Dynamics of organizational rumor communication on connecting multi-small-world networks

We study the dynamics of an epidemic-like model for the spread of a rumor on a connecting multi-small-world- network （CM-SWN） model, which represents organizational communication in the real world. It has been shown that this model exhibits a transition between regimes of localization and propagation at a finite value of network randomness. Here, by numerical means, we perform a quantitative characterization of the evolution in the three groups under two evolution rules, namely the conformity and obeying principles. The variant of a dynamic CM-SWN, where the quenched disorder of small-world networks is replaced by randomly changing connections between individuals in a single network and stable connection by star nodes between networks, is also analysed in detail and compared with a mean-field approximation.

The Simulation of Rumor’S Spreading and Controlling in Micro-Blog Users’ Network

In this work, a rumor’s spreading and controlling in a directed Micro-blog user network being consisted with 580 000 nodes are simulated. By defining some authority nodes that release anti-rumor information as the prevention strategy, the effect of the nodes’ role in network on rumor’s suppression is studied. The findings show that rumor will be spread out fast and reach a stable level within limited steps. The suppression of rumor is more predominated by the intervening opportunity, the earlier the intervention strategy was implemented, the better the rumor’s controlling could be achieved. The controlling effect is less relevant with the role of the authority nodes in network.

Steady-State Analysis of SECIR Rumor Spreading Model in Complex Networks

In this paper, the SECIR rumor spreading model is formulated and analyzed, in which the social education level and the counterattack mechanism are taken into consideration. The results show that improving education level and increasing the ratio of counter are effective in reducing the risk of rumor propagation and enhancing the resistance to rumor propagation.

社交网络中基于EHEM的两阶段谣言抑制方法

在线社交网络的兴起带来了一系列的挑战与风险,其中包括虚假以及恶意谣言的传播,这可能会误导民众,破坏社会的稳定。因此,对谣言的传播进行抑制成为当前社交网络领域的热点问题。目前已经积累较多谣言抑制的工作,但是还存在模型不能准确描述信息在社交网络上传播的问题,因此提出了一种新的刻画信息传播的模型——扩展热量模型(Extended Heat Energy Model, EHEM)。该模型充分考虑了信息传播中节点激活概率的动态调整机制、信息传播的持续级联机制以及节点状态的动态转变机制,更加精准地捕捉了信息在网络上传播的爆炸性和复杂性;其次,考虑到在真实世界相信谣言的节点在接触真相后存在将信仰转变到相信真相的可能性,提出了校正阈值来确定节点是否会发生信仰的转换;节点的重要程度决定了它们自身的影响力,因此还提出了节点多维质量来衡量节点的重要程度;最后提出了两阶段的谣言抑制(Two Stage Rumor Containment, TSRC)算法,该算法首先使用节点多维质量对网络进行剪枝处理,之后通过模拟的方式从网络中选出最优的正种子集合。在4个真实数据集上进行实验,结果表明,所提算法在多个指标上优于Random, Betweenness, MD, PR, PWD和ContrId这6种对比算法。

基于深度学习节点表示的谣言源定位方法

随着互联网的普及,网络上的信息以惊人的速度传播给公众。然而,由于级联效应,虚假信息和谣言同时也在迅速蔓延,对社会造成了巨大的危害。在社交网络上找到谣言的传播源头,对抑制谣言的传播起到至关重要的作用。传统的谣言源定位方法大多未能够融合多源特征且定位准确率还需进一步提高,因此,提出一种基于深度学习的谣言源定位方法,根据观测受谣言影响的节点多源特征来识别谣言源。首先,根据节点与观测节点之间的影响力相似度得到节点的影响力向量。然后,利用自编码网络对节点的影响力向量进行编码,得到包含节点信息、扩散路径和传播时间信息在内的节点的新的嵌入表示。最后,根据节点新的影响力向量计算节点为谣言源的概率,以定位谣言源。在2个模拟网络和4个真实网络上的实验结果表明,与其他方法相比,所提方法能够以更快的速度定位谣言源,且谣言源定位的准确率提升了25%以上。

基于广度-深度采样和图卷积网络的谣言检测方法

现有谣言检测方法存在早期数据丢失、特征利用不充分问题,为此提出新的检测方法.为了充分挖掘事件的早期传播特征,提出广度采样方法并构建与事件对应的传播序列,利用Transformer挖掘长距离评论间的语义相关性并构建事件的传播序列特征.为了有效挖掘事件的传播结构特征,提出基于路径长度的深度采样方法,构建事件对应的信息传播子图和信息聚合子图,利用图卷积网络在挖掘图结构特征方面的优势,获得与事件对应的传播结构特征.将事件对应的传播序列特征表示与传播结构特征表示进行拼接,得到事件对应的最终特征表示.在公开数据集Weibo2016和CED上开展所提方法的有效性验证实验.结果表明,所提方法普遍优于现有典型方法.与基线方法相比,所提方法的准确率和F1值均有显著提升,所提方法在谣言检测领域的有效性得到验证.

