[发明专利]一种基于权重更新的社交网络信任度学习方法

说明书

一种基于权重更新的社交网络信任度学习方法，包括以下步骤：S1：导入网络；S2：选取智慧节点，假设整个网络有且仅有1个智慧节点；S3：初始化权重，在网络中每条有向连边权重都分配一个固定常数；S4：通过基于级联信息传播的学习方法，不断更新权重，使权重达到平稳状态；S5计算网络信息过滤能力指标。本发明提供一种基于权重更新的社交网络信任度学习方法，能够模拟人与人之间的信任度随着时间的推移而发生的变化。通过特定的学习方法使得已具有信息过滤能力的原始网络权重达到平稳状态，变得更加智能。

技术领域

本发明涉及网络信息传播领域，特别是涉及一种基于权重更新的社交网络信任度学习方法。

背景技术

随着计算机通信技术和web 2.0的快速发展，人们的交互方式与传统的交流方式相比发生了重大的变化。在传统社会中人们的信息交流受到时间和空间等诸多因素的限制，而在线社交网络的出现，提供给人们的是一种只需借助计算机和网络就能够无限制交互的虚拟社会平台。用户不仅是信息的接收者，同时也是信息的生产者和传播者。社交媒体的出现，也改变了传统的信息扩散方式，人们通过社交网络交换信息的同时，也建立起一个庞大的人际传播信息网络。信息传播途径的改变，也对个体信息传播行为带来了变革。而作为一种典型的社会现象，真假消息在现代社会不仅没有消失，而且伴随着信息技术的发展其传播手段、传播途径等愈发得多样化。在突发事件乃至各种危机中，假消息的危害不可低估。因此，对真假消息传播的机理进行研究非常重要。

网络中的不同节点和链接在信息传播中扮演着不同的角色。研究人员在几个真实的复杂网络中信息传播应用了SIR模型和SIS模型(参考文献[1]:R.Pastor-Satorras,C.Castellano,P.Van Mieghem,and A.Vespignani,“Epidemic processes in complexnetworks,”Reviews of modern physics,vol.87,no.3,p.925,2015.即R.Pastor-Satorras,C.Castellano等，复杂网络中传染病过程)，另外发现最有效的传播者是由k-shell分解分析确定的网络核心内的传播者(参考文献[2]:S.Carmi,S.Havlin,S.Kirkpatrick,Y.Shavitt,and E.Shir,“A model of internet topology using k-shell decomposition,”Proceedings of the National Academy of Sciences,vol.104,no.27,pp.11 150–11 154,2007.即S.Carmi,S.Havlin等，一种基于k-shell分解的网络拓扑模型)。并且还发现，当同时考虑多个传播者时，它们之间的距离成为决定传播范围的关键参数。有研究者(参考文献[3]:E.Bakshy,I.Rosenn,C.Marlow,and L.Adamic,“The roleof social networks in information diffusion,”in Proceedings of the 21^stinternational conference on World Wide Web.ACM,2012,pp.519-528.即E.Bakshy,I.Rosenn,C.Marlow,and L.Adamic，社交网络在信息传播中的作用)通过在Facebook上设计实验，研究了信息传播中强、弱链接的作用，表明更强的链接更有影响力，而更大的薄弱环节则负责新信息的传播。这些作品大多只关注节点或链接之间的结构差异，然后研究它们对信息扩散的影响，但很大程度上忽略了社会个体之间的本质区别，例如，有些人可能比其他人更聪明，能够区分谣言方面。并且在真正的社交网络中，人与人之间的信任可能随着时间的推移而发生变化。假如一个人从朋友那里发现了一条信息。假设这个人最终可以被告知这个消息是真还是假，如果消息是真实的，那么他/她会增加对于这位朋友的信任度，如果消息是假的，他/她减小对于这位朋友的信任度。在本研究中，我们希望通过在社交网络中通过权重更新的方法来模拟这种奖励和惩罚方法。

发明内容