閆 涵,康海燕
(北京信息科技大學(xué) 信息管理學(xué)院 北京 100192)
謠言是未被認(rèn)定的信息,它干擾用戶(hù)獲取正確信息、影響用戶(hù)的思維,最終可能會(huì)威脅社會(huì)穩(wěn)定,因此研究謠言的抑制方法是很必要的。謠言像流行病毒一樣傳播廣泛,但是不同于流行病毒,對(duì)謠言不感興趣的節(jié)點(diǎn)不會(huì)傳播謠言。實(shí)際上在謠言的免疫策略中,謠言終歸會(huì)被限制在一個(gè)興趣區(qū)間內(nèi)傳播,因此廣泛實(shí)施的免疫策略的實(shí)際效率較低。
復(fù)雜網(wǎng)絡(luò)中有3種免疫策略:隨機(jī)免疫、目標(biāo)免疫、熟人免疫?;谶@3種免疫策略,研究者們通過(guò)選擇節(jié)點(diǎn)的不同方式實(shí)現(xiàn)不一樣的免疫效果。文獻(xiàn)[1]使用改進(jìn)的邊劃分理論,提出了可以有效控制謠言傳播范圍和爆發(fā)閾值的免疫策略。文獻(xiàn)[2]解決了謠言的抵抗能力存在差異以及用戶(hù)間不同的親密度,建立一種新的網(wǎng)絡(luò)謠言傳播動(dòng)力學(xué)模型。文獻(xiàn)[3]研究了疫苗免疫和群外個(gè)體遷入對(duì)傳染病傳播行為的影響。文獻(xiàn)[4]發(fā)現(xiàn)傳播過(guò)程中節(jié)點(diǎn)具有不同的活躍度,提出了基于活躍度的網(wǎng)絡(luò)免疫策略。文獻(xiàn)[5]提出一種選擇節(jié)點(diǎn)自身出度和鄰居最大出度(self-degree and neighbor-degree,SDND)謠言免疫策略,在選取免疫節(jié)點(diǎn)時(shí)綜合考慮節(jié)點(diǎn)自身出度及其鄰居最大出度。文獻(xiàn)[6]定義了謠言感染和謠言清除的規(guī)則,提出主動(dòng)免疫和被動(dòng)免疫兩種網(wǎng)絡(luò)謠言免疫策略。文獻(xiàn)[7]基于加權(quán)網(wǎng)絡(luò)提出邊權(quán)優(yōu)先的節(jié)點(diǎn)熟人免疫策略。
在具有社區(qū)結(jié)構(gòu)的社交網(wǎng)絡(luò)中,文獻(xiàn)[8]提出在社區(qū)結(jié)構(gòu)中根據(jù)節(jié)點(diǎn)所屬社區(qū)的成員身份號(hào)來(lái)選擇目標(biāo)節(jié)點(diǎn)。文獻(xiàn)[9]提出了一種稱(chēng)為Comm度量節(jié)點(diǎn)的策略。它結(jié)合了社區(qū)內(nèi)鏈接和社區(qū)間鏈接的數(shù)量,對(duì)社區(qū)中與社區(qū)之間的節(jié)點(diǎn)進(jìn)行排名。文獻(xiàn)[10]提出了community bridge finde搜索橋節(jié)點(diǎn)算法,它的基本思想是:在社區(qū)結(jié)構(gòu)中,當(dāng)選擇另一個(gè)社區(qū)中的節(jié)點(diǎn)時(shí),將不再鏈接到先前訪問(wèn)過(guò)的站點(diǎn)。Bridge-Hub檢測(cè)器[11]是CBF策略的另一種變體,它通過(guò)探索被訪問(wèn)節(jié)點(diǎn)的朋友圈來(lái)選擇節(jié)點(diǎn)進(jìn)行免疫。隨機(jī)游走重疊選擇策略[12]是從網(wǎng)絡(luò)的隨機(jī)節(jié)點(diǎn)開(kāi)始隨機(jī)游走,訪問(wèn)或提取的社區(qū)重疊節(jié)點(diǎn)列表被選擇為免疫目標(biāo),否則繼續(xù)隨機(jī)游走。以上研究把社交網(wǎng)絡(luò)認(rèn)定為社區(qū)結(jié)構(gòu),但是信息的傳播具有方向性,且由于節(jié)點(diǎn)對(duì)信息的興趣度不一樣,本文提出符合謠言傳播環(huán)境的具有社區(qū)興趣度的有向重疊社區(qū)結(jié)構(gòu),同時(shí),提出了考慮興趣度的謠言免疫策略。
