考虑带评论转发行为的SEIAR谣言传播过程描述方法与流程

本发明涉及一种考虑带评论转发行为的SEIAR谣言传播过程描述方法。
背景技术：
：随着社交网络的迅速发展以及广泛的普及，多种形式的信息在庞大的社交网络中传播。其中，谣言是一种利用各种渠道传播的、为公众感兴趣的事物、事件或问题的未证实的阐述或诠释。由于谣言的蛊惑性较强，而大多数社交网络用户的辨识能力较差，从而造成了谣言在网络中肆意传播。根据中国互联网信息中心(CNNIC)发布第38次《中国互联网络信息发展状况统计报告》显示，截止2016年6月，中国网民规模达7.10亿，微博用户规模为2.42亿，说明微博对大众的信息获取与转发起着关键的作用，因此建立的合理的谣言传播模型有助于对网络谣言传播的深入理解和研究。对谣言传播的研究可追溯至20世纪60年代提出的D-K模型，该模型根据谣言传播效果将节点状态分为3种，3种状态之间的转换满足一定的概率分布。DK具有高度的抽象性、严密的逻辑性和应用广泛性，但它没有把社交网络的拓扑结构对谣言传播的影响考虑在内，因此不能很好地解释谣言在大型社交网络中的传播机制。由于传染病扩散和信息扩散的深度关联，学者们将焦点转移至病毒感染模型。通过将复杂网络理论应用在谣言传播研究中，对指数型均匀网络和幂律型非均匀型网络上的谣言传播进行了深入的研究，得出谣言在均匀网络中的传播不存在非零临界值等结论。随着研究的深入，学者们考虑了在谣言传播过程中人类的行为和不同的传播机制造成的影响。带有潜伏状态节点的SEIR谣言传播模型考虑了微博用户在获知微博消息后不会立即采取转发行为，即该类节点受邻居节点的影响在一段时间之后才转发微博消息或一直不转发。虽然这种模型能很好的刻画谣言传播过程，但是该模型的缺点是感染概率固定且并没有将潜伏节点的状态转换与周围节点的状态联系起来。包括SEIR传播模型在内的多种传播模型未考虑到二次转发对转发的影响，而二次转发行为在网络谣言传播中较频繁的出现。技术实现要素：为了解决以上现有模型的缺陷，特别针对于感染概率固定，未考虑到二次转发行为对谣言传播的影响，本发明提供一种考虑带评论转发行为的SEIAR谣言传播过程描述方法，建立SEIAR谣言传播模型，以更加准确地描述谣言传播过程。本发明为解决上述技术问题采用以下技术方案：本发明提供一种考虑带评论转发行为的SEIAR谣言传播过程描述方法，将用户节点划分为易感染状态、暴露状态、感染状态、活跃状态和免疫状态五种状态，建立SEIAR谣言传播模型，根据该SEIAR谣言传播模型对谣言传播过程进行描述；其中，SEIAR谣言传播模型为：其中，S(t)、E(t)、I(t)、A(t)、R(t)分别为t时刻易感染状态、暴露状态、感染状态、活跃状态、免疫状态下的节点数量；P1为节点由易感染状态转为暴露状态的概率；P2为节点由暴露状态转为感染状态的概率；P3为节点由感染状态转为活跃状态的概率；P4为节点由感染状态转为免疫状态的概率；P5为节点由活跃状态转为感染状态的概率；P6为节点由暴露状态转为免疫状态的概率。作为本发明的进一步优化方案，节点由暴露状态转为感染状态的概率其中，λ表示谣言的基本传播概率，即谣言的诱惑程度；θ表示控制增幅的范围；a和b均为加权因子；N表示用户节点总数。作为本发明的进一步优化方案，基于所述SEIAR谣言传播模型的谣言传播过程为：t时刻，处于活跃状态的节点以概率P5在t+1时刻转为感染状态I；处于暴露状态的节点以概率P2在t+1时刻转为感染状态，以概率P6在t+1时刻转为免疫状态；处于感染状态的节点以概率P1将处于易感染状态的邻居节点在t+1时刻转为暴露状态；处于感染状态的节点以概率P3在t+1时刻转为活跃状态，以概率P4在t+1时刻转为免疫状态。作为本发明的进一步优化方案，0≤a≤1。作为本发明的进一步优化方案，0≤b≤1。本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明一种考虑带评论转发行为的SEIAR谣言传播过程描述方法，在传统的病毒式感染模型的基础上，建立SEIAR谣言传播模型，还考虑了节点属性差异的因素，更加准确地反映了真实谣言传播过程。本发明对真实网络，尤其是社交网络中的谣言传播的描述效果最佳。附图说明图1是本发明的传播流程图。图2是本发明的状态转移框图。图3为本发明应用在采集的微博网络中各状态节点数量随时间的变化图。图4本发明应用在采集的微博网络中I状态节点数量随时间的变化、感染概率随时间的变化示意图，其中，(a)为感染状态I的节点数量随时间的变化示意图，(b)为感染概率随时间的变化示意图。