谣言传播时变网络模型构建方法及系统转让专利
申请号 : CN202010731629.9
文献号 : CN111881535B
文献日 : 2021-05-04
发明人 : 韩定定 , 姚清清 , 徐明月
申请人 : 复旦大学
摘要 :
权利要求 :
1.一种谣言传播时变网络模型构建方法,其特征在于,所述构建方法包括,设置节点数为N的L*L的二维晶格网络,网络演化过程中基于记录的节点的空间坐标和每个时刻节点的连边情况获得节点间距和累积连边次数和,结合节点间距和累积连边次数和来获得每个时刻活跃节点选择邻居的连边偏好概率,基于每个时刻活跃节点的连边偏好概率进行连边获得时变网络模型;以及,
基于所述时变网络模型,将节点根据需要设置为未知者、传播者和免疫者,设置谣言的感染率为λ,设置节点的恢复率为μ,获取谣言传播时变网络模型;
所述时变网络模型的具体构建方法包括,节点信息获取(101),根据需要设置网络的节点数为N,将N个节点均匀分布在L*L的二维晶格网络中,根据活跃度分布给网络结构中的每个节点赋予对应的活跃度ak,分析节点的空间坐标位置和每个时刻节点的连边情况,获取节点间距和节点的累积连边次数和,其中,N为正整数,k=1,2,…,N;
偏好概率获取(102),基于节点的累积连边次数和来获得节点的连边权重,结合节点间距、连边权重和比例参数α获得偏好概率Pij,其中,比例参数用于表示在形成网络结构时节点连边权重和节点间距所占的比重,i=1,2,…,N,j=1,2,…,N,且i≠j;
瞬时网络模型获取(103),每个时刻t,节点结合该节点的活跃度和偏好概率Pij形成瞬时网络模型Gt;以及,
时变网络模型生成(104),根据瞬时网络Gt模型生成某个时间段的时变网络模型。
2.根据权利要求1所述的谣言传播时变网络模型构建方法,其特征在于,所述偏好概率获取(102)的具体方法包括,
获取节点连接概率(102‑1),节点根据活跃度变为活跃节点和非活跃节点;对于某个活跃节点,将在时刻t之前曾经与该活跃节点建立过连边的节点放入集合R,根据集合R获得节点连接概率p1和p2,
其中,n表示集合R中的元素总数,c为偏置常数,p1表示活跃节点选择连接集合R中的节点的概率,p2表示活跃节点选择连接从未有过连边的新节点的概率;
获取节点对连接概率(102‑2),对于时刻t,所述该活跃节点连接的节点作为目标节点,所述该活跃节点与某个目标节点组成节点对;目标节点在集合R中时,结合节点对中两个节点的连边权重、间距和比例参数α得到节点对连接概率p21,目标节点不属于集合R时,基于节点对间距获取节点对连接概率p22,其中,wij表示节点对的连边权重,dij表示节点对间距;
计算偏好概率(102‑3),结合节点连接概率和节点对连接概率获得偏好概率Pij,
3.根据权利要求1所述的谣言传播时变网络模型构建方法,其特征在于,所述瞬时网络模型获取(103)的具体方法包括,每个时刻t,节点根据自身的活跃度变为活跃节点或非活跃节点;
活跃节点根据自身的连边偏好概率连接m条连边形成瞬时网络模型Gt,其中,连边数目m根据实际应用设置。
4.根据权利要求1至3任意一项所述的谣言传播时变网络模型构建方法,其特征在于,所述活跃度分布符合幂律分布,所述活跃度分布的幂指数和最值根据实际网络的拓扑结构来设定。
5.根据权利要求1至3任意一项所述的谣言传播时变网络模型构建方法,其特征在于,所述节点间距为曼哈顿距离。
6.一种谣言传播时变网络模型构建系统,其特征在于,所述构建系统包括,节点信息获取模块,根据需要设置网络的节点数为N,将N个节点均匀分布在L*L的二维晶格网络中,根据活跃度分布给网络结构中的每个节点赋予对应的活跃度ak,分析节点的空间坐标位置和每个时刻节点的连边情况,获取节点间距和节点的累积连边次数和,其中,N为正整数,k=1,2,…,N;