社交網(wǎng)絡(luò)是一個(gè)具有重疊社區(qū)結(jié)構(gòu)的復(fù)雜網(wǎng)絡(luò),其節(jié)點(diǎn)具有不同的特征,由此顯現(xiàn)出節(jié)點(diǎn)異構(gòu)性?,F(xiàn)有的免疫策略多是在同構(gòu)網(wǎng)絡(luò)或具有社區(qū)結(jié)構(gòu)的復(fù)雜網(wǎng)絡(luò)下,沒(méi)有考慮真實(shí)社交網(wǎng)絡(luò)的結(jié)構(gòu),也沒(méi)有分析節(jié)點(diǎn)的特征,因此現(xiàn)有的免疫策略是不完全適合真實(shí)社交網(wǎng)絡(luò)的。
在研究了謠言的傳播規(guī)律與抑制后,本文提出了有向重疊社區(qū)下考慮興趣度的謠言免疫策略。此謠言免疫策略在每個(gè)社區(qū)中加入興趣屬性用于確定節(jié)點(diǎn)所在的社區(qū);采用富節(jié)點(diǎn)與特殊富節(jié)點(diǎn)的方式選擇目標(biāo)免疫節(jié)點(diǎn),其他節(jié)點(diǎn)以介數(shù)中心性確定施行熟人免疫。有向重疊社區(qū)下考慮興趣度的謠言免疫策略的框架如圖1所示,框架中主要包括:有向重疊社區(qū)的建立;異構(gòu)節(jié)點(diǎn)的分析與選擇;免疫策略的設(shè)計(jì)與實(shí)施。有向重疊社區(qū)的建立在于將重疊社區(qū)結(jié)構(gòu)中節(jié)點(diǎn)的連接方式認(rèn)定為有向連接,且在每個(gè)社區(qū)中加入社區(qū)興趣度的屬性,這樣可以在有限范圍內(nèi)確定謠言的傳播區(qū)域,加快免疫速度;異構(gòu)節(jié)點(diǎn)的分析與選擇著重考慮免疫策略中體現(xiàn)節(jié)點(diǎn)影響力的指標(biāo),其中我們提出富節(jié)點(diǎn)和特殊富節(jié)點(diǎn)的指標(biāo)用于在重疊社區(qū)結(jié)構(gòu)中確定有影響力的節(jié)點(diǎn);免疫策略的設(shè)計(jì)與實(shí)施是將富節(jié)點(diǎn)和特殊富節(jié)點(diǎn)在確定范圍內(nèi)進(jìn)行目標(biāo)免疫,其他剩余節(jié)點(diǎn)則采用熟人免疫,既避免了目標(biāo)免疫對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的過(guò)分依賴(lài),也避免了熟人免疫在全部網(wǎng)絡(luò)實(shí)施免疫策略中效率上的浪費(fèi)。
復(fù)雜網(wǎng)絡(luò)是指一種呈現(xiàn)高度復(fù)雜性的網(wǎng)絡(luò),面對(duì)現(xiàn)實(shí)的社交網(wǎng)絡(luò), Barabsi和Albert提出了BA無(wú)標(biāo)度模型,此無(wú)標(biāo)度模型中單一社區(qū)模型無(wú)法體現(xiàn)社交用戶(hù)節(jié)點(diǎn)的復(fù)雜特性,因此在重疊社區(qū)模型下研究具有異構(gòu)性的節(jié)點(diǎn),可以體現(xiàn)社交網(wǎng)絡(luò)下謠言的傳播特點(diǎn)。
定義1(復(fù)雜網(wǎng)絡(luò))G=(V,E),V表示網(wǎng)絡(luò)中節(jié)點(diǎn)的集合,E表示網(wǎng)絡(luò)中入邊的集合。
