陳雄逸 許 力 張欣欣 尤瑋婧

(福建師范大學(xué)計(jì)算機(jī)與網(wǎng)絡(luò)空間安全學(xué)院 福州 350108)

隨著移動(dòng)智能設(shè)備的快速發(fā)展，互聯(lián)網(wǎng)由傳統(tǒng)媒體向社交網(wǎng)絡(luò)等新型媒體演進(jìn),代表性的社交網(wǎng)絡(luò)產(chǎn)品如：Facebook、微信和微博，日活已經(jīng)分別達(dá)到了19.68億、6億多和2.53億.信息數(shù)據(jù)不斷由社交網(wǎng)絡(luò)中大量的用戶(hù)產(chǎn)生，并在社交網(wǎng)絡(luò)中發(fā)揮著巨大的作用.在2012年的美國(guó)大選中，奧巴馬充分利用社交網(wǎng)絡(luò)發(fā)布競(jìng)選信息，最終贏得了大選[1].因此，信息內(nèi)容具有重要價(jià)值，亟待有效保護(hù).

在社交網(wǎng)絡(luò)中，一些惡意用戶(hù)產(chǎn)生并傳播的惡意內(nèi)容是網(wǎng)絡(luò)中信息內(nèi)容安全面臨的重要潛在威脅[2].謠言信息是帶有不良目的、憑空捏造的虛假信息[3]，即網(wǎng)絡(luò)中惡意用戶(hù)產(chǎn)生并傳播的惡意內(nèi)容.由于社交網(wǎng)絡(luò)具有結(jié)構(gòu)復(fù)雜性、群體的大規(guī)模性以及信息產(chǎn)生的海量性、快速性、難以追溯等特點(diǎn)[4].攻擊者可以便捷且低成本地發(fā)送大量的謠言信息.大量的謠言信息充斥著整個(gè)社交網(wǎng)絡(luò)，和正確信息相互競(jìng)爭(zhēng)以取得用戶(hù)的信任.但謠言比正確信息傳播得更遠(yuǎn)、更快、更深、更廣，病毒性很強(qiáng)[5].如果對(duì)于謠言信息的傳播不加干預(yù)，將導(dǎo)致謠言信息在社交網(wǎng)絡(luò)中泛濫成災(zāi)，這不僅會(huì)誤導(dǎo)用戶(hù)的觀點(diǎn)和行為，甚至?xí)?duì)政治、經(jīng)濟(jì)和社會(huì)的安全穩(wěn)定產(chǎn)生嚴(yán)重的威脅[6].例如，2019年出現(xiàn)的新冠肺炎疫情發(fā)展至今，已經(jīng)構(gòu)成了全球性“大流行”，與之相伴的則是信息瘟疫的到來(lái)，大量謠言在社交媒體平臺(tái)上衍生并廣泛傳播，這些謠言不僅嚴(yán)重危害到公眾的生命安全，同時(shí)給社會(huì)帶來(lái)了極大的恐慌和不穩(wěn)定因素[7].因此，如何在社交網(wǎng)絡(luò)中有效地抑制謠言信息的傳播以保護(hù)社交網(wǎng)絡(luò)中的信息內(nèi)容安全十分重要.

目前，抑制謠言的方法分為2種：基于信息源頭的謠言抑制方法[8]和基于傳播路徑的謠言抑制方法[9].后者又分為基于阻隔和基于澄清的2種謠言抑制策略.基于阻隔的謠言抑制策略是通過(guò)阻隔社交網(wǎng)絡(luò)中散播謠言的用戶(hù)和謠言傳播的路徑實(shí)現(xiàn)的.雖然該方法能夠顯著抑制謠言傳播，但由于阻隔時(shí)會(huì)破壞社交網(wǎng)絡(luò)的結(jié)構(gòu)，網(wǎng)絡(luò)中正常信息的傳播也會(huì)受到嚴(yán)重影響，這大大降低了網(wǎng)絡(luò)中用戶(hù)的體驗(yàn)感，會(huì)導(dǎo)致社交網(wǎng)絡(luò)中的用戶(hù)大量流失.因此，在實(shí)際應(yīng)用中通常采用基于澄清的謠言抑制策略，通過(guò)在社交網(wǎng)絡(luò)中傳播正確信息以抑制謠言信息的傳播.這由He等人[10]首次提出并總結(jié)為影響阻塞最大化問(wèn)題：在社交網(wǎng)絡(luò)中找到1組種子節(jié)點(diǎn)，并通過(guò)這組種子節(jié)點(diǎn)傳播正確信息澄清謠言，最后使得網(wǎng)絡(luò)中接受謠言信息的節(jié)點(diǎn)數(shù)量達(dá)到最少.

