆情传播模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110621350.XA CN113569188B (zh) | 2021-06-03 | 2021-06-03 | 基于di-scir的双层耦合社交网络舆情传播模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113569188A CN113569188A (zh) | 2021-10-29 |
CN113569188B true CN113569188B (zh) | 2024-04-09 |
Family
ID=78161795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110621350.XA Active CN113569188B (zh) | 2021-06-03 | 2021-06-03 | 基于di-scir的双层耦合社交网络舆情传播模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569188B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114628038B (zh) * | 2022-03-11 | 2022-08-26 | 电子科技大学 | 一种基于在线社交网络的skir信息传播方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020000847A1 (zh) * | 2018-06-25 | 2020-01-02 | 中译语通科技股份有限公司 | 一种基于新闻大数据的恐慌指数监测分析方法及系统 |
CN111079024A (zh) * | 2019-11-05 | 2020-04-28 | 大连交通大学 | 基于加强效应scir网络的舆情传播模型构建方法 |
CN111966920A (zh) * | 2020-07-13 | 2020-11-20 | 江汉大学 | 舆情传播的稳定条件的预测方法、装置及设备 |
AU2020102905A4 (en) * | 2020-01-20 | 2020-12-17 | Yunnan University | A method to measure social network influence |
-
2021
- 2021-06-03 CN CN202110621350.XA patent/CN113569188B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020000847A1 (zh) * | 2018-06-25 | 2020-01-02 | 中译语通科技股份有限公司 | 一种基于新闻大数据的恐慌指数监测分析方法及系统 |
CN111079024A (zh) * | 2019-11-05 | 2020-04-28 | 大连交通大学 | 基于加强效应scir网络的舆情传播模型构建方法 |
AU2020102905A4 (en) * | 2020-01-20 | 2020-12-17 | Yunnan University | A method to measure social network influence |
CN111966920A (zh) * | 2020-07-13 | 2020-11-20 | 江汉大学 | 舆情传播的稳定条件的预测方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
双层社交网络上的企业舆情传播模型及控制策略研究;王家坤;王新华;;管理科学(01);全文 * |
基于SEIR的双层社交网络舆情传播研究;陈帅;;情报探索(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113569188A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112202928B (zh) | 传感边缘云区块链网络可信卸载协作节点选择系统及方法 | |
Wang et al. | QoS multicast routing for multimedia group communications using intelligent computational methods | |
Kim | An enhanced trust propagation approach with expertise and homophily-based trust networks | |
CN105337773B (zh) | 基于ReciprocityRank算法的微博网络影响力节点发现方法 | |
Xia et al. | A reputation-based model for trust evaluation in social cyber-physical systems | |
Li et al. | Exploring efficient and scalable multicast routing in future data center networks | |
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 | |
CN115277055B (zh) | 保障物联网数据交互安全的方法、装置和电子设备 | |
CN114327889A (zh) | 一种面向分层联邦边缘学习的模型训练节点选择方法 | |
Zhang et al. | Graph theory-based QoE-driven cooperation stimulation for content dissemination in device-to-device communication | |
CN111079024B (zh) | 基于加强效应scir网络的舆情传播模型构建方法 | |
Liu et al. | Defense strategy selection model based on multistage evolutionary game theory | |
Hegde et al. | Self-organizing flows in social networks | |
Zhao et al. | A distributed and adaptive trust evaluation algorithm for MANET | |
CN116468569A (zh) | 一种基于群组的针对虚假信息传播的模型构建方法 | |
Cheng et al. | Grcol-ppfl: User-based group collaborative federated learning privacy protection framework | |
CN110781518B (zh) | 一种社交网络中确定隐私信息传播范围的仿真方法 | |
WO2022068200A1 (zh) | 缺陷预测方法和装置、存储介质和电子装置 | |
Yuan et al. | Skeleton searching strategy for recommender searching mechanism of trust-aware recommender systems | |
He et al. | Research on the model of industrial interconnection intelligent manufacturing supply and demand network and its robustness | |
Zinoviev et al. | A game theoretical approach to modeling full-duplex information dissemination | |
Wang et al. | Latency minimization through optimal user matchmaking in multi-party online applications | |
Gao et al. | An Efficient Rumor Suppression Approach With Knowledge Graph Convolutional Network in Social Network | |
Chang et al. | Distributed trigger counting algorithms for arbitrary network topology | |
Narasimha et al. | Age-dependent distributed mac for ultra-dense wireless 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 |