基于影響力的跨社交網(wǎng)絡(luò)謠言擴(kuò)散模型與抑制方法

郭宏剛 楊 芳

1(河北師范大學(xué)計(jì)算機(jī)與網(wǎng)絡(luò)空間安全學(xué)院 河北 石家莊 050024) 2(河北師范大學(xué)河北省網(wǎng)絡(luò)與信息安全重點(diǎn)實(shí)驗(yàn)室 河北 石家莊 050024) 3(河北師范大學(xué)河北省供應(yīng)鏈大數(shù)據(jù)分析與數(shù)據(jù)安全工程研究中心 河北 石家莊 050024) 4(河北公安警察職業(yè)學(xué)院警務(wù)科研處 河北 石家莊 050091)

0 引 言

隨著移動(dòng)互聯(lián)網(wǎng)的普及，在線社交網(wǎng)絡(luò)實(shí)現(xiàn)了飛速發(fā)展，從早期的Facebook和職場(chǎng)社交“l(fā)inkedin”到近期風(fēng)靡全球的短視頻分享網(wǎng)絡(luò)“抖音”等，在線社交網(wǎng)絡(luò)已經(jīng)延伸至人們娛樂(lè)、工作和生活之中[1]，成為人類社會(huì)信息交流的一個(gè)重要方式。在線社交網(wǎng)絡(luò)給人們交流帶來(lái)了極大的便利，但也加速了不良輿論、不良廣告及謠言的傳播與擴(kuò)散，對(duì)公共安全及社會(huì)經(jīng)濟(jì)造成不可忽略的破壞[2]。

謠言的網(wǎng)絡(luò)傳播機(jī)制與生物病毒的傳染病模型存在許多相似之處，研究人員隨之采用傳染病模型研究謠言的傳播和擴(kuò)散過(guò)程[3]。文獻(xiàn)[4]利用謠言在人類社區(qū)中的傳播方式與病毒傳播類似的特點(diǎn)，將微博社區(qū)用戶抽象為網(wǎng)絡(luò)中的節(jié)點(diǎn)，從宏觀角度研究謠言在網(wǎng)絡(luò)中的傳播機(jī)理構(gòu)造微博消息傳播網(wǎng)。雖然傳染病模型與謠言傳播十分相似，但一部分人員在謠言傳播中會(huì)對(duì)謠言進(jìn)行糾正，對(duì)謠言傳播產(chǎn)生弱化的效果，傳染病模型則不包含該機(jī)制。文獻(xiàn)[5]對(duì)傳染病模型進(jìn)行了修改，補(bǔ)充了用戶正面觀點(diǎn)和反面觀點(diǎn)分別對(duì)謠言的促進(jìn)和弱化機(jī)制，并將模型的模擬結(jié)果與Twitter的真實(shí)數(shù)據(jù)進(jìn)行了比較，實(shí)現(xiàn)了較好的準(zhǔn)確性。傳染病模型的易感人群通過(guò)接觸感染者成為新感染者，而社交網(wǎng)絡(luò)用戶通過(guò)理性判斷決定是否傳播謠言或是只閱讀謠言，因此謠言傳播中的用戶具有很高的自主性和獨(dú)立性。

為了提高謠言傳播模型的準(zhǔn)確性，文獻(xiàn)[6]提出基于謠言接受概率函數(shù)的謠言傳播模型CASR(Credulous Affected Spreader Rationals)，CASR模型的謠言接收概率函數(shù)考慮了正負(fù)影響的媒介效應(yīng)，很好地模擬了謠言的傳播過(guò)程。文獻(xiàn)[7]基于復(fù)雜網(wǎng)絡(luò)提出了謠言傳播模型，并且給出了最大化謠言傳播的方法。雖然文獻(xiàn)[6-7]對(duì)謠言傳播的模擬效果好于基于傳染病的模型，但這兩個(gè)模型僅考慮了單一的社交網(wǎng)絡(luò)，無(wú)法用于跨社交網(wǎng)絡(luò)的謠言傳播分析。

