社交網絡中基于信任的社區謠言傳播控制方案

摘 要：針對社交網絡中的隱私信息傳播問題，改進了傳統的信息傳播模型，提出了基于信任的社區信息傳播控制方案。首先，引入社區結構和信息敏感度兩個特征，以更準確地模擬信息傳播過程。其次，采用基于信任的真相傳播機制，有效地控制了謠言的擴散。仿真實驗結果表明，相較于傳統模型，社區傳播模型達到傳播峰值的平均速度提高了31%，更好地模擬了信息傳播過程。同時，基于信任的社區謠言控制方案在平均35輪內有效地控制了謠言的傳播。此改進對于保護用戶隱私和維護社交網絡秩序具有重要意義。

關鍵詞：社交網絡;信息傳播;信任;謠言控制

中圖分類號：TP391 文獻標志碼：A

0 引言（Introduction）

互聯網的迅猛發展和廣泛滲透，使數字化平臺成為人們日常生活和社交不可或缺的一部分，信息傳播也已經成為現代社會的核心要素。然而，伴隨著龐大的信息潮流，虛假信息、謠言和不良內容頻繁涌現，對社區的和諧穩定和公共秩序構成了嚴重威脅，同時也侵蝕了人與人之間的信任基石。傳統的信息傳播模型局限于個體之間的簡單傳播，忽視了社區結構的復雜性在信息傳播中的重要影響。為了更全面地理解信息在社區中的傳播機制，本文對傳統傳染病信息傳播模型進行了擴展，將社區結構和信息敏感度融入其中，使得模型更貼近真實社會情境;同時，本研究引入了信任作為控制信息傳播的關鍵因素，旨在通過識別社區中信任度較高的用戶，并利用基于信任的真相傳播機制控制謠言的擴散;在真實社交網絡數據集上的驗證，進一步證明了該社區信息傳播模型及基于信任的控制方案的有效性。

1 相關工作（Relatedwork）

謠言傳播常借鑒傳染病傳播模型，如SHRIVASTAVA等[1]提出了一個虛假信息傳播模型，使用了易感-驗證-感染-恢復模型，并對其穩定性、平衡性和基本繁殖數進行了分析。DONG等[2]結合傳染病理論和人口動態，進一步考慮了在線社交網絡的影響。CUI等[3]研究了兩層傳染病謠言傳播模型，考慮了謠言的固有屬性和結構特征。XIAO等[4]基于傳染病模型提出了基于用戶自身意識和進化博弈的信息傳播動態模型。目前研究謠言傳播模式的方法主要效仿基于動力系統理論的流行模型，但也有學者認為遺忘記憶和猶豫機制對謠言傳播有重要影響，提出了相應的傳播模型。HUO等[5]提出的模型考慮人們科學知識水平，而YANG等[6]提出的模型適用于異構網絡和雙語環境。HOSNI等[7]提出了HISB模型，認為個體在面對謠言時會因其背景知識而持有不同態度。深度學習的發展也帶來了新的研究方向，如XIAO等[8]提出的基于表征學習和博弈論的社交網絡謠言傳播方法。LIU等[9]分析了虛假信息傳播者與非傳播者的差異。然而，這些研究大多聚焦于個人到個人的信息傳播，忽視了社區結構在謠言傳播中的重要作用。

虛假信息、謠言和不良內容的頻繁出現，對社區的和諧共處和公共秩序構成了嚴峻的威脅，因此有效控制謠言傳播顯得尤為重要。FAN等[10]研究了一種基于屏蔽謠言節點的方法，旨在識別最小的個體子集作為初始保護者，以減少鄰近社區的感染人數。錢榕等[11]提出了一種謠言傳播與辟謠模型，進一步考慮了禁言機制。MA等[12]提出引力中心性指數識別影響擴散者，并與其他中心性指標進行比較。此外，有研究者提出了基于屏蔽謠言鏈接的方法，即通過阻止有限數量的鏈接來近似解決謠言阻止問題。KHALIL等[13]將流感控制問題抽象為邊緣刪除問題，設計了具有近似保證的可擴展算法。在探討散布謠言的正面真相方面，BUDAK等[14]研究了在網絡中同時傳播的謠言和真相，解決了限制謠言傳播的問題，并識別出一部分關鍵個體來傳播真相。文獻[15]中研究了謠言阻塞問題，并提出了一種隨機近似算法。然而，以上研究未充分考慮信任因素對真相傳播的影響。

