CN113870043A - 一种基于用户意识和演化博弈的信息传播控制方法 - Google Patents
一种基于用户意识和演化博弈的信息传播控制方法 Download PDFInfo
- Publication number
- CN113870043A CN113870043A CN202111225080.7A CN202111225080A CN113870043A CN 113870043 A CN113870043 A CN 113870043A CN 202111225080 A CN202111225080 A CN 202111225080A CN 113870043 A CN113870043 A CN 113870043A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- message
- influence
- forwarding
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000008901 benefit Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 208000003443 Unconsciousness Diseases 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 208000015181 infectious disease Diseases 0.000 claims description 4
- 208000035473 Communicable disease Diseases 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 claims description 2
- 230000007480 spreading Effects 0.000 claims 3
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000009792 diffusion process Methods 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 9
- 230000019771 cognition Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于社交网络‑信息传播领域,具体涉及一种基于用户意识和演化博弈的信息传播控制方法;该方法包括:获取数据信息,对获取的数据信息进行预处理;获取的信息包括话题信息和用户信息;将预处理后的数据信息输入到基于用户意识和演化博弈的信息传播模型中,预测用户传播话题信息的趋势;本发明可应用于社交网络中信息传播预测和控制,有助于舆情部门更及时和精确的对舆情进行监控和管理,并在合理的时间进行引导和抑制;也可用于企业产品和服务的推广,有助于广告在目标群体的快速推广和扩散,提升广告的曝光度以及品牌知晓度,以此获得良好的社会经济效益。
Description
技术领域
本发明属于社交网络-信息传播领域,具体涉及一种基于用户意识和演化博弈的信息传播控制方法。
背景技术
信息传播是一种常见的社会现象。信息传播是个人、组织和团体通过符号和媒介交流信息,向其他个人或团体传递信息、观念、态度或情意,以期发生相应变化的活动。信息具有无限复制性,可以被广泛传播,信息具有强烈的时效性,一条信息在某一阶段可能价值很大,但过了此阶段,可能一点价值也没有了。在现实生活中,如果人们无法辨别信息的真假,总会抱着宁可信其有,不可信其无的心理传播信息,信息经过大量的传播,可能很多本不真实的负面信息被人们认为是真实的。当这种负面信息在社会群体中飞速传播时,会增加社会的不稳定性,同时,也会影响人们的认知,这一系列的影响对于和谐社会的建设而言是极具危害性的。
信息具有多种多样的传播方式,传统上,信息是通过人与人之间口耳相传,这种传播速度慢、范围小。而今互联网发展迅速,微信、微博、博客等社交媒体已经渗入到人们日常生活的方方面面。社交网络的出现为信息传播提供了极大的便利,信息可以通过社交网络短时间内在相距很远的陌生人之间传播,这意味着信息的传播速度和范围比以往任何时候都更远、更快。由于在现实生活中,用户认知存在多元性,用户的个人认知对信息传播有着至关重要的影响,认知程度(意识)较高的个体受外界因素的影响较小,相反,意识较低的个体受外界因素的影响较大,因此,如何量化用户意识成为挑战;此外,由于信息传播的动态性,信息传播的趋势是随着时间的推移而动态变化的,包括微观网络的变化和话题流行度的变化,因此,如何分时段来分析信息传播趋势,使得结果更符合真实情况,也成为一大挑战。综上所述,现有技术忽略了不同认知消息以及信息传播的动态性对于整个话题演化过程的影响,从而导致后续对谣言的控制效果不佳。
