关键节点双目标优化的虚假信息传播控制模型.pdf

收稿日期:网络出版时间:基金项目:国家自然科学基金();河南省中原科技创新领军人才项目()作者简介:荆军昌(),男,河南科技大学博士研究生,E m a i l:j i n g j u n c h a n g c o m班爱莹(),女,河南科技大学硕士研究生,E m a i l:b a n c o m高东钧(),女,河南科技大学硕士研究生,E m a i l:d o n g j u n c o m通信作者:张志勇(),男,教授,E m a i l:x i d i a n z z y c o m网络出版地址:h t t p s:d o i o r g/j i s s n d o i 敭 j 敭i s s n 敭 关键节点双目标优化的虚假信息传播控制模型荆 军 昌,张 志 勇,班 爱 莹,高 东 钧,(河南科技大学 信息工程学院,河南 洛阳 ;河南科技大学 河南省网络空间安全应用国际联合实验室,河南 洛阳 )摘要:虚假信息传播控制是全球网络空间安全治理的热点领域.针对目前在线社交网络中的虚假信息传播控制研究,尚未考虑对关键节点集控制所产生的成本开销这一实际问题,提出了一种基于关键节点双目标优化的虚假信息传播控制模型.首先,根据用户节点在社交网络 h o p和 h o p区域的传播影响力以及节点的度中心性、k s h e l l等多种复杂网络特征,对两个优化目标(控制效果和控制成本)进行数学形式化表示;其次,设计一种融合自适应非线性策略的位翻转变异算法,实现对离散搜索空间的第代非支配排序遗传算法改进,并将改进后第代非支配排序遗传算法用于虚假信息传播关键节点集的选取,从而实现虚假信息传播控制效果最大化,控制成本开销最小化;最后,通过在真实在线社交网络平台上开展实验,分析模型参数对控制成本和控制效果的影响.实验结果表明,该模型与现有方法相比,在控制成本和控制效果的组合指标RT C T E上具有明显的优势.该模型适用于大规模复杂社交网络下最低成本的虚假信息传播控制.关键词:社交网络;虚假信息;关键节点;遗传算法;第代非支配排序遗传算法中图分类号:T P 文献标识码:A文章编号:()D i s i n f o r m a t i o ns p r e a d i n gc o n t r o lm o d e l b a s e do nk e yn o d e sb i o b j e c t i v eo p t i m i z a t i o nJ I NGJ u n c h a n g ZHANGZ h i y o n g B AN A i y i n g G A OD o n g j u n 敭 I n f o r m a t i o nE n g i n e e r i n gC o l l e g e H e n a nU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y L u o y a n g C h i n a 敭 H e n a nI n t e r n a t i o n a l J o i n tL a b o r a t o r yo fC y b e r s p a c eS e c u r i t yA p p l i c a t i o n s H e n a nU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y L u o y a n g C h i n a A b s t r a c t T h es p r e a dc o n t r o lo fd i s i n f o r m a t i o ni sah o ta r e ao fg l o b a l c y b e r s p a c es e c u r i t yg o v e r n a n c e 敭 A tp r e s e n t t h e r e s e a r c ho nt h e s p r e a dc o n t r o l o f d i s i n f o r m a t i o n i no n l i n e s o c i a l n e t w o r k sh a sn o t c o n s i d e r e dt h ea c t u a lp r o b l e mo f t h ec o s t i n c u r r e db yt h ec o n t r o lo fk e yn o d e ss e t 敭 T h i sp a p e rp r o p o s e sad i s i n f o r m a t i o ns p r e a d i n gc o n t r o lm o d e l b a s e do nk e yn o d e sb i o b j e c t i v eo p t i m i z a t i o n 敭 F i r s t a c c o r d i n g t o t h e s p r e a d i n f l u e n c eo f s o c i a l