βNodeRank:一种对社交网络节点重要性评估的方法

现有基于Page Rank算法的社交网络节点重要性评估方法聚焦在社交网络节点出入度、边权值上,忽略了社交网络节点所在网络结构上位置差异的因素。分析现有基于Page Rank算法的方法对社交网络节点重要性评估缺陷,提出改进评估方法βNode Rank。通过原理分析和实验分析对改进方法的优势进行比较,结果表明改进方法在社交网络节点重要性评估上更加合理。

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。

基于密度峰值的标签传播算法

随着智能技术应用的推广,高质量社区的检测已成为社会网络研究的热点之一。由于具有线性时间复杂度,且无需预定义目标函数和社团数,标签传播算法(LPA)已得到广泛关注。然而,在标签传播过程中,LPA具有不确定性和随机性,进而影响检测社区结果的准确性和稳定性。为此,提出一种基于密度峰值的标签传播社区检测方法(DPC-RWL)。首先,采用密度峰值聚类算法查找出社区的核心节点集合,计算节点与核心节点集之间的权重,选取最大值为该节点赋予权值。最后,使用基于标签传播算法的归属度函数进行传播。真实网络和LFR人工基准网络的对比实验表明,所提算法能准确高效地识别出社区结构。

基于多查询的社交网络关键节点挖掘算法

关键节点挖掘是复杂网络领域的研究重点和热点。针对社交网络中关键嫌疑人挖掘问题,提出基于多查询的社交网络关键节点挖掘算法。该算法将已知嫌疑人作为查询节点,提取其所在的局部拓扑结构,并计算局部拓扑结构中非查询节点的关键程度,从中选择关键程度较高的节点进行推荐。针对现有方法中关键节点计算复杂度高、已知查询节点信息难以有效利用的问题,提出一个两阶段的基于多查询的社交网络关键节点挖掘算法,整合多查询节点的局部拓扑信息和全局节点聚合特征信息,将计算范围从全局缩减到局部,进而对相关节点的关键程度进行量化。具体而言,利用带重启策略的随机游走算法获得多个查询节点的局部拓扑结构;为了得到节点的嵌入向量,基于graphsage模型构建一种无监督的图神经网络模型,该模型结合节点的自身特征和邻居聚合特征来生成嵌入向量,从而为算法框架的相似度计算提供信息输入。基于与查询节点特征的相似性,衡量局部拓扑中节点的关键程度。实验结果显示,所提算法在时间效率和结果有效性方面均优于传统关键节点挖掘算法。

基于关键节点识别算法的重点人分析

关键节点识别算法是社交网络研究领域的重要分支,但现有研究成果大多对数据的多样性、完整性、可用性等依赖程度高,导致在公安机关重点人分析场景中适用性较低。因此,对静态网络拓扑结构进行量化表示,同时结合局部最优算法和全局最优算法重新定义关系度指标,再基于该指标构建特征矩阵,提出适用于公安部门重点人分析的特征向量中心性(REC)算法。依托公开数据集、2部影视剧人物关系网络、境外社交平台账号网络和国内某诈骗团伙5个数据集,从网络传播能力、抗打击弹性和重点人分析结果一致性3个维度证实所提算法的有效性,相较于其他传统挖掘算法能准确识别社交网络重要节点,具有较为广泛的应用场景。

跨社交媒体舆情关键节点识别方法及其实证研究

[目的/意义]结合超网络理论识别跨社交媒体舆情传播中的关键节点,对相关部门监管网络舆情、保障网络信息安全具有实践意义。[方法/过程]研究工作选取特定的网络舆情事件,利用跨社交媒体同一用户算法识别出参与跨社交媒体舆情传播的信息用户。以超网络理论为理论基础,对跨社交媒体舆情传播中的各子网进行建模,融合自然语言处理、主题挖掘、情感分析等方法,挖掘跨社交媒体舆情传播过程中的关键节点。[结果/结论]研究发现,本研究提出的跨社交媒体舆情关键节点识别方法,能够从不同视角识别与解读跨社交媒体舆情传播过程中的关键节点,从而更好地描述跨社交媒体舆情的传播过程与特点,为跨社交媒体舆情传播的研究提供了新的研究方法与思路。