具体实施方式下面结合附图以及具体实施例对本发明的技术方案做进一步的详细说明：本发明一种考虑带评论转发行为的SEIAR谣言传播过程描述方法，将用户节点划分为易感染状态、暴露状态、感染状态、活跃状态和免疫状态五种状态，建立SEIAR谣言传播模型，基于SEIAR谣言传播模型描述谣言传播过程，其中，SEIAR谣言传播模型为：其中，S(t)、E(t)、I(t)、A(t)、R(t)分别为t时刻易感染状态、暴露状态、感染状态、活跃状态、免疫状态下的节点数量；如图2所示，P1为节点由易感染状态转为暴露状态的概率，P2为节点由暴露状态转为感染状态的概率，P3为节点由感染状态转为活跃状态的概率；P4为节点由感染状态转为免疫状态的概率，P5为节点由活跃状态转为感染状态的概率，P6为节点由暴露状态转为免疫状态的概率。基于上述模型能反映的实际社交网络中的谣言传播过程，如图1所示，具体流程表述如下。步骤1，建立用户节点数为N的有向网络，并将网络中的所有节点的初始状态设置为易感染状态S。为了更加直观的显示出本发明的实际效果，应用本发明于微博网络。通过对新浪微博的数据采集，以用户为节点，节点间的关注与被关注关系为有向边，构建有向关系网络，其参数如表1所示。初始化仿真次数n，且网络中所有节点的初始状态为易感染状态S。表1有向关系网络的参数表参数\网络新浪微博节点数(N)16459连变数(M)129682度(kin/kout)7.88平均路径长度(d)3.3649步骤2，随机选取网络中的一个节点，将其状态设置为感染状态I，并初始化感染时间t＝0；因为网络中的节点的出度和入度有着不同的差异，因此在每次仿真过程中随机选取网络中的一个节点作为感染源，即设置该节点状态为感染状态I。初始感染时间t，谣言传播开始。步骤3，传播过程开始，t时刻，处于活跃状态A的节点以概率P5在t+1时刻转为感染状态I。此过程考虑了微博中用户的二次转发，即已转发并评论的用户会第二次转发而转变为感染状态I，二次转发的节点会在下一个时刻对处于易感染状态的节点继续感染。步骤4，t时刻，处于暴露状态E的节点以概率P2在t+1时刻转为感染状态I，以概率P6在t+1时刻转为免疫状态R；此过程考虑在微博用户在得知某微博消息后，若对该微博消息感兴趣则会进行转发，若对该微博消息不感兴趣则永远不会进行转发，若对该消息的转发行为还未做决定，则继续保持暴露状态E。根据上述思想，将微博消息的原始感染概率设为λ，而用户的转发并评论行为会增加微博消息的感染概率，即评论内容会影响其它用户的转发行为。那么，最终的感染概率P2如下所示：其中，代表了对基本感染概率的增幅，θ表示控制增幅的范围，使得P2的范围可以控制在λ和1之间。A(t)和R(t)分别代表了t时刻处于活跃状态的节点数量与处于免疫状态的节点数量，。步骤5，t时刻处于感染状态I的节点以概率P1将处于易感染状态S的邻居节点在t+1时刻转为暴露状态E；步骤6，t时刻处于感染状态I的节点以概率P3在t+1时刻转为活跃状态A，以概率P4在t+1时刻转为免疫状态R；步骤7)，令t＝t+1；返回步骤3)，直到时间t>100。为了验证该模型能反映实际社交网络中的谣言传播过程，我们将该模型应用到抓取到的微博关系网络中。图3为本发明应用在实际微博关系网络时，传播过程中网络节点状态随时间的变化图。图4中(a)和(b)分别为本发明应用在实际微博关系网络时，网络中感染状态I的节点数量随时间的变化、感染概率P2随时间的变化示意图。图3中，各参数的值为：P1＝1，λ＝0.1，P3＝0.8，P4＝0.2，P5＝0.002，P6＝0.05，θ＝1，a＝0.8，b＝0.2。由图3中的仿真结果可知，在基本传播概率λ较低的情况下谣言也能传播开，且在时间t＝16左右处于暴露状态的节点数量达到最大且处于感染状态的节点也达到最大；在t＝40左右网络中各状态节点数量达到稳定。在其它参数不变的情况下改变参数a和b的值，感染状态I节点数量及感染概率P2的仿真结果如图4(a)和(b)所示。在P3>P4的情形下，a＝1，b＝1时感染概率P2的增幅最大且感染状态节点数量峰值越大；当a+b＝1时，a越小感染概率P2的增幅越小且感染状态节点数量峰值越小，因此可以通过改变参数a和b的值可以调节活性状态和免疫状态节点数量对感染概率P2的加权。此外，由图4(a)和(b)可以看出，感染概率的改变对感染状态节点数量到达峰值的时间影响不大，但是感染概率能改变感染状态节点数量的峰值。本
技术领域：
技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。当前第1页1 2 3