u s e rn o d e s i nt h e h o pa n d h o pa r e a s a sw e l l a s t h ed e g r e ec e n t r a l i t yo fn o d e s k s h e l l a n do t h e rc o m p l e xn e t w o r kc h a r a c t e r i s t i c s t h eb i o b j e c t i v ei n c l u d i n gt h ec o n t r o le f f e c ta n dc o n t r o lc o s t i se x p r e s s e dm a t h e m a t i c a l l y 敭 S e c o n d a b i tf l i p p i n g m u t a t i o na l g o r i t h m i n c o r p o r a t i n ga d a p t i v en o n l i n e a rs t r a t e g yi sd e s i g n e dt oi m p r o v et h ep e r f o r m a n c eo ft h eN S G A a l g o r i t h mi nd i s c r e t es e a r c hs p a c e 敭 T h ei m p r o v e dN S GA a l g o r i t h mi su s e d t os e l e c t ak e yn o d e s s e t o f d i s i n f o r m a t i o ns p r e a d i n g w h i c hm a x i m i z e s t h e e f f e c t 年月第 卷第期西安电子科技大学学报J OURNA LO FX I D I ANUN I V ER S I TYF e b V o l N o o fd i s i n f o r m a t i o ns p r e a d i n gc o n t r o l a n dm i n i m i z e s t h e c o n t r o l c o s t 敭 F i n a l l y t h e e x p e r i m e n t i s c a r r i e do u t o nar e a lo n l i n es o c i a ln e t w o r kp l a t f o r m w i t ht h e i n f l u e n c eo fm o d e lp a r a m e t e r so nt h ec o n t r o l c o s ta n dc o n t r o le f f e c ta n a l y z e da n dd i s c u s s e d 敭 E x p e r i m e n t a l r e s u l t s s h o wt h a t t h i sm o d e l h a s s p e c i f i c a n do b v i o u s a d v a n t a g e so v e r t h ee x i s t i n gm e t h o d si nt h ec o m b i n a t i o ni n d e xRT C T Eo fc o n t r o lc o s ta n dc o n t r o le f f e c t 敭 T h i sm o d e l i sa p p l i c a b l e t ot h e l o w e s t c o s td i s i n f o r m a t i o ns p r e a d i n gc o n t r o l i n l a r g e s c a l ec o m p l e xs o c i a ln e t w o r k s 敭K e yW o r d s s o c i a l n e t w o r k d i s i n f o r m a t i o n k e yn o d e s g e n e t i ca l g o r i t h m n o n d o m i n a t e ds o r t i n gg e n e t i ca l g o r i t h m 引言随着新一代人工智能和移动互联网技术的快速发展,在线社交网络(O n l i n eS o c i a lN e t w o r k s,O S N s)平台能够为用户提供多种多样的服务和需求.然而,O S N s平台也成为谣言和虚假信息传播的重要载体 .特别是,社交机器人和正常的社交用户交互式传播谣言和虚假信息,已经成为全球网络空间面临的重大风险之一.因此,如何采用科学有效的方法及时管控和治理网络空间中谣言和虚假信息,已成为各国政府、互联网管理机构、商业平台所面临的共同难题和重大挑战.虚假信息的检测是虚假信息传播控制的研究基础.