改进的SCIR模型中社交网络信息传播研究

社交网络中用户转发是信息传播的重要渠道,研究用户转发模式和信息传播规律,将有利于在网络话题传播过程中进行监控和抑制。现有的建模研究中,存在模型通常缺少时效性,用户行为难以准确刻画的问题。因此,着重分析了社交网络用户行为模式,基于用户连接强度和邻居节点的影响改进了转发概率计算,其次在经典的传染病动力学SCIR模型中,引入在线和离线状态的节点,通过用户在线比率控制网络活跃度。仿真结果表明,该模型相较传统SCIR模型在信息传播过程中具有较好的稳定性和更高的覆盖率,节点属性变化走势更加接近真实网络,可以较好地模拟社交网络中的热点话题的传播规律。     

基于局域信息的社交网络信息传播模型

针对传统传播模型更适用于均匀网络而无法有效应用于现实非均匀无标度社交网络的问题,提出一种基于用户局域信息的社交网络信息传播模型。模型中考虑了无标度网络中用户间拓扑特征差异和用户影响力不同对信息传播的影响,根据节点周边邻居节点的感染情况和权威性计算感染概率,模拟现实社交网络中的信息传播情况。通过在采集的真实微博网络数据上进行仿真实验,结果表明该模型较传统的SIR模型更能体现社交网络中信息传播的快速性与范围的广泛性;同时,通过调整模型中的相关参数,验证了相关管控措施对传播效果的影响。     

基于区块链和域信任度的物联网跨域信任评估模型

不同信任域发生跨域访问时需要评估不同域之间的信任关系，现有的信任评估关系仅针对终端设备，但在实际应用场景中，部分通信往往以域形式出现，并根据域整体的信任评估关系给予其访问权限。为高效安全地实现跨域访问，保证信任评估环境的可信度，引入域信任度的概念，将区块链与域信任度相结合，建立基于区块链和域信任度的物联网跨域信任评估模型。根据物联网跨域访问需求，构建物联网跨域信任评估模型系统架构和多域环境下的网络结构。在此基础上，提出多维度用户节点信任度及域信任度评估方法，设计基于区块链和域信任度的跨域访问合约，并对模型的信任度、安全性和区块链网络性能等进行实验分析和性能测试。实验结果表明，与BC-RBAC相比，该评估模型用户信任度评估更加细腻，能有效防止时间开关攻击，保证域信任度处于较稳定的水平，与EigenTrust、PeerTrust模型相比，恶意用户节点检测率提升了8%和12%，能在更短时间内检测出更多的恶意用户节点，可有效解决物联网跨域信任评估中的安全性问题。     

基于信息老化特征的微博传播模型研究

随着微博的迅速兴起,提取信息传播特征和构建传播模型已成为研究热点。针对用户转发行为,首先分析信息转发结构,提取信息老化特征;然后结合转发时效性,基于平均转发概率的递减规律提出SIR的改进模型;最后利用真实转发数据验证了模型的合理性。结果表明,考虑信息时效性和老化特征,能够较好地拟合信息传播过程。进一步,将利用该模型分析不同节点传播影响力,发现其分布服从无标度特征。     

基于概率的信任传播模型

社会网络中,用户之间的信任关系可以为用户判别信息是否可信提供依据。现有的信任计算方法一般是通过搜索节点之间的路径,再在其上添加各种其它限制,如路径长度、信任度下界等来计算信任度,而考虑节点之间的相似性的方法却很少。从节点之间的相似性出发,在信任传播模型的基础上,结合贝叶斯条件概率公式,提出了基于概率的信任传播模型。同时分析了信任传播模型中衰减系数对结果的影响;通过统计分析数据,得出具有信任关系的用户之间的相似度要比不具有信任关系的用户之间的相似度高得多,从而证明了贝叶斯理论可显著提高信任传播算法的有效性。在Epinion数据集上进行的实验证明了该方法的有效性。     

大规模社交网络中高效的关键用户选取方法

针对大规模社交网络及其用户发布消息的历史数据,如何快速有效地选取具有较强信息传播能力的关键用户,提出了一种关键用户选取方法。首先,利用社交网络的结构信息,构建以用户为节点的有向图,利用用户发布消息的历史数据,基于Spark计算框架,定量计算由用户活跃度、转发交互度和信息量占比刻画的权重,从而构建社交网络的有向带权图模型;然后,借鉴PageRank算法,建立用户信息传播能力的度量机制,给出基于Spark的大规模社交网络中用户信息传播能力的计算方法;进而,给出基于Spark的d-距选取算法,通过多次迭代,使得所选取的不同关键用户的信息传播范围尽量少地重叠。建立在新浪微博数据上的实验结果表明,所提方法具有高效性、可行性和可扩展性,对于控制不良突发信息传播、社交网络舆情监控具有一定的支撑作用。     