中国“双碳”目标实现路径:产业网络关联

目前关于“双碳”的各种讨论,大多从理念与方向上去谈,而很少涉及产业层面的目标实现路径。论文运用社会网络分析法全新解构“双碳”目标下中国产业网络的关联特征及影响因素。研究结论为:中国产业间关联关系具有相对稳定性,产业间分工逐渐深化,溢出效应明显。第一、第二、第三产业的占比分别为1.75%、61.85%和36.40%。占据重要地位的“碳节点行业”是4个生产性服务业--批发和零售,交通运输、仓储和邮政,金融,租赁和商务服务和5个资本密集型产业--化学产品,非金属矿物制品,电力、热力的生产和供应,金属制品,金属冶炼和压延加工品。网络中第一板块与第二板块是中国产业网络的“动力源”。7个外生属性因素具有显著性影响,是实现“双碳”目标的有效政策切入点。

关键节点双目标优化的虚假信息传播控制模型

虚假信息传播控制是全球网络空间安全治理的热点领域。针对目前在线社交网络中的虚假信息传播控制研究,尚未考虑对关键节点集控制所产生的成本开销这一实际问题,提出了一种基于关键节点双目标优化的虚假信息传播控制模型。首先,根据用户节点在社交网络1-hop和2-hop区域的传播影响力以及节点的度中心性、k-shell等多种复杂网络特征,对两个优化目标(控制效果和控制成本)进行数学形式化表示;其次,设计一种融合自适应非线性策略的位翻转变异算法,实现对离散搜索空间的第2代非支配排序遗传算法改进,并将改进后第2代非支配排序遗传算法用于虚假信息传播关键节点集的选取,从而实现虚假信息传播控制效果最大化,控制成本开销最小化;最后,通过在真实在线社交网络平台上开展实验,分析模型参数对控制成本和控制效果的影响。实验结果表明,该模型与现有方法相比,在控制成本和控制效果的组合指标R TCTE上具有明显的优势。该模型适用于大规模复杂社交网络下最低成本的虚假信息传播控制。

基于节点交互度的社会网络链路预测

链路预测是通过已知的网络拓扑和节点属性挖掘未来时刻节点潜在关系的重要手段,是预测缺失链路和识别虚假链路的有效方法,在研究社会网络结构演化中具有现实意义.传统的链路预测方法基于节点信息或路径信息相似性进行预测,然而,前者考虑指标单一导致预测精度受限,后者由于计算复杂度过高不适合在规模较大网络中应用.通过对网络拓扑结构的分析,本文提出一种基于节点交互度(interacting degree of nodes,IDN)的社会网络链路预测方法.该方法首先根据网络中节点间的路径特征,引入了节点效率的概念,从而提高对于没有公共邻居节点之间链路预测的准确性;为了进一步挖掘节点间共同邻居的相关属性,借助分析节点间共同邻居的拓扑结构,该方法还创新性地整合了路径特征和局部信息,提出了社会网络节点交互度的定义,准确刻画出节点间的相似度,从而增强网络链路的预测能力;最后,本文借助6个真实网络数据集对IDN方法进行验证,实验结果表明,相比于目前的主流算法,本文提出的方法在AUC和Precision两个评价指标上均表现出更优的预测性能,预测结果平均分别提升22%和54%.因此节点交互度的提出在链路预测方面具有很高的可行性和有效性.

