流浪的诗人，-CSDN博客

原创 Containment of rumor spread in complex social networks

谣言可以通过社交网络快速传播并造成重大损失。为了控制谣言传播，传播正确的信息来抵消谣言的影响似乎比简单地通过审查或网络中断来阻止谣言更为合适。本文提出了一种竞争扩散模型，即单向状态转移线性阈值模型（LT1DT），用于对同一网络中两种不同类型的竞争信息传播进行建模。探讨了最小化社交网络中谣言传播的问题，并提出了一种基于扩散动力学的新颖启发式方法来解决 LT1DT 下的该问题。对四个不同网络的实验分析表明，新颖的启发式方法优于页面排名中心性。

2024-05-21 20:59:51 575

原创 Minimizing the spread of misinformation in online social networks: A survey

在线社交网络提供了快速广泛传播消息和新闻的机会。人们可能会欣赏合法新闻和消息的快速传播，但错误信息也可能会快速传播，并可能引起担忧，质疑此类网络的可靠性和信任。因此，检测错误信息并遏制其传播已成为社交网络分析的热门话题。当检测到错误信息时，可能需要采取一些措施来减少其传播和对网络的影响。此类行动旨在最大限度地减少受错误信息影响的用户数量。本文回顾了解决社交网络中错误信息传播最小化问题的方法，并提出了不同方法的分类。

2024-05-20 14:31:47 904

原创 Machine Learning-Based Rumor Controlling

随着世界进入Web2.0时代，Facebook、Twitter、微博等社交媒体近几十年来迅速发展，已经成为我们生活中不可分割的一部分。根据皮尤研究中心的调查，2007年，在线社交媒体成人用户占美国成年人口的比例为5%，2015年已增长至65%[57]。在世界上，数十亿人通过社交媒体联系在一起。电视、广播和报纸等传统媒体上的内容由专业人士创建并经过验证，然后发布给观众或读者。在社交媒体上，每个用户都有资格发布内容，并且缺乏事实核查机制。每天，大量的消息、图像和视频未经验证就发布到社交媒体上。

2024-05-16 16:06:10 276

原创 Dynamic Rumor Control in Social Networks using Temporal Graph Neural Networks

在线平台上谣言和错误信息的普遍传播需要采取积极有效的方法来检测和减轻其影响。我们提出的方法利用社交网络交互的时间动态，并将其集成到时间图神经网络（TGNN）模型中，以进行谣言检测和控制。研究首先制定TGNN模型的数学框架，其中包括社交网络数据的表示、节点特征、邻接矩阵和隐藏节点表示。TGNN 架构结合了时态图卷积 (TGCN) 层来捕获社交网络中的时间依赖性和不断演变的交互，并结合时态图注意力 (TG-Attention) 层来促进基于隐藏节点表示的边缘表示。

2024-05-15 13:52:27 933

原创 Rumor Remove Order Strategy on Social Networks

谣言被定义为广泛传播且没有可靠来源支持的言论。现代社会，谣言在社交网络上广泛传播。谣言的传播给社会带来了巨大的挑战。“假新闻”故事可能会激怒您的情绪并改变您的情绪。有些谣言甚至会造成社会恐慌和经济损失。因此，谣言的影响可能是深远而持久的。遏制谣言的传播需要高效、智能的谣言控制策略。现有的谣言控制策略是为控制单个谣言而设计的。然而，社交网络上通常存在大量谣言，由于检测能力和CPU性能有限，一次只能删除有限的谣言。因此，在处理多个谣言时，我们应该按照一定的顺序消除谣言。

2024-05-13 14:49:38 687

原创 Rumor Containment by Blocking Nodes in Social Networks

谣言在社交网络中快速传播，可能严重损害我们的社会。在本文中，我们提出了一种基于整数线性规划（ILP）的数学规划公式，通过阻止建模为线性阈值模型的复杂社交网络中的节点子集（称为阻止者）来最大程度地减少谣言传播。我们还提出了一种改进的方法，可以减少计算量来解决 top-k 阻塞问题，并正式证明其性能仍然是最优的。然后，评估所提出的方法在四个不同网络中遏制谣言传播的有效性，并将其性能与基于贪婪的方法和两种基于中心性的方法进行比较。实验分析表明，基于ILP的方法优于其他三种方法，并且适用于大规模网络。