发明内容
鉴于以上现有技术问题,本发明提出了一种基于用户意识和演化博弈的信息传播控制方法,该方法包括:获取数据信息,对获取的数据信息进行预处理;获取的信息包括话题信息和用户信息;将预处理后的数据信息输入到基于用户意识和演化博弈的信息传播模型中,预测用户传播话题信息的趋势;根据预测的话题信息传播趋势对话题传播的用户进行引导,阻止话题信息的传播或促进话题信息的传播;
采用基于用户意识和演化博弈的信息传播模型对预处理后的数据信息进行处理的过程包括:
S1:提取预处理后的数据信息的相关属性;该相关属性包括话题信息相关属性和用户信息相关属性;
S2:根据提取的话题信息相关属性和用户信息相关属性计算用户有意识消息的影响力和无意识消息的影响力;
S3:定义博弈策略,通过有意识消息的影响力和无意识消息的影响力计算博弈策略下的收益函数;
S4:通过收益函数计算用户有意识转发消息的行为驱动力和无意识转发消息的行为驱动力;
S5:建立基于演化博弈和传染病模型的SQIR模型,将用户有意识转发消息的行为驱动力和无意识转发消息的行为驱动力输入到建立的SQIR模型,得到不同话题信息的传播态势。
优选的,提取预处理后的话题信息相关属性和用户信息相关属性过程包括:
步骤1:提取内部因素,该内部因素为用户信息的相关属性,所述用户信息相关属包括用户参与度Par(vi)、兴趣匹配度Intermatch(vi)和用户意识度Aware(vi);
步骤2:提取外部因素,该外部因素为话题信息的相关属性,所述话题信息相关属性包括信息流行度Popinf o(t)和信息带动力Driinf o(vi)。
优选的,计算有意识消息的影响力和无意识消息的影响力包括:
步骤1:从用户参与度、兴趣匹配度和用户意识度三个方面量化用户自身的内部因素影响力facinternal(vi),从信息流行度和信息带动力两个方面量化外部因素影响力facexternal(vi);
步骤2:利用内部因素影响力和外部因素影响力,计算有意识消息的影响力Eff(aware)和无意识消息的影响力Eff(unaware)。
进一步的,计算有意识消息的影响力和无意识消息的影响力公式为:
Eff(unaware)=α1*facinternal(vi)+α2*facunaware external(vi)+α3
其中,Eff(aware)为有意识消息的影响力,Eff(unaware)为无意识消息的影响力,α1、α2、α3均为回归系数,facinternal(vi)表示消息对用户vi的内部因素影响力,facaware external(vi)表示有意识消息对用户vi的外部因素影响力,facunaware external(vi)表示无意识消息对用户vi的外部因素影响力。
优选的,定义博弈策略,该策略包括策略1和策略2;策略1为“有意识的转发消息”、策略2为“无意识的转发消息”;采取策略1的节点比例为p1,采取策略2的节点比例为1-p1,采取策略1的节点转为采用策略2的概率为ε1,采取策略2的节点转为采用策略1的概率为ε2,且ε1<<ε2。
计算两种博弈策略下收益函数为:
Inc_a(vi)=(1-ε1)*p1*Eff(aware)
Inc_un(vi)=(1-ε2)*(1-p1)*Eff(unaware)
其中,Inc_a(vi)表示用户vi转发有意识消息的收益,Inc_un(vi)表示用户vi转发无意识消息的收益,Eff(aware)表示有意识消息的影响力,Eff(unaware)表示无意识消息的影响力。
优选的,计算用户有意识转发消息的行为驱动力和无意识转发消息的行为驱动力公式为:
其中,Inc_a(vi)表示用户vi转发有意识消息的收益,Inc_un(vi)表示转发无意识消息的收益,Drivaware(vi)表示用户vi有意识转发消息的行为驱动力,Drivunaware(vi)表示用户vi无意识转发消息的行为驱动力。
优选的,构建SQIR模型包括:
定义四种状态:易感状态、隔离状态、感染状态和免疫状态;
