一种对异构网络异质结点上谣言传播情况预测方法和系统技术方案

本发明专利技术提供了一种对异构网络异质结点上谣言传播情况预测方法和系统，包括：获取多个社交网络拓扑结构、社交网络上账号与现实社会成员的映射关系以及各账号的状态；计算各现实社会成员在不同社交网络间的转发概率；基于多个社交网络拓扑结构、社交网络上账号与现实社会成员的映射关系、各账号的状态以及各现实社会成员在不同社交网络间的转发概率，预测表征谣言传播情况的各种状态的账号的变化量。本申请考虑了谣言在多个异构网络间传播的情况，相比于当前存在的谣言预测方法，本申请考虑更全面，更能反映谣言的真实传播规律，进而得出更贴近实际的结论，具有更强的指导意义和实践价值。

【技术实现步骤摘要】
一种对异构网络异质结点上谣言传播情况预测方法和系统
本专利技术属于谣言传播预测
，具体涉及一种对异构网络异质结点上谣言传播情况预测方法和系统。
技术介绍
随着各类社交网络的蓬勃发展，通过社交平台分享消息日益成为人们重要的交流途径。由于通过社交网络平台发布消息具有传播速度快、地域限制小、用户门槛低、消耗成本少等特点，网络水军借助社交网络发布谣言、发起人身攻击、挑起内部矛盾、煽动仇恨甚至爆发颜色革命等行为层出不穷，对社会危害巨大，已引起高度重视。根据社交网络的具体特点建立合适的谣言传播模型，有利于分析谣言传播路径和规律，从而能够有针对性的采取措施，具有及其重要社会意义。当前网络谣言传播模型主要集中为两类：第一类是基于流行病传播的谣言传播模型。这类模型将流行病传播模型(如：SIS、SIR、SEIR等)应用迁移到谣言传播建模当中，将谣言在人际关系网络中的传播过程类比于病毒的扩散传播过程。这类模型存在的主要问题是没有考虑谣言传播过程中节点的异质性，比如社交网络中具有众多好友(粉丝)的“权威节点”发布谣言的传播力度远比只有少数几个好友(粉丝)的“孤独节点”发布谣言的危害要大得多。第二类是基于复杂网络的谣言传播模型。这类模型虽然也有少数成果考虑不同节点的异质性对谣言传播的影响，但没有考虑谣言在社交网络中的传播具有“异构网络”传播特点。比如在2020年初爆发的“新型冠状病毒肺炎事件”中，关于“P4实验室”的网络谣言最开始是在微信朋友圈中传播，后来有通过微博、Twitter等社交媒体交叉发酵，传播范围甚广，给正常科研工作带来的巨大被动。因此如果网络谣言建模过程只考虑谣言在单个网络中的传播，将会对谣言的传播力度预估存在严重不足甚至不准确。
技术实现思路
为克服上述现有技术的不足，本专利技术提出一种对异构网络异质结点上谣言传播情况预测方法，其改进之处在于，包括：获取多个社交网络拓扑结构、社交网络上账号与现实社会成员的映射关系以及各账号的状态；计算各现实社会成员在不同社交网络间的转发概率；基于多个社交网络拓扑结构、社交网络上账号与现实社会成员的映射关系、各账号的状态以及各现实社会成员在不同社交网络间的转发概率，预测表征谣言传播情况的各种状态的账号的变化量；所述状态包括：未接触谣言或辟谣信息的未知状态、接触过谣言或辟谣信息但并不转发的沉默状态、转发谣言的传谣状态和针对谣言进行辟谣的辟谣状态。优选的，所述基于多个社交网络拓扑结构、社交网络上账号与现实社会成员的映射关系、各账号的状态以及各现实社会成员在不同社交网络间的转发概率，预测表征谣言传播情况的各种状态的账号的变化量，包括：基于多个社交网络拓扑结构，分别获取各社交网络上各账号的具有社交关系的相邻账号的状态，并根据相邻账号的状态分别计算各状态的账号被相邻账号影响发生变化的第一变化量；基于账号与现实社会成员的映射关系，分别获取各现实社会成员在不同社交网络上账号的状态，并根据同一现实社会成员在其他社交网络上账号的状态和现实社会成员在不同社交网络间的转发概率分别计算各状态的账号被同一现实社会成员在其他社交网络上账号影响发生变化的第二变化量；对所述第一变化量和第二变化量求和，得到表征谣言传播情况的各种状态的账号的变化量。优选的，所述未知状态的账号的变化量的计算式如下：式中，ΔU表示未知状态的账号的变化量；i、j和x标记不同社交网络，k标记社交网络上的账号，y标记现实社会成员；K表示社交网络总个数；uk表示处于未知状态的账号k；Ui(t)表示t时刻社交网络i上所有的处于未知状态的账号；表示t时刻社交网络i上账号k的相邻账号中处于传谣状态的账号占所有相邻账号的比重；di(k)表示社交网络i上账号k的相邻账号总数；表示t时刻社交网络i上账号k的相邻账号中处于辟谣状态的账号占所有相邻账号的比重；vj(k)表示社交网络j上的账号k，vx(k)表示社交网络x上的账号k；V(y(表示对应账号k的现实社会成员y在所有社交网络中的账号；B(t)表示t时刻所有社交网络中所有处于传谣状态的账号，R(t)表示t时刻所有社交网络中所有处于辟谣状态的账号；TPji(y,t-1)表示t-1时刻对应账号k的现实社会成员y在社交网络i和j上用相应账号转发同一消息的概率，TPxi(y,t-1)表示t-1时刻对应账号k的现实社会成员y在社交网络i和x上用相应账号转发同一消息的概率；α表示未知状态的账号与传谣状态的相邻账号接触后转变为传谣状态的概率，β表示未知状态的账号与传谣状态的相邻账号接触后转变为沉默状态的概率，γ表示未知状态的账号与传谣状态的相邻账号接触后转变为辟谣状态的概率；σ表示未知状态的账号与辟谣状态的相邻账号接触后转变为传谣状态的概率，δ表示未知状态的账号与辟谣状态的相邻账号接触后转变为沉默状态的概率，τ表示未知状态的账号与辟谣状态的相邻账号接触后转变为辟谣状态的概率。优选的，所述传谣状态的账号的变化量的计算式如下：式中，Δ|B|表示传谣状态的账号的变化量；i和j标记社交网络，k和o标记社交网络上的账号，y标记现实社会成员；K表示社交网络总个数；vi(k)表示社交网络i上的账号k，vj(k)社交网络j上的账号k；Ui(t)表示t时刻社交网络i上所有的处于未知状态的账号；表示t时刻社交网络i上账号k的相邻账号中处于传谣状态的账号占所有相邻账号的比重；di(k)表示社交网络i上账号k的相邻账号总数；表示t时刻社交网络i上账号k的相邻账号中处于辟谣状态的账号占所有相邻账号的比重；V(y)表示对应账号k的现实社会成员y在所有社交网络中的账号；B(t)表示t时刻所有社交网络中所有处于传谣状态的账号；TPji(y)表示对应账号k的现实社会成员y在社交网络i和j上用相应账号转发同一消息的概率；b(o)表示传谣状态的账号o；Bi(t)表示t时刻社交网络i中所有处于传谣状态的账号；表示t时刻社交网络i上账号o的相邻账号中处于传谣状态的账号占所有相邻账号的比重；di(o)表示社交网络i上账号o的相邻账号总数；表示t时刻社交网络i上账号o的相邻账号中处于辟谣状态的账号占所有相邻账号的比重；表示未知状态的账号与传谣状态的相邻账号接触后转变为传谣状态的概率；σ表示未知状态的账号与辟谣状态的相邻账号接触后转变为传谣状态的概率；表示传谣状态的账号与传谣状态的相邻账号接触后转变为沉默状态的概率，η表示传谣状态的账号与辟谣状态的相邻账号接触后转变为沉默状态的概率。优选的，所述辟谣状态的账号的变化量的计算式如下：式中，Δ|R|表示辟谣状态的账号的变化量；i和j标记社交网络，k标记社交网络上的账号，y标记现实社会成员；K表示社交网络总个数；ui(k)表示社交网络i上处于未知状态的账号k；U(t)表示t时刻所有社交网络中处于未知状态的账号；表示t时刻社交网络i上账号k的相邻账号中处于传谣状态的账号占所有相邻账号的比重；di(k)表示社交网络i上账号k的相邻账号总数；表示t时刻社交网络i上账号本文档来自技高网...