融合用户传播风险和节点影响力分析的虚假信息传播控制方法

在线社交网络中虚假信息传播蔓延成为当前网络空间安全治理面临的重要挑战。提出一种融合用户传播风险和节点影响力分析的虚假信息传播控制方法DDC-UPRNI(disinformation diffusion control method integrating user propagation risk and node influence analysis)。综合考虑虚假信息传播特征空间的多样性和复杂性,通过自注意力机制实现用户传播虚假信息行为维度、时间维度和内容维度特征的嵌入表示,运用改进的无监督聚类K-means++算法实现不同用户传播风险等级的自动划分;设计一种自适应加权策略实现对离散粒子群优化算法的改进,进而提出一种基于离散粒子群优化的虚假信息传播关键节点选取方法,用于从具有特定传播风险等级的用户节点集合中选取若干个具有影响力的控制驱动节点,从而实现精准、高效的虚假信息传播控制;基于现实在线社交网络平台上开展试验,结果表明,所提出的DDC-UPRNI方法与现有算法相比,在控制效果和时间复杂度等重要指标上具有明显优势。该方法为社会网络空间中的虚假信息管控治理提供重要参考。

考虑节点间强弱关系的突发事件信息传播网络分析

[目的/意义]新媒体技术的飞速发展使得社交媒体平台成为信息传播的主要载体。运用社会网络分析法研究微博舆论场中突发事件信息传播结构及传播模式,为政府高效应对突发事件危机提供理论支持。[方法/过程]以“唐山烧烤店打人事件”为例进行微博数据采集,构建具有节点间强弱关系的信息转发网络,运用社会网络分析法分析信息转发网络的用户属性、节点属性、网络属性和传播属性,探讨节点间强弱关系在突发事件信息传播中的作用规律。[结果/结论]1)网络用户的性别、活跃度、地域等因素影响用户传播力;2)核心节点的作用尤为关键,他们在传播链条中起到“桥梁”的作用,弱关系和权威关系的传播主要集中在少数核心节点之间,而强关系的传播路径较为分散;3)突发事件信息传播网络具有较高的传播效率,且呈现出稀疏的特征;4)整个信息传播过程中仍以弱关系传播为主,权威连接在信息传播的各个阶段均发挥重要作用,而强连接的作用主要集中于信息传播的初始阶段。研究结果为相关部门制定有效的突发事件传播和引导策略提供了支撑。

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。

社会网络k度匿名隐私保护方法

社会网络数据发布可能导致隐私泄露,攻击者可以利用背景知识推断出节点的身份。为减少信息损失,提出一种基于社会网络节点目标度的k度匿名隐私保护方法。该方法先将节点的度序列按非递增序排序,使用动态规划算法对度序列分组,计算组内匿名代价最小的目标度,将组内节点的度都修改为匿名代价最小的目标度,构造k度匿名序列。然后使用优先级构造方法,选择优先保留原始图中存在的边构造k度匿名图。实验结果表明,该方法信息损失较小,成功抵御以节点度为背景知识的身份识别攻击,实现了社会网络隐私保护。

基于关键节点识别的社交网络舆情控制策略研究

有效识别社交网络中的关键节点,在舆情的控制和引导方面起到重要作用。针对社交网络舆情传播问题,提出一种基于关键节点识别的控制方法。设计了基于双指标香农熵的关键节点识别方法,综合考虑节点在全局网络和局部网络拓扑结构中的重要性,以介数和结构洞约束系数指标作为信息函数构造节点分布概率,进而计算节点信息熵,依据信息熵大小识别舆情传播中的关键节点。通过仿真实验验证关键节点识别方法的有效性,并基于SIR模型分析所识别的关键节点在舆情传播中的作用,最后给出控制策略。实验结果表明,除了网络中心节点外,该方法能有效识别网络中的“桥”节点,在舆情传播仿真中,增加控制桥节点后舆情传播速度和范围明显降低,且选择关键节点数在2%~3%范围内舆情控制效用最优,超过该范围边际效用明显减少。

基于特征对比学习和图卷积的社交网络用户分类

社交网络用户分类旨在通过用户属性和社交关系确定用户的兴趣爱好,可通过图类数据的节点分类实现。多数基于图卷积神经网络(GCN)的节点分类方法仅能处理高同质率数据集,但社交网络数据集通常具有较高的异质率。针对社交网络数据集同质率较低的问题,提出一种基于特征对比学习的图卷积神经网络(CLGCN)模型。通过预训练的组合标签构造相似性矩阵,根据相似性矩阵进行图卷积。利用特征对比学习分别定义类别相同和不同的邻居节点对为正负样本对,最小化特征对比的损失函数,使同类节点对的特征表达相似性更高及异类节点对的特征表达可区分性更强。实验结果表明,CLGCN模型在3个低同质率社交网络数据集上的节点分类准确率分别达到93.5%、81.4%和67.9%,均高于对比模型。