定义话题信息在社交网络中的传播规则:易感节点会以α的概率转化为感染节点,以γ的概率转化为隔离节点;隔离节点会以很小的概率β转化为感染节点;随着时间和话题热度的变化,感染节点和隔离节点会分别以μ、λ的概率转化为免疫节点,且状态转移概率α,β,γ,μ,λ∈[0,1)。
进一步的,SQIR模型的动力学方程为:
其中,S(t)表示t时刻处于易感状态的用户比率,I(t)表示t时刻处于感染状态的用户比率,R(t)表示t时刻处于免疫状态的用户比率,Q(t)表示t时刻处于隔离状态的用户比率;表示任一用户vi在时刻t有意识转发消息的平均概率,表示任一用户vi在时刻t无意识转发消息的平均概率。
进一步的,任一用户vi在时刻t有意识转发消息的概率为:
任一用户vi在时刻t无意识转发消息的概率为:
其中,n表示用户vi的邻居数,m表示n个邻居中有m个邻居在时刻t转发消息的概率服从二项分布;Drivaware(vi)表示用户vi有意识转发消息的行为驱动力,Drivunaware(vi)表示用户vi无意识转发消息的行为驱动力。
本发明的有益效果为:本发明综合考虑了用户意识的差异对信息传播的影响以及不同意识消息之间的相互博弈,除此之外,考虑到话题热度可能会随新话题的出现逐渐消亡,从而引入时间切片机制来分析不同热度下的信息传播趋势,因此,通过本模型预测的话题信息的传播态势以及不同用户参与到话题的程度与现实生活中的信息传播较为吻合,本发明可应用于社交网络中信息传播预测和控制,针对负面信息或谣言,舆情部门可以更及时和精确的对其进行监控和管理,并在合理的时间进行引导和抑制;本发明也可用于企业产品和服务的推广,有助于广告在目标群体的快速推广和扩散,提升广告的曝光度以及品牌知晓度,以此获得良好的社会经济效益。
说明书附图:
图1为本发明基于用户意识和演化博弈的双层动态信息传播模型;
图2为本发明用户状态转换示例;
图3为本发明中量化消息影响力机制示意图;
图4为本发明中量化用户行为驱动机制示意图。
具体实施方式:
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,所描述的实施例仅仅是本发明一部分实施例,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。
本发明提出了一种基于用户意识和演化博弈的信息传播控制方法,如图1所示,所述方法包括:获取数据信息,对获取的数据信息进行预处理;获取的信息包括话题信息和用户信息;将预处理后的数据信息输入到基于用户意识和演化博弈的信息传播模型中,预测用户传播话题信息的趋势;如图2所示,通过本发明可以预测下一时刻话题中的用户状态并可根据预测的话题信息传播趋势对话题传播的用户进行引导,阻止话题信息的传播或促进话题信息的传播。
获取话题信息和用户信息可以是从公开的数据网站,或者是利用成熟的社交网络公共API进行获取。获取的数据包括不同话题信息在其生命周期内所有参与者的行为记录、话题参与记录和消息转发情况;其中,话题参与者的行为记录包括该用户历史上所转发的信息和评论的信息;话题参与记录包括话题被转发和评论的时间、参与用户的基本信息和参与用户的好友关系信息,所述用户的好友关系信息包括关注信息和被关注信息。
进一步的,对获取的话题信息和用户信息进行预处理,包括:
步骤1:对获取的话题信息和用户信息进行数据清洗;通常获取的原始数据都是非结构化的,不能直接用于数据分析;通过简单的数据清洗可以使大部分非结构化数据结构化,使得异常值或空值不再出现,减少对于后续计算带来的不便。
步骤2:存储清洗后的数据;优选的,使用数据库对清洗后的数据进行存储,通过表结构对数据进行进一步的规范化,同时通过数据库还能够极大的提高数据的检索效率以及表间关系的映射。
采用基于用户意识和演化博弈的信息传播模型对预处理后的数据信息进行处理的过程包括:
S1:提取预处理后的数据信息的相关属性;该相关属性包括话题信息相关属性和用户信息相关属性;
S2:根据提取的话题信息相关属性和用户信息相关属性计算用户有意识消息的影响力和无意识消息的影响力;
S3:定义博弈策略,通过有意识消息的影响力和无意识消息的影响力计算博弈策略下的收益函数;
S4:通过收益函数计算用户有意识转发消息的行为驱动力和无意识转发消息的行为驱动力;
S5:建立基于演化博弈和传染病模型的SQIR模型,将用户有意识转发消息的行为驱动力和无意识转发消息的行为驱动力输入到建立的SQIR模型,得到不同话题信息的传播态势。
提取预处理后的话题信息相关属性和用户信息相关属性过程包括:
步骤1:提取内部因素,该内部因素为用户信息的相关属性,所述用户信息相关属包括用户参与度Par(vi)、兴趣匹配度Intermatch(vi)和用户意识度Aware(vi);