基于信任度的并行化社区发现算法

现有的社交网络快速划分社区算法存在质量低、不能充分利用节点链接信息的问题,而效果较好的划分算法也存在时间复杂度高、无法应用于大规模社交网络的问题。为此,提出一种基于MapReduce的社区发现算法。利用PGP算法内信任者推荐模型迭代计算用户之间的信任强度,通过社区传播的方式聚合节点。在经典数据集上和大规模新浪微博数据集上进行实验,结果表明,该算法能有效度量用户间的信任度,得到准确的社区发现结果。     

节点传播能力的偏好随机行走的信息传播方法

随机行走是社交和生物系统中用来模拟传播过程的标准化工具,针对真实社交网络中任意程度的有偏随机行走过程和由优先转移概率定义的偏向性,提出了一种新的用于研究社交网络的影响力传播范围最大化的方法,称之为基于节点传播能力的偏向性随机行走的网络信息传播方法（DCID）,该方法随机从网络中选择一个信息传播源节点,使得该模型更加符合真实的社交网络;通过节点能承受的传播信息的内容量参数以及偏向性随机行走的参数来作为节点的优先转移概率;并通过影响力传播函数来衡量信息的影响力传播范围,以此达到信息传播范围的最大化。从真实的不同规模的社交网络中选定这两个参数值,并验证了提出的模型在不同规模社交网络中信息的覆盖率和算法运行时间的性能上有所提升。     

基于用户传播网络与消息内容融合的谣言检测模型

针对社交媒体平台上消息内容普遍很短、传播结构中存在大量空转发、用户角色与内容间的失配等条件约束,提出了一种基于传播网络中的用户属性信息和消息内容的谣言检测模型GMB_GMU。首先以用户属性为节点、传播链为边构建用户传播网络,并引入图注意力网络（GAT）得到用户属性的增强表示;同时,基于此用户传播网络,利用node2vec得到用户的结构表征,并使用互注意机制对其进行增强。另外,引入BERT建立源帖内容表征。最后,利用多模态门控单元（GMU）对用户属性表征、结构表征和源帖内容表征进行融合,从而得到消息的最终表征。实验结果表明,GMB_GMU模型在公开的Weibo数据上的准确率达到0.952,能够有效识别谣言事件,效果明显优于基于循环神经网络（RNN）和其他神经网络基准模型的传播算法。     

在线社交网络中信息传播模式的特征分析

在线社交网络以其独特的传播优势,已成为一种流行的社交媒体平台。针对在线社交网络中信息传播模式的形式特点,结合传染病动力学原理,提出了在线社交网络中的信息传播模型。模型考虑了不同用户行为对传播机理的影响,并建立了不同用户节点的演化方程组,模拟了信息传播的过程,分析了不同类型的用户在网络中的行为特征以及影响信息传播的主要因素。实验结果表明：不同类型的用户在信息传播过程中有着特定的行为规律,信息不会无限制地传播,并在最终达到平稳状态,并且传播系数和免疫系数越大,信息传播达到稳态的速度就越快。     

结合用户组群和隐性信任的概率矩阵分解推荐

研究表明在社会网络推荐中添加明确的社会信任明显提高了评分的预测精度,但现实生活中很难得到用户之间明确的信任评分。之前已有学者研究并提出了信任度量方法来计算和预测用户之间的相互作用及信任评分。提出了一种基于Hellinger距离的社会信任关系提取方法,通过描述二分网络中一侧节点的f散度来进行用户相似度计算。然后结合用户分组信息,将提取的隐式社会关系加入改进的概率矩阵分解中,提出一种新的基于用户组群和隐性社会关系的概率矩阵分解算法（CH-PMF）。实验结果表明,提出的模型与应用实际用户明确表示的信任分数推荐结果表现几乎相同,且在无法提取到明确信任数据时,CH-PMF有着比其他传统算法更好的推荐效果。     

结合重要节点信任传播的社会化推荐算法

融合社交信息的推荐算法有效缓解了推荐算法中的数据稀疏性问题和冷启动问题,近年来受到极大的关注。但社交信息依然存在数据稀疏性问题,而且社交网络提供的二值数据无法衡量不同用户间的信任程度。针对这些问题,利用重启随机游走算法获取社交网络中的重要节点。提出重要节点信任传播算法建立重要节点和其他用户节点之间的信任关系,同时利用节点的结构信息进一步量化用户间的信任权重,以得到更精确的推荐结果。在三个公开数据集上的实验表明,结合重要节点信任传播的社会化推荐算法（INTP-Rec）丰富了社交信息,有效地提高了推荐算法的准确率和召回率。     

ML-SOR: Message routing using multi-layer social networks in opportunistic communications