在基于澄清的謠言抑制策略的研究過(guò)程中，Chen等人[11]提出了MIA算法，利用貪心算法和蒙特卡羅模擬，迭代選取每輪中謠言抑制效果最好的節(jié)點(diǎn)加入種子節(jié)點(diǎn)集合中.Arazkhani等人[12]提出了基于節(jié)點(diǎn)中心性指標(biāo)的算法，以找到1組合適節(jié)點(diǎn)抑制謠言傳播，相比于Chen等人[11]提出的貪心算法，該算法的時(shí)間成本大大降低.Lv等人[13]提出了基于社團(tuán)的算法，首先對(duì)社交網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行社團(tuán)劃分，接著根據(jù)每個(gè)社團(tuán)內(nèi)謠言節(jié)點(diǎn)的數(shù)量確定對(duì)應(yīng)的種子節(jié)點(diǎn)數(shù)量k，最后找到對(duì)應(yīng)社團(tuán)內(nèi)影響力前k的節(jié)點(diǎn)加入種子節(jié)點(diǎn)集合中，從而解決了影響力局部擴(kuò)散的問(wèn)題.Tong等人[14]提出了一種近似算法，利用采樣的方法替代貪心算法，在保證算法性能的同時(shí)降低了算法的時(shí)間成本.以上方法只考慮了社交網(wǎng)絡(luò)的結(jié)構(gòu)屬性，但社交網(wǎng)絡(luò)是由用戶(hù)之間的交互形成的，以上方法沒(méi)有考慮到用戶(hù)的社交屬性.其次，以上方法在進(jìn)行仿真實(shí)驗(yàn)時(shí)采用的是IC[15]和LT[15]傳播模型，這2種模型僅考慮到單實(shí)體傳播的情況，但在現(xiàn)實(shí)中往往是多種不同的觀點(diǎn)在社交網(wǎng)絡(luò)中同時(shí)傳播，并且觀點(diǎn)之間相互競(jìng)爭(zhēng)以取得用戶(hù)的信任，采用IC和LT傳播模型不能準(zhǔn)確地模擬現(xiàn)實(shí)傳播情況.

針對(duì)目前研究存在的不足，本文提出一種基于意見(jiàn)領(lǐng)袖的謠言抑制算法，不僅考慮了社交網(wǎng)絡(luò)的結(jié)構(gòu)屬性，而且考慮了用戶(hù)的社交屬性，識(shí)別出對(duì)于網(wǎng)絡(luò)中信息傳播起到主要作用的意見(jiàn)領(lǐng)袖，并采用多實(shí)體的競(jìng)爭(zhēng)性獨(dú)立級(jí)聯(lián)模型(multi-entity competitive independent cascade, MCIC)[16]進(jìn)行仿真實(shí)驗(yàn)：本文首先從社交網(wǎng)絡(luò)的結(jié)構(gòu)屬性出發(fā)，基于支配集找到網(wǎng)絡(luò)中的關(guān)鍵用戶(hù)作為網(wǎng)絡(luò)中意見(jiàn)領(lǐng)袖候選集；接著結(jié)合用戶(hù)的社交屬性，提出了用戶(hù)影響力計(jì)算公式識(shí)別網(wǎng)絡(luò)中的意見(jiàn)領(lǐng)袖群體；最后利用MCIC傳播模型模擬現(xiàn)實(shí)中多實(shí)體競(jìng)爭(zhēng)的傳播場(chǎng)景，并在真實(shí)數(shù)據(jù)集下與其他謠言抑制算法進(jìn)行對(duì)比.實(shí)驗(yàn)結(jié)果證明本文方案在合理的時(shí)間成本下能夠起到更好的謠言抑制效果，并且隨著網(wǎng)絡(luò)中謠言數(shù)量的增加對(duì)于謠言的抑制效果呈上升趨勢(shì).