定義2社區(qū)是指網(wǎng)絡(luò)中的節(jié)點(diǎn)內(nèi)聚子圖,子圖內(nèi)部的節(jié)點(diǎn)間存在較多的連接,不同子圖的節(jié)點(diǎn)間連接相對(duì)稀少。
定義3有向性指結(jié)構(gòu)圖中存在一個(gè)節(jié)點(diǎn)指向另一節(jié)點(diǎn)的方向。節(jié)點(diǎn)1指向節(jié)點(diǎn)2代表節(jié)點(diǎn)1關(guān)注節(jié)點(diǎn)2。
定義4重疊社區(qū)是網(wǎng)絡(luò)中節(jié)點(diǎn)的集合,節(jié)點(diǎn)同時(shí)隸屬于多個(gè)不同的社區(qū),社區(qū)內(nèi)部節(jié)點(diǎn)間的聯(lián)系較為緊密,而屬于不同社區(qū)的節(jié)點(diǎn)之間的聯(lián)系較為稀疏,此類(lèi)社區(qū)稱(chēng)為重疊社區(qū)。
定義5有向重疊社區(qū)是網(wǎng)絡(luò)中節(jié)點(diǎn)與節(jié)點(diǎn)連接方向的集合,社區(qū)內(nèi)節(jié)點(diǎn)同時(shí)隸屬于多個(gè)不同的社區(qū),節(jié)點(diǎn)之間是有向連接。如圖2所示,節(jié)點(diǎn)1屬于社區(qū)1、2,節(jié)點(diǎn)4屬于社區(qū)2、3,節(jié)點(diǎn)6屬于社區(qū)1、3,且圖中每個(gè)節(jié)點(diǎn)具有連接方向,社區(qū)1~3被稱(chēng)為有向重疊社區(qū)。
定義6社區(qū)興趣度是確定謠言傳播范圍的指標(biāo),在謠言出現(xiàn)后,假設(shè)謠言初次出現(xiàn)的社區(qū)為滿(mǎn)興趣度,其余社區(qū)關(guān)于此謠言有著不同的興趣度。
如圖3所示,節(jié)點(diǎn)1~5,7,9屬于興趣區(qū)間1,其他節(jié)點(diǎn)屬于興趣區(qū)間2,當(dāng)節(jié)點(diǎn)4開(kāi)始大面積傳播謠言時(shí),對(duì)此謠言感興趣的興趣區(qū)間1中的社區(qū)才有可能繼續(xù)傳播謠言,因此首先對(duì)興趣區(qū)間1的社區(qū)進(jìn)行免疫才能提高效率,如不考慮社區(qū)興趣度采用其他方式大面積免疫,將會(huì)降低免疫效率。
在社交網(wǎng)絡(luò)中,謠言傳播需要考慮節(jié)點(diǎn)的影響力,來(lái)表示其他用戶(hù)對(duì)謠言產(chǎn)生的閱讀和轉(zhuǎn)發(fā)行為。在同一社區(qū)環(huán)境下,免疫策略的節(jié)點(diǎn)選擇需要考慮節(jié)點(diǎn)的異構(gòu)性。衡量節(jié)點(diǎn)異構(gòu)性的標(biāo)準(zhǔn)有很多,比如度數(shù)、核數(shù)、介數(shù)以及特征向量中心性等。由于本文設(shè)定謠言的傳播網(wǎng)絡(luò)為有向重疊社區(qū),所以各項(xiàng)指標(biāo)定義有所不同,本文選擇了節(jié)點(diǎn)介數(shù)與富節(jié)點(diǎn)。
定義8(介數(shù)中心性) 本文量化了一個(gè)節(jié)點(diǎn)作為其他節(jié)點(diǎn)之間最短路徑上橋梁的能力,刻畫(huà)出了社會(huì)網(wǎng)絡(luò)中一個(gè)用戶(hù)對(duì)于其他用戶(hù)之間交流的影響力,是一種非常重要的度量指標(biāo)。對(duì)節(jié)點(diǎn)介數(shù)進(jìn)行歸一化,Bi的介數(shù)中心性CB(vi)表示為CB(vi)=(2Bi)/((N-1)(N-2))。
定義9(富節(jié)點(diǎn)與特殊富節(jié)點(diǎn)) 在有向重疊社區(qū)結(jié)構(gòu)中,富節(jié)點(diǎn)為網(wǎng)絡(luò)中少量入度值極高的節(jié)點(diǎn)或節(jié)點(diǎn)有富節(jié)點(diǎn)進(jìn)入的邊。