步骤2:提取外部因素,该外部因素为话题信息的相关属性,所述话题信息相关属性包括信息流行度Popinf o(t)和信息带动力Driinf o(vi)。
提取内部因素中的用户参与度Par(vi):
Acti(vi)=Nums[rew(vi)]+α*Nums[org(vi)]
Par(vi)用于描述用户vi的参与度,即社交用户的活跃程度;一般而言,参与度越高的用户,参与话题传播的可能性越大;Acti(vi)表示用户vi在话题出现前某时间段内的原创和转发的微博量,Nums[rew(vi)],Nums[org(vi)]分别表示用户vi在该段时间内转发和原创的微博量,nums(v)表示该段时间参与话题的用户总数。由于通常情况下,用户转发信息的数量远大于原创信息数量,因此,在转发微博量前定义弱化因子α∈[0,1]。
提取内部因素中的兴趣匹配度Intermatch(vi):
Intermatch(vi)用于描述话题标签与用户兴趣的匹配程度,兴趣匹配度越大,用户参与话题传播的概率越大;其中,Abs(topic)表示谣言话题的关键内容,Words表示用户历史数据中的高频词汇。
提取内部因素中的用户意识度Aware(vi):
Aware(vi)用于描述用户vi的意识程度,意识程度越低的用户,普遍参与话题传播的可能性较大,意识程度较高的用户只对自己关注或感兴趣的话题参与度较高;其中,Nums[rew(vi)]表示用户vi在话题出现前某时间段内的微博转发总量,Intermatch(vi)表示用户兴趣与话题标签的匹配程度,rew(topic(i))表示该段时间内用户对某话题的转发量。
提取外部因素中的消息流行度Popinf o(t):
Popinf o(t)用于描述话题信息的流行程度,即话题热度;任何话题的传播过程都会经历“兴起-平衡-衰减”三个阶段,其热度会随时间的推移而逐渐降低,而这种话题热度的衰减性质与物理元素的半衰期性质类似;本发明引入半衰期函数来描述话题热度的衰减过程,将消息流行度定义为:
其中,t、t0分别表示话题传播过程中的当前时刻和出现时刻,w表示正则化因子或话题的平均传播周期,优选的,设置w为1000。
提取外部因素中的信息带动力Driinf o(vi):
Driinf o(vi)用于描述邻居节点对用户vi信息传播的带动力;在信息传播过程中,用户或多或少都会受到周围邻居的影响,如果用户vi的邻居节点越少且活跃度越低,则邻居节点对vi的带动力会越小,反之则越强;定义邻居节点对用户vi的信息传播带动力定义为:
Driinf o(vi)=∑Par(vj)*Aware(vj)
其中,vj表示vi的某个邻居节点,Par(vj)表示邻居节点vj的活跃度,Aware(vj)表示邻居节点vj的意识程度。
计算有意识消息的影响力和无意识消息的影响力包括:
定义一种消息的影响力机制,该机制会影响“用户选择转发策略”的决策,用户会根据自己的认知,对不同的转发策略进行心理博弈,从而选择自己的转发策略。由于一条消息的影响力不仅与用户自身的因素有关,如用户参与度、兴趣匹配度及用户意识度等,而且与话题本身的信息流行度和邻居节点的信息带动力密不可分;
从用户参与度、兴趣匹配度和用户意识度三个方面量化用户自身的内部因素影响力facintrnal(vi),信息流行度和信息带动力两个方面量化外部因素影响力facexternal(vi):
facinternal(vi)=Par(vi)*Intermatch(vi)*Aware(vi)
facexternal(vi)=Popinf o(t)*Driinf o(vi)
如图3所示,综合考虑内部因素影响力和外部因素影响力,利用多元线性回归方法将影响信息传播因素量化表示,根据设定的意识程度的阈值将社交网络的用户分为有意识转发话题的高意识用户和无意识转发话题的低意识用户,高意识用户转发的消息为有意识消息,低意识用户转发的消息为无意识消息,计算有意识消息的影响力Eff(aware)和无意识消息的影响力Eff(unaware)公式为:
Eff(aware)=α1*facint ernal(vi)+α2*facaware external(vi)+α3
Eff(unaware)=α1*facinternal(vi)+α2*facunaware external(vi)+α3