1 基于意見(jiàn)領(lǐng)袖的謠言抑制算法

為了在社交網(wǎng)絡(luò)中盡可能廣泛傳播正確信息以抑制謠言傳播，本文提出基于意見(jiàn)領(lǐng)袖的謠言抑制算法，通過(guò)選取對(duì)網(wǎng)絡(luò)中信息傳播起主要作用的意見(jiàn)領(lǐng)袖抑制謠言傳播.本文方案首先利用社交網(wǎng)絡(luò)的結(jié)構(gòu)屬性找到網(wǎng)絡(luò)中的意見(jiàn)領(lǐng)袖候選集，接著利用用戶(hù)的社交屬性定義了用戶(hù)影響力計(jì)算公式，并對(duì)候選集用戶(hù)按照影響力大小進(jìn)行降序排序，最后選擇前k個(gè)用戶(hù)作為意見(jiàn)領(lǐng)袖傳播正確信息.

1.1 意見(jiàn)領(lǐng)袖

社交網(wǎng)絡(luò)中的意見(jiàn)領(lǐng)袖可以抽象表示為網(wǎng)絡(luò)中影響力前k的用戶(hù)集合.他們?cè)谏缃痪W(wǎng)絡(luò)的信息傳播過(guò)程中產(chǎn)生巨大的作用，其發(fā)表的言論、持有的態(tài)度等一系列行為和后續(xù)影響力可以通過(guò)用戶(hù)之間的鏈接關(guān)系產(chǎn)生逐層裂變式擴(kuò)散，這種擴(kuò)散效果促使意見(jiàn)領(lǐng)袖對(duì)于預(yù)測(cè)信息傳播狀態(tài)、監(jiān)督和引導(dǎo)輿論以及影響網(wǎng)絡(luò)信息擴(kuò)散趨勢(shì)起著極其關(guān)鍵的作用[17].用戶(hù)的影響力定義為個(gè)體在與他人或群體的互動(dòng)中,導(dǎo)致自身的思想、感覺(jué)、態(tài)度或行為發(fā)生變化的現(xiàn)象[18].因此，可以通過(guò)用戶(hù)影響力找到社交網(wǎng)絡(luò)中的意見(jiàn)領(lǐng)袖.在社交網(wǎng)絡(luò)中，人與人之間的聯(lián)系可以抽象成一張有向無(wú)環(huán)圖G(V,E)，圖中的節(jié)點(diǎn)集合V代表社交網(wǎng)絡(luò)中的全體用戶(hù)，圖中的邊集合E代表社交網(wǎng)絡(luò)中用戶(hù)之間的關(guān)系.節(jié)點(diǎn)v的影響力可以抽象表示為相信節(jié)點(diǎn)v所傳播觀點(diǎn)的節(jié)點(diǎn)數(shù)量.本文通過(guò)計(jì)算用戶(hù)的影響力找到排名前k個(gè)用戶(hù)作為社交網(wǎng)絡(luò)中的意見(jiàn)領(lǐng)袖.

1.2 結(jié)構(gòu)屬性

社交網(wǎng)絡(luò)可以稱(chēng)為行動(dòng)者之間連接而成的關(guān)系結(jié)構(gòu)[19].因此，從結(jié)構(gòu)屬性出發(fā)可以快速找到網(wǎng)絡(luò)中與其他用戶(hù)聯(lián)系緊密的關(guān)鍵用戶(hù)群體作為網(wǎng)絡(luò)中意見(jiàn)領(lǐng)袖的候選集，避免對(duì)于網(wǎng)絡(luò)中大量普通用戶(hù)的影響力計(jì)算.

在社交網(wǎng)絡(luò)中的關(guān)鍵用戶(hù)，如政府部門(mén)、權(quán)威機(jī)構(gòu)等，這類(lèi)用戶(hù)的影響力可以觸達(dá)網(wǎng)絡(luò)中的每個(gè)角落.在圖中可以表示為關(guān)鍵用戶(hù)的節(jié)點(diǎn)集合與網(wǎng)絡(luò)中剩余節(jié)點(diǎn)都存在至少1條連邊，這與圖論中支配集的定義相似.因此，本文將網(wǎng)絡(luò)中的關(guān)鍵用戶(hù)用支配集表示.

定義1.在圖論中，支配集DS(dominating set)指的是在圖G(V,E)中，對(duì)于集合DS的補(bǔ)集S中的任意一個(gè)節(jié)點(diǎn)，其鄰居集合中至少有1個(gè)節(jié)點(diǎn)屬于集合DS.

如圖1所示，灰色填充的節(jié)點(diǎn)集合{4,6}為該圖的1個(gè)支配集，剩余節(jié)點(diǎn)的鄰居節(jié)點(diǎn)集合中都至少有1個(gè)節(jié)點(diǎn)屬于支配集.