圖4 社交網(wǎng)絡(luò)有向拓?fù)鋱DFigure 4 Directed social network topology
尋找入度值極高的節(jié)點(diǎn)作為富節(jié)點(diǎn),以及擁有富節(jié)點(diǎn)指向的節(jié)點(diǎn)作為特殊富節(jié)點(diǎn)。社交網(wǎng)絡(luò)中的富節(jié)點(diǎn)表現(xiàn)為用戶(hù)的粉絲數(shù)很高,但存在入度值遠(yuǎn)遠(yuǎn)低于富節(jié)點(diǎn)但有富節(jié)點(diǎn)指向的情況,這代表此節(jié)點(diǎn)可能為權(quán)威性節(jié)點(diǎn),一旦被傳染,那么謠言的傳播效率將大大提升。社交網(wǎng)絡(luò)有向拓?fù)鋱D如圖4所示。
圖4中,節(jié)點(diǎn)1~3的入度值極高,被認(rèn)為是富節(jié)點(diǎn);節(jié)點(diǎn)4入度值為2,但是其存在節(jié)點(diǎn)1與節(jié)點(diǎn)2的進(jìn)入邊,因此認(rèn)為節(jié)點(diǎn)4為特殊富節(jié)點(diǎn)。按照此拓?fù)鋱D選擇節(jié)點(diǎn)進(jìn)行免疫時(shí),應(yīng)選擇節(jié)點(diǎn)1~4。在社區(qū)Cn中,當(dāng)節(jié)點(diǎn)vi的入度值ik>K時(shí),節(jié)點(diǎn)vi屬于富節(jié)點(diǎn),節(jié)點(diǎn)vi中存在的出度節(jié)點(diǎn)也為富節(jié)點(diǎn)。富節(jié)點(diǎn)與特殊富節(jié)點(diǎn)的選擇算法如算法1所示。
算法1 富節(jié)點(diǎn)與特殊富節(jié)點(diǎn)。
輸入: 復(fù)雜網(wǎng)絡(luò)G(V,E),社區(qū)集合ComList。
輸出: 富節(jié)點(diǎn)集合RichList。
1) RichList(V,E) ← 0∥創(chuàng)建一個(gè)空集合RichList(V,E)
2) for each k in ComList do ∥獲得某個(gè)社區(qū)的節(jié)點(diǎn)
3) Sort ComList by ComList[k].getE
4) choose 5% nodes add RichList ∥利用入度選擇富節(jié)點(diǎn)
5) for each i in ComList[k] do
6) if i has RichList nodes degress then
7) i add RichList ∥選擇特殊富節(jié)點(diǎn)
8) end if
9) end for
10)end for
11)return RichList(V,E)
在社交網(wǎng)絡(luò)中,節(jié)點(diǎn)的入度隨時(shí)間變化,但富節(jié)點(diǎn)是在一定范圍內(nèi)擁有極高入度量,且特殊富節(jié)點(diǎn)也具有特殊性,因此時(shí)間不影響對(duì)富節(jié)點(diǎn)與特殊富節(jié)點(diǎn)的判斷。