2024-05-08 16:43:35 994

原创 A Theoretically Guaranteed Approach to Efficiently Block the Influence of Misinformation in Social N

如今，社交网络在人类生活中发挥着重要作用。除了社交网络的所有优势之外，谣言的传播也成为用户最关心的问题，因此找到一种尽可能限制错误信息传播的方法非常重要。影响力阻止最大化（IBM）是在社交图中找到 k 个节点以在传播过程结束时最小化谣言源传播的问题。在本文中，我们提出了一种称为使用鞅影响阻塞最大化（IBMM）的两步方法，以解决竞争性独立级联模型（ICM）下的 IBM 问题，同时具有 (1 − 1/e − ε) 近似保证和实际运行时效率。在所提出的方法中，首先我们使用一组基于鞅的估计技术来计算所需样本的数量。

2024-05-08 13:39:04 663

原创 Exploiting ensembled neural network model for social platform rumor detection

随着互联网和社交媒体的普及，从海量的事件信息中辨别谣言变得越来越困难。为了提高谣言检测的准确率，深度学习神经网络模型常用于谣言检测任务。首先，本文重现了四种单一神经网络模型的谣言检测实验：长短期记忆网络（LSTM）、文本卷积神经网络（TextCNN）、具有注意力机制的文本循环神经网络（TextRNN_Att）和 Transformer。在此基础上，提出了基于预训练特征提取器和集成学习的模型，并采用加权平均集成算法。结果表明，谣言检测集成学习模型在各项指标上均优于单一模型。

2024-05-05 15:22:11 634

原创 Mitigating Misinformation in Online Social Network with Top-k Debunkers and Evolving User Opinions

在线社交网络为信息共享提供了便捷的平台，假新闻和谣言的传播盛行，对美国和雅加达选举等重大事件造成严重后果。现有的工作已经设计了方法来找到一组前k名用户来发起真相活动并减轻错误信息的负面影响。假设这些排名前 k 的用户是开放的并且愿意传播经过事实核查的内容。此外，这些方法假设随着错误信息和反消息在网络中传播，用户意见一旦形成就不会改变。在这项工作中，我们解决了一个更现实的场景，即用户的意见可能会在某个截止日期之前波动，目标是从一组揭穿者中找到一组好的种子用户，以最大程度地减少错误信息的影响。

2024-05-04 17:41:08 621

原创 Enhance Rumor Controlling Algorithms Based on Boosting and Blocking Users in Social Networks

不可否认，网络社交网络上的谣言比比皆是，而且谣言会造成许多灾难性的后果。有效控制谣言在社交网络中具有重要意义。然而，现有的研究仅选择了更有可能采纳真相的用户的助推或选择屏蔽用户来终止谣言的传播。前者倾向于在谣言传播结束后进行纠正，但控制成本较高，而后者则不考虑真相传播情况而封堵谣言。本文重点讨论当谣言与真相共同传播时，如何选择助推-封杀用户来控制谣言。我们提出了一种增强真相阻止谣言级联（BTBRC）模型。

2024-04-29 14:36:08 611

原创 Graph Convolutional Network-Based Rumor Blocking on Social Networks

错误信息和谣言可以通过在线社交网络迅速广泛传播，严重危害社会稳定。因此，社交网络上的谣言拦截已成为研究热点。在现有的研究中，当用户收到两种相反的意见时，他们倾向于相信第一个出现。在本文中，我们认为用户会辩证地相信基于自己观点的信息，而不是先到先听的规则。我们提出了一种基于置信度的意见采纳（CBOA）模型，该模型根据传统的线性阈值（LT）模型考虑意见和置信度。基于该模型，我们提出有向图卷积网络（DGCN）方法来选择k个最有影响力的正级联节点来抑制谣言的传播。最后，我们在四个真实网络数据集上验证了我们的方法。

2024-04-29 12:44:55 561

原创 A Survey of State of the Art on Rumor Detection in Social Network

互联网上充斥着谣言帖子，谣言的传播会给社会和谐稳定带来负面影响，影响网络信息生态的健康发展。谣言的不确定性、时效性、主观性等特点，使其不同于一般的虚假网络信息。社交网络谣言检测是社交网络与信息传播研究领域的热点问题，有助于进一步提高谣言治理的效率和效果，净化网络环境。社交网络谣言被定义为在社交网络上传播且未经证实，或者已被官方确认为虚假的，而在社交网络信息中，传统的谣言检测基于特征的研究主要集中在短信、发布静态扁平特征等方面。用户、传输等方面，忽略了消息传输结构和传输群体的演化反应。