圖1 支配集示例

1.3 社交屬性

社交網(wǎng)絡(luò)中的關(guān)鍵用戶(hù)節(jié)點(diǎn)對(duì)于網(wǎng)絡(luò)中的剩余節(jié)點(diǎn)具有控制作用，但每個(gè)關(guān)鍵用戶(hù)的影響力大小并不相同，如同為微博關(guān)鍵用戶(hù)的微博大V和小V，顯然大V更適合作為意見(jiàn)領(lǐng)袖.由于社交網(wǎng)絡(luò)是通過(guò)用戶(hù)之間的交互而形成的網(wǎng)絡(luò)結(jié)構(gòu)，因此可以通過(guò)節(jié)點(diǎn)的社交屬性衡量關(guān)鍵節(jié)點(diǎn)的影響力，進(jìn)而找到網(wǎng)絡(luò)的意見(jiàn)領(lǐng)袖.在影響節(jié)點(diǎn)信息傳播范圍的社交屬性中，本文主要考慮節(jié)點(diǎn)的朋友數(shù)量和朋友關(guān)系這2個(gè)屬性，其中前者主要影響該節(jié)點(diǎn)所傳播信息能夠觸達(dá)到的節(jié)點(diǎn)數(shù)量，后者主要影響收到信息的節(jié)點(diǎn)接受并轉(zhuǎn)發(fā)信息的意愿.結(jié)合以上2個(gè)屬性，本文提出用戶(hù)影響力計(jì)算公式以計(jì)算意見(jiàn)領(lǐng)袖候選集節(jié)點(diǎn)的影響力，并通過(guò)選取影響力最高的1組節(jié)點(diǎn)，找到社交網(wǎng)絡(luò)中的意見(jiàn)領(lǐng)袖.

根據(jù)Christakis等人[20]提出的3度影響力原則：社交中相距3度之內(nèi)是強(qiáng)連接，強(qiáng)連接可以引發(fā)行為.因此，社交網(wǎng)絡(luò)中對(duì)于與某一節(jié)點(diǎn)的距離在3度范圍內(nèi)的所有節(jié)點(diǎn)，該節(jié)點(diǎn)有機(jī)會(huì)影響其對(duì)于謠言的態(tài)度.但信息在傳遞的過(guò)程中存在損耗，通過(guò)蒙特卡羅模擬可以排除信息損耗的干擾，計(jì)算出該節(jié)點(diǎn)可影響的節(jié)點(diǎn)數(shù)量.因此，定義節(jié)點(diǎn)的影響集節(jié)點(diǎn)數(shù)量|N3(u)|如定義2所示.

定義2.節(jié)點(diǎn)u的影響集節(jié)點(diǎn)數(shù)量|N3(u)|.在給定的社交網(wǎng)絡(luò)G(V,E)中，對(duì)于節(jié)點(diǎn)u∈V進(jìn)行多次蒙特卡羅模擬.|N3(u)|指的是被該節(jié)點(diǎn)成功激活，并且位于該節(jié)點(diǎn)3跳范圍內(nèi)的節(jié)點(diǎn)數(shù)量的平均值.

節(jié)點(diǎn)u的影響集節(jié)點(diǎn)數(shù)量衡量了該節(jié)點(diǎn)所傳播的信息可影響到的節(jié)點(diǎn)數(shù)量.節(jié)點(diǎn)u的影響集節(jié)點(diǎn)數(shù)量越多，該節(jié)點(diǎn)的影響力越大.

社交網(wǎng)絡(luò)中不同節(jié)點(diǎn)的影響集可能存在重疊的部分，為了準(zhǔn)確區(qū)分候選集中每個(gè)節(jié)點(diǎn)的影響力大小，并找到影響力最大的節(jié)點(diǎn)集合作為意見(jiàn)領(lǐng)袖，本文在定義2的基礎(chǔ)上定義了鄰居數(shù)量.

定義3.鄰居數(shù)量NN(neighbor numbers).在給定的社交網(wǎng)絡(luò)G(V,E)中，對(duì)于任意節(jié)點(diǎn)u∈V，指的是根據(jù)算法1剔除全體候選集節(jié)點(diǎn)的重疊影響力后，節(jié)點(diǎn)u的影響集的節(jié)點(diǎn)數(shù)量(下文中如無(wú)特別說(shuō)明，節(jié)點(diǎn)的鄰居仍指在給定的圖G(V,E)中與節(jié)點(diǎn)存在連邊的節(jié)點(diǎn)集合).