Opportunistic networks are a generalization of DTNs in which disconnections are frequent and encounter patterns between mobile devices are unpredictable. In such scenarios, message routing is a fundamental issue. Social-based routing protocols usually exploit the social information extracted from the history of encounters between mobile devices to find an appropriate message relay. Protocols based on encounter history, however, take time to build up a knowledge database from which to take routing decisions. While contact information changes constantly and it takes time to identify strong social ties, other types of ties remain rather stable and could be exploited to augment available partial contact information. In this paper, we start defining a multi-layer social network model combining the social network detected through encounters with other social networks and investigate the relationship between these social network layers in terms of node centrality, community structure, tie strength and link prediction. The purpose of this analysis is to better understand user behavior in a multi-layered complex network combining online and offline social relationships. Then, we propose a novel opportunistic routing approach ML-SOR (Multi-layer Social Network based Routing) which extracts social network information from such a model to perform routing decisions. To select an effective forwarding node, ML-SOR measures the forwarding capability of a node when compared to an encountered node in terms of node centrality, tie strength and link prediction. Trace driven simulations show that a routing metric combining social information extracted from multiple social network layers allows users to achieve good routing performance with low overhead cost.     

一种基于邻居节点间相互影响和改进概率的社交网络信息传播模型

目前网络传播动力学的研究焦点之一是以经典的传染病动力学模型为基础,来研究特定网络的信息传播规律。本文针对社交网络中信息传播的特点,在传统的SIR模型基础上,加入新的一类假免疫节点,建立了SDIR模型。并考虑到邻居节点间的相互影响,定义了三个传播概率函数,对SDIR模型做了改进。通过对比不同条件下信息传播的过程,实验证明了信息不能覆盖全网络,Twitter比新浪微博有更好的信息传播效率的推测,并发现初始传播概率会对信息传播有重要影响。     

基于纳什谈判的共享经济区块链网络PoS共识传播博弈分析

针对共享经济中的信任问题,利用区块链技术搭建基于PoS(权益证明)共识机制的共享经济区块链网络,实现去信任化和去中心化.在Po S共识机制中,区块链用户提供交易费用,从而激励矿池招募验证者进行区块传播验证,区块链用户与矿池都能从更多的验证者数量中获益,但验证者越多,双方付出的成本越高.首先,从纳什谈判的角度研究共享经济区块链网络PoS共识机制中区块链用户与矿池的利益冲突问题,在交易费用与验证者数量之间进行权衡,构建纳什谈判博弈模型;然后,证明区块链用户与矿池的纳什谈判博弈模型中纳什谈判解的存在性和唯一性,得到区块链用户和矿池的最优决策;最后,通过数值算例分析通信成本和验证者数量对区块链用户和矿池的最优决策以及效用的影响.研究结果表明:区块链用户与矿池都能从较低的通信成本中获益;纳什谈判博弈模型能够有效解决共享经济区块链网络中用户与矿池的利益冲突,提高网络效率.     

基于用户信任和兴趣的概率矩阵分解推荐方法

传统协同过滤推荐算法存在数据稀疏性、冷启动、新用户等问题.随着社交网络和电子商务的迅猛发展,利用用户间的信任关系和用户兴趣提供个性化推荐成为研究的热点.本文提出一种结合用户信任和兴趣的概率矩阵分解（STUIPMF）推荐方法.该方法首先从用户评分角度挖掘用户间的隐性信任关系和潜在兴趣标签,然后利用概率矩阵分解模型对用户评分信息、用户信任关系、用户兴趣标签信息进行矩阵分解,进一步挖掘用户潜在特征,缓解数据稀疏性.在Epinions数据集上进行实验验证,结果表明,该方法能够在一定程度上提高推荐精度,缓解冷启动和新用户问题,同时具有较好的可扩展性.     

基于节点属性和信息价值的V-UKIR传播模型研究及仿真

为更有效地在网络中进行广告信息推广和谣言控制,针对真实社交网络信息传播的特点,对信息传播机制进行了研究。首先,在传统SIR模型的基础上,将节点状态分为未知、阅读、感染、免疫状态。然后,考虑节点自身属性的差别和不同信息在不同社区中的价值,定义了自适应节点状态转移概率函数,建立了更加符合社交网络真实传播特点的V-UKIR模型。最终,通过不同信息传播过程对比,验证了该模型的有效性。同时,通过在不同模型下的实际传播对比,证明了该模型在新浪微博和Twitter上有较好的信息推广和谣言控制效果。     

DTM-SIR模型上信任机制对信息传播的影响

信任是连接人与人之间复杂社交关系的桥梁。通过网络分层机制将个体信任水平动态转变策略与社交网络上信息动态传播过程分层研究,从两个网络层节点独立传播和交互影响角度来研究个体信任水平博弈对信息传播过程的影响,改进了单层网路研究的局限性。两层网络节点符合层内独立传播、层间相互影响的规则。信任层节点的传播采用博弈演化动力学方法来处理,信息传播层节点传播则符合流行病动力学SIR传播模型,但其受信任层信任因子的影响。并且文中给出了DTM-SIR模型各层元素动态变化的具体分析过程,通过实例仿真表明信任层的引入对信息传播扩大化影响具有积极的意义。