2 系統模型（Systemmodel）

社交網絡中社區的信息傳播模型如圖1所示，它由多個社區組成，其中模型的節點代表個體。這些節點通過實線表示的連接關系形成一個復雜的網絡。此模型以SI（易感-感染）模型為基礎，其節點被細分為易感者（S）和感染者（I），兩者通過不同的顏色加以區分。這一設定使得模型能夠捕捉社交網絡中個體狀態的變化，并更好地理解信息傳播的動態過程。模型考慮了用戶之間的相互作用，這種相互作用通過節點之間的連接得以體現。這些連接不僅代表了社交網絡的結構，而且還反映了個體之間可能發生的信息傳遞路徑和相互影響關系。實際上，連接的存在直接影響了整個模型的行為和演化。隨著社交網絡中信息的傳播，易感者可能變為感染者，進而通過其連接影響其他個體，推動信息傳播的不斷演進。

3 社區謠言傳播模型（Communityrumordisseminationmodel）

基于社區的信息傳播采用了基于傳染病模型的信息傳播假設，其中一條信息從一個節點傳播到其鄰居。在這一情境下，個體可以處于兩種狀態之一：易感（S），表示其尚未接收到特定的信息;感染（I），表示其已知曉并有能力將信息傳播給聯系人。因此，采用以下易感-感染模型：

其中：λgt;0表示易感染個體和感染個體之間的傳播率，而變量t表示時間，且t是連續的。為了在每個時間點測量增加信息的情況，對公式（1）進行離散化處理，將其轉換為

I（t）=（1+λNΔ）I（t-1）-λΔ（I（t-1））2， t=1，2，… （2）

其中：λNΔ表示每個時間單位可能被信息傳播者感染的易受攻擊用戶的平均數量;Δ表示單位時間，可以是1h、1d或1a;I（0）表示感染用戶的初始數量。

社交網絡被抽象成包含M 個社區的結構。在自然界中，網絡的密度與社交網絡上的信息傳播活動呈正相關[16]。為了反映社交網絡內信息傳播的特定性，采用全局聚類系數調節每個社區對應的βi。其具體描述如下：全局聚類系數用于衡量網絡中節點聚類的程度。在社交網絡中，使用全局聚類系數衡量每個社區的βi，該系數的計算公式為

βi= En／ni（ni-1） （3）

其中：ni是社區Ci中的用戶數量，En表示鄰居之間的總鏈接數。

結合公式（4），假設Δ=1，可以得到在時間t、社區Ci中的

Ii（t）=（1+λini）Ii（t-1）-λi（Ii（t-1））2=（1+αβini）Ii（t-1）-αβi（Ii（t-1））2 （4）

其中，α 表示一條信息敏感度設置范圍為[0，1]。

針對敏感度不同的隱私信息，需要傳播的程度可能會不同。信息敏感度不僅僅取決于隱私信息本身的重要性，還綜合考慮了用戶泄露信息可能帶來的潛在影響。不同類型的隱私信息，由于其性質、內容以及對個人影響的差異，其敏感度也存在差異。這種敏感度差異基于個人對隱私的主觀感受和對隱私泄露風險的認知程度，以及對用戶隱私信息敏感度的調查結果[17-18]得以體現。表1按照平均敏感度進行了降序排序，展示了不同類型隱私信息的敏感度排序情況。

在本小節中，通過在實際數據集YouTube和BlogCatalog 上進行仿真實驗，旨在驗證社區信息謠言傳播模型的效果，并進一步驗證基于信任的真相傳播的有效性。首先，通過仿真分析兩個關鍵參數對傳播模型的影響。其次，將社區信息傳播模型與傳統的SI模型（Susceptible-InfectiousModel）和SIR模型（Susceptible-Infectious-RecoveredModel）進行對比，以深入探討它們之間的異同。最后，驗證基于信任的真相傳播模型的效果。這一研究旨在深入了解社區信息傳播模型在不同環境下的實際應用效果，并評估基于信任機制的真相傳播模型在謠言傳播中的作用。

5.1 數據集

本研究選擇了兩個真實世界的社交網絡數據集進行研究。第一個數據集來自YouTube[19]，是全球最大的視頻分享平臺之一;第二個數據集來自BlogCatalog[20]，是一個知名的博客分享網站，然而，該數據集缺乏有關社群的信息。為了解決這個問題，采用博主的主題興趣作為社群標簽。數據集的特征和統計結構如表2所示。