算法1.剔除節(jié)點(diǎn)重疊影響力算法.

輸入：全體候選集節(jié)點(diǎn)的影響集{N3(u1),N3(u2),…}；

輸出：剔除影響力重疊部分后的全體候選集節(jié)點(diǎn)的影響集{N3(u1),N3(u2),…}.

① 按照節(jié)點(diǎn)影響集中的節(jié)點(diǎn)數(shù)量對(duì)候選集中的全部節(jié)點(diǎn)進(jìn)行降序排序；

② FOR 對(duì)于每個(gè)節(jié)點(diǎn)u

③ FOR 對(duì)于每個(gè)排名在節(jié)點(diǎn)u之前的節(jié)

點(diǎn)v

④ 節(jié)點(diǎn)u刪除自身影響集中與節(jié)點(diǎn)v的影響集重復(fù)的全部節(jié)點(diǎn);

⑤ END FOR

⑥ END FOR

在社交網(wǎng)絡(luò)中，處于某一節(jié)點(diǎn)的影響集中的節(jié)點(diǎn)雖然能夠收到來(lái)自該節(jié)點(diǎn)傳播的信息，但并不會(huì)因此簡(jiǎn)單地接受該節(jié)點(diǎn)的信息，這是由于這2個(gè)節(jié)點(diǎn)之間可能是弱聯(lián)系.Bakshy等人[21]通過(guò)實(shí)驗(yàn)證明了這種說(shuō)法，并且發(fā)現(xiàn)在社交網(wǎng)絡(luò)中如果信息通過(guò)熟人進(jìn)行傳播更容易擴(kuò)散，即2個(gè)節(jié)點(diǎn)間關(guān)系越親密，節(jié)點(diǎn)越容易接受對(duì)方的信息并轉(zhuǎn)發(fā).在社交網(wǎng)絡(luò)中，如果2個(gè)節(jié)點(diǎn)的社交圈重合度越高，即2個(gè)節(jié)點(diǎn)的共同好友數(shù)量越多，那么這2個(gè)節(jié)點(diǎn)之間越有可能產(chǎn)生更多的交集，進(jìn)而擁有更親密的關(guān)系，由其中一個(gè)節(jié)點(diǎn)傳播的信息也就越容易被另一個(gè)節(jié)點(diǎn)接受并轉(zhuǎn)發(fā).因此本文通過(guò)節(jié)點(diǎn)相似度定義節(jié)點(diǎn)的鄰居關(guān)系.

定義4.節(jié)點(diǎn)相似度.在給定的社交網(wǎng)絡(luò)G(V,E)中存在連邊的節(jié)點(diǎn)u和節(jié)點(diǎn)v，節(jié)點(diǎn)u和節(jié)點(diǎn)v的節(jié)點(diǎn)相似度表示為2個(gè)節(jié)點(diǎn)共有的鄰居數(shù)量與總鄰居數(shù)量的比值：

(1)

N(u)和N(v)分別表示節(jié)點(diǎn)u和節(jié)點(diǎn)v的鄰居節(jié)點(diǎn).

定義5.鄰居關(guān)系NR(neighbor relationship).在給定的社交網(wǎng)絡(luò)G(V,E)中，對(duì)于任意節(jié)點(diǎn)u∈V，該節(jié)點(diǎn)的鄰居關(guān)系NR(u)指的是節(jié)點(diǎn)u和所有與其存在連邊的節(jié)點(diǎn)v的節(jié)點(diǎn)相似度NR(u,v)之和與該節(jié)點(diǎn)鄰居數(shù)量|N(u)|的比值：

(2)

鄰居關(guān)系衡量了節(jié)點(diǎn)與其鄰居節(jié)點(diǎn)關(guān)系的親密程度.鄰居關(guān)系的值越大，節(jié)點(diǎn)與鄰居節(jié)點(diǎn)關(guān)系越親密，節(jié)點(diǎn)的觀點(diǎn)越容易被鄰居節(jié)點(diǎn)接受.

依據(jù)定義3鄰居數(shù)量和定義5鄰居關(guān)系，本文提出用戶(hù)影響力計(jì)算公式LI(local influence)：

LI(u)=pNN(u)+(1-p)NR(u).