跨社交網(wǎng)絡(luò)轉(zhuǎn)發(fā)和分享消息已經(jīng)成為當(dāng)前十分普遍的社交內(nèi)容傳播形式，而現(xiàn)有的主要謠言傳播模型尚未有效支持跨社交網(wǎng)絡(luò)的謠言傳播[8]。本文提出一種基于影響力分級(jí)的跨社交網(wǎng)絡(luò)謠言傳播模型，通過(guò)模型可計(jì)算和預(yù)測(cè)網(wǎng)絡(luò)的謠言傳播趨勢(shì)，并且基于該模型設(shè)計(jì)了貪婪的謠言抑制方法。對(duì)于大規(guī)模的社交網(wǎng)絡(luò)，為網(wǎng)絡(luò)的每個(gè)節(jié)點(diǎn)建立傳播路徑會(huì)產(chǎn)生巨大的計(jì)算負(fù)擔(dān)，本文借助影響力排名的結(jié)果，為傳播模型保留高影響力節(jié)點(diǎn)的傳播路徑，忽略低影響力節(jié)點(diǎn)的傳播路徑，由此降低謠言傳播模型的復(fù)雜度，并且降低謠言抑制算法的計(jì)算成本。

1 跨網(wǎng)絡(luò)謠言傳播模型

傳統(tǒng)社交網(wǎng)絡(luò)的傳播模型將網(wǎng)絡(luò)中用戶的傳播能力考慮為相等值，并未考慮影響力差異對(duì)謠言傳播不同的推動(dòng)作用[9]。本文根據(jù)社交網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的局部連接密度評(píng)估每個(gè)節(jié)點(diǎn)的影響力，并且將節(jié)點(diǎn)按影響力排名，考慮影響力強(qiáng)弱對(duì)謠言擴(kuò)散的不同推動(dòng)力。

1.1 社交影響力排名

網(wǎng)絡(luò)中目標(biāo)節(jié)點(diǎn)的鄰居數(shù)量(即密度)能夠反映節(jié)點(diǎn)的重要性和影響力，本文基于節(jié)點(diǎn)在網(wǎng)絡(luò)拓?fù)渲械奈恢煤徒Y(jié)構(gòu)信息來(lái)評(píng)估節(jié)點(diǎn)的影響力。具體而言，分析用戶與鄰居節(jié)點(diǎn)間的拓?fù)浣Y(jié)構(gòu)相似性，相似的用戶分為同一級(jí)影響力，將用戶按影響力進(jìn)行聚類處理。

將社交網(wǎng)絡(luò)表示為圖G=(V,E)，用戶集為V={v1,v2,…,v|V|}，用戶關(guān)系表示為邊E={e1,e2,…,e|E|}。設(shè)Ni為節(jié)點(diǎn)vi的鄰居集，將鄰居數(shù)量作為vi的度，記為di。節(jié)點(diǎn)與鄰居之間的關(guān)系視為用戶影響力的一個(gè)決定因素，如果鄰居節(jié)點(diǎn)間連接較為密集，那么消息容易在小范圍內(nèi)傳播，導(dǎo)致消息的大規(guī)模擴(kuò)散能力降低，因此鄰居節(jié)點(diǎn)之間交互過(guò)強(qiáng)對(duì)該節(jié)點(diǎn)的影響力具有負(fù)面影響。通過(guò)式(1)計(jì)算節(jié)點(diǎn)vi的局部聚類系數(shù)：

(1)

