基于微博的UVFR谣言传播模型研究及仿真

针对微博网络谣言的传播机制进行了研究,根据其传播特征将微博谣言的受众用户划分为未知者、浏览者、转发者、评论者四类,从而构建一个UVFR网络谣言传播模型。利用该模型分析主要参数对传播过程的影响,提出相应的控制策略。模型的主要特点是重新定义了谣言传播规则和传播动力学方程,使得传播过程的描述更加符合微博用户行为。使用多主体仿真平台在无标度网络结构下对谣言的传播行为进行了仿真研究。通过将仿真结果与新浪微博真实数据进行比较,证实了所得结论的合理性和有效性。仿真实验结果表明,初始传播节点越多,谣言传播的速度越快;转发概率越大,谣言传播的范围越广。     

动态同质网络上的SIR谣言传播模型

针对谣言传播过程中出现感染节点移出系统的问题,改进经典SIR谣言传播模型的归一化条件,提出一种动态同质网络上的SIR谣言传播模型。首先根据谣言的传播规则,采用平均场理论建立同质网络上的谣言传播动力学方程组;然后理论分析了谣言传播过程的稳定状态和感染峰值;最后通过数值仿真研究感染率、免疫率、真实免疫系数及网络平均度对谣言传播过程的影响。研究结果表明,与经典SIR谣言传播模型相比,感染节点移出网络降低了谣言传播的稳态值,感染峰值出现小幅度增大。研究还发现感染概率增大、免疫概率减小,均会使谣言感染峰值增大;真实免疫系数增大,免疫节点稳态值增大。此外,网络平均度对谣言传播稳态没有影响,平均度越大感染峰值到达时间越早。研究结果将SIR传播模型的应用范围由封闭系统拓展到非封闭系统,为制定谣言预防措施提供指导理论和数值支撑。     

社交网络上从众现象对谣言传播影响的研究

社交网络中谣言的爆炸性传播现象已引起了研究人员的关注,其传播机制及相应模型的研究对于控制网络谣言的传播至关重要。 受社会网络中的从众现象的启发,在传统SIR谣言传播模型的基础上,考虑到社交网络中的谣言具有全局信息特征,其从众效应具有个体差异性,以及社交网络的规模和拓扑特性(均质和异质网络)对谣言传播的影响,首先建立了两个适用于均质网络和异质网络的改进的SIR谣言传播模型动力学方程组;然后利用蒙特卡罗方法对谣言传播演化过程进行了仿真,结果表明,相对于传统模型,基于这两个方程组的模型能有效体现社交网络中的从众现象对于谣言传播的增幅作用。此外,改进的模型揭示并体现了实际社交网络中谣言传播在从众现象的影响下的规律:蛊惑性较强的谣言传播率提升空间有限,增幅效应较小;蛊惑性较弱的谣言提升空间大,转发的人越多,从众效应的增幅越大,传播的速度越快,爆发到顶峰的时间越短;社交网络规模的增大可以显著削弱从众现象对谣言的增幅作用。     

基于BA模型的微博谣言传播机理研究

基于BA无标度网络模型,融合微博用户网络的特征,构造一种微博谣言传播网络模型。提出一种新的SIR(susceptible-infected-removed)模型,通过数值仿真探讨微博谣言的传播动力学行为。研究表明,当微博用户规模以及节点间新建连接数量不断增大时,微博谣言的最终感染程度显著增大,网络的传播临界值却大幅降低。研究还发现,拥有较大吸引度的节点比例以及微博用户之间添加反向关注的概率基本不影响谣言的传播特性。     

社交网络中谣言传播的从众效应和权威效应

针对社交网络中影响谣言传播的社会环境因素，分析了两种最普遍的社会效应——从众效应和权威效应对谣言传播的影响。首先，将社交网络中的人群划分为未知者（S）、犹豫者（H）、传播者（I）和免疫者（R）四种类型，并根据新的状态转移机制建立了SHIR谣言传播模型；其次，应用迭代技巧和拟合方法分析了初始传播者密度、初始传播率与谣言传播峰值之间的关系；最后，从个体角度刻画了谣言传播的从众效应和权威效应，仿真分析了两种社会效应对谣言传播的影响。实验结果表明：谣言传播峰值与初始传播者密度呈线性增长关系，但到达传播峰值的时间随初始传播者密度的增加快速减少；初始传播率越大，谣言传播峰值越高，到达传播峰值的时间越短；从众效应和权威效应能够显著扩大谣言传播范围，提高无谣言稳定态网络中免疫者的比率；网络密度越高，谣言传播速度越快，范围越广；相同条件下从众效应的影响强于权威效应，但随着网络密度的增加，两者的差别逐渐减小；初始传播者越重要，谣言传播速度越快，范围越广，但权威效应的影响更突出。     