免疫策略旨在免疫一些關(guān)鍵節(jié)點(diǎn),以減少或阻止謠言傳播的目標(biāo)?,F(xiàn)有的研究中,謠言的免疫策略主要有3種免疫方式:隨機(jī)免疫、熟人免疫、目標(biāo)免疫。隨機(jī)免疫與目標(biāo)免疫在無(wú)標(biāo)度網(wǎng)絡(luò)下都需要選擇大量節(jié)點(diǎn)進(jìn)行免疫,效果較低。熟人免疫策略主要是從網(wǎng)絡(luò)中隨機(jī)選擇一定比例的節(jié)點(diǎn),對(duì)每個(gè)被選節(jié)點(diǎn)的一個(gè)鄰居節(jié)點(diǎn)進(jìn)行免疫。在無(wú)標(biāo)度網(wǎng)絡(luò)下,它無(wú)須考慮復(fù)雜的結(jié)構(gòu),比目標(biāo)免疫效果要好。而如今謠言的傳播平臺(tái)傾向于社交網(wǎng)絡(luò),單純的使用熟人免疫是無(wú)法適應(yīng)的。
在設(shè)計(jì)確定性策略中,對(duì)于網(wǎng)絡(luò)的每個(gè)節(jié)點(diǎn),使用全局信息計(jì)算影響度,然后根據(jù)它們的影響值對(duì)節(jié)點(diǎn)進(jìn)行排序和免疫。使一個(gè)節(jié)點(diǎn)成為染病節(jié)點(diǎn)的原因有多種,但最主要的原因是節(jié)點(diǎn)與染病節(jié)點(diǎn)處于同一社區(qū),在一個(gè)社區(qū)內(nèi)進(jìn)行大范圍傳播謠言;在謠言向外擴(kuò)散時(shí),作為重疊社區(qū)中染病節(jié)點(diǎn)會(huì)向多社區(qū)擴(kuò)散謠言,但只有與謠言社區(qū)興趣度高的社區(qū)才會(huì)出現(xiàn)大概率染病節(jié)點(diǎn)。
社區(qū)興趣度是為了確定謠言可能進(jìn)行大范圍傳染的社區(qū),要有效率地抑制謠言的傳播,其核心思想是當(dāng)n個(gè)社區(qū)已經(jīng)開(kāi)始傳播謠言時(shí),根據(jù)這n個(gè)社區(qū)與其他社區(qū)的連接密度、重疊節(jié)點(diǎn),確定此謠言的興趣度。
我們用傳染病模型來(lái)驗(yàn)證文中興趣度的重疊社區(qū)模型以及謠言免疫策略。傳染病模型中,SIR(susceptible-infected-recovered)傳染病模型是最為基礎(chǔ)的模型。在該模型中,節(jié)點(diǎn)有3種狀態(tài):易感者(susceptible),染病者(infected)和恢復(fù)者(recovered)。 SIR模型的感染機(jī)制如圖5(a)所示?;诖烁腥緳C(jī)制,在重疊社區(qū)結(jié)構(gòu)中利用常微分方程建立SIR模型的平均場(chǎng)方程:
式中:k表示一個(gè)度為k的節(jié)點(diǎn)組;Sk(t)+Ik(t)+Rk(t)=1;θ(t)=k′P(k′)I′k(t)/(〈k〉);λ代表了易感者(S)被感染成為染病者(I)時(shí)的轉(zhuǎn)換概率。
通過(guò)研究SIR模型的感染機(jī)制,我們得知易感者會(huì)以一定概率成為染病者,而且易感者只有這一條轉(zhuǎn)換路線。在謠言的傳播過(guò)程中,易感者并不只是轉(zhuǎn)換為染病者。在一段時(shí)間后,易感者也會(huì)以一定概率轉(zhuǎn)換為恢復(fù)者,因此我們需要改進(jìn)SIR傳染病模型來(lái)更符合謠言在真實(shí)世界的傳播規(guī)律。
圖5 傳染病模型傳播機(jī)制Figure 5 Transmission mechanism of infectious disease model
我們根據(jù)社區(qū)興趣度與富節(jié)點(diǎn)集合定義免疫概率為δk,且