偏好概率获取模块,基于节点的累积连边次数和来获得节点的连边权重,结合节点间距、连边权重和比例参数α获得偏好概率Pij,其中,比例参数用于表示在形成网络结构时节点连边权重和节点间距所占的比重,i=1,2,…,N,j=1,2,…,N,且i≠j;
瞬时网络模型形成模块,每个时刻t,节点结合该节点的活跃度和偏好概率Pij形成瞬时网络模型Gt;以及,
时变网络模型生成模块,根据瞬时网络Gt模型生成某个时间段的时变网络模型;
谣言传播时变网络模型获取模块,基于所述时变网络模型,将节点根据需要设置为未知者、传播者和免疫者,设置谣言的感染率为λ,设置节点的恢复率为μ,获取谣言传播时变网络模型。
说明书 :
谣言传播时变网络模型构建方法及系统
技术领域
背景技术
的数据越来越丰富,且能详细具体地记录下各类复杂系统中个体的属性和行为发展轨迹。
技术中,在活跃度驱动模型的基础上增加节点的记忆性后,即将网络中的节点简单地分为
两类:曾经连接过的老邻居和未曾有过交互的新节点,节点在选择目标节点时会倾向于连
接老邻居。
发明内容
间距和累积连边次数和,结合节点间距和累积连边次数和来获得每个时刻活跃节点选择邻
居的连边偏好概率,基于每个时刻活跃节点的连边偏好概率进行连边获得时变网络模型。
近真实的社交网络,进而在一定程度上降低时变网络模型的局限性。
空间坐标位置和每个时刻节点的连边情况,获取节点间距和节点的累积连边次数和,其中,
N为正整数,k=1,2,…,N;
点连边权重和节点间距所占的比重,i=1,2,…,N,j=1,2,…,N,且i≠j;
概率得到瞬时网络模型,进而得到时变网络不同时刻间网络拓扑结构的关联性,在一定程
度上降低时变网络模型的局限性。
连接概率p1和p2,
的连边权重、间距和比例参数α得到节点对连接概率p21,
度越高,距离越近的节点间建立连边的概率越大;而对于新节点,连边权重为零,偏好概率
只与节点间距有关,通过偏好概率的计算更细致地赋予网络节点属性,在一定程度上降低
时变网络模型的局限性。
限性。
点的空间坐标位置和每个时刻节点的连边情况,获取节点间距和节点的累积连边次数和,
其中,N为正整数,k=1,2,…,N;
时节点连边权重和节点间距所占的比重,i=1,2,…,N,j=1,2,…,N,且i≠j;
获取模块、瞬时网络模型形成模块和时变网络模型生成模块,来展示不同时刻间网络拓扑
结构的关联系,有助于降低时变网络模型的局限性。
连边权重,结合节点间距、连边权重和比例参数α获得每个时刻活跃节点选择邻居的连边偏
好概率,基于活跃节点每个时刻的连边偏好概率进行连边获得时变网络模型,其中,比例参
数用于表示在形成网络结构时节点连边权重和节点间距所占的比重,比例参数的值设置为
调节输入;以及,
性,从而使谣言传播时变网络模型更贴近真实的谣言传播社交网络,进而在一定程度上降
低谣言传播时变网络模型的局限性。
络模型更贴近真实的社交网络,进而在一定程度上降低时变网络模型的局限性;
密度越高,距离越近的节点间建立连边的概率越大;而对于新节点,连边权重为零,连边概
率只与节点间距有关,通过偏好概率的计算更细致地赋予网络节点的属性,在一定程度上
有助于降低时变网络模型的局限性;
获取模块、偏好概率获取模块、瞬时网络模型形成模块和时变网络模型生成模块,来展示不
同时刻间网络拓扑结构的关联系,有助于降低时变网络模型的局限性。
附图说明
具体实施方式
用于限定本申请。
似特征中的一个例子而已。