微博污染检测模型

信息传播的高速性加剧了谣言等网络污染在微博网络中的扩散。微博网络的用户量和信息量极为庞大。因此,对微博污染传播机制和污染检测手段的研究显得尤为重要。根据基于用户影响力建立的微博谣言传播模型,利用蚁群算法逆推污染传播路径,搜索受染用户,并分别以Twitter和新浪微博为实验平台,通过对比分析验证了模型的可行性。实验结果表明：模型通过对受染个体的搜索,缩小了污染的检测范围,提高了微博污染的治理效率和准确性。     

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：（1）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;（2）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;（3）指挥跨度越大,越有利于谣言的传播。     

微博谣言事件自动检测研究

互联网大数据环境下,谣言事件的散播已成为以微博为代表的在线社交网络持续健康稳定发展的主要障碍之一,因此及时有效地进行谣言事件自动检测对营造清朗的网络环境和维护社会和谐发展有着现实意义。该文以微博事件为背景,综合谣言事件特征随时间变化特性以及时间维度上谣言事件的分布特点,引入论域划分思想,基于模糊聚类算法提出了随时间动态变化的事件时序特征构建模型;同时,基于社会学中谣言的传播原理,提出将事件流行度、模糊度和流传度作为微博谣言事件检测分类器的三项新特征。实验结果表明,该文提出的动态时序特征表示方法和三项新特征使谣言事件自动检测效果得到了可观提升。     

微博谣言免疫策略的研究

当前网络谣言控制策略的研究大多考虑高连接度对消息传播的影响,即节点自身邻居数,忽略了其邻居信息产生的间接影响。为此,提出一种SDND谣言免疫策略,该策略只需了解网络局部信息,在选取免疫节点时综合考虑节点自身出度及其邻居最大出度。在新浪微博数据集上,借助SEIR谣言传播模型仿真谣言传播,对比分析目标免疫、熟人免疫、重要熟人免疫、SDND免疫对谣言传播的影响。仿真结果表明,SDND免疫效果优于目标免疫、熟人免疫等策略,能够较好地抑制谣言传播。     

考虑非支持性评论的网络谣言传播模型

针对现有谣言传播模型尚未分析非支持性评论对网络谣言传播的影响,提出一个引入带有非支持性评论的谣言传播者的SII_CR₁R₂（Susceptible-Infected-Infected with non-supportive comment-Removed1-Removed2）网络谣言传播模型。首先,对模型进行稳态分析,以证明无谣言平衡点和谣言传播平衡点的稳定性;其次,通过数值仿真验证理论成果,并分析非支持性评论率、恢复率、传播率和非支持性评论的说服力对网络谣言传播的影响。分析结果表明：提高非支持性评论率对网络谣言传播具有抑制效果,但是该效果受到恢复率的影响,而增强非支持性评论的说服力和降低传播率均能有效降低网络谣言的影响范围。基于WS（Watts-Strogatz）小世界网络和BA（Barabási-Albert）无标度网络进行模型仿真,仿真结果证实了非支持性评论能够抑制网络谣言传播;最后,根据分析结果提出相应的谣言防控策略。     

社交网络中考虑节点度的演化博弈

在谣言传播过程中,针对度不同的节点具有的辨识能力不同,结合节点度定义一种新的博弈收益,借助博弈论建立一种动态复杂网络演化模型。该模型考虑到谣言传播往往与节点利益相关这一特点,通过引入辨识能力描述不同节点的非一致传播率,研究谣言在该模型上的传播动力学行为,并提出两种谣言抑制策略。随后,利用两种典型网络模型进行仿真实验,并在Facebook真实网络数据中对仿真结果进行验证。研究表明,谣言模糊程度对BA（Barabási-Albert）无标度网络和Facebook网络中谣言传播速率及达到稳定状态所需时间影响较小,随着谣言模糊程度增大,谣言在网络中传播范围变大,相对于WS（Watts-Strogtz）小世界网络,谣言更容易在BA无标度网络和Facebook网络中传播;研究还发现,免疫收益增加值相同时,与BA无标度网络和Facebook网络相比,WS小世界网络中免疫节点的增长幅度更大;此外,通过节点危害程度进行抑制比通过博弈收益进行抑制具有更好的谣言抑制效果。     