通過(guò)對(duì)網(wǎng)絡(luò)與節(jié)點(diǎn)的分析,我們?cè)谟邢蛑丿B社區(qū)結(jié)構(gòu)下,社區(qū)具有興趣屬性,以節(jié)點(diǎn)介數(shù)中間性和富節(jié)點(diǎn)作為指標(biāo)來(lái)設(shè)計(jì)謠言免疫策略。由于需要了解節(jié)點(diǎn)的異構(gòu)性,因此我們認(rèn)為此謠言免疫策略為局域免疫策略。建立此謠言免疫策略的核心重點(diǎn)為:1) 對(duì)社區(qū)網(wǎng)絡(luò)進(jìn)行了重疊社區(qū)劃分,計(jì)算此謠言的興趣區(qū)間,尋找在同一興趣區(qū)間但并未感染謠言的社區(qū);2) 計(jì)算健康節(jié)點(diǎn)(未感染)的入度值,選擇前n項(xiàng)入度值高的節(jié)點(diǎn)(富節(jié)點(diǎn));3) 選擇富節(jié)點(diǎn)的出度節(jié)點(diǎn)作為特殊富節(jié)點(diǎn);4) 將網(wǎng)絡(luò)中余下的節(jié)點(diǎn)進(jìn)行熟人免疫,其中采用介數(shù)中心性選取鄰居節(jié)點(diǎn)。通過(guò)對(duì)謠言免疫策略的設(shè)計(jì),提出了考慮社區(qū)興趣的謠言免疫策略算法如算法2所示。
算法2 考慮社區(qū)興趣度的謠言免疫策略。
輸入: 復(fù)雜網(wǎng)絡(luò)G(V,E),重疊社區(qū)列表 loon,謠言已傳播列表 lorc。
輸出: 免疫節(jié)點(diǎn)列表immunity。
1) frc←第一次出現(xiàn)謠言的社區(qū)
2) H←計(jì)算興趣區(qū)間(frc,lorc,looc)
3) loon.remove(lorc)∥此時(shí)loon中沒(méi)有傳播謠言的社區(qū)
4) for each k in loon do
5) if k的興趣度 6) lorc.add(k) ∥尋找在興趣區(qū)間的未感染社區(qū) 7) loon.remove(k) 8) end if 9) end for 10) immunity choose富節(jié)點(diǎn)與特殊富節(jié)點(diǎn) in lorc ∥尋找在興趣區(qū)間內(nèi)社區(qū)的富節(jié)點(diǎn) 11) 開(kāi)始實(shí)施目標(biāo)免疫 12) immunity choose熟人免疫節(jié)點(diǎn) in loon 13) 開(kāi)始實(shí)施熟人免疫 為了評(píng)估本文所提出的謠言免疫策略,我們將此免疫策略進(jìn)行仿真實(shí)驗(yàn),并將其與現(xiàn)有的免疫策略進(jìn)行對(duì)比。實(shí)驗(yàn)中網(wǎng)絡(luò)總節(jié)點(diǎn)數(shù)N=103,平均節(jié)點(diǎn)度k=10。 實(shí)驗(yàn)一傳播模型的改進(jìn)對(duì)比。 在4.2節(jié)中我們將SIR模型進(jìn)行了改進(jìn),考慮了在免疫策略出現(xiàn)后SIR模型下3種狀態(tài)轉(zhuǎn)換中的概率。實(shí)驗(yàn)對(duì)SIR模型與改進(jìn)的SIR模型進(jìn)行仿真分析,通過(guò)實(shí)驗(yàn)結(jié)果進(jìn)行比對(duì),發(fā)現(xiàn)改進(jìn)模型的優(yōu)勢(shì)。SIR模型中設(shè)定參數(shù)λ=1,仿真結(jié)果如圖6(a)所示。染病者的人群密度在時(shí)間為8小時(shí)達(dá)到高峰。由于當(dāng)網(wǎng)絡(luò)上開(kāi)始傳播謠言時(shí),相關(guān)辟謠信息才能隨之推出,相對(duì)的免疫策略必然是在此謠言具有一定傳播效應(yīng)后才能開(kāi)始運(yùn)行,也就是實(shí)施免疫策略具有一段的延遲時(shí)間。根據(jù)SIR模型的仿真結(jié)果,我們假定在時(shí)間為5小時(shí)開(kāi)始實(shí)施免疫策略,此時(shí)改進(jìn)的SIR模型的相關(guān)參數(shù)為λ=1,δk=0.4,仿真結(jié)果如圖6(b)所示。 