[發明專利]基于克隆選擇算法的社交網絡虛假信息控制方法

有效

• 申請號: 201410571359.4
• 申請日: 2014-10-23
• 公開（公告）號: CN104281972A
• 公開（公告）日: 2015-01-14
• 發明（設計）人: 安俊秀;靳宇倡;曹書哲;王鵬;楊海濤
• 申請（專利權）人: 成都信息工程學院
• 主分類號: G06Q50/00
• 分類號: G06Q50/00;G06N3/00
• 代理公司: 北京天奇智新知識產權代理有限公司 11340
• 代理人: 郭霞

1.一種基于克隆選擇算法的社交網絡虛假信息控制方法，其特征在于：包括以下步驟：

(1)抗原、檢測器初始化：抗原表示通過一段時間監測已經獲取到的在社交網絡中廣泛傳播的虛假信息，目標抗原用Ag表示，檢測器集合用Ab＝{ab₁,ab₂,…,ab_n}表示，n為檢測器集合Ab中檢測器的數量，ab_n表示第n個檢測器；

(2)檢測器選擇節點并計算親和力：檢測器首先在社交網絡中選取若干重要的節點，節點選擇遵循兩個原則：一是使節點之間的距離盡量大些，二是選擇出入度比較大，即傳播能力較強的節點，每一個檢測器獲取一個相應節點一段時間內所傳播的信息并與抗原信息進行對比，其相似度越大則判斷為親和力越強；

(3)克隆選擇：根據親和力的大小，按以下規則對檢測器進行選擇：

C^s(Ab)＝C^s({ab₁,ab₂,…,ab_n})＝{ab′₁,ab′₂,…,ab′_n}

C^s表示克隆選擇規則，ab_n'表示根據克隆選擇規則選擇的第n個檢測器；

計算完親和力之后生成一個親和力集合：Aff＝{aff₁,aff₂,…,aff_n}，然后通過排序生成一個新的檢測器集合如下：

rank(Aff)＝rank({aff₁,aff₂,…,aff_n})＝{ab′₁,ab′₂,…,ab′_n}

這個檢測器集合根據各用戶結點所傳播信息和初始信息的相似程度按照從大到小的順序進行排列，并且生成一個檢測器的選擇概率p(p＝{p₁,p₂,…,p_n})，這個檢測器的選擇概率集合{p₁,p₂,…,p_n}與{ab′₁,ab′₂,…,ab′_n}是相對應的，設定為檢測器信息與抗原信息的相似度越大，檢測器被選擇的概率也就越大，檢測器選擇的概率p由下式計算求得：

pi=affiΣi=1naffi,i∈[1,n]]]>

令用戶節點所轉發的信息與目標抗原信息親和力區分度的臨界值為ω₀，大于等于ω₀的檢測器按下述步驟(4)進行克隆增殖，小于ω₀的檢測器按下述步驟(5)進行變異；

(4)檢測器克隆增殖：從檢測器集合{ab′₁,ab′₂,…,ab′_n}中選擇出m(m＜n)個和抗原信息相似度較高的檢測器，即對檢測器集合{ab′₁,ab′₂,…,ab′_m}按以下規則進行克隆增殖：

Cp({ab1′,ab2′,...,abm′})={ab11′,ab12′,...,ab1g1′}∪{ab21′,ab22′,...,ab2g2′}∪...∪{abm1′,abm2′,...,abmgm′}]]>

C^p表示克隆增殖規則；

每個檢測器克隆增殖的數量與其被選擇的概率{p₁,p₂,…,p_m}相關，即檢測器獲取到用戶節點的信息與抗原信息的相似度越大，說明該節點傳播的信息和抗原信息越接近，下一步應該對該節點的鄰接節點進行重點檢測，因該算法是用檢測器來獲取節點上的信息和原初始信息進行比對的，一個檢測器只能獲取一個用戶節點上的信息，所以要檢查的鄰接節點越多，該檢測器克隆的數量也就越多，檢測器克隆的總數量為：其中g_i表示檢測器ab′_i克隆的數量；

(5)檢測器變異增殖：由于一些檢測器檢測到的用戶節點信息和抗原信息的相似度比較小，說明該用戶傳播虛假信息的可能性不是很大，為了檢測器下一步能夠更好的與該用戶的鄰接節點的信息進行對比，判斷其是否傳播虛假信息，所以對相似程度較小的檢測器按以下規則進行變異增殖：

Cv({abn-m+1′,abn-m+2′,...,abn′})={abn-m+1v,abn-m+2v,...,abnv}]]>

C^v表示變異增殖規則，ab_n^v表示根據變異增殖規則變異后的第n個檢測器；

變異概率就是步驟(4)所述選擇概率{p₁,p₂,…,p_m}，相似度越小變異的概率越大，令Num_v表示變異個體的數量；

(6)再次計算檢測器變異增殖后的親和力，重新選擇檢測器，如果檢測器變異增殖之后的親和力高于Ab中的檢測器親和力，那么用該檢測器代替原來的檢測器；

(7)再次選擇用戶結點計算信息相似度，即變異增殖后的檢測器集合選擇上次已經檢測完畢的n個用戶節點的出入度較大的鄰接節點與檢測器信息比較，再次計算相似度；

(8)令Num_t＝Num_c+Num_v，Num_t為包括所有克隆增殖和變異增殖的檢測器增殖總數量，λ是用戶為Num_t設定的一個作為退出循環條件的限定值，當Num_t＜λ時重復步驟(3)至步驟(7)，實現多次迭代，當Num_t≥λ時，轉入步驟(9)；

(9)根據用戶節點傳播的信息與檢測器信息的相似度及用戶節點的度數，按照從大到小的順序將節點度數較高的用戶依次移除，計算此時仍含有虛假信息用戶節點的數量Num_f和信息覆蓋率Num_a為社交網絡中傳播該信息的用戶節點總數量；

(10)當時重復步驟(9)，經過多次迭代，直到社交網絡中虛假信息的覆蓋率降至ε以下，完成社交網絡虛假信息控制過程，ε表示用戶設定的虛假信息覆蓋率。