【技术保护点】
1.一种对异构网络异质结点上谣言传播情况预测方法，其特征在于，包括：/n获取多个社交网络拓扑结构、社交网络上账号与现实社会成员的映射关系以及各账号的状态；/n计算各现实社会成员在不同社交网络间的转发概率；/n基于多个社交网络拓扑结构、社交网络上账号与现实社会成员的映射关系、各账号的状态以及各现实社会成员在不同社交网络间的转发概率，预测表征谣言传播情况的各种状态的账号的变化量；/n所述状态包括：未接触谣言或辟谣信息的未知状态、接触过谣言或辟谣信息但并不转发的沉默状态、转发谣言的传谣状态和针对谣言进行辟谣的辟谣状态。/n

【技术特征摘要】
1.一种对异构网络异质结点上谣言传播情况预测方法，其特征在于，包括：
获取多个社交网络拓扑结构、社交网络上账号与现实社会成员的映射关系以及各账号的状态；
计算各现实社会成员在不同社交网络间的转发概率；
基于多个社交网络拓扑结构、社交网络上账号与现实社会成员的映射关系、各账号的状态以及各现实社会成员在不同社交网络间的转发概率，预测表征谣言传播情况的各种状态的账号的变化量；
所述状态包括：未接触谣言或辟谣信息的未知状态、接触过谣言或辟谣信息但并不转发的沉默状态、转发谣言的传谣状态和针对谣言进行辟谣的辟谣状态。