局部聚類系數(shù)統(tǒng)計(jì)了節(jié)點(diǎn)與每個(gè)鄰居的相同鄰居數(shù)量，節(jié)點(diǎn)間相關(guān)性的度量方法是局部分簇系數(shù)的一個(gè)關(guān)鍵因素。采用外部聚類系數(shù)排名度量(External Clustering Ranking Measure,ECRM)[10]評(píng)估目標(biāo)節(jié)點(diǎn)與其鄰居之間的影響力等級(jí)。以圖1為例描述ECRM方法，圖中包含3個(gè)shell，第1次迭代選擇圖中度最小的節(jié)點(diǎn)，記為一級(jí)節(jié)點(diǎn)，第2次迭代從剩下的節(jié)點(diǎn)中選擇度最小的節(jié)點(diǎn)，記為二級(jí)節(jié)點(diǎn)，如此迭代處理，直至所有節(jié)點(diǎn)被分配級(jí)別。例如：圖中節(jié)點(diǎn)8和節(jié)點(diǎn)9均與第三級(jí)連接，因此第三級(jí)是這兩個(gè)節(jié)點(diǎn)的共性，節(jié)點(diǎn)8和節(jié)點(diǎn)9組成第4級(jí)。

圖1 ECRM方法的示意圖

將網(wǎng)絡(luò)分級(jí)后，根據(jù)鄰居等級(jí)計(jì)算每個(gè)節(jié)點(diǎn)vi的shell向量。

定義1滿足以下關(guān)系的向量稱為節(jié)點(diǎn)vi的shell向量：

(2)

式中：|Ni(k)|表示節(jié)點(diǎn)vi第k級(jí)的鄰居數(shù)量；f為網(wǎng)絡(luò)的最大級(jí)數(shù)。

在圖1的實(shí)例中，節(jié)點(diǎn)7-節(jié)點(diǎn)9的shell向量分別為：SV7={0,0,0,2,0,2,0},SV8={0,1,1,1,1,0,0},SV9={0,0,1,1,1,0,0}。采用皮爾森相關(guān)系數(shù)計(jì)算shell向量間的相關(guān)性，計(jì)算式為：

(3)

定義2節(jié)點(diǎn)vi的shell聚類系數(shù)定義為：

(4)

式中：第1項(xiàng)為相關(guān)系數(shù)；第2項(xiàng)為節(jié)點(diǎn)的度。節(jié)點(diǎn)vi與每個(gè)鄰居之間的相關(guān)性越高，對(duì)vi傳播能力的負(fù)面影響越大，(2-Ci,j)計(jì)算了節(jié)點(diǎn)vi的shell聚類系數(shù)。節(jié)點(diǎn)的度也是shell聚類系數(shù)的一部分，max(d)表示社交網(wǎng)絡(luò)圖的最大度。

運(yùn)用鄰居規(guī)則[11]提高影響力節(jié)點(diǎn)的準(zhǔn)確性，首先計(jì)算節(jié)點(diǎn)的CRM(Clustering Ranking Measure)：

(5)

式中：SCC為shell聚類系數(shù)。

對(duì)所有鄰居的CRM求和，獲得節(jié)點(diǎn)vi的ECRM：

(6)

算法1為節(jié)點(diǎn)影響力排名算法。首先通過(guò)k-shell算法為每個(gè)節(jié)點(diǎn)分級(jí)，通過(guò)式(2)計(jì)算每個(gè)節(jié)點(diǎn)的shell向量，再通過(guò)式(3)計(jì)算節(jié)點(diǎn)vi和vj之間的相關(guān)性Ci,j，然后計(jì)算vi的shell聚類系數(shù)SCCi。最終根據(jù)ECRM分?jǐn)?shù)將節(jié)點(diǎn)按影響力降序排列。

算法1節(jié)點(diǎn)影響力排名算法

輸入：社交網(wǎng)絡(luò)圖G=(V,E)。

輸出：節(jié)點(diǎn)的影響力排名Lin。

1.通過(guò)k-shell算法為每個(gè)vi分配IT(vi)；

//分配等級(jí)

2.foreachifrom 1 to |V| do

3.計(jì)算SVi;

//式(2)

4.end for

5.foreachifrom 1 to |V|

6.SCCi←0;

7.foreachvjinNido

8.計(jì)算Ci,j;

//式(3)

10.end for

11.end for

12.foreachifrom 1 to |V| do

13.CRMi=0;

14.foreachvjinNido

15.CRMi=CRMi+SCCj;

