[发明专利]一种基于深度学习的多源定位方法

说明书

本发明涉及社交网络源定位技术领域，具体涉及一种基于深度学习的多源定位方法，结合自编码网络(Auto‑Encoder,AE)进行节点特征的集成，并利用深度学习对于大量数据的优势提高了算法整体的运行效率，本发明结合时间与图中距离的相对关系，得出一种节点特征提取的方式，综合考虑节点的传播路径可能性以及时间条件，对节点特征有更为详尽的描述，保留了感染子图中大多数传播信息和性质。该方法能够使得在仅仅只获取到一部分感染信息，抽取少量观测节点时，算法就能达到相对较好的精度和较小的误差，大大降低投入成本和计算复杂度。

技术领域

本发明涉及社交网络源定位技术领域，尤其涉及一种基于深度学习的多源定位方法。

背景技术

现如今，公共事件频发，舆论持续发酵的场景屡见不鲜，这也使得舆情监管工作难上加难，导致公众盲目轻信谣言等误导性的错误信息，因此，在短时间内准确定位错误信息传播源的研究极具现实意义和应用价值。

就现有的研究来看，单源问题研究较为广泛，而多源问题往往会伴随着传播情况相对复杂，时间信息较为混乱，形成的感染组图信息较为繁复等问题，部分算法仅仅在树状网络中，或类树状网络中方能得到较好的准确性和较低的误差，且较少算法是基于神经网络和深度学习展开的，有较大的计算量，导致在中大型社交网络上的探测时间较长，效率较低。

发明内容

有鉴于此，本发明的目的在于提出一种基于深度学习的多源定位方法，以解决现有方法计算量大，导致探测时间长、效率低的问题。

基于上述目的，本发明提供一种基于深度学习的多源定位方法，包括以下步骤：

在原始无向网络中随机选取k个传播源节点s*；

基于流行病传播SI模型对原始网络进行扩散，直到轮次结束，或不再产生新的感染节点为止，随后将抽取源节点扩散后生成的节点与边，生成感染子图G_infected；

根据感染子图，随机选取一定比例的感染节点作为观测者节点集合O＝{o₁，o₂，...，o_m}，记录被选取的节点的感染时间，得到感染时间集合T；

构建节点的特征提取：基于随机游走获得感染节点一定长度的k条路径，取并集得到关于任意观测节点o_i的关联节点集合C_i，提取C_i中的关联节点相对于观测节点o_i的距离参数α，并根据集合C_i与集合O计算每一个节点v_i的特征的向量集合X_vⁱ＝{x_v¹，x_v²…x_vⁱ…}；

再通过整理，得到v节点相对于每一个观测者o_i的向量集合X_v；

构建自编码网络框架对v_i的原始特征值进行不断地编译、集成、解码，计算每轮迭代损失，生成集成特征z_i；

结合已生成的集成特征z_i进行概率计算，得到节点为源的可能性评估分数，选择前k个节点，作为估计源集合。

优选地，构建节点的特征提取具体包括：首先考虑节点传播的路径，对已被观测到的感染o_i节点进行感染路径的模拟，通过随机游走得到一定长度的k条路径l，表示为生成路径集合C_i，表示为提取所有节点相对于观测节点的距离参数α，记为α表示节点v_i到v_j的时空关系，对节点与节点间的距离进行记录，得到α，α表示节点v_i到v_j的时空关系；