虚假信息的检测通常包括特征提取和模型构建两个关键环节:在特征提取环节,研究人员主要从内容特征(如词汇特征、语法特征、语义特征等)、社交上下文特征(如用户特征、网络特征等)展开研究;在模型构建环节,研究人员主要采用机器学习和深度学习方法来识别社交网络中的虚假信息.例如,文献 提出了一种双路径的深度半监督学习方法,并将其用于虚假信息的早期检测.文献 采用胶囊神经网络模型来检测社交网络中的虚假信息.但是,这些检测方法不能直接用于虚假信息的传播控制.近年来,研究人员针对谣言和虚假信息传播控制的研究,主要是识别和选取传播链上某些特殊关键节点,并对其进行阻断 .识别和阻断社交网络中具有影响力的关键传播节点,已经成为研究虚假信息传播控制问题的重要解决思路.目前,研究学者主要通过贪心算法和启发式算法识别社交网络中具有影响力的关键传播节点 .例如,文献 提出了一种增强的离散粒子群优化算法,用于识别社交网络中前k个具有影响力的关键节点.文献 提出了一种融合演化搜索策略的离散粒子群优化算法,用于识别具有影响力的谣言传播节点.但是,上述研究方法尚未考虑控制这些节点所需要的成本代价.因为在真实的社交网络中,阻断过多具有影响力的传播节点,会极大地降低用户质量体验,从而使得控制成本开销过高.第代非支配排序遗传算法(N o n d o m i n a t e dS o r t i n gG e n e t i cA l g o r i t h m ,N S GA )作为一种经典的多目标优化算法,受到了研究人员广泛关注 .但是,N S GA 通常适用于求解决策变量为连续值的多目标优化问题,因此不能直接适用于求解O S N s中虚假信息传播控制问题.特别是,虚假信息传播控制效果和控制成本作为一对冲突的目标,如何在提高虚假信息传播控制效果的同时,尽可能地降低控制成本开销,目前尚未很好地解决.针对上述问题,文中将虚假信息传播控制中具有影响力的关键节点集选取,看作是一种双目标优化问题,即找到一个要阻断的传播节点子集,使得控制效果最大化,同时控制所需的成本开销最小化.因此,文中提出了一种基于关键节点双目标优化的虚假信息传播控制模型.该模型能够很好地找到控制效果和成本之间的折中平衡.特别地,文中的主要贡献表述如下:()根据用户节点在 h o p和 h o p区域的传播影响力以及节点的度中心性、k s h e l l等多种复杂网络特征,对用户传播虚假信息控制效果和控制成本目标进行数学形式化表示.()设计一种融合非线性自适应策略的位翻转变异算法,从而实现对离散搜索空间的N S GA 算法改进.将改进后N S GA 算法用于虚假信息传播关键节点集的选取,在此基础上提出一种虚假信息传播控制算法,使得虚假信息传播控制效果最大化,同时控制所需的成本开销最小化.()在真实的在线社交网络平台上开展实验,分析文中所提出虚假信息传播控制模型参数对控制效果和成本目标的影响,并进一步对文中所提出的传播控制模型性能进行对比分析.西安电子科技大学学报第 卷问题描述针对虚假信息传播控制中两个关键优化目标(控制效果和成本),文中旨在设计一种基于关键节点双目标优化控制模型,实现上述两个目标之间的折中均衡.因此,文中的研究问题是如何从大规模社交网络中选取合适的控制节点集,使得控制效果最大化,同时控制所需的成本开销最小化.特别地,该研究问题对应的双目标优化控制模型表示如下:m i nf(S)(/T o t a l E f f e c t(S),T o t a l C o s t(S),s t|S|nm a x,()其中,T o t a l E f f e c t()和T o t a l C o s t()分别表示虚假信息传播的控制效果函数和控制成本函数,|S|表示控制节点的数量,nm a x表示控制节点数量的最大值.为了解决上述研究问题,文中构建一种基于关键节点双目标优化的虚假信息传播控制模型框架,具体如图所示.首先,根据用户传播虚假信息集合和用户社交关系集合,构造用户节点传播虚假信息的控制效果函数和控制成本函数;其次,通过对N S GA 算法的变异算子进行改进,并选取控制效果函数和控制成本函数作为适应度函数,进一步设计适用于虚假信息传播控制场景的选择算子、交叉算子和变异算子;最后,将改进后的N S GA 算法用于虚假信息传播关键节点集的选取,使得虚假信息传播控制效果最大化,同时控制所需的成本开销最小化.图基于关键节点双目标优化的虚假信息传播控制模型框架图基于关键节点双目标优化的虚假信息传播控制模型 传播控制效果和成本的数学形式化表示 虚假信息传播控制效果评估函数为了评估虚假信息传播效果,传统蒙特卡罗仿真方法通常需要运行上万次,才能得到准确的估计,因此该类方法并不适用于解决真实场景中,大规模复杂社会网络的传播效果评估问题.基于此,文献 提出了一种局部影响估计子,并将其用于评估用户在 h o p区域内的传播影响力.由于该方法节省了大量的计算时间和资源开销,并且适用于大规模社交网络场景,因此文中选取该方法作为虚假信息传播控制效果的评估.