圖6 傳染病模型節(jié)點(diǎn)密度變化圖Figure 6 Density change of nodes in infectious disease model 根據(jù)圖6的仿真結(jié)果對(duì)比發(fā)現(xiàn):1) 在時(shí)間為5小時(shí)加入免疫策略后,染病者的人群密度雖然繼續(xù)走高,但是其峰值低于SIR模型,且提前1個(gè)時(shí)間到達(dá)峰值;2) 易感者在5小時(shí)后人群密度極度減少,相對(duì)恢復(fù)者的人群密度增多,但染病者人群密度的增長(zhǎng)速度減緩,這代表了開(kāi)始實(shí)施免疫策略后,全局節(jié)點(diǎn)可以獲得正確信息,減少了未知此事的易感者感染謠言的概率。 圖7 不同免疫策略染病節(jié)點(diǎn)密度變化圖Figure 7 Density changes of infected nodes under different immunization strategies 以上仿真結(jié)果表示,當(dāng)任意免疫策略進(jìn)入時(shí),可以減緩染病者的增長(zhǎng)速率,使其快速到達(dá)拐點(diǎn),并且對(duì)易感者可以起到預(yù)防作用,因此免疫策略對(duì)謠言的抑制有著很大的作用。 實(shí)驗(yàn)二免疫策略對(duì)比。 我們將對(duì)目標(biāo)免疫、熟人免疫和考慮社區(qū)興趣度的免疫策略進(jìn)行實(shí)驗(yàn)對(duì)比,主要對(duì)比這3種免疫策略中傳染病發(fā)展的過(guò)程。仿真過(guò)程利用改進(jìn)的SIR模型進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如圖7所示。 假定在時(shí)間為5小時(shí)開(kāi)始實(shí)行免疫策略,經(jīng)過(guò)對(duì)比發(fā)現(xiàn),本文提出的免疫策略由于在免疫時(shí)需要選擇特殊節(jié)點(diǎn),因此比目標(biāo)免疫的效果弱一些,但是隨著時(shí)間的推移,本文提出的免疫策略逐漸接近目標(biāo)免疫的效果。由于本文提出的免疫策略不需要一直依靠節(jié)點(diǎn)的入度選擇免疫節(jié)點(diǎn),相比與目標(biāo)免疫,我們認(rèn)為本文提出的免疫策略更加優(yōu)秀。 隨著用戶(hù)越來(lái)越依賴(lài)社交媒體來(lái)傳播信息,信息的傳播也隨著原來(lái)的人傳人轉(zhuǎn)移到一人傳多人。本文提出的謠言免疫策略考慮了社交網(wǎng)絡(luò)結(jié)構(gòu)以及節(jié)點(diǎn)特征,更加適用于社交網(wǎng)絡(luò)。此免疫策略不再使用一個(gè)策略對(duì)網(wǎng)絡(luò)中所有節(jié)點(diǎn)進(jìn)行抑制,而是優(yōu)先對(duì)某一部分容易被感染的社區(qū)進(jìn)行免疫。此免疫策略通過(guò)計(jì)算節(jié)點(diǎn)值的情況,不僅考慮了少數(shù)粉絲數(shù)極高的富節(jié)點(diǎn),還考慮了影響力不足但數(shù)量很多的普通用戶(hù)。 本文還提出社區(qū)存在對(duì)謠言的興趣度,利用社區(qū)興趣度,可以判斷謠言下一步的傳播方向和傳播社區(qū)。在每個(gè)社區(qū)中尋找影響力高的富節(jié)點(diǎn),利用富節(jié)點(diǎn)影響普通節(jié)點(diǎn)的謠言傳播。此方法減少了大范圍搜索節(jié)點(diǎn)或大范圍節(jié)點(diǎn)免疫的時(shí)間,提高了謠言的免疫效率。通過(guò)實(shí)驗(yàn)分析,在社交網(wǎng)絡(luò)中,此免疫策略更加有效。5 實(shí)驗(yàn)
6 總結(jié)