2024-04-26 17:04:02 701

原创 A SYSTEMATIC LITERATURE SURVEY FOR DETECTING RUMORS BASED ON MACHINE LEARNING AND DEEP LEARNING

谣言检测被认为是社交网络分析的关键研究领域之一，对于防止社交网络中错误信息的传播至关重要。近年来已经引入了几种谣言检测技术。这些技术将问题呈现为分类问题，例如二元问题（谣言或非谣言）。这些技术大部分都基于机器学习 (ML)。这些技术的主要障碍主要与从数据集选择中提取特征相关。由于需要时间和精力，手动提取特征会影响大多数这些工作的谣言检测效率。最近应用的另一种技术是深度网络，它被建议作为简化特征提取并提供强大而卓越的学习抽象表示的能力的手段。

2024-04-26 15:15:05 1062

原创符号社交网络中净积极影响力最大化问题研究

近年来，以Ｔｗｉｔｔｅｒ、微博、Ｆａｃｅｂｏｏｋ为代表的在线社交网络发展迅速，在线数据可用性的增加促进了对社交网络分析和挖掘的研究，在线社交网络为产品推广和广告提供了新的平台。目前，病毒式营销中出现的影响力最大化问题受到了广泛关注。符号网络是可以反映用户之间的积极关系和消极关系的社交网络，然而之前的研宄较少考用户之间的友好或敌对关系，即忽略了用户之间的极性关系，这在实际场景中是不准确的，另外在符号网络中选择种子用户时，除了要考虑他们带来的积极影响，他们产生的消极影响也发挥了不容忽视的作用。

2024-04-25 16:14:01 673

原创 Online and Offline Dynamic Influence Maximization Games Over Social Networks

在这项工作中，我们考虑了具有多个玩家（影响者）的社交网络上的动态影响力最大化游戏。在每个竞选机会开始时，个人的意见动态都会采取独立同分布。基于任意分布的实现。在观察到这些认识后，有影响力的人会分配一些预算来影响他们的意见动态。然后，个人的观点动态根据著名的德格鲁特模型演变。在活动结束时，影响者根据最终的意见动态领取奖励。每个影响者的目标是在有限的总预算率约束下最大化自己的奖励。因此，影响者需要考虑个人的意见动态和其他影响者的投资策略来仔细设计他们的投资政策，从而导致动态博弈问题。

2024-04-24 14:53:51 482 1

原创 Maximizing the Influence of Social Networks Based on Graph Attention Networks

选择k个重要成员以最大化影响力传播是影响力分析中的一个关键算法挑战。这被称为社交网络中的影响力最大化（IM）问题。以往对于IM问题的研究主要存在两个问题：（1）复杂的图数据无法在图拓扑中得到有效利用，（2）容易出现影响重叠的问题，从而导致解决方案无法解决。种子集不理想。本文提出了一种基于图注意力嵌入（GAEIM）的影响力最大化方法来解决上述问题。GAEIM通过Node2Vec学习浅层图结构，并利用图注意力机制学习更深层次的图结构，以提取与IM问题相关的信息。

2024-04-22 14:45:40 589

原创 Influential Node Tracking on Dynamic Social Network: An Interchange Greedy Approach

由于社会网络结构和个体之间的影响力不断变化，需要在动态环境下跟踪有影响力的节点。为了解决这个问题，我们探索影响节点跟踪（INT）问题作为动态社交网络下传统影响最大化问题（IM）的扩展。影响力最大化问题旨在识别一组 k 个节点以最大化一个静态网络下的联合影响力，而 INT 问题则侧重于跟踪一组有影响力的节点，这些节点随着网络的发展不断最大化影响力。利用网络结构演化的平滑性，我们提出了一种高效的算法——上界交换贪婪算法（UBI）和一种变体——UBI+。