(3)

根據(jù)式(3)，本文計(jì)算社交網(wǎng)絡(luò)中的每個(gè)意見(jiàn)領(lǐng)袖候選集節(jié)點(diǎn)的影響力大小，以此識(shí)別出前k個(gè)節(jié)點(diǎn)作為社交網(wǎng)絡(luò)中的意見(jiàn)領(lǐng)袖節(jié)點(diǎn).

1.4 基于意見(jiàn)領(lǐng)袖的謠言抑制算法

基于1.2節(jié)中網(wǎng)絡(luò)的結(jié)構(gòu)屬性和1.3節(jié)中節(jié)點(diǎn)的社交屬性，本文提出了基于意見(jiàn)領(lǐng)袖的謠言抑制算法，流程如算法2所示：

算法2.基于意見(jiàn)領(lǐng)袖的謠言抑制算法.

輸入：社交網(wǎng)絡(luò)G(V,E);

輸出：社交網(wǎng)絡(luò)意見(jiàn)領(lǐng)袖節(jié)點(diǎn)集合.

① FOR 任意子集D∈V

② IF 任意節(jié)點(diǎn)u∈VD且至少存在一個(gè)節(jié)點(diǎn)v∈N(u)&&v∈DTHEN

③ 子集D是網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)集合;

④ END IF

⑤ END FOR

⑥ FOR 對(duì)于每個(gè)節(jié)點(diǎn)u∈D，計(jì)算LI(u)，并按照計(jì)算結(jié)果降序排列 DO

⑦ 識(shí)別前k個(gè)節(jié)點(diǎn)作為社交網(wǎng)絡(luò)意見(jiàn)領(lǐng)袖節(jié)點(diǎn);

⑧ END FOR

算法2展示了基于意見(jiàn)領(lǐng)袖的謠言抑制算法的詳細(xì)的流程：首先，根據(jù)支配集的定義找出網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)集合作為網(wǎng)絡(luò)中意見(jiàn)領(lǐng)袖的候選集；接著，根據(jù)用戶(hù)影響力計(jì)算公式分別計(jì)算出候選集中每個(gè)節(jié)點(diǎn)的影響力，并按照計(jì)算結(jié)果對(duì)節(jié)點(diǎn)進(jìn)行降序排列；最后，選取前k個(gè)節(jié)點(diǎn)作為社交網(wǎng)絡(luò)中的意見(jiàn)領(lǐng)袖.

2 實(shí)驗(yàn)結(jié)果與分析

本文方案采用基于澄清的謠言抑制策略，通過(guò)主動(dòng)傳播正確信息的方式以抑制謠言的傳播，因此仿真實(shí)驗(yàn)采用MCIC傳播模型能夠有效地刻畫(huà)出社交網(wǎng)絡(luò)中的影響力節(jié)點(diǎn)主動(dòng)識(shí)別謠言后傳播正確信息澄清謠言，以及之后網(wǎng)絡(luò)中的正確信息和謠言信息相互競(jìng)爭(zhēng)，以取得用戶(hù)信任的過(guò)程.實(shí)驗(yàn)通過(guò)算法2選取網(wǎng)絡(luò)中的意見(jiàn)領(lǐng)袖節(jié)點(diǎn)作為MCIC模型中的正向節(jié)點(diǎn)，識(shí)別謠言并傳播正確信息以抑制謠言傳播，最后對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析并與經(jīng)典謠言抑制算法的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比.

2.1 競(jìng)爭(zhēng)性獨(dú)立級(jí)聯(lián)模型MCIC

如圖2所示，在MCIC傳播模型中，每個(gè)節(jié)點(diǎn)有3個(gè)狀態(tài)：正向、中立和負(fù)向，分別對(duì)應(yīng)著社交網(wǎng)絡(luò)中用戶(hù)相信正確信息、中立和相信謠言信息的3種狀態(tài)，并分為激活和非激活2種情況.模型隨機(jī)選取1組節(jié)點(diǎn)作為網(wǎng)絡(luò)中初始的負(fù)向節(jié)點(diǎn)，將其激活以傳播謠言，同時(shí)選取1組節(jié)點(diǎn)作為網(wǎng)絡(luò)中初始的正向節(jié)點(diǎn).正向節(jié)點(diǎn)可以主動(dòng)識(shí)別謠言，在其鄰居節(jié)點(diǎn)變?yōu)樨?fù)向狀態(tài)時(shí)被激活，并主動(dòng)向網(wǎng)絡(luò)中傳播正確信息以抑制謠言.在模型中，正向和負(fù)向節(jié)點(diǎn)可以多次向中立的鄰居節(jié)點(diǎn)發(fā)送信息嘗試將其激活.當(dāng)網(wǎng)絡(luò)中同時(shí)存在正確信息和謠言信息時(shí)，2類(lèi)信息會(huì)以不同概率通過(guò)獨(dú)立級(jí)聯(lián)模型進(jìn)行傳播并相互競(jìng)爭(zhēng).當(dāng)節(jié)點(diǎn)變?yōu)檎驙顟B(tài)后，該節(jié)點(diǎn)在這次輿論事件中會(huì)一直保持該狀態(tài)，對(duì)應(yīng)現(xiàn)實(shí)中用戶(hù)一旦被辟謠，便會(huì)對(duì)謠言信息具有免疫力，不再相信謠言.當(dāng)網(wǎng)絡(luò)中不再有節(jié)點(diǎn)狀態(tài)發(fā)生改變時(shí)，傳播停止.