融合信息对抗及混合特征表示的社交网络谣言检测方法

[研究目的]针对现实社交网络中广泛存在的不实评论对谣言检测的负面影响问题,提出对抗学习框架下的谣言检测方法,从而在提升谣言检测准确率的同时,增强模型对噪声信息的容抗性。[研究方法]以信息对抗机制为基础,搭建具有融合结构及时序特征表示的生成网络,利用部分网络结构的共享及加强具有自注意力机制的二次鉴别网络,实现将非监督的对抗生成网络向有监督学习任务上的成功拓展。[研究结论]在PHEMEv5和新浪微博两个数据集上,该研究提出的模型在谣言检测的准确率上,相较于9种较为先进的基准模型至少提升了3.1%和4.1%;同时,实验显示,该研究提出的模型对于噪声信息并不敏感。充分证明了该模型在跨平台不同语言环境数据集上较高的谣言检测效果及较强的噪声容抗性。

在线社交网络中的多主题谣言溯源

随着通信技术的快速发展,用户之间的信息可以很快地流通,同时也导致谣言在社交网络中传播,因此亟需对谣言来源进行检测以确保社交网络的公信力。目前关于谣言溯源的研究方向基本注重于单主题谣言传播,然而社交网络中存在大量不同主题的谣言,谣言源头以及谣言主题数量越多,产生的不良影响越大。针对多主题谣言同时存在的情况,信息的传播过程需要被重新定义。因此,该文提出了一种多主题独立级联模型,并在该模型的基础上定义了谣言溯源问题。从已感染的网络子图中,基于影响力最大化的原则找出前k个可疑节点,这组节点被认为是最可能的谣言来源。并证明了该问题是NP难的,以及目标函数是单调且子模的。在此基础上,提出了一种基于影响力最大化的近似比为(1-1/e)的贪婪算法。在大型真实数据集上的实验表明,平均误差距离控制在1跳之内。而且与其他算法相比,该算法具有更高的准确性以及有效性。

在线社交网络中考虑认同——怀疑机制的谣言传播模型

在线社交网络中,谣言传播受到多种因素的影响。考虑到网民对谣言有认同和怀疑态度,部分人相信谣言并传播,另一部分人不相信谣言并免疫,还有一部分人会保持未知或中立等状态。基于传统的SIR谣言传播模型,引入未知者认同—怀疑机制,考虑认同—怀疑概率与谣言转发次数和相关系数相关,谣言传播者的遗忘率与信息时效性相关,建立修正的SIR模型。首先,推导了均匀网络和非均匀网络中修正的SIR谣言传播模型的平均场方程;其次,利用蒙特卡罗方法对谣言传播过程进行了仿真。仿真结果显示,信息时效性降低、遗忘率和质疑谣言的概率增加,会导致传播者峰值密度降低和谣言传播规模减小;谣言被转发次数越多,以及谣言与人们的相关性越高,传播范围越广,传播节点的峰值密度越大。

新加坡网络虚假信息应对的演化脉络与运行机理——基于价值网络理论的分析

文章引入价值网络理论,梳理新加坡网络虚假信息应对机制的演化脉络,分析其现行应对机制的运行机理,为我国网络虚假信息的应对提供经验借鉴。目前,新加坡网络虚假信息应对价值网络更为重视公众和平台价值,实现了多个主体的互动。其中细化应对机制、吸纳社会言论、多元创新协同等都是可以有效借鉴的网络虚假信息应对经验。

基于多层次深度模型的社交网络核心谣言传播节点识别

鉴于在线社交网络谣言控制的时效性与及时性,提出一种基于多维特征的两阶段图卷积网络(MSF-GCN)学习模型。该模型试图在尽早的时间实现精准定位核心谣言传播节点,从源头上阻断谣言扩散。通过将MSF-GCN方法与其他基准方法在谣言数据集上进行比对,实验结果验证了MSF-GCN学习模型更加有效。

