Dynamic properties of rumor propagation model induced by L´evy noise on social networks

Social networks are inevitably subject to disruptions from the physical world,such as sudden internet outages that sever local connections and impede information flow.While Gaussian white noise,commonly used to simulate stochastic disruptions,only fluctuates within a narrow range around its mean and fails to capture large-scale variations,L´evy noise can effectively compensate for this limitation.Therefore,a susceptible–infected–removed rumor propagation model with L´evy noise is constructed on homogeneous and heterogeneous networks,respectively.Then,the existence of a global positive solution and the asymptotic path-wise of the solution are derived on heterogeneous networks,and the sufficient conditions of rumor extinction and persistence are investigated.Subsequently,theoretical results are verified through numerical calculations and the sensitivity analysis related to the threshold is conducted on the model parameters.Through simulation experiments on Watts–Strogatz(WS)and Barab´asi–Albert networks,it is found that the addition of noise can inhibit the spread of rumors,resulting in a stochastic resonance phenomenon,and the optimal noise intensity is obtained on the WS network.The validity of the model is verified on three real datasets by particle swarm optimization algorithm.

Phase induced localization transition

Localization phenomenon is an important research field in condensed matter physics.However,due to the complexity and subtlety of disordered systems,new localization phenomena always emerge unexpectedly.For example,it is generally believed that the phase of the hopping term does not affect the localization properties of the system,so the calculation of the phase is often ignored in the study of localization.Here,we introduce a quasiperiodic model and demonstrate that the phase change of the hopping term can significantly alter the localization properties of the system through detailed numerical simulations,such as the inverse participation ratio and multifractal analysis.This phase-induced localization transition provides valuable information for the study of localization physics.

基于媒体报道的随机谣言传播模型

随着信息技术的发展,谣言传播的速度比过去更快,范围更广,而媒体发布信息可以在一定程度上阻止或控制谣言的传播。此外,由于个体间连接的变化,真实社交网络的拓扑结构会受到随机扰动。基于媒体报道和网络的连通性变化,本文通过引入媒体发布信息的透明度、媒体公信力参数,构建随机谣言传播模型。首先,对于同构网络上的模型,证明了解的全局存在唯一性。然后,通过对随机模型进行稳定性分析,推导了谣言消亡的充分条件,讨论了同构网络和异构网络上谣言的传播阈值。最后,在WS网络、BA网络和真实世界Facebook网络上进行数值模拟,验证了理论分析,并测试了相关参数对模型的影响。结果表明,随机噪声扰动加速了谣言传播消亡的过程,减小了同构网络上的传播阈值。此外,提高媒体的公信力和发布信息的透明度可以降低谣言的最大影响和最终规模。

考虑加权传播率和随机干扰的谣言传播模型

在线社交网络已经成为互联网信息时代的信息传播的主要途径,对社交网络中谣言的性质、特征以及信息传播的研究一直是一项重要的研究课题。考虑社交网络环境及用户都会受到不确定因素的影响,网络结构和用户数量都会随时间发生变化,因此,在谣言传播过程中引入随机噪声;同时针对个体间的差异性,以及不同个体间连接紧密程度不同,引入加权传播率,基于此建立考虑加权传播率和随机干扰的谣言传播模型,并对此模型进行了传播动力学研究。推导了全局正解存在唯一性,推导了谣言消亡条件;并通过蒙特卡洛方法在BBV网络(加权无标度网络)以及LW网络(局域世界演化网络)上进行了仿真,验证了理论推导的合理性。实验结果表明,局域世界特性会加速谣言传播,扩大谣言最终规模;传播率的差异性能够抑制谣言峰值和最终规模;在保证网络拓扑结构不出现剧烈变化的情况下,弱噪声的加入会加速谣言的传播。

基于深度学习的网络评论文本情感分析方法

在自然语言处理的众多研究领域中,文本的情感层面分析已成为一个备受瞩目的课题。针对情感分析任务中存在的文本向量表示语义不佳和特征提取不足导致分类不准确的问题,本研究提出了一种融合了RoBERTa-wwm-ext模型和多头注意力机制的深度学习文本分类框架RoBERTa-BiLSTM-Mutil-Head-Attention(RBM)。模型最初利用预训练的RoBERTa-wwm-ext语言模型捕获文本的动态特性;利用双向长短期记忆网络Bi-LSTM进一步提取文本更深层次的语义关系,将最后一个时序输出作为特征向量输入到多头注意力机制层;最后通过全连接层神经网络得到文本分类结果。经过一系列模型的对比测试,本研究提出的基于RBM的分类模型在ChnSentiCorp的网络评论文本集上实现了更高的准确度、精确率、召回率和F1值,且模型较好地提取了文本中字词的特征,提高了中文评论文本情感分析的效果。

考虑举报机制的SIMR谣言传播模型

近年来,社交网络的流行使谣言的扩散性显著增强,谣言泛滥给政府相关部门带来了新的挑战。因此,研究社交网络中的谣言传播意义重大。考虑到社交网络中举报机制对谣言传播的影响,针对现实生活中谣言传播者可能被他人举报而暂时无法传播谣言的现象,在SIR谣言模型中引入被禁言者,提出了一种考虑举报机制的SIMR谣言传播模型。首先,构建了该谣言模型在同质与异质网络上的平均场方程。其次,讨论了模型在同质与异质网络中谣言的传播阈值,并利用Routh-Hurwitz准则分析了模型在无谣言平衡点处的局部渐进稳定性。最后,利用龙格库塔法求出了系统的数值解,并通过蒙特卡洛方法分别在WS网络、BA网络以及Facebook网络中进行仿真,研究举报机制及具体参数对谣言传播的影响。结果表明,在WS、BA以及Facebook网络中举报机制均能有效抑制谣言传播;举报率越高,谣言传播峰值越小;提高转化率或者降低恢复率不仅能降低谣言传播峰值还能缩短谣言消亡时间。