一种融入客观赋权法的社交网络谣言源识别方法技术

本发明专利技术涉及信息安全领域，公开了一种融入客观赋权法的社交网络谣言源识别方法，包括构建网络谣言源识别有限无向图；利用SIR传染病模型模拟谣言传播过程；提取所有节点的若干个节点属性值；对所有节点的若干个节点属性值进行归一化处理；计算若干个节点属性值的信息熵；根据信息熵计算节点的客观权重；使用MLE算法对客观权重较高的前m个节点计算似然函数值，将似然函数值最大值对应的节点作为预测的社交网络谣言源点。本发明专利技术基于谣言中心性特征，使用融合客观赋权算法提取网络节点权重特征，利用SIR传播模型对谣言传播过程进行仿真，采用MLE似然估计算法有效实现了谣言源的识别，本发明专利技术对网络结构的表示更加合理，预测结果更加有效和精确。

【技术实现步骤摘要】
一种融入客观赋权法的社交网络谣言源识别方法
本专利技术涉及信息安全领域，具体地涉及一种融入客观赋权法的社交网络谣言源识别方法。
技术介绍
社交网络平台中流传的虚假信息严重影响着人们的生产生活，更有甚者扭曲事实，给社会带来了恶劣的影响。快速有效的识别网络谣言对于减少虚假信息传播的危害具有重要研究意义。但是，目前许多检测方法只是对信息是否为谣言进行判断，对于谣言源的研究工作较少。由于网络中信息的传播过程是动态的、可变的以及快速的，相对于普通信息，谣言往往更具有博取人们关注的特征，其扩散性强、爆发性高。目前对于谣言传播模型的研究大多数是基于传染病模型进行展开的，在具体的检测方法上，基于网络结构的谣言源检测主要分为基于传播子图快照的检测方法和基于部署观察点的检测方法。基于传播子图快照的方法主要是基于最大似然估计(MLE)、树状网络结构特征等算法对所获取的节点是否为谣言信息进行判断。该方法虽然可以估计出谣言源点，但是在实际网络中，我们很难获取所有的节点状态信息，且完成的工作量过大，时间复杂度较高。基于部署观察点的谣言检测方法主旨在于选取适当数量和具有重要位置的节点作为整个网络的观察进行研究，但是如何选取合适的观察点一直研究的难点，若观察点分布过多，则增加了算法的复杂性，使其效率会降低。现有技术中，选取观察点原则多是基于谣言中心性特征，并没有考虑到网络节点权值属性。少数考虑节点权值的方法是随机赋权法，该方法虽然考虑到节点权值这项重要参数，但随机赋权并不能很好的表示出网络结构的真实性，无法体现其作为一项重要特征用于谣言源识别效果的体现，所以，亟需一种融入客观赋权法的社交网络谣言源识别方法提高谣言源识别的准确率。
技术实现思路
本专利技术提供一种融入客观赋权法的社交网络谣言源识别方法，从而解决现有技术的上述问题。本专利技术提供了一种融入客观赋权法的社交网络谣言源识别方法，包括以下步骤：S1)构建由若干个节点以及若干条边组成的网络谣言源识别有限无向图G＝(V，E，W)，V表示节点，E表示边，W表示节点的权重；一个节点对应社会网络中的一个用户；每条边对应两个节点之间的关系；谣言源点s的谣言信息从所述网络谣言源识别有限无向图G中以异步的方式进行传播，所述谣言源点s为未知源节点；S2)利用SIR传染病模型模拟谣言传播过程；SIR传染病模型将若干个节点分为三类节点，三类节点包括易感染节点、感染节点和恢复节点；S3)根据SIR传染病模型从网络谣言源识别有限无向图中提取所有节点的若干个节点属性值；S4)对所有节点的若干个节点属性值进行归一化处理，获得归一化处理后所有节点的若干个节点属性值；S5)分别计算每个节点的若干个节点属性值的信息熵；S6)根据每个节点的若干个节点属性值的信息熵计算所有节点的客观权重；S7)进行社交网络谣言源点预测，获取客观权重较高的前m个节点，使用MLE算法对客观权重较高的前m个节点计算似然函数值，获取似然函数值最大值，将似然函数值最大值对应的节点作为预测的社交网络谣言源点。进一步的，在步骤S2)中，SIR传染病模型为S(t)表示t时刻网络中健康节点的总数，I(t)则表示在t时刻感染节点的总数，R(t)表示t时刻免疫节点的总数，S(t)+I(t)+R(t)＝n，n表示节点总数，θ1为健康节点在传播过程中变成感染节点的概率，θ2表示感染节点在传播过程中转变成免疫节点的概率。进一步的，在步骤S3)中，根据SIR传染病模型从网络谣言源识别有限无向图中提取所有节点的若干个节点属性值，其中，第i个节点的若干个节点属性值集合为Xi＝{xi1,xi2,…,xij,…,xin}，xn为第i个节点的第n个节点属性值；若干个节点属性值包括度数中心性、介数中心性、紧密中心性和特征向量中心性。进一步的，在步骤S4)中，对所有节点的若干个节点属性值进行归一化处理，获得归一化处理后所有节点的若干个节点属性值，归一化处理后第i个节点的若干个节点属性值集合为Yi＝{yi1,yi2,…,yij,…,yin}，归一化处理后第i个节点的第j个节点属性值为进一步的，在步骤S5)中，分别计算每个节点的若干个节点属性值的信息熵，第i个节点的第j个节点属性值的信息熵其中，pij表示归一化处理后第i个节点的第j个节点属性值出现的概率,进一步的，在步骤S6)中，根据每个节点的若干个节点属性值的信息熵计算所有节点的客观权重；第i个节点的客观权重为本专利技术的有益效果是：本专利技术基于谣言中心性特征，使用融合客观赋权算法提取网络节点权重特征，并使用SIR传播模型对于谣言传播过程进行仿真，采用MLE似然估计算法有效实现了社交网络谣言源点的准确识别。本专利技术将节点客观权重作为一项重要参数用于对谣言源的识别，对网络结构的表示更加合理，预测结果更加有效和精确。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本实施例一提供的融入客观赋权法的社交网络谣言源识别方法流程示意图。图2为本实施例一提供的基于karate数据集进行谣言源点预测的预测效果图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不用于限定本专利技术。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。实施例一，一种融入客观赋权法的社交网络谣言源识别方法，如图1所示，包括以下步骤：S1)构建由若干个节点以及若干条边组成的网络谣言源识别有限无向图G＝(V，E，W)，V表示节点，E表示边，W表示节点的权重；一个节点对应社会网络中的一个用户；每条边对应两个节点之间的关系；谣言源点s的谣言信息从所述网络谣言源识别有限无向图G中以异步的方式进行传播，谣言源点s为未知源节点；S2)选择SIR传染病模型模拟谣言传播过程；SIR传染病模型将若干个节点分为三类节点，三类节点包括易感染节点、感染节点和恢复节点；在步骤S2)中，SIR传染病模型为S(t)表示t时刻网络中健康节点的总数，I(t)则表示在t时刻感染节点的总数，R(t)表示t时刻免疫节点的总数，S(t)+I(t)+R(t)＝n，n表示节点总数，θ1为健康节点在传播过程中变成感染节点的概率，θ2表示感染节点在传播过程中转变成免疫节点的概率。S3)利用SIR传染病模型从网络谣言源识别有限无向图中提取所有节点的若干个节点属性值；其中，第i个节点的若干个节点属性值集合为Xi＝{xi1,xi2,…,xij,…,xi本文档来自技高网...