基于复杂网络的谣言传播模型稳定性和最优控制研究

为深入理解谣言传播规律和探究如何有效地控制谣言传播,基于复杂网络构建无知者-潜伏者-传播者-稳定者(uninformed-susceptible,latent-exposed,spreader-infected,stable-recovered,SEIR)谣言传播模型,研究其动力学行为和最优控制问题。首先,利用下一代矩阵法计算基本再生数,通过相应的雅可比矩阵和构造李雅普诺夫函数讨论无谣言平衡点的局部和全局渐近稳定性。其次,通过特征方程证明谣言盛行平衡点的全局渐近稳定性。最后,利用庞特里亚金最值原理,研究该模型的最优控制问题,证明最优控制解的存在性和具体形式;此外,通过正向和反向扫描方法得到最优控制问题的数值解。结果表明,谣言在系统中是否传播受网络异质性水平的影响;当控制■时,目标函数取得最小值,表明对无知者和潜伏者施加控制是有效的。该研究在谣言传播控制方面具有重要意义。

基于事件驱动的超图卷积网络的谣言检测方法

依靠社交平台谣言传播链检测谣言是社交网络分析研究中的一个重要课题.但以往的研究大多将这个任务过度简化为依靠评论的传播链检测谣言,忽略了对现实世界新闻帖的复杂用户和事件交互的关注,难以捕捉到这些信息提供的潜在检测线索.针对该挑战,提出了一个事件驱动的超图卷积网络(event-driven hypergraph convolutional network,EHGCN),首次尝试将新闻、用户和事件建模在一个统一的超图卷积网络之中,以提升谣言检测性能.具体而言,基于用户的中心网络构建同质用户圈,以增强用户感知的谣言检测.此外,EHGCN联合利用事件内的主事件和子事件关联以及事件间的不一致性关联来进行谣言检测.在3个真实世界的数据集上进行的实验结果验证了EHGCN相较于现有方法在谣言检测方面的优势.研究也证实EHGCN可以通过获取丰富的用户社交圈和事件信息,在谣言传播早期及时发现谣言.

融合用户特征的图注意力微博谣言检测模型

随着网络和通信技术的发展,谣言借助微博等平台可快速扩散,形成病毒式传播,给国家安全和社会稳定造成严重的安全隐患。为了提高谣言自动检测的准确率,对基于图注意力网络的全局-局部注意力编码谣言检测模型进行了改进。首先,引入用户属性信息对微博文本内容特征和传播结构特征进行补充,得到更高阶特征;其次,改进图注意力机制以得到更健壮的节点聚合特征,为判决是否为谣言提供更准确的依据。在微博谣言数据集上的实验结果表明,相对于已有算法,该文提出的检测模型具有更高的检测准确率。

基于图卷积网络的多特征融合谣言检测方法

目前,大部分谣言检测工作主要基于Twitter或新浪微博原文本内容、传播结构和传播文本内容进行谣言检测,忽略了原文本特征与其他特征的有效融合,以及传播用户在谣言传播过程中的作用。针对以上问题,提出了一种基于图卷积网络的多特征融合模型GCNs-BERT,模型同时融合了原文本特征、传播用户特征和传播结构特征。首先,基于传播结构和传播用户构建传播图,将多个用户属性的组合作为传播节点特征;其次,利用多个图卷积网络学习在不同用户属性组合的情况下传播图的表达,同时采用BERT模型学习原文本内容特征表达,最终与图卷积网络学习的特征相融合用于检测谣言。利用公开的新浪微博数据集进行的大量实验表明:GCNs-BERT模型明显优于基线方法。此外,在新冠疫情数据集上进行GCNs-BERT模型泛化能力实验,此数据集训练样本大小仅有新浪微博数据集的1/5,仍然取得了92.5%的准确率,证明模型具有较好的泛化能力。

高校突发事件中网络谣言的生成与治理

互联网技术给人们带来生活便利和红利的同时,也产生了一系列治理难题,网络谣言就是其中之一。高校作为社会思潮最为活跃的场所,如何有效治理突发事件中的网络谣言,提高舆论引导水平,已经成为摆在面前的重大课题。文章基于全媒体时代背景,分析阐述了高校突发事件网络谣言产生的外部原因、主要原因和潜在原因,结合网络谣言传播群体的特殊性、传播渠道的多元性、传播内容的迷惑性以及传播情绪的鼓动性等表现特征,提出在高校突发事件网络谣言处置中要抢占信息制高点、构建监测辟谣机制、提升学生网络素养和加强意见领袖培育的建议。

