CIC模型下基于社区检测的谣言抑制最大化方法

随着电子设备的日益普及和信息扩散的便利性,在线社交网络为各种负面信息的传播提供了高效的媒介.谣言是社交媒体上负面信息的突出形式之一,会引发社会动荡,造成经济损失,因此,快速有效地抑制谣言传播成为当前社交网络研究领域中的一个热点.提出一种有效的谣言抑制传播方法,从网络中选取多个正种子节点来传播真相,抑制谣言的传播.首先采用竞争性独立级联(Conpetitive Independent Cascade,CIC)模型来同时传播谣言和真相;其次,提出一种基于标签传播的社区检测算法对社交网络进行分解,并为各个社区分配正种子节点预算;最后,创新地提出节点强度来衡量网络中节点的重要性,并利用节点强度在各个社区中选取抑制谣言传播的初始正种子集.实验证明,该方法能达到与贪婪算法相匹配的抑制效果,且运行时间比贪婪算法快三个数量级.

社交网络基于意见领袖的谣言抑制方案

随着社交网络的兴起,网络中信息传播所引发的信息内容安全问题愈发突出,其中谣言信息的传播是网络中信息内容安全面临的重要潜在威胁.当前社交网络中的谣言抑制方案大多考虑网络的结构属性,并采用单一实体的信息传播模型模拟现实传播场景.不仅考虑了网络的结构属性,而且考虑了节点的社交属性,并采用多实体的竞争性独立级联模型,提出了一种基于意见领袖的谣言抑制方案:首先,根据网络的结构属性,通过支配集选取网络中的关键用户作为意见领袖候选集;其次,根据用户的社交属性,提出了用户影响力计算公式识别网络中的意见领袖群体;最后,采用多实体的竞争性独立级联模型在几个大小不同的真实的社交网络数据集上进行仿真实验.实验结果表明,该方案在合理的时间成本内能够比其他的谣言抑制方案更好地抑制社交网络中谣言信息的数量,并且随着网络中谣言信息数量的增加能够保持最终的谣言抑制效果有5%左右的提升.

基于节点混合阻塞力的影响阻塞最大化算法

针对社交网络中影响阻塞最大化问题,在竞争独立级联模型下引入节点混合阻塞力的概念,提出一种贪心启发式求解算法.首先,借助节点影响概率的计算方法,给出度量节点阻塞能力和扩散能力的方法,分别刻画节点对负面信息和正面信息传播范围的影响;然后,融合这两种能力计算出节点的混合阻塞力.算法在每轮迭代中优先选择混合阻塞力最大的节点作为传播正面信息的阻塞节点.在典型社交网络实例上的实验表明:与现有的算法相比,该算法所选出的阻塞节点对负面信息有着更好的阻塞效果.