基于扩展传染病模型的谣言溯源

为了更加贴合实际情况研究谣言溯源问题,考虑社交网络中对传播谣言节点的封禁隔离能力,扩展经典SIR传染病模型提出SIOR（Susceptible-Infected-isOlated-Removed）模型。基于最优信息传播过程计算出谣言源的估计值,并且针对SIOR模型验证该估计值近似于网络拓扑中的Jordan感染中心。根据RI(Reverse Infection)算法,提出一种针对SIOR模型的反向信息传播算法,该算法可以识别出网络拓扑图中的Jordan感染中心。最后在不同的网络中模拟实验,验证该算法的溯源效率比传统的溯源算法更优,此外,与SIR模型下溯源对比,SIOR模型溯源的准确性有所提高。     

基于节点亲密度挖掘的谣言抑制算法

通过对谣言等易误导大众舆论的信息传播进行抑制,从而实现对谣言、错误舆论等负面信息的控制。首先,通过对社交网络的结构拓扑以及节点行为特点的分析,提出了基于节点亲密度的社交网络舆论领袖节点识别方法;然后,利用谣言传播特性及节点的亲密度,建立谣言传播模型,并分析谣言在社交网络中传播时节点的状态转化过程;最后,提出了一种利用节点亲密度实现谣言抑制的方法。     

具有多区域选择性的网络蠕虫传播分析

当今蠕虫不仅注重快速传播,而且根据不同区域的特征能够实施选择性感染。首先,围绕这一特点,在AAWP离散模型的基础上,基于不同区域的漏洞分布概率,量化影响平均扫描率的若干因素,提出了一种多区域选择性蠕虫离散模型Areas-AAWP;其次,在该模型下,解析了多个子区域扫描策略之间的相关性,评判了整体区域中协同感染行为的相关度,并分析了该相关度对整体感染效率的影响;最后,通过实验证明,蠕虫的区域整体感染速率随多区域间扫描相关度的增大而上升,并随之形成明显的感染差异。     

一种用于微博谣言检测的半监督学习算法

在微博谣言检测中,对微博谣言进行正确标注需要耗费大量的人力和时间,同时数据类别的不平衡也影响了微博谣言的正确识别。为了解决该问题,提出一种基于Co-Forest算法针对不平衡数据集的改进方法,利用SMOTE算法和分层抽样平衡数据分布,并通过代价敏感的加权投票法来提高对未标记样本预测的正确率。该方法只需要对少量训练数据实例进行谣言类别标注即可有效检测谣言。10组UCI测试数据和2组微博谣言的实证实验证明了算法有效性。     

SPNR：社交网络中的新型谣言传播模型

社交网络中谣言的肆意传播给网络安全以及社会稳定带来了全新的挑战,如何科学地认识和掌握谣言传播、扩散的内在规律,并对谣言进行有效地控制具有非常重要的学术意义和社会意义。文章首先在充分分析目前谣言传播模型的基础上,引入谣言正向感染及负向感染两个感染状态,提出更适用于描述谣言传播的SPNR模型;其次,基于SPNR模型,设计谣言传播SPNR算法,实现谣言传播演化过程的仿真;另外,利用数值仿真的方法,分析了模型主要参数对谣言传播关键指标的影响效果,为制定有效的谣言控制策略提供了可靠的依据;最后,从定性和定量两个角度验证了SPNR模型基本假设的准确性,同时通过将SPNR模型模拟效果与新浪微博实证结果进行对比试验的方式,验证了SPNR谣言传播模型的适用性。     

基于标记信息级联传播树特征的谣言检测新方法

近年来新浪微博已成为国内重要的社交媒体平台之一,然而该类平台开放的匿名环境给谣言提供了滋生、传播的温床,造谣传谣给社会带来的消极影响不容忽视。传统的基于特征的谣言检测研究主要关注消息文本、发布用户、传播等方面的静态扁平特征,忽略了对消息传播演化结构和传播群体反应等方面的研究。针对此问题,首先将消息传播的级联模型引入标记传播树（LPT）模型中,提出改进的标记信息级联传播树模型（CA-LPT）;在此模型下提出一种动态度量用户影响力的方法;然后提出10个新特征以扩充已有的静态扁平特征集,再利用基于随机通路图核和RBF核的混合核支持向量机（SVM）进行谣言检测;最后通过基于新浪微博真实数据集的实验分析,验证了所提方法能提升谣言检测的性能。     

社交网络中基于网络结构支撑模型的谣言传播研究

结合结构支撑理论，探究节点网络结构支持力的一些性质，提出了社交网络结构中的全网支持力和被支持力的总量一致性，并进一步提出计算节点支持力的方法。谣言作为特殊信息，在支持力不同节点之间的传播特性有所不同，借鉴随机游走模型中的PageRank计算方法，对不同节点支持力的谣言传播以及传播后的辟谣状况进行了仿真模拟，结果表明支持力不同的节点对于谣言传播和辟谣影响明显。