社会网络节点影响力分析研究

社会网络节点影响力研究是社会网络分析的关键问题之一.过去的10多年间,随着在线社会网络的快速发展,研究人员有机会在大量现实社会网络上对影响力进行分析和建模,并取得了丰硕的研究成果和广泛的应用价值.分析和总结了近年来社会网络影响力分析的主要成果.首先介绍了节点影响力的相关定义、作用范围以及表现形式;接着,重点分类介绍了节点影响力的度量方法,通过网络拓扑、用户行为和内容分析这3类方法总结了影响力的建模和度量方法;然后总结了影响力的传播和最大化模型相关成果;最后介绍了影响力的评价指标和应用.根据对现有方法的系统总结,对社会网络影响力的未来研究提出了一些值得关注的方向.

DNPS:基于阻尼采样的大规模动态社会网络结构特征表示学习

网络特征表示学习通过对网络节点之间的关系(结构或属性)进行分析,得出网络特征的低维度表达.现有的针对网络特征学习的方法多基于静态和小规模的假设(如静态的语言网络),并没有针对社会网络的特有属性进行修正学习,因此,现有的学习方法无法适应当前社会网络所具备的动态性、大规模甚至超大规模等特性.该文在已有研究基础上,提出了基于动态阻尼正负采样的社会网络结构特征嵌入模型(Damping Based Negative-Positive Sampling of Social Network Embedding,DNPS).通过对不同阶层的网络节点关系进行正负阻尼采样,同时构建针对新增节点的动态特征学习方法,使得模型对于大规模社会网络在动态变化过程中的结构特征的提取变得可行,以此获得的节点特征表达具备更好的动态鲁棒性.通过选取3个大规模的动态社会网络的真实数据集和在社会网络的动态链接预测问题的实验中发现:DNPS相对于基准模型(DeepWalk/LINE)在预测准确率以及时间效率上都取得了较大的性能提升.同时,DNPS的学习结果还可以被应用于社会网络的相关研究子领域.例如,在大规模以及动态性的环境下,研究大规模动态社区发现、社会网络用户推荐、标记分类等问题.

节点归属性动态估计的机会网络社区检测策略

为了提高机会网络社区结构检测的合理性和有效性,根据机会网络的特性,提出了一种低开销、分布式动态社区检测策略。根据节点的社会属性,节点动态地估计自身归属性,进而感知对所属社区的归属性,约束标签的传播过程,最终完成机会网络的社区结构检测。并将仿真结果与其他算法进行比较,本机制社区检测准确率相较于HCDA提高大约50%,且具有较强的扩展性,适用于各种复杂的网络场景。

社交网络节点中心性测度

研究节点影响力以及扩大节点影响力的范围在社交网络传播中具有重大意义。为了综合分析节点自身影响力与其潜在影响力,提出了PPI(Personal-Potential Influence,PPI)算法,用介数中心性值,紧密中心性值及k-shell值加权来评估节点自身影响力,再通过节点间的相互影响来评估其潜在影响力。实验结果表明PPI算法在评估节点影响力上有较好的准确性。

社会属性感知的间断连接无线网络数据转发策略

间断连接无线网络中的节点具有极强的聚集特性,数据转发过程需要充分地考虑节点之间的社会关系。提出一种社会属性感知的数据分发策略,根据实时获取的多维网络状态参数,节点以分布式的方式估计其自身及其他节点的社会属性。进而确定数据携带节点与目的节点之间的关系,以最小化资源开销的方式实现数据转发。结果表明,与典型机制相比,所提出的数据转发策略具有较高的投递率和较低的延迟,有效地改善了网络性能。