融合评论序列二义性与生成用户隐私特征的谣言检测

现有谣言检测工作存在以下问题:1)没有同时捕获评论序列的文本语义特征和时间周期特征;2)在隐私保护环境下无法获取用户个人资料,导致传播结构中的信息难以充分融合。为此,提出融合评论序列二义性与生成用户隐私特征的谣言检测模型(RD-CSGU)。综合考虑了评论序列不同视角下的文本语义特征和时间周期特征,同时构建了反映传播过程中用户之间社交互动关系的谣言传播异质网络,并基于该网络中的语义关系通过生成对抗网络(GAN)生成用户的隐私特征,解决了用户个人资料访问受限的问题。在Twitter15、Twitter16、Weibo数据集上展开有效性验证,与次优基线模型GLAN(Global-Local Attention Network)相比,RD-CSGU的准确率(Acc)分别提升了0.9、2.2和1.8个百分点,真谣言F1(TR-F1)值分别提升了2.6、6.8和1.9个百分点;结合消融实验及GAN生成嵌入分析的实验结果表明,RD-CSGU能有效检测出社交媒体平台上发布的谣言帖子。

基于传播树的多特征谣言检测方法

目前网络谣言的检测方法主要是从传播路径中寻找信息,大多只采用文本信息作为初始传播特征,因此难以捕捉到丰富的传播结构表示.本文根据谣言的传播路径,提取文本和用户可信度特征,构建一种基于传播树的多特征谣言检测模型.模型通过图卷积网络聚合文本传播信息,使用多头注意力机制挖掘文本传播树的层内依赖关系,同时对用户传播树中的每个用户构建可信度序列,并采用M-Attention模块捕获有效的用户可信度特征.实验结果表明,本文提出的方法在Twitter15、Twitter16和Weibo数据集上的检测准确率达到89.3%、91.7%和96.4%,相比当前最优的传播树模型Bi-GCN(Binary Graph Convolutional Network)分别提升4.8%、4.2%和3%.

公安机关应对青少年自杀网络舆情的策略研究

伴随互联网技术高速发展,加之青少年触网年龄逐渐呈现低龄化趋势,青少年的交叉性社会问题逐渐以青少年自杀网络舆情的方式呈现在公众面前,使之成为新时代国家治理的重要一环。基于相关网络舆情对社会负面影响大周期长、次生舆情消解政府公信力以及相关负面谣言扰乱社会秩序等特点,青少年自杀网络舆情一旦出现将迅速扩散且极难控制,不仅社会负面影响严重,而且侵蚀党和政府公信权威。当前,我国公安机关应对青少年自杀网络舆情主要存在公众对立案标准存在认知偏差、舆情应对理念老旧、缺乏分级分类管理机制及相关工作预案不完善等问题。积极推动工作理念转型升级,通过加强法律法规宣传和普法教育,防止相关谣言病毒式蔓延,打破公众认知差,借力大数据模型构建信息分类分级管理机制,建立事前事中事后工作预案,科学调度搭建工作运转框架,完善配套机制,形成工作体系,进而构建完善的青少年自杀网络舆情治理体系是纾解当前困境的关键。

基于多层次不真实性传播结构的社交媒体谣言检测

当前谣言检测工作主要研究谣言传播的方向特性,而忽视了谣言传播的全局结构特性,导致不能充分挖掘谣言潜在的结构特征;此外,现有研究忽略了谣言原始传播结构中存在的不真实关系,从而限制了传播节点特征的学习。为此,该文提出一种多层次的动态传播注意力网络模型(Multi-level Dynamic Propagation Attention Networks,MDPAN)用于检测谣言。该模型通过节点级注意力学习谣言传播图中所有连接边的贡献度,动态地关注对识别谣言有用的传播关系,并基于图卷积网络分别提取谣言不同层次的传播特征、扩散特征以及全局结构特征,最后引入基于注意力机制的池化方法对这些多层次的特征进行有效融合。在公开的Twitter15、Twitter16和Weibo16数据集上的实验结果表明,该文所提出的模型对比主流基于传播结构的EBGCN模型,整体准确率分别提高了2.1%、0.7%和1.7%。