其中,Eff(aware)为有意识消息的影响力,Eff(unaware)为无意识消息的影响力,α1、α2、α3均为回归系数,facinternal(vi)表示消息对用户vi的内部因素影响力,facaware external(vi)表示有意识消息对用户vi的外部因素影响力,facunaware external(vi)表示无意识消息对用户vi的外部因素影响力。
定义博弈策略:
将有意识转发话题的高意识用户和无意识转发话题的低意识用户映射到不同的网络空间,考虑到不同意识层次之间的用户之间会产生博弈,从而影响用户的判断,定义两种博弈策略:策略1-“有意识的转发消息”、策略2-“无意识的转发消息”。对于分别采取以上两种策略的网络节点,假设:采取策略1的节点比例为p1,采取策略2的节点比例为1-p1,忽略未参与转发话题的节点。此外,采取策略1的节点节点转为采用策略2的概率为ε1,采取策略2的节点转为采用策略1的概率为ε2,且ε1<<ε2;两种博弈策略的收益函数定义如下:
Inc_a(vi)=(1-ε1)*p1*Eff(aware)
Inc_un(vi)=(1-ε2)*(1-p1)*Eff(unaware)
其中,Inc_a(vi)表示用户vi转发有意识消息的收益,Inc_un(vi)表示用户vi转发无意识消息的收益,Eff(aware)表示有意识消息的影响力,Eff(unaware)表示无意识消息的影响力。
如图4所示,社交网络中的用户在接触到某一话题信息时,将选择自己的转发策略,根据博弈理论,计算用户有意识转发消息的行为驱动力和无意识转发消息的行为驱动力公式为:
其中,Inc_a(vi)表示用户vi转发有意识消息的收益,Inc_un(vi)表示转发无意识消息的收益,Drivaware(vi)表示用户vi有意识转发消息的行为驱动力,Drivunaware(vi)表示用户vi无意识转发消息的行为驱动力。
构建SQIR模型包括:
考虑到隔离传播源可以对信息的传播进行有效控制,将影响力超过一定值的用户作为传播源,并将其作为独立的隔离状态Q引入传统SIR模型中,构建SQIR信息传播模型;该模型中有四种状态:易感状态(Susceptible)、隔离状态(Quarantine)、感染状态(Infected)和免疫状态(Recovery)。
定义模型中信息转发规则为:
1.由于话题信息传播具有时限性和爆发性的特点,本文假设在信息传播过程中,社交网络中的节点数量在任意时刻均相等,即任意时刻模型中的状态比率和为S+Q+I+R=1。
2.由于信息传播方式的多样性,被隔离的用户也有一定的几率进行信息转发和评论等。
3.由于多层网络间消息的相互影响,高低意识层次之间的用户有一定的概率相互转换。
4.由于话题热度的变化和用户的猎奇心理驱使,话题刚出现时,传播速度增长的会很快,随着时间的推移,话题热度及用户好奇心的减弱,该话题的传播速度会逐步减小最后趋于稳定。
基于以上假设,定义话题信息在社交网络中的传播规则如下:
1.易感节点会以α的概率转化为感染节点,以γ的概率转化为隔离节点。
2.隔离节点会以很小的概率β转化为感染节点。
3.随着时间和话题热度的变化,感染节点和隔离节点会分别以μ、λ的概率转化为免疫节点,且状态转移概率α,β,γ,μ,λ∈[0,1)。
根据SQIR模型的状态转换及信息传播规则,构造模型的动力学方程如下:
由于信息传播具有单向性,所以用户状态转移也具备单向性,即用户状态只能从易感状态到隔离状态&感染状态,最终转化为恢复状态;假设用户vi共有n个邻居,其中m个邻居在时刻t转发消息的概率服从二项分布:
则任一用户vi在时刻t有意识转发消息的概率为:
任一用户vi在时刻t无意识转发消息的概率为:
进一步的,结合平均场理论,得出动力学方程方程如下:
其中,S(t)表示t时刻处于易感状态的用户比率,I(t)表示t时刻处于感染状态的用户比率,R(t)表示t时刻处于免疫状态的用户比率,Q(t)表示t时刻处于隔离状态的用户比率;表示任一用户vi在时刻t有意识转发消息的平均概率,表示任一用户vi在时刻t无意识转发消息的平均概率。
通过本发明中基于动力学模型的输出结果,系统能够对当前话题的消息传播趋势进行预测,并得到模型的输出:每个时刻的用户状态比率以及整个消息传播趋势图。
