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。

基于最大后验估计的谣言源定位器

随着互联网的普及,信息能够通过互联网以极快的速度被传播给大众。但同时,一些虚假信息比如谣言也借助网络的级联效应泛滥成灾,因此如何在传播网络中快速准确地确定谣言传播源成为一个亟待解决的问题。文章针对社交网络提出了一种谣言源定位的方法,与现有的基于最大后验(Maximum-a-posteriori,MAP)概率估计的方法不同,该方法首先考虑全局和局部感染点、非感染点的影响,使用效果更优的MAP先验概率估计(Prior Probability Estimation,PPE)计算方式。然后基于最小生成树贪心算法来稀疏化社交网络,让MAP中的似然估计(Likelihood Estimation,LE)计算更符合真实的传播结构。最后,采用新的MAP值来估计传播网络中节点为传播源的可能性,从而更准确地定位谣言源点。将所提方法与现有的几种方法分别在模型网络和真实网络中进行了对比,实验结果表明,所提方法优于现有的谣言源定位方法。

基于信息传递的谣言源检测新算法

近年来,谣言和谣言源检测受到了多领域学者的广泛关注,准确高效地发现社交网络中谣言传播源具有非常重要的理论和现实意义。大多数传统检测方法通常只检测是否存在谣言,很少检测谣言的源头。MPA(Message-passing Algorithm)是基于谣言中心性(Rumor Centrality)的一种谣言源检测方法,在该方法基础上提出一种改进的IMPA算法(Improved Message-passing Algorithm),用以提高相关算法的准确率。实验结果表明,新算法检测谣言源的准确率更高,此外,针对相同的检测任务,其实际执行时间更短。

融合客观赋权法的社交网络谣言源检测算法

目前许多检测方法只是对信息是否为谣言进行判断,对于谣言源的研究工作较少。针对以往研究忽略将节点权值作为一项重要参数应用于谣言源检测的问题,提出一种基于谣言中心性融入客观赋权算法模型,即BEW算法。该模型首先通过熵权算法计算网络节点权值,然后基于SIR模型进行模拟网络传播,同时考虑网节点权值嵌入特征,使用社区模块化聚类算法进行聚类,最终通过MLE算法实现源点预测的目的。在4个真实的网络数据集上进行仿真实验,实验结果表明该算法对于谣言源的识别可以达到较好的效果。

在线社会网络谣言检测综述

大数据环境下,在线社会网络与人们的生活、娱乐以及工作逐渐融为一体.然而"信息过载"和"信息污染"已成为在线社会网络诸多应用发展面临的主要瓶颈之一,并同时造成了用户的"信息焦虑"和"信息迷航"等一系列问题,因此在线社会网络谣言检测是改善在线社会网络信息生态环境质量、提升用户体验的有效手段.在线社会网络谣言检测隶属于信息可信度检测研究范畴,但谣言的不确定性、较强的时效性、主观性和关联性等特征又使得其与虚假信息检测有着本质区别.基于以上,该文从在线社会网络谣言的基本概念和特征研究出发,分别基于目标、对象和时间三个属性,分析了在线社会网络谣言检测研究基本问题的形式化定义,并介绍了研究中数据采集和标注的不同方法.然后,分别对不同类别和应用场景的在线社会网络谣言检测方法和谣言源检测方法进行了分析和总结.最后,该文讨论了在线社会网络谣言检测技术未来发展面临的若干挑战以及可能的研究方向.

C2网络组织谣言传播的建模与仿真

针对指挥控制(C2)网络组织谣言传播具有动态性、适应性、非线性,采用多agent的建模方法,对谣言传播过程与网络组织的互动行为模式进行了描述和分析,得到了节点间影响水平、谣言源的特征、指挥跨度和最终接受谣言比例之间的关系。主要结论有:在谣言传播的过程中,下级对上级的影响力对最终接受谣言规模更加敏感;谣言源特征对最终接受谣言规模有影响,且谣言源的身份越高,对谣言传播效果的影响越大;指挥跨度越大,越有利于谣言的传播。