16.end for

17.end for

18.foreachifrom 1 to |V|

19.ECRMi=0;

20.foreachvjinNido

21.ECRMi=ECRMi+CRMj;

22.end for

23.end for

24.將節(jié)點(diǎn)按ECRM分?jǐn)?shù)降序排列生成Lin;

1.2 謠言傳播模型

線上社交網(wǎng)絡(luò)的一個(gè)用戶通過(guò)社交賬號(hào)在某個(gè)社交網(wǎng)絡(luò)發(fā)布消息、視頻或者圖像等內(nèi)容，關(guān)注該賬號(hào)的用戶將收到通知并閱讀該內(nèi)容。各大社交網(wǎng)絡(luò)均支持用戶跨網(wǎng)絡(luò)轉(zhuǎn)發(fā)或分享內(nèi)容，導(dǎo)致一些熱點(diǎn)內(nèi)容可能被廣泛傳播。圖2所示是消息跨社交網(wǎng)絡(luò)傳播的示意圖。設(shè)I={0,1,2,…,m}為社交網(wǎng)絡(luò)的標(biāo)識(shí)集，每個(gè)編號(hào)對(duì)應(yīng)一個(gè)社交網(wǎng)絡(luò)，如：0表示微博，1表示微信。將標(biāo)識(shí)符為j的社交網(wǎng)絡(luò)記為OSNj，謠言發(fā)布者在OSNj發(fā)布謠言內(nèi)容，然后在其他網(wǎng)絡(luò)選擇“種子用戶”，使謠言在其他網(wǎng)絡(luò)擴(kuò)散，將被選擇的社交網(wǎng)絡(luò)記為TOSN。假設(shè)每個(gè)用戶的ID跨社交網(wǎng)絡(luò)唯一，每個(gè)用戶記為i∈OSNTOSN，在OSNj中關(guān)注用戶i的集合記為F(i)j。

圖2 跨社交網(wǎng)絡(luò)消息傳播示意圖

定義3將閱讀用戶i所發(fā)布謠言的人數(shù)稱為謠言到達(dá)數(shù)。

假設(shè)用戶A被100個(gè)人關(guān)注，其中50個(gè)人閱讀了A發(fā)布的謠言，那么其謠言到達(dá)數(shù)為50。本文利用謠言到達(dá)數(shù)來(lái)評(píng)估謠言的傳播力，為每個(gè)用戶分配一個(gè)權(quán)重表示該用戶在謠言傳播中的貢獻(xiàn)。用戶i的謠言到達(dá)數(shù)σ(i)計(jì)算為：

(7)

定義4將用戶集S中每個(gè)用戶i的謠言到達(dá)數(shù)總和稱為謠言到達(dá)總數(shù)。用戶集S的謠言到達(dá)總數(shù)計(jì)算式為：

(8)

用戶集S的傳播力可計(jì)算為：

(9)

(10)

(11)

(12)

(13)

在Φ′(S)的定義中存在一個(gè)問(wèn)題：該定義并未考慮父節(jié)點(diǎn)和子節(jié)點(diǎn)間的依賴關(guān)系，設(shè)βj,i表示子節(jié)點(diǎn)j對(duì)父節(jié)點(diǎn)i的貢獻(xiàn)，那么包含父-子節(jié)點(diǎn)依賴關(guān)系的傳播力計(jì)算為：

(14)

集合S的影響力Φ(S)修改為：

Φ(S)=Φ′(S)-Φ″(S)

(15)

(16)

定義一個(gè)鄰接矩陣A=[aji]標(biāo)記子節(jié)點(diǎn)j是否連接父節(jié)點(diǎn)i，矩陣元素aji定義為：

(17)

(18)

計(jì)算S集合所有用戶的傳播力σ(i)之和即可獲得Φ′(S)，然后為Φ′(S)增加父-子依賴關(guān)系的信息。設(shè)計(jì)一個(gè)矩陣Θ=[?ji]，其對(duì)角元素表示增加一個(gè)用戶產(chǎn)生的增益，其他元素為父-子依賴關(guān)系的相關(guān)信息，矩陣Θ的元素?ji定義為：