圖2 MCIC模型中節(jié)點(diǎn)狀態(tài)轉(zhuǎn)化

2.2 仿真實(shí)驗(yàn)

本文實(shí)驗(yàn)的環(huán)境配置為Windows10操作系統(tǒng)、16 GB內(nèi)存、Intel?CoreTMi5-7300HQ CPU、Python3.8.11.實(shí)驗(yàn)數(shù)據(jù)來(lái)自于網(wǎng)絡(luò)公開(kāi)數(shù)據(jù)集(https://networkrepository.com/index.php)，其中，F(xiàn)acebook Network是從Facebook中提取的基于用戶(hù)關(guān)系的4個(gè)大小不同的社交網(wǎng)絡(luò)，Social Network是從2個(gè)不同規(guī)模的網(wǎng)絡(luò)社區(qū)中提取的基于用戶(hù)的社交關(guān)系的社交網(wǎng)絡(luò).表1示出本文實(shí)驗(yàn)數(shù)據(jù)集的具體信息，其中節(jié)點(diǎn)代表社交網(wǎng)絡(luò)中的用戶(hù)，邊代表網(wǎng)絡(luò)中不同用戶(hù)間的友好關(guān)系.

表1 實(shí)驗(yàn)數(shù)據(jù)集屬性

圖3 不同方案謠言抑制效果對(duì)比

圖3所示為在上述6個(gè)真實(shí)網(wǎng)絡(luò)的數(shù)據(jù)集中，本文方案與RNR[22]，IMRank[23]，Degree[15]和PageRanK[24]這4種方案對(duì)于謠言信息的抑制效果.圖中的橫坐標(biāo)表示信息傳播的時(shí)間間隔t，縱坐標(biāo)表示謠言信息的數(shù)量，圖中折線展示隨著時(shí)間的不斷增加，網(wǎng)絡(luò)中謠言信息數(shù)量相應(yīng)的變化過(guò)程.

圖4 網(wǎng)絡(luò)中不同初始謠言數(shù)量的謠言抑制效果

從圖3可以看出，在網(wǎng)絡(luò)規(guī)模從1 400～7 000的6個(gè)真實(shí)網(wǎng)絡(luò)中，本文方案(DS)在MCIC傳播模型下都能控制網(wǎng)絡(luò)中最終的謠言數(shù)量達(dá)到比另外4種方案更低的效果.其中，在Social Network sochamsterster網(wǎng)絡(luò)中本文方案的抑制效果最為明顯，該網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)為2 426，邊數(shù)為16 630，平均度為13，網(wǎng)絡(luò)的規(guī)模較小，且網(wǎng)絡(luò)中節(jié)點(diǎn)之間的聯(lián)系較為稀疏.對(duì)于該網(wǎng)絡(luò)，從圖3(b)可以看出，本文方案(DS)在MCIC傳播模型下，從時(shí)刻t=0開(kāi)始，網(wǎng)絡(luò)中的謠言數(shù)量先是緩慢增加.到時(shí)刻t=4時(shí)，由本文方案選出的初始正向節(jié)點(diǎn)開(kāi)始展現(xiàn)出明顯的謠言抑制效果，網(wǎng)絡(luò)中謠言的數(shù)量開(kāi)始較為迅速地下降.從時(shí)刻t=8時(shí)開(kāi)始，直至網(wǎng)絡(luò)中謠言的數(shù)量趨于穩(wěn)定，本文方案抑制謠言的效果都顯著優(yōu)于其他4種方案.