本发明综合考虑了用户意识的差异对信息传播的影响以及不同意识消息之间的相互博弈,除此之外,考虑到话题热度可能会随新话题的出现逐渐消亡,从而引入时间切片机制来分析不同热度下的信息传播趋势,因此,通过本发明预测的话题信息的传播态势以及不同用户参与到话题的程度与现实生活中的信息传播较为吻合,本发明可应用于社交网络中信息传播预测和控制,针对负面信息或谣言,舆情部门可以通过对每个时刻的用户状态比率以及传播趋势图动态的针对谣言的传播态势进行了解,并根据比率的变化状况进行相应的辟谣信息发布,从而达到使用最低的成本最快速的进行谣言消息的抑制。本发明也可用于企业产品和服务的推广,有助于广告在目标群体的快速推广和扩散,提升广告的曝光度以及品牌知晓度,以此获得良好的社会经济效益。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于用户意识和演化博弈的信息传播控制方法,其特征在于,包括:获取数据信息,对获取的数据信息进行预处理;获取的信息包括话题信息和用户信息;将预处理后的数据信息输入到基于用户意识和演化博弈的信息传播模型中,预测用户传播话题信息的趋势;根据预测的话题信息传播趋势对传播话题的用户进行引导,阻止话题信息的传播或促进话题信息的传播;
采用基于用户意识和演化博弈的信息传播模型对预处理后的数据信息进行处理的过程包括:
S1:提取预处理后的数据信息的相关属性;该相关属性包括话题信息相关属性和用户信息相关属性;
S2:根据提取的话题信息相关属性和用户信息相关属性分别计算用户有意识消息的影响力、无意识消息的影响力;
S3:定义博弈策略,通过有意识消息的影响力和无意识消息的影响力计算博弈策略下的收益函数;
S4:通过收益函数计算用户有意识转发消息的行为驱动力和无意识转发消息的行为驱动力;
S5:建立基于演化博弈和传染病模型的SQIR模型,将用户有意识转发消息的行为驱动力和无意识转发消息的行为驱动力输入到建立的SQIR模型,得到不同话题信息的传播态势。
2.根据权利要求1述的一种基于用户意识和演化博弈的信息传播控制方法,其特征在于,提取预处理后的话题信息相关属性和用户信息相关属性过程包括:
步骤1:提取内部因素,该内部因素为用户信息的相关属性;用户信息相关属包括用户参与度Par(vi)、兴趣匹配度Intermatch(vi)和用户意识度Aware(vi);
步骤2:提取外部因素,该外部因素为话题信息的相关属性;话题信息相关属性包括信息流行度Popinfo(t)和信息带动力Driinfo(vi)。
3.根据权利要求1述的一种基于用户意识和演化博弈的信息传播控制方法,其特征在于,计算有意识消息的影响力和无意识消息的影响力包括:
步骤1:从用户参与度、兴趣匹配度和用户意识度三个方面量化用户自身的内部因素影响力facinternal(vi),从信息流行度和信息带动力两个方面量化外部因素影响力facexternal(vi);
步骤2:利用内部因素影响力和外部因素影响力,计算有意识消息的影响力Eff(aware)和无意识消息的影响力Eff(unaware)。
4.根据权利要求3所述的一种基于用户意识和演化博弈的信息传播控制方法,其特征在于,计算有意识消息的影响力和无意识消息的影响力公式为:
Eff(aware)=α1*facinternal(vi)+α2*facaware external(vi)+α3
Eff(unaware)=α1*facinternal(vi)+α2*facunaware external(vi)+α3
其中,Eff(aware)为有意识消息的影响力,Eff(unaware)为无意识消息的影响力,α1、α2、α3均为回归系数,facinternal(vi)表示消息对用户vi的内部因素影响力,facaware external(vi)表示有意识消息对用户vi的外部因素影响力,facunaware external(vi)表示无意识消息对用户vi的外部因素影响力。
5.根据权利要求1所述的一种基于用户意识和演化博弈的信息传播控制方法,其特征在于,定义博弈策略,该策略包括策略1和策略2;策略1为“有意识的转发消息”、策略2为“无意识的转发消息”;采取策略1的节点比例为p1,采取策略2的节点比例为1-p1,采取策略1的节点转为采用策略2的概率为ε1,采取策略2的节点转为采用策略1的概率为ε2,且ε1<<ε2。
6.根据权利要求1所述的一种基于用户意识和演化博弈的信息传播控制方法,其特征在于,计算两种博弈策略下的收益函数为:
Inc_a(vi)=(1-ε1)*p1*Eff(aware)
Inc_un(vi)=(1-ε2)*(1-p1)*Eff(unaware)
其中,Inc_a(vi)表示用户vi转发有意识消息的收益,Inc_un(vi)表示用户vi转发无意识消息的收益,Eff(aware)表示有意识消息的影响力,Eff(unaware)表示无意识消息的影响力。
8.根据权利要求1所述的一种基于用户意识和演化博弈的信息传播控制方法,其特征在于,构建SQIR模型包括:
