基于复杂网络的在线社交网络特征与谣言抑制

《基于复杂网络的在线社交网络特征与谣言抑制》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于复杂网络的在线社交网络特征与谣言抑制田伯凯岳跃振北京科技大学对外经济贸易大学摘要：电子信息技术的发展与互联网的普及，促进Y信息的快速传播。虚拟网络舆论相对于传统媒介而言，更广泛地提高舆论社交普遍性、快速性、监督性的最大值。然而，在网络舆论闩益凸显其监督的正面性的同时，一些异化现象假借正面性来行使其负面效能。鉴于在线社交网络具备许多的复杂网络特性，而用户的线下社交网络与虚拟世界社交网络表现出高度相关性。线上行为的可记录、易计算等特性使得对虚假网络舆论的传播预测成为可能。文章在总结复杂网络结构的特征指标和传统传染病传播模型的基础上，综述了近年来用户的在线社交网络和信息传播规律的相关

2、研宄，指出了社交网络研宄面临的挑战，然后分析了谣言抑制算法在当前社交网络中的可能应用模式，最后展望了该领域需要解决的关键问题以及可能的应用前景。关键词：复杂网络;网络结构;社交网络;佶息传播;传染病模型;作者简介：田伯凯（1995-）,河北人，本科在读，研究方向:经济管理。1引言近年来，H在架起信息技术与社会科学之间的桥梁的社会计算研究领域开始得到广泛的关注，特别是社交网络（如Facebook,Twitter,新浪微博和微信等）的盛行，给人们的社会交往方式带来了新的变革，社交网络拥有改变人类进行交流、通信和合作方式的巨大潜力，甚至能够影响到我们对自身和社会的认识。一方面，社交网络逐

3、渐渗透到人们生活的方方面面，人们借助社交网络平台联络朋友，发表观点，讨论公共话题等，社交网络成为了现实社会的延伸。另一方面，随着社交网络的不断完善以及对人们生活渗透作用的增大，当量变引起质变的时候，社交网络也可以看作是对现实社会关系网络的重建。这种重建的社交模式既平行于现实社会，又与现实社会紧密相连，由于在社交网络中个体的行为和状态更容易被记录、获取和分析，冇利于发现网络中各用户之间的作用机制及信息传播机理，因此对社交网络的结构特性的分析研宄成为Y社会计算领域的重要研宄内容。但随着越来越多的人喜欢在社交平台上交流互动，同时也热衷于从社交平台中获取信息并进行转发评论。而这些信息中，一

4、些未经求证的谣言泛滥成灾，因此而造成的恶意事件也逐渐增多，影响和干扰着人们正常的生活秩序。谣言在社交网络屮的肆意传播，严重影响到社会稳定、经济发展，有效地控制社交网络屮信息的传播具有重要意义。把复杂网络理论与谣言控制的迫切需耍相结合，关键的技术是根据社交网络的数据对用户群体的关键节点既舆论领袖进行分析和预测，同时把节点信息广泛应用到社会计算的其他领域，这对于网络谣言的控制有着巨大的价值。本文第2节介绍识别社交网络屮舆论领袖的标准与方法，并论述社交网络分析的理论基础;第3节分析谣言传播模型，以及综合分析其与传统传染病模型的异同;第4节从数据获取，社交网络建模和传播模型儿方面综述近儿年

5、对社交网络谣言抑制所做的研宄;第5节对谣言抑制算法在社交网络中的可能应用进行了讨论;第6节对整篇综述内容进行丫总结，并对未来的研究和应用进行丫展望。2舆论领袖节点的识别获取合适的数据并建立相应的复杂网络模型，是实现社交网络舆论领袖节点识别的首耍前提。本节重点介绍实证数据的获取与分析，复杂网络的建模标淮，以及通过亲密度判断舆论领袖节点的方法。2.1数据的获取与处理截止2016年6月，新浪微博的月活跃用户量为2.82亿，其数据适合用于研宂社交网络。在数据获取的过程中，采取“滚雪球”的方法U1，将同一行业或相关行业的的人群建立用户组。根据每个节点“关注”与“被关注”的情况，建立二值矩阵P

6、，矩阵“行”代表关注者，“列”代表被关注者。Pij=l表示i用户关注了j用户，反之则为未关注。根据节点间互相关注的情况，文献［1］将现有有向网络分解为入度网络，出度网络和无向网络。图1微博社区内交流网络的社群图下载原图2.2数据分析分析一个节点的重要性不能只考虑其参与网络的总水平而不考虑与其相连的的邻居节点所具有的重要性对其影响的数量。基于此考虑，引入了度中心性，紧密度中心性，K-Shell,介数中心性，特征向量中心性5个参数。这5种指标通常均应用于衡量节点在网络中的重要程度。但这几种参数各有长处和不足介数中心性与度中心性以及紧密度中心性相比能够更准确地识别出关键节点，并丑适用于更

7、广泛的网络应用场景。K-shell方法需要对网络屮的所有节点进行一遍一遍的脱壳处理，过程慢且识别出的节点是粗粒度的，相比介数中心性准确度较低。介数中心性在识别邻接矩阵不对称的网络模型时，较特征向量中心性更具有优势。由于在社交网络中用广之间的关系具有有向性，所以基于介数中心性识别舆论领袖节点更为合理。2.3基于节点亲密度的谣言抑制方法在社交网络中信息传播的过程中，用户节点通常会受到朋友节点的影响。Bakshym以及OrmelaGl通过实验证实了这种说法，并得出信息通过用