节点的连边情况获得节点间距和累积连边次数和,结合节点间距和累积连边次数和来获得
每个时刻活跃节点选择邻居的连边偏好概率,基于每个时刻活跃节点的连边偏好概率进行
连边获得时变网络模型。
点间距是节点空间性的体现,连边权重是节点记忆性的体现,因此本申请得到的时变网络
模型是基于节点的空间性和记忆性的。充分体现了节点在选择连边时的偏好性,刻画出真
实网络中蕴含的拓扑结构之间的联系。从而使时变网络模型更贴近真实的社交网络,进而
在一定程度上降低时变网络模型的局限性。
点的空间坐标位置和每个时刻节点的连边情况,获取节点间距和节点的累积连边次数和,
其中,N为正整数,k=1,2,…,N;
节点连边权重和节点间距所占的比重,i=1,2,…,N,j=1,2,…,N,且i≠j;
近现实网络中的交互者,有助于减小与现实网络的差距。
从而基于偏好概率得到瞬时网络模型,进而得到时变网络不同时刻间网络拓扑结构的关联
性,在一定程度上降低时变网络模型的局限性。得到的时变网络模型简单明了,通过修改比
例参数,能方便地调节各驱动因素的影响比重来描述不同类型不同场景下的时变网络。
t之前曾经与该活跃节点建立过连边的节点放入集合R,根据集合R获得节点连接概率p1和
p2,
率;
个节点的连边权重、间距和比例参数α得到节点对连接概率p21,
其距离近的节点。因此,属于集合R的目标节点,其节点对连接概率由节点对间的连边权重
和距离共同决定,不属于集合R的目标节点,其节点对连接概率由节点间距决定。其中,节点
达到多少活跃度值是变为活跃状态由使用者进行设置。
共同决定连边偏好概率。权重越大、距离越近,则该节点成为目标节点的概率就越大。两个
驱动因素的影响比例可以用比例系数α来调节;若第一步选择的是未曾出现过的新连边,则
目标节点的选择只由节点间的距离远近决定。
从而决定了网络的功能,进而影响其上的动力学行为。
的演化机制反映出来,从而在模型生成网络上的仿真实验更具可信度和实际参考价值。在
本申请实施方式中提出的模型中首先活跃节点会有更大的概率连接当前时刻前已经连接
过的旧节点,其次在这些老邻居中,根据不同节点间连边的累积权重和连边长度来确定偏
好概率。权重越大即亲密度越高,距离越近的节点建立连边的概率就越大。对于新节点,连
边权重为零,则连边概率只和距离相关。和现有模型相比,更细致地赋予了网络中节点的属
性,在体现网络结构演变的同时,刻画了不同时刻网络结构的关联。
上降低瞬时网络模型的局限性;而连边数目m,根据不同的实际应用场景有不同的数值。比
如,在用微信等软件进行一对一聊天时,连边数目m为1;在用微信等软件进行一对多聊天即
群聊时,则连边数目超过1。
予节点坐标属性,从而体现了空间位置对形成网络拓扑结构的影响;基于活跃度驱动的有
记忆演化模型(RP)则引入了节点的记忆性,将网络中的节点分成了新旧节点两类。本申请
融合了上述模型的可取之处,在活跃度驱动的基础上,进一步考虑节点之间的亲密度和距
离的关系,刻画出时变网络不同时刻间网络拓扑结构的关联性。
点的空间坐标位置和每个时刻节点的连边情况,获取节点间距和节点的累积连边次数和,
其中,N为正整数,k=1,2,…,N;
重所占的比重,i=1,2,…,N,j=1,2,…,N,且i≠j;
获取模块、偏好概率获取模块、瞬时网络模型形成模块和时变网络模型生成模块,来展示不
同时刻间网络拓扑结构的关联性,有助于降低时变网络模型的局限性。
连边权重,结合节点间距、连边权重和比例参数α获得每个时刻活跃节点选择邻居的连边偏
好概率,基于活跃节点每个时刻的连边偏好概率进行连边获得时变网络模型,其中,比例参
数用于表示在形成网络结构时节点连边权重和节点间距所占的比重,比例参数的值设置为