定义四种状态:易感状态、隔离状态、感染状态和免疫状态;
定义话题信息在社交网络中的传播规则:易感节点会以α的概率转化为感染节点,以γ的概率转化为隔离节点;隔离节点会以很小的概率β转化为感染节点;随着时间和话题热度的变化,感染节点和隔离节点会分别以μ、λ的概率转化为免疫节点,且状态转移概率α,β,γ,μ,λ∈[0,1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111225080.7A CN113870043B (zh) | 2021-10-21 | 2021-10-21 | 一种基于用户意识和演化博弈的信息传播控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111225080.7A CN113870043B (zh) | 2021-10-21 | 2021-10-21 | 一种基于用户意识和演化博弈的信息传播控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113870043A true CN113870043A (zh) | 2021-12-31 |
CN113870043B CN113870043B (zh) | 2024-04-09 |
Family
ID=78996871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111225080.7A Active CN113870043B (zh) | 2021-10-21 | 2021-10-21 | 一种基于用户意识和演化博弈的信息传播控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113870043B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115865708A (zh) * | 2023-02-14 | 2023-03-28 | 国家计算机网络与信息安全管理中心江苏分中心 | 一种基于sir-d模型的复杂社交网络信息处置方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109727152A (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构建方法 |
CN109903853A (zh) * | 2019-01-08 | 2019-06-18 | 南京邮电大学 | 基于个体敏感度与大众媒体影响力的双层网络传播模型构建方法 |
CN112269945A (zh) * | 2020-11-03 | 2021-01-26 | 重庆邮电大学 | 基于谣言辟谣促谣和三方认知博弈的信息传播预测方法 |
-
2021
- 2021-10-21 CN CN202111225080.7A patent/CN113870043B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903853A (zh) * | 2019-01-08 | 2019-06-18 | 南京邮电大学 | 基于个体敏感度与大众媒体影响力的双层网络传播模型构建方法 |
CN109727152A (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构建方法 |
CN112269945A (zh) * | 2020-11-03 | 2021-01-26 | 重庆邮电大学 | 基于谣言辟谣促谣和三方认知博弈的信息传播预测方法 |
Non-Patent Citations (1)
Title |
---|
郑璐;: "基于参与式治理理论的舆情信息质量演化博弈分析", 情报科学, no. 05, 1 May 2020 (2020-05-01), pages 156 - 162 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115865708A (zh) * | 2023-02-14 | 2023-03-28 | 国家计算机网络与信息安全管理中心江苏分中心 | 一种基于sir-d模型的复杂社交网络信息处置方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113870043B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106980692B (zh) | 一种基于微博特定事件的影响力计算方法 | |