【技术保护点】
1.一种融入客观赋权法的社交网络谣言源识别方法，其特征在于，包括以下步骤：/nS1)构建由若干个节点以及若干条边组成的网络谣言源识别有限无向图G＝(V，E，W)，V表示节点，E表示边，W表示节点的权重；一个节点对应社会网络中的一个用户；每条边对应两个节点之间的关系；谣言源点s的谣言信息从所述网络谣言源识别有限无向图G中以异步的方式进行传播，所述谣言源点s为未知源节点；/nS2)利用SIR传染病模型模拟谣言传播过程；所述SIR传染病模型将若干个节点分为三类节点，所述三类节点包括易感染节点、感染节点和恢复节点；/nS3)根据所述SIR传染病模型从网络谣言源识别有限无向图中提取所有节点的若干个节点属性值；/nS4)对所有节点的若干个节点属性值进行归一化处理，获得归一化处理后所有节点的若干个节点属性值；/nS5)分别计算每个节点的若干个节点属性值的信息熵；/nS6)根据所述每个节点的若干个节点属性值的信息熵计算所有节点的客观权重；/nS7)进行社交网络谣言源点预测，获取客观权重较高的前m个节点，使用MLE算法对客观权重较高的前m个节点计算似然函数值，获取似然函数值最大值，将所述似然函数值最大值对应的节点作为预测的社交网络谣言源点。/n...

【技术特征摘要】
1.一种融入客观赋权法的社交网络谣言源识别方法，其特征在于，包括以下步骤：
S1)构建由若干个节点以及若干条边组成的网络谣言源识别有限无向图G＝(V，E，W)，V表示节点，E表示边，W表示节点的权重；一个节点对应社会网络中的一个用户；每条边对应两个节点之间的关系；谣言源点s的谣言信息从所述网络谣言源识别有限无向图G中以异步的方式进行传播，所述谣言源点s为未知源节点；
S2)利用SIR传染病模型模拟谣言传播过程；所述SIR传染病模型将若干个节点分为三类节点，所述三类节点包括易感染节点、感染节点和恢复节点；
S3)根据所述SIR传染病模型从网络谣言源识别有限无向图中提取所有节点的若干个节点属性值；
S4)对所有节点的若干个节点属性值进行归一化处理，获得归一化处理后所有节点的若干个节点属性值；
S5)分别计算每个节点的若干个节点属性值的信息熵；
S6)根据所述每个节点的若干个节点属性值的信息熵计算所有节点的客观权重；
S7)进行社交网络谣言源点预测，获取客观权重较高的前m个节点，使用MLE算法对客观权重较高的前m个节点计算似然函数值，获取似然函数值最大值，将所述似然函数值最大值对应的节点作为预测的社交网络谣言源点。


2.根据权利要求1所述的融入客观赋权法的社交网络谣言源识别方法，其特征在于，在步骤S2)中，所述SIR传染病模型为S(t)表示t时刻网络中健康节点的总数，I(t)则表示在t时刻感染节点的总数，R(t)表示t时刻免疫节点的总数，S(t)+I(t)+R...

【专利技术属性】
技术研发人员：周中月，张海军，
申请(专利权)人：新疆师范大学，
类型：发明
国别省市：新疆;65