2.如权利要求1所述的方法，其特征在于，所述基于多个社交网络拓扑结构、社交网络上账号与现实社会成员的映射关系、各账号的状态以及各现实社会成员在不同社交网络间的转发概率，预测表征谣言传播情况的各种状态的账号的变化量，包括：
基于多个社交网络拓扑结构，分别获取各社交网络上各账号的具有社交关系的相邻账号的状态，并根据相邻账号的状态分别计算各状态的账号被相邻账号影响发生变化的第一变化量；
基于账号与现实社会成员的映射关系，分别获取各现实社会成员在不同社交网络上账号的状态，并根据同一现实社会成员在其他社交网络上账号的状态和现实社会成员在不同社交网络间的转发概率分别计算各状态的账号被同一现实社会成员在其他社交网络上账号影响发生变化的第二变化量；
对所述第一变化量和第二变化量求和，得到表征谣言传播情况的各种状态的账号的变化量。


3.如权利要求2所述的方法，其特征在于，所述未知状态的账号的变化量的计算式如下：



式中，ΔU表示未知状态的账号的变化量；
i、j和x标记不同社交网络，k标记社交网络上的账号，y标记现实社会成员；
K表示社交网络总个数；uk表示处于未知状态的账号k；Ui(t)表示t时刻社交网络i上所有的处于未知状态的账号；表示t时刻社交网络i上账号k的相邻账号中处于传谣状态的账号占所有相邻账号的比重；di(k)表示社交网络i上账号k的相邻账号总数；表示t时刻社交网络i上账号k的相邻账号中处于辟谣状态的账号占所有相邻账号的比重；vj(k)表示社交网络j上的账号k，vx(k)表示社交网络x上的账号k；V(y)表示对应账号k的现实社会成员y在所有社交网络中的账号；B(t)表示t时刻所有社交网络中所有处于传谣状态的账号，R(t)表示t时刻所有社交网络中所有处于辟谣状态的账号；TPji(y，t-1)表示t-1时刻对应账号k的现实社会成员y在社交网络i和j上用相应账号转发同一消息的概率，TPxi(y，t-1)表示t-1时刻对应账号k的现实社会成员y在社交网络i和x上用相应账号转发同一消息的概率；α表示未知状态的账号与传谣状态的相邻账号接触后转变为传谣状态的概率，β表示未知状态的账号与传谣状态的相邻账号接触后转变为沉默状态的概率，γ表示未知状态的账号与传谣状态的相邻账号接触后转变为辟谣状态的概率；σ表示未知状态的账号与辟谣状态的相邻账号接触后转变为传谣状态的概率，δ表示未知状态的账号与辟谣状态的相邻账号接触后转变为沉默状态的概率，τ表示未知状态的账号与辟谣状态的相邻账号接触后转变为辟谣状态的概率。


4.如权利要求2所述的方法，其特征在于，所述传谣状态的账号的变化量的计算式如下：



式中，Δ|B|表示传谣状态的账号的变化量；
i和j标记社交网络，k和o标记社交网络上的账号，y标记现实社会成员；
K表示社交网络总个数；vi(k)表示社交网络i上的账号k，vj(k)社交网络j上的账号k；Ui(t)表示t时刻社交网络i上所有的处于未知状态的账号；表示t时刻社交网络i上账号k的相邻账号中处于传谣状态的账号占所有相邻账号的比重；di(k)表示社交网络i上账号k的相邻账号总数；表示t时刻社交网络i上账号k的相邻账号中处于辟谣状态的账号占所有相邻账号的比重；V(y)表示对应账号k的现实社会成员y在所有社交网络中的账号；B(t)表示t时刻所有社交网络中所有处于传谣状态的账号；TPji(y)表示对应账号k的现实社会成员y在社交网络i和j上用相应账号转发同一消息的概率；b(o)表示传谣状态的账号o；Bi(t)表示t时刻社交网络i中所有处于传谣状态的账号；表示t时刻社交网络i上账号o的相邻账号中处于传谣状态的账号占所有相邻账号的比重；di(o)表示社交网络i上账号o的相邻账号总数；表示t时刻社交网络i上账号o的相邻账号中处于辟谣状态的账号占所有相邻账号的比重；α表示未知状态的账号与传谣状态的相邻账号接触后转变为传谣状态的概率...

【专利技术属性】
技术研发人员：林旺群，金松昌，林彬，王伟，尹桂信，李妍，田成平，
申请(专利权)人：中国人民解放军军事科学院评估论证研究中心，中国人民解放军军事科学院国防科技创新研究院，天津滨海人工智能军民融合创新中心，
类型：发明
国别省市：北京;11