(19)

(20)

式中：Φ′(S)表示集合S的謠言到達(dá)數(shù)。

2 謠言抑制方法設(shè)計(jì)

設(shè)N為目標(biāo)社交網(wǎng)絡(luò)中所有用戶的數(shù)量，xi∈{0,1}表示用戶i是否被選擇。將謠言抑制問(wèn)題建模為以下的最小化問(wèn)題：

(21)

算法2為基于貪婪的謠言抑制算法，輸入為可操控的用戶數(shù)量和可操控的社交網(wǎng)絡(luò)數(shù)量。貪婪算法主要通過(guò)依次將用戶加入操控用戶集S中，觀察謠言到達(dá)數(shù)是否降低，最終找到最小化謠言到達(dá)數(shù)的用戶集S。社交網(wǎng)絡(luò)可以對(duì)S中的用戶進(jìn)行合理的處理，控制謠言的擴(kuò)散。

算法2謠言抑制算法

輸入：目標(biāo)用戶數(shù)量N，社交網(wǎng)絡(luò)數(shù)量D。

輸出：用戶集S。

1.S←NULL;

//初始化S

2.while |S|≤Ndo

3.inc′←0;

4.R←N-|S|;

5.foreachiin {N-S} do

//遍歷S集以外的用戶

6.ifR==Dthen

//檢查是否滿足跨網(wǎng)絡(luò)約束

//未能減少網(wǎng)絡(luò)數(shù)量

9.end if

10.end if

11.inc←Φ′(S∪{i})-Φ′(S);

//計(jì)算謠言到達(dá)數(shù)

12.ifinc>inc′ then

13.inc′←inc;

14.u′←i;

15.end if

16.end for

17.S←S∪{u′};

18.end while

3 仿真實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)環(huán)境為PC機(jī)：i7- 9850H處理器，2.6 GHz主頻，32 GB內(nèi)存，編程環(huán)境為MATLAB2017b。

3.1 實(shí)驗(yàn)數(shù)據(jù)集

從Twitter、微博和YouTube收集了3組數(shù)據(jù)集，分別構(gòu)成兩個(gè)單一網(wǎng)絡(luò)benchmark數(shù)據(jù)集和一個(gè)跨社交網(wǎng)絡(luò)(Cross Social Networks,CSN)benchmark數(shù)據(jù)集，詳細(xì)信息如表1所示。Twitter數(shù)據(jù)集共包含458個(gè)關(guān)于“Charlie Hebdo攻擊”事件的謠言，微博數(shù)據(jù)集共包含32個(gè)關(guān)于“河北省石家莊市”的謠言。CSN數(shù)據(jù)集由Twitter數(shù)據(jù)集和YouTube數(shù)據(jù)集組成，保留了“Charlie Hebdo攻擊”謠言從Twitter分享到Y(jié)ouTube的連接，最終CSN的Twitter數(shù)據(jù)集共包含4 540個(gè)節(jié)點(diǎn)和62 881個(gè)有向連接，YouTube數(shù)據(jù)集的相關(guān)節(jié)點(diǎn)包含5 703個(gè)節(jié)點(diǎn)和83 245個(gè)有向連接。

表1 Benchmark數(shù)據(jù)集基本信息

3.2 謠言傳播模型的實(shí)驗(yàn)

線性閾值模型(Linear Threshold Model, LT)[12]和Epidemic模型[13]是兩個(gè)主流的謠言傳播模型。LT模型是一種基于概率的微觀模型，主要分析了節(jié)點(diǎn)在局部區(qū)域的相關(guān)性和相互影響，從而模擬出謠言的傳播趨勢(shì)，該模型需要設(shè)立傳播指數(shù)參數(shù)k，將Twitter數(shù)據(jù)集的k設(shè)為2.5，微博數(shù)據(jù)集的k設(shè)為1.5。Epidemic模型是一種基于傳染病模型的宏觀模型，通過(guò)感染人群將謠言不斷地?cái)U(kuò)散到全網(wǎng)，該模型需要網(wǎng)絡(luò)的聚類系數(shù)參數(shù)，將Twitter數(shù)據(jù)集的聚類系數(shù)設(shè)為0.512 3，微博數(shù)據(jù)集的聚類系數(shù)設(shè)為0.076 5。