圖4所示為上述6個(gè)真實(shí)社交網(wǎng)絡(luò)中，在保持網(wǎng)絡(luò)中初始正向節(jié)點(diǎn)數(shù)量不變的情況下，隨著網(wǎng)絡(luò)中初始謠言數(shù)量的增加，本文方案挑選的初始正向節(jié)點(diǎn)在MCIC傳播模型下對(duì)于網(wǎng)絡(luò)謠言信息的抑制效果.圖中的橫坐標(biāo)表示網(wǎng)絡(luò)中初始存在的謠言數(shù)量，縱坐標(biāo)表示網(wǎng)絡(luò)中謠言數(shù)量收斂時(shí)謠言數(shù)量占初始謠言數(shù)量的比例，即最終的謠言抑制效果.為了使實(shí)驗(yàn)更具有一般性，本文實(shí)驗(yàn)將初始的正向節(jié)點(diǎn)和謠言數(shù)量都設(shè)置為網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)量的5%，并且橫坐標(biāo)上初始謠言的增加值也是網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)量的5%.為了使實(shí)驗(yàn)符合現(xiàn)實(shí)情況，本文實(shí)驗(yàn)設(shè)置網(wǎng)絡(luò)中初始的謠言數(shù)量不超過(guò)網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)量的一半.從圖4可以看出，本文方案在6個(gè)真實(shí)社交網(wǎng)絡(luò)中，隨著網(wǎng)絡(luò)中初始謠言數(shù)量的增加，網(wǎng)絡(luò)中最終謠言的數(shù)量呈現(xiàn)下降的趨勢(shì)，并且在此過(guò)程中平均有5%的降幅.

上述的實(shí)驗(yàn)表明本文方案在MCIC模型下，可以控制網(wǎng)絡(luò)中謠言數(shù)量最終收斂時(shí)比其他方案更低，并且隨著網(wǎng)絡(luò)中初始謠言數(shù)量的增加，本文方案的謠言抑制效果有比較明顯的提升.這說(shuō)明，本文方案在社交網(wǎng)絡(luò)中能夠有效地抑制網(wǎng)絡(luò)中的謠言，并且對(duì)于網(wǎng)絡(luò)中謠言信息數(shù)量更多的情形能夠達(dá)到更好的效果.但在實(shí)際的輿論控制中應(yīng)用時(shí)，不僅需要考慮抑制謠言的效果，同時(shí)也需要考慮方案的時(shí)間成本.

在表2中，本文方案與RNR[22]，IMRank[23]，Degree[15]和PageRanK[24]]這4種方案的時(shí)間成本進(jìn)行了比較，表中的數(shù)值單位是s.表2的行展示不同的方案，表2的列展示不同的網(wǎng)絡(luò).從表2可以看出，RNR，Degree和PageRank方案的平均時(shí)間成本最低，在1 s的量級(jí)上；本文方案的平均時(shí)間成本相較于前3個(gè)方案略高，在10 s的量級(jí)上；而IMRank的平均時(shí)間成本最高，在1 000 s的量級(jí)上.由于本文方案考慮了節(jié)點(diǎn)的社交屬性，能起到更好的謠言抑制效果，因此相較于RNR,Degree和PageRank方案稍高的時(shí)間成本是合理的.

表2 算法時(shí)間分析 s

3 總 結(jié)

本文綜合考慮了社交網(wǎng)絡(luò)的結(jié)構(gòu)屬性和節(jié)點(diǎn)的社交屬性，采用多實(shí)體的競(jìng)爭(zhēng)性獨(dú)立級(jí)聯(lián)模型，提出一種基于意見(jiàn)領(lǐng)袖的謠言抑制算法.首先基于支配集找到社交網(wǎng)絡(luò)中的關(guān)鍵節(jié)點(diǎn)作為網(wǎng)絡(luò)中意見(jiàn)領(lǐng)袖候選集，接著結(jié)合節(jié)點(diǎn)的社交屬性，進(jìn)一步找到候選集中影響力最大的1組節(jié)點(diǎn)作為意見(jiàn)領(lǐng)袖.實(shí)驗(yàn)結(jié)果證明，本文方案選取的意見(jiàn)領(lǐng)袖能夠有效地抑制社交網(wǎng)絡(luò)中的謠言信息數(shù)量，并且對(duì)于網(wǎng)絡(luò)中謠言信息數(shù)量更多的情況有更好的謠言抑制效果.