5.2 社區謠言傳播模型

在兩個真實數據集上驗證了信息敏感度α 對社區謠言傳播模型的影響。從圖2中可以觀察到，信息敏感度α 值越大，則代表傳播的速度越快、傳播的人數越多。這表明信息敏感度α 是影響信息傳播可能性的重要因素。此外，在兩個不同的數據集中，研究人員注意到在相同的初始條件下，即使節點數相同，網絡密度的差異也會對信息的傳播產生重要影響。

通過仿真不同全局聚類系數βi的情況，進一步研究其對社區謠言傳播的影響，全局聚類系數βi對不同社區謠言的傳播如圖3所示。結果顯示，全局聚類系數βi與傳播人數呈正相關關系，即βi越大，傳播人數越多。這強調了全局聚類系數在影響社區信息傳播方面的重要作用。通過這些實驗，更全面地理解信息敏感度和全局聚類系數對社區謠言傳播模型的影響。

對社區謠言傳播模型與傳統的流行病傳播模型如SI傳播模型、SIR傳播模型進行了對比，不同傳播模型對比結果如圖4所示。觀察圖4可見，社區謠言傳播模型呈現出幾乎指數級的增長趨勢，然后又迅速達到飽和狀態。值得注意的是，在謠言傳播過程的中間階段，社區謠言傳播模型的傳播速度超過了SI 傳播模型和SIR傳播模型。這是因為社區謠言傳播模型不僅考慮了節點與節點之間的傳播，而且還全面考慮了社區結構下的相互作用，從而在傳播過程中表現出更高的信息傳播速度，并更快地達到飽和狀態。這些發現強調了社區謠言傳播模型在信息傳播中的優越性，特別是在考慮到社區結構的情境下。對比傳統的流行病傳播模型，社區謠言傳播模型的高效性使其更適合解釋社交網絡中信息的傳播過程。

5.3 基于信任的謠言傳播控制

面對謠言在網絡中廣泛傳播可能帶來的嚴重后果，需要采取相應的措施抑制謠言的傳播。本研究選擇了基于信任的真相傳播方法，在整個網絡中利用之前計算的信任值按比例抽取人數，以傳播真相、遏制謠言的傳播?；谛湃蔚恼嫦鄠鞑シ桨溉鐖D5所示。在初始人口占比為0.4%的情況下，隨著時間的推移，感染人數在10人左右。需要注意的是，由于YouTube數據集的人口基數較大且網絡密度較低，因此信息傳播速度相對較慢;而BlogCatalog數據集的節點相對較少，網絡密度更大，因此在不同初始人口比例的情況下，感染人數的變化相較于YouTube數據集更為迅速。

圖5中的結果表明，基于信任的正向傳播方法能夠有效抑制謠言的傳播。這一方法不僅在場景模擬中表現出良好的效果，而且通過對不同網絡數據集的驗證，也證明了其在不同條件下的適用性。采用這樣的方法有望為應對網絡謠言提供一種有力的工具，有助于維護網絡信息的可信度和社會穩定。

6 結論（Conclusion）

面對信息技術迅猛發展和社交網絡廣泛普及所帶來的虛假信息、謠言和不良內容等問題，傳統信息傳播模型在個體傳播層面的局限性日益凸顯，且往往忽視了社區結構的重要影響。為了深入理解社區中的信息傳播機制，本文在傳統感染模型的基礎上引入社區結構和信息敏感度，提出了一種基于信任的社區信息傳播模型控制方案。通過仿真實驗，在真實社交網絡數據上驗證了該方案的有效性。結果顯示，在社區謠言傳播模型中，信息敏感度和全局聚類系數等因素對傳播過程產生了重要影響。同時，采用基于信任的真相傳播方案能夠有效抑制謠言在網絡中的傳播。特別是在考慮不同社交網絡結構的情況下，該方法展現出了良好的適應性。

參考文獻（References）

[1]SHRIVASTAVAG，KUMARP，OJHARP，etal.Defensivemodelingoffakenewsthroughonlinesocialnetworks[J].IEEEtransactionsoncomputationalsocialsystems，2020，7（5）：1159-1167.