Hutto et al. | A longitudinal study of follow predictors on twitter | |
Weng et al. | Topicality and impact in social media: diverse messages, focused messengers | |
US8359276B2 (en) | Identifying influential persons in a social network | |
CN109829114B (zh) | 一种基于用户行为的话题流行度预测系统及方法 | |
Tinto et al. | Sharing “happy” information | |
CN108230169B (zh) | 基于社交影响力的信息传播模型及态势感知系统及方法 | |
CN110851736B (zh) | 一种基于三方动态博弈的谣言传播控制方法 | |
US20120197927A1 (en) | Search Behavior Based Communication Forums | |
Zhang et al. | Structural diversity effect on hashtag adoption in Twitter | |
CN112686765A (zh) | 一种基于社交网络的信息传播规律挖掘方法 | |
Kontostathis et al. | Identifying Predators Using ChatCoder 2.0. | |
Kwon | Public referral, viral campaign, and celebrity participation: a social network analysis of the Ice Bucket Challenge on YouTube | |
Edelmann | 13. What is lurking? A literature review of research on lurking | |
CN115712772A (zh) | 一种基于话题关联的话题传播预测方法 | |
KR101031901B1 (ko) | 통신 기록에 기반한 사회 관계 분석 방법 및 시스템 | |
CN113870043B (zh) | 一种基于用户意识和演化博弈的信息传播控制方法 | |
Ran et al. | An information dissemination model based on positive and negative interference in social networks | |
Luo et al. | Exploring the impact of sentiment on multi-dimensional information dissemination using COVID-19 data in China | |
Chen et al. | Model of warning information diffusion on online social networks based on population dynamics | |
CN112269945B (zh) | 基于谣言辟谣促谣和三方认知博弈的信息传播预测方法 | |
Zygmunt | Role identification of social networkers | |
CN112256756B (zh) | 一种基于三元关联图和知识表示的影响力发现方法 | |
Wang et al. | Predicting the popularity of online content based on the weak ties theory | |
Zhang et al. | Information dissemination analysis using a time-weight null model: a case study of sina micro-blog |
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 |