2024-04-20 14:38:45 1006

原创 Targeted influence maximization in competitive social networks

利用口碑效应的广告对于推销产品是相当有效的。在过去的十年中，人们对营销中的影响力最大化问题进行了深入的研究。影响力最大化问题旨在将社交网络中的一小群人识别为种子，最终他们将引发网络中最大的影响力传播或产品采用。在网络营销的实际场景中，网络中同类产品之间存在竞争、针对特定用户群体进行促销的情况是很常见的。例如，活动主办方在社交平台上发布活动广告，希望吸引最多当地居民的关注。与此同时，社交平台上正在推广多项竞赛活动。在本文中，我们提出了竞争性社交网络中的目标影响力最大化（TIMC）等问题。

2024-04-19 19:42:56 968

原创 Modeling Group Opinion Evolution on Online Social Networks: A Gravitational Field Perspective

群体行为的研究对于建立良好的网络环境是有效的，因为社交网络中的人们往往会自发地形成群体。大多数关于在线社交网络上群体行为的研究都假设所有个体都被简化为一个集群，忽略了潜在集群的存在及其在群体舆论动态中的重要性。本文介绍了一种新颖的群体引力场（GGF）模型，从以下几个方面研究基于群体行为的观点演化：1）GGF模型将社交网络中的一个集群简化为一个电荷，将整个网络简化为一个引力场;2）GGF模型根据拓扑信息计算集群的初始影响力，并进一步基于库仑定律构造网络的引力矩阵；

2024-04-18 16:36:08 578

原创 GFNC: Unsupervised Link Prediction Based on Gravitational Field and Node Contraction

目前，大多数现有的链路预测算法只是简单地研究节点对之间的相互关系，而没有考虑节点对之间的相互作用力和高阶关系。为了找到这个问题的解决方案，本文引入了引力场的概念，然后从物理学的角度提出了一种新颖的算法框架。该框架应用于经典的链路预测算法，有效提升其预测性能。首先，应用节点收缩方法来衡量节点重要性，并使用基于相似度的链接预测算法来计算节点对之间的相似度值。其次，将节点的重要性作为质量属性引入到引力场模型中，并将节点对之间的相似度值作为节点对之间的距离度量。从而建立了物理学角度的复杂网络的引力场模型。

2024-04-15 17:17:40 896

原创 Adaptive Influence Maximization in DynamicSocial Networks

为了通过社交网络传播信息和思想，种子策略旨在找到一小部分能够最大化影响力传播的种子用户，这被称为影响力最大化问题。尽管有大量的工作研究了这个问题，但现有的播种策略仅限于静态社交网络。事实上，由于数据传输速度快、参与人数众多，现实社会网络中的扩散过程存在很多方面的不确定性。不幸的是，如实验所示，在这种情况下，最先进的播种策略是悲观的，因为它们无法追踪社交网络中的动态变化。在本文中，我们研究了以自适应方式选择种子用户的策略。我们首先对动态独立级联模型进行正式建模，并引入自适应播种策略的概念。

2024-04-15 14:25:21 763

原创 Influence Maximization in Dynamic Networks Using Reinforcement Learning

影响力最大化（IM）在近几十年来得到了广泛的研究，旨在最大化网络影响力的传播。尽管针对静态网络的工作很多，但针对动态网络的 IM 问题的研究较少，这带来了许多挑战。针对这种环境的 IM 方法应该考虑其动态性并在不同的网络结构下表现良好。为了实现这一目标，需要更多的计算。因此，IM 方法应该足够有效，以适用于不断变化的网络结构。在这项研究中，提出了一种使用深度 Q 学习 (DQL) 方法的动态网络 IM 方法。为了从网络中学习动态特征并保留先前学习的信息，已经应用了增量学习和迁移学习方法。

2024-04-14 14:35:40 807

原创 Influence maximization on temporal networks: a review

影响力最大化（IM）是网络科学中的一个重要主题，其中选择一个小的种子集来最大化网络影响力的传播。最近，这个问题引起了网络结构随时间变化的时间网络的关注。这种动态变化的网络上的 IM 是本次评论的主题。我们首先将方法分为两个主要范式：单播种和多播种。在单次播种中，节点在扩散过程开始时激活，大多数方法要么有效地估计影响力扩散并使用贪婪算法选择节点，要么使用节点排名启发式。在多重播种问题中，节点通过顺序播种、维护播种或节点探测范例在不同时间点激活。

2024-04-11 13:58:42 702

原创 Can Transformer and GNN Help Each Other?