圖3為Twitter網(wǎng)絡(luò)、微博網(wǎng)絡(luò)和CSN的謠言傳播曲線。在Twitter網(wǎng)絡(luò)第6個(gè)時(shí)間步謠言出現(xiàn)第1個(gè)高峰，大約70%的用戶參與傳播謠言，在第14個(gè)時(shí)間步謠言出現(xiàn)第2個(gè)高峰，幾乎所有用戶參與傳播謠言，然后謠言的熱點(diǎn)開始下降，逐漸趨于平靜。LT模型成功模擬出第1個(gè)高峰，并且也幾乎模擬出第2個(gè)高峰，但LT模型僅僅模擬了傳播的上升趨勢(shì)，在峰值之后并未呈現(xiàn)下降趨勢(shì)，與實(shí)際情況不符。Epidemic模型十分粗略地模擬出了總體上升和下降趨勢(shì)，但是不包含對(duì)傳播細(xì)節(jié)的描述。本文模型準(zhǔn)確地模擬出第1個(gè)峰值，第2個(gè)峰值出現(xiàn)的時(shí)間略遲于實(shí)際情況，另外本文模型的峰值數(shù)據(jù)低于實(shí)際情況，主要原因在于該模型為了減低復(fù)雜度，僅保留了影響力節(jié)點(diǎn)的傳播路徑。

(a) Twitter網(wǎng)絡(luò)的謠言傳播曲線

在微博網(wǎng)絡(luò)第2個(gè)時(shí)間步謠言出現(xiàn)第1個(gè)高峰，大約60%的用戶參與傳播謠言，在第20個(gè)時(shí)間步謠言出現(xiàn)第2個(gè)高峰，約28%的用戶參與傳播謠言，在第33個(gè)時(shí)間步謠言出現(xiàn)第3個(gè)高峰，約32%的用戶參與傳播謠言，然后謠言的熱點(diǎn)開始下降，逐漸趨于平靜。LT模型成功模擬出第1個(gè)高峰，LT模型僅僅模擬了傳播的上升趨勢(shì)，在峰值之后并未呈現(xiàn)下降趨勢(shì)，與實(shí)際情況不符。Epidemic模型模擬出第一個(gè)峰值的上升和下降趨勢(shì)，但不包含對(duì)傳播細(xì)節(jié)的描述。本文模型第1個(gè)峰值出現(xiàn)的時(shí)間略遲于實(shí)際情況，成功模擬出第2個(gè)峰值，另外本文模型的峰值數(shù)據(jù)低于實(shí)際情況，主要原因在于該模型為了減低復(fù)雜度，僅保留了影響力節(jié)點(diǎn)的傳播路徑。

由于LT模型和Epidemic模型均不支持跨網(wǎng)絡(luò)的謠言傳播，因此僅將本文模型和實(shí)際傳播情況進(jìn)行了比較，如圖3(c)所示?？梢钥闯?，本文模型較為準(zhǔn)確地模擬出了謠言跨網(wǎng)絡(luò)擴(kuò)散的上升趨勢(shì)和下降趨勢(shì)，可用來(lái)預(yù)測(cè)謠言的跨網(wǎng)絡(luò)傳播趨勢(shì)，作為謠言檢測(cè)和謠言抑制的預(yù)處理步驟。

3.3 模型參數(shù)實(shí)驗(yàn)