调节输入;以及,
距即节点空间性和记忆性,从而使谣言传播时变网络模型更贴近真实的谣言传播社交网
络,进而在一定程度上降低谣言传播时变网络模型的局限性。
为时变空间记忆模型。
扑结构的影响。
之间进行交互。若传播者和未知者产生交互,则传播者会以感染率λ把谣言传给未知者,感
染成功则未知者变为传播者。若两个传播者之间产生交互或者是传播者和免疫者产生交
互,人们可能意识到这是谣言或是发现大家都已知晓此信息,所以继续传播该信息的兴趣
会下降,传播者会以恢复率μ变为免疫者。如图2所示,T1表示谣言为传播前的网络结构图,
T2表示谣言传播后的网络结构图。
传播时变网络模型设置如下参数:节点个数N=10 ,网络边长L=317,活跃度a最小值为10
‑2.8
且活跃度分布服从F(a)∝a ,活跃节点每次创建的连边数m=1,谣言传播时变网络模型
的感染率λ=1,恢复率μ=0.6。得到的本申请的谣言传播时变网络模型即时变空间记忆模
型(TSM) 和其他模型上网络中未知者的比例变化情况如图3所示。其中,ML模型代表活跃度
驱动网络, AD模型代表只引入节点间距的时变网络模型,IRP代表只引入节点连边权重的
时变网络模型,横轴代表谣言传播时间,纵轴代表未知者的比例。从图3中整体趋势可以看
出,随着时间的变化,未知者比例逐渐减小且最终趋于平稳,未知者比例趋于平稳后代表谣
言传播截止,即谣言传播得到抑制。且在时变空间记忆模型TSM生成的网络上,传播速度和
范围得到了进一步的控制。从而能够看出节点间的亲密度和距离共同作用,使节点连边的
偏好性增强,随机性减弱,网络中“强连接”和“弱连接”愈加明显,不同时刻间网络结构的关
联性增强,因而对传播过程的影响也变大了。
权重即节点的记忆性所占比重的大小。从图4中可以看到,α的值越大,未知者比例在越短的
谣言传播时间内趋于平稳,谣言越早得到抑制,即在时变空间记忆模型中节点的记忆性对
节点偏好连接的支配能力越大。具体来讲,当α=0则节点在集合R中选取目标邻居时,只考
虑与节点的距离远近,距离越近,连边概率越大,在仿真网络中谣言的传播范围接近60%。
当α>0时,则节点对的亲密度影响连边的选择,且随着α增大,亲密度的影响比重增加,对谣
言传播的速度的和范围的抑制作用也逐步增强。如α=1时,传播范围降低至43%左右,而α
=2时,已经只有约20%的节点知晓谣言。由此可以说明在时变空间记忆模型中,与空间性
相比记忆性占主导地位。
度驱动网络,AD模型代表只引入节点间距的时变网络模型。其中,所用数据集是从斯坦福大
学数据网站SNAP中下载的某欧洲研究所中约1000个工作人员803天中的邮件往来数据。可
以看到在显示的几种模型中,在时变空间记忆模型生成的网络上的谣言传播结果与实际网
络的谣言传播结果最为接近。验证了本申请提出的时变网络模型网络演变机制的合理性,
网络结构和其上的动力学行为的确会受到节点各类属性的影响。
近现实谣言传播社交网络。进而验证了本申请公开的时变网络模型构建方法、系统以及谣
言传播时变网络模型构建方法的局限性更低,更加接近实际网络。
申请提出的时变网络模型的合理性和准确性。
的数据越来越丰富,且能详细具体地记录下各类复杂系统中个体的属性和行为发展轨迹。
这些海量的数据和复杂网络理论知识,为研究网络结构变化、构建时变网络模型提供了基
础和参考。通过引入节点的时变性、空间系和记忆性能更加准确地刻画每个时刻的网络拓
扑以及时刻间拓扑结构的关联,反映实际网络的特点。是后续在生成网络上研究信息传播、
疾病感染等动力学行为,网络优化控制等方面问题时,得到的结论也更具实际应用价值。