尽管 Transformer 在自然语言处理和计算机视觉方面取得了巨大成功，但由于两个重要原因，它很难推广到中大规模图数据：(i) 复杂性高。(ii) 未能捕获复杂且纠缠的结构信息。在图表示学习中，图神经网络（GNN）可以融合图结构和节点属性，但感受野有限。因此，我们质疑是否可以将 Transformer 和 GNN 结合起来，互相帮助？在本文中，我们提出了一种名为 TransGNN 的新模型，其中 Transformer 层和 GNN 层交替使用以相互改进。

2024-04-10 15:51:47 649

原创 TransGNN: Harnessing the Collaborative Power of Transformersand Graph Neural Networks for Recommend

图神经网络 (GNN) 通过对用户-项目交互图进行建模，已成为协作过滤 (CF) 的有前途的解决方案。现有基于 GNN 的推荐系统的核心涉及沿着用户-项目交互边缘传递递归消息以细化编码嵌入。尽管它们已被证明是有效的，但当前基于 GNN 的方法遇到了有限感受野和存在噪声“兴趣无关”连接的挑战。相比之下，基于 Transformer 的方法在自适应和全局地聚合信息方面表现出色。然而，它们在大规模交互图上的应用受到固有的复杂性和捕获复杂、纠缠结构信息的挑战的阻碍。

2024-04-09 14:18:10 790

原创 Novel Influence Maximization Algorithm for Social Network Behavior Management

通过影响力最大化的过程来识别对社交网络中的产品采用或信息利用做出重大贡献的用户。社交网络的指数增长给这些网络的分析带来了一些挑战。现有文献非常重视对结构属性进行建模，而忽略了用户与其社会行为之间的关系。对于社会行为，本文将影响力最大化任务并行化。为了最大化社交网络中的影响力，提出了一种具有并行社交行为的基于兴趣的算法。该算法能够识别社交网络中有影响力的用户。用户的交互行为与用户的兴趣一起被动态地加权为社交行为。这两个语义度量用于所提出的算法中。

2024-04-08 13:30:43 994

原创 ABEM: An adaptive agent-based evolutionary approach for influencemaximization in dynamic social net

影响力最大化被认为是一个关键的优化问题，其目的是确定一组有限的影响者，以最大化社交网络中影响力传播的覆盖范围。然而，现实世界的社交网络通常是动态的、大规模的，这导致难以捕获实时用户和扩散特征，从而有效、准确地选择关键影响者。在本文中，我们提出了一种基于自适应代理的进化方法，通过基于代理的建模和遗传算法来解决这一具有挑战性的问题。这种新颖的方法以分布式方式识别用户的影响力，并在动态环境中优化影响者集的选择。提出自适应解决方案优化器作为关键组件之一，驱动进化过程并动态调整候选解决方案。

2024-04-04 14:48:01 601

原创 Extending influence maximization by optimizing the network topology

影响力最大化最近在社交网络上的广告和谣言控制中受到了广泛关注。然而，现有的影响力最大化工作大多集中于挖掘高影响力的种子节点，而没有充分挖掘动态社交网络中信息扩散的时效性，导致扩散效果达不到预期水平。为了填补这一空白，我们研究如何通过向动态网络 Gt 添加 k 个潜在边来最大化种子集 A 的影响范围，这称为动态边添加（DEA）。为此，我们设计了一个激活概率感知（AP）框架，用于向网络添加边缘。具体来说，AP包含三个模块：图生成、节点影响力估计、边添加。图生成模块用于获取图结构。

2024-04-03 15:59:18 986

原创 Maximization influence in dynamic social networks and graphs

社会影响力和影响力扩散在社交网络中得到了广泛的研究。然而，大多数现有的影响力扩散研究都集中在静态网络上。在本文中，我们研究动态社交网络（即随时间变化的网络）中影响力扩散最大化的问题。我们在线性阈值（LT）和独立级联（IC）模型下提出了以下算法：（a）DM算法，它是MATI算法的扩展，解决动态网络中的影响最大化（IM）问题，（b）DM算法-C 算法是 DM 的后一版本，使用 k 核分解和核数信息解决 IM 问题，(c) DM-T 算法是 DM 的另一个版本，使用 K 桁架分解和桁架号码信息以解决IM问题。

2024-04-02 15:45:18 549

空空如也

空空如也