在本文模型的貪婪謠言抑制算法中需要預(yù)先確定可操作的用戶數(shù)量參數(shù)N，因此通過(guò)試錯(cuò)實(shí)驗(yàn)觀察不同的N值(失活節(jié)點(diǎn)數(shù)量)對(duì)謠言抑制效果的影響。本文算法選擇影響力高的傳播節(jié)點(diǎn)作為失活節(jié)點(diǎn)，中斷其傳播行為，由此抑制謠言的傳播。圖4所示分別為Twitter、微博和CSN網(wǎng)絡(luò)上謠言抑制實(shí)驗(yàn)的結(jié)果，三組實(shí)驗(yàn)表現(xiàn)出相似的現(xiàn)象，即失活的節(jié)點(diǎn)數(shù)量越多，謠言的下降速度越快，抑制效果越明顯。

(a) Twitter網(wǎng)絡(luò)的謠言抑制實(shí)驗(yàn)

3.4 對(duì)比實(shí)驗(yàn)分析

為了評(píng)估本文貪婪謠言抑制算法的有效性，選擇3個(gè)不同類型的謠言抑制算法與本文算法完成對(duì)比實(shí)驗(yàn)分析，結(jié)果如圖5所示。RIM[14]是一種支持多社交網(wǎng)絡(luò)的謠言最小化傳播算法，該算法預(yù)測(cè)謠言下一步的傳播路徑，通過(guò)切斷路徑抑制謠言傳播。MRS[15]是一種單一社交網(wǎng)絡(luò)的謠言抑制方法，該方法考慮了正向意見對(duì)謠言傳播的促進(jìn)作用，也考慮了反對(duì)意見對(duì)謠言的抑制作用。CSR[16]也是一種單一社交網(wǎng)絡(luò)的謠言抑制方法，該方法通過(guò)提高謠言在社區(qū)的傳播率，從而降低謠言在社區(qū)間的傳播概率。

(a) Twitter網(wǎng)絡(luò)的對(duì)比實(shí)驗(yàn)

觀察Twitter網(wǎng)絡(luò)和微博兩個(gè)數(shù)據(jù)集中聽信謠言的人數(shù)比例，CSR的抑制效果差于其他三個(gè)模型，主要原因在于該模型雖然降低了社區(qū)間的傳播，但提高了社區(qū)內(nèi)的傳播，導(dǎo)致總體的傳播人數(shù)較高。本文模型和RIM模型對(duì)謠言的總體抑制效果較好，RIM模型通過(guò)對(duì)預(yù)測(cè)傳播路徑的切斷來(lái)抑制謠言傳播，本文則是通過(guò)直接失活傳播能力強(qiáng)的節(jié)點(diǎn)來(lái)抑制謠言傳播。

4 結(jié) 語(yǔ)

本文提出基于影響力分級(jí)的跨社交網(wǎng)絡(luò)謠言傳播模型，通過(guò)模型可計(jì)算和預(yù)測(cè)網(wǎng)絡(luò)的謠言傳播趨勢(shì)，最終基于模型設(shè)計(jì)了貪婪的謠言抑制方法。本文模型能夠較好地模擬出謠言傳播的峰值及其時(shí)間，為了降低模型的復(fù)雜度，僅保留了影響力節(jié)點(diǎn)的傳播路徑，導(dǎo)致峰值數(shù)據(jù)低于實(shí)際情況。另外本文模型能夠較為準(zhǔn)確地模擬出謠言跨網(wǎng)絡(luò)擴(kuò)散的上升趨勢(shì)和下降趨勢(shì)，可用來(lái)預(yù)測(cè)謠言的跨網(wǎng)絡(luò)傳播趨勢(shì)，作為謠言檢測(cè)和謠言抑制的預(yù)處理步驟。

本文模型直接通過(guò)失活一部分節(jié)點(diǎn)對(duì)謠言傳播進(jìn)行抑制，但這會(huì)導(dǎo)致社交網(wǎng)絡(luò)用戶的滿意度降低。未來(lái)將通過(guò)增強(qiáng)意見領(lǐng)袖的正向言論來(lái)對(duì)謠言進(jìn)行澄清，以期在抑制謠言的同時(shí)，保持用戶對(duì)社交網(wǎng)絡(luò)的滿意度。