[2]DONGS，HUANGYC.SISrumorspreadingmodelwithpopulationdynamicsinonlinesocialnetworks[C]∥IEEE.ProceedingsoftheIEEE：2018InternationalConferenceonWirelessCommunications，SignalProcessingandNetworking.Piscataway：IEEE，2018：1-5.

[3]CUIL，XIEG，YUS，etal.Aninherentproperty-basedrumordisseminationmodelinonlinesocialnetworks[J].IEEEnetworkingletters，2020，2（1）：43-46.

[4]XIAOYP，HEW K，YANGT，etal.Adynamicinformationdisseminationmodelbasedonuserawarenessandevolutionarygames[J].IEEEtransactionsoncomputationalsocialsystems，2023，10（5）：2837-2846.

[5]HUO L A，CHENSJ.Rumorpropagationmodelwithconsiderationofscientificknowledgelevelandsocialreinforcementinheterogeneousnetwork[J].PhysicaA：statisticalmechanicsanditsapplications，2020，559：125063.

[6]YANGS，JIANGHJ，HUC，etal.Dynamicsoftherumorspreadingmodel with hesitation mechanism inheterogenousnetworksandbilingualenvironment[J].Advancesindifferenceequations，2020，2020（1）：628.

[7]HOSNIAIE，LIK，AHMEDS.HISBmodel：Arumordiffusionmodelbasedonhumanindividualandsocialbehaviorsinonlinesocialnetworks[M]∥NeuralInformationProcessing.Cham：SpringerInternationalPublishing，2018：14-27.

[8]XIAOYP，YANGQF，SANGCY，etal.Rumordiffusionmodelbasedonrepresentationlearningandanti-rumor[J].IEEEtransactionsonnetworkandservicemanagement，2020，17（3）：1910-1923.

[9]LIU Y，WU YB.FNED：adeepnetworkforfakenewsearlydetectiononsocialmedia[J].ACMtransactionsoninformationsystems，2020，38（3）：1-33.

[10]FANLD，LUZX，WUWL，etal.Leastcostrumorblockinginsocialnetworks[C]∥IEEE.ProceedingsoftheIEEE：2013IEEE33rdInternationalConferenceonDistributedComputingSystems.Piscataway：IEEE，2013：540-549.

[11]錢榕，李鑫，劉曉豫，等.考慮禁言機制的謠言傳播模型[J].計算機工程，2024（8）：372-378.

[12]MALL，MAC，ZHANGHF，etal.Identifyinginfluentialspreadersincomplexnetworksbasedongravityformula[J].PhysicaA：statisticalmechanicsanditsapplications，2016，451：205-212.

[13]KHALILEB，DILKINAB，SONGL，etal.Scalablediffusion-awareoptimizationofnetworktopology[C]∥ACM.ProceedingsoftheACM：20thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining.NewYork，USA：ACM，2014：1226-1235.

[14]BUDAKC，AGRAWALD，ElABBADIA，etal.Limitingthespreadofmisinformationinsocialnetworks[C]∥ACM.ProceedingsoftheACM：20thInternationalConferenceonWorld Wide Web.New York，USA：ACM，2011：665-674.

[15]TONGG M，WU W L，GUOL，etal.Anefficientrandomizedalgorithmforrumorblockinginonlinesocialnetworks[J].IEEEtransactionsonnetworkscienceandengineering，2020，7（2）：845-854

[16]LUARNP，CHIUYP.Influenceofnetworkdensityoninformationdiffusiononsocialnetworksites：the mediatingeffectsoftransmitteractivity[J].Informationdevelopment，2016，32（3）：389-397.

[17]章迪.基于社交圈劃分的社交網絡隱私保護研究[D].上海：上海交通大學，2019.

[18]宋美良.基于共享習慣的社交網絡隱私保護模型研究[D].貴陽：貴州大學，2023.

[19]TANGL，WANGXF，LIUH.Scalablelearningofcollectivebehavior[J].IEEETransactionsonKnowledgeandDataEngineering，2012，24（6）：1080-1091.

[20]TANGL，LIU H，TANGL，etal.Relationallearningvialatentsocialdimensions[C]∥ ACM.ProceedingsoftheIEEE：Proceedingsofthe15thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining.Piscataway：ACM，2009：817-826.

作者簡介：

李欣欣（1999-），女（漢族），臺江，碩士生。研究領域：社交網絡，信息傳播。

湯金川（1990-），男（漢族），貴陽，教授，博士。研究領域：人工智能，隱私保護和社交網絡。