虚假信息传播节点集合S对应的传播效果评估函数T o t a l E f f e c t(S)可表示为T o t a l E f f e c t(S)(S)(S)(S)|S|N()sSuN()sSpuduiN()SS(i,j)E,jS(pi j)(),()其中,(S)表示集合S中节点数量,(S)和(S)分别表示S中节点对应 h o p和 h o p邻居的期望影响传播值,N()s和N()s表示集合S中节点的 h o p和 h o p邻居,du表示N()s和N()s中节点之间连边的数量,第期荆军昌等:关键节点双目标优化的虚假信息传播控制模型pu表示独立级联(I C)模型中对应的传播概率p,pi j表示节点i激活节点j的概率.虚假信息传播控制成本函数阻断虚假信息传播节点集S产生的成本主要由节点的重要性决定.通常,若节点在网络中的重要性越大,则所需阻断成本也越大.因此,本节主要从节点邻居中心性指标 度中心性(D C)、k s h e l l分解(K S)和P a g e R a n k(P R)指标来评估节点的重要性.根据复杂社会网络中用户节点的度和k s h e l l指标,可将上述两个指标的组合称为度k s h e l l(D K),具体表示为D K(ui)k(ui)ks(ui),()其中,k(ui)表示节点ui的度;ks(ui)ks(ui)p(ui)m a xkq(uk),ks(ui)表示节点ui的k s h e l l值,q(uk)表示节点uk在k s h e l l分解过程包含的阶段总数,p(ui)表示节点ui的移除阶段次序.根据万有引力定律理论,将社会网络中节点的D K作为它的质量,节点之间的最短距离作为它们距离,则虚假信息传播节点集S中节点ui的重要性可表示为 D K(ui)ik,d(ui,uk)RD K(ui)D K(uk)d(ui,uk),()其中,d(ui,uk)表示节点ui和uk之间的最短距离,R表示截断半径.P a g e R a n k(P R)是一种评估网页搜索引擎质量的有效方法,将其用于评估复杂社会网络中节点的重要性.特别地,该指标的计算公式可表示为P R(ui)()ujI n(ui)O u t(uj)P R(uj),()其中,P R(ui)表示节点ui对应的P a g e R a n k值,阻尼系数(,),I n(ui)表示节点ui的入度节点集合,O u t(uj)表示节点uj的出度节点集合.考虑到复杂社会网络中节点的D K和P R指标是互补的,文中利用上述两种指标的加权和来刻画节点的重要性.两者之和越大,节点的重要性越大.因此,阻断节点集S的成本函数可表示为T o t a l C o s t(S)uiUe x p(D K(ui)()P R(ui),()其中,参数,(,).基于改进N S G A 的控制关键节点集选取传统的N S GA 算法使用连续交叉算子,因此不能直接用于解决离散搜索空间的关键节点集选取问题.为了探究离散搜索空间中控制虚假信息传播的关键节点集,文中设计一种融合自适应非线性策略的位翻转变异算法,从而实现对离散搜索空间N S GA 算法的改进.将改进后的N S GA 算法用于识别虚假信息传播关键节点.在解的表示和种群初始化过程中,种群P中每个解由社交用户i d组成的向量表示,即第i个解可表示为s o l u t i o n(i)i d,i d,i dk,其中i dk,N,N表示社交网络中传播虚假信息的用户数量.每个解中的元素表示虚假信息传播过程中需要阻断的用户i d.在适应值函数选取方面,根据 节中构造的控制效果评估函数和控制成本函数,计算种群中候选解的适应度值,得到需要保留的优质种群个体.在选择算子方面,选取二进制锦标赛作为选择算子方法.针对遗传算法交叉算子,单点交叉(RC P)算子与模拟二进制交叉算子的区别在于,单点交叉算子更适用于离散形式的算子进化.特别地,首先随机选取两个解Px和Py作为父代;然后,根据RC Plr o u n d(wu bwl b)r a n d)wl b()随机选取第l个位置RC Pl作为交叉点,并且满足RC Pl,p,p表示解的总长度,从而得到两个新的子代解P x和P y.在具体操作过程中,将Px中前l个用户i d放到P x中的前l个位置,将Py中从位置l开始的后l个用户i d放到P x中的后l个位置.类似地,将Py中的前l个用户i d放到P y中的前l个位置,将Px中从位置l开始的后l个用户i d放到P y中的后l个位置.西安电子科技大学学报第 卷式()中wu b和wl b分别表示交叉点RC Pl的上限和下限,r o u n d表示将产生的实数四舍五入到其最接近的整数,r a n d表示在,范围内均匀分布的随机数.传统多项式变异算子具有一定的随机性,并且收敛速度慢.为了进一步增加种群的多样性,文中设计一种非线性自适应策略,并将其用于更新个体的变异率,pg e n的计算公式为pg e npRg e nm a xg e n,()其中,p表示变异率初始值,(,)表示变异率变化的最大值,Rg e n表示当前迭代次数,m a xg e n表示最大迭代次数.该变异率更新策略能够在算法迭代后期,通过自适应增加变异率pm来增加种群的多样性.此外,传统位翻转变异算子不能直接产生离散值,从而不能适用于由用户i d组成的种群个体的变异操作.因此,文中通过对位翻转变异算子进行改进,进而设计一种融合非线性自适应策略的位翻转变异算法.具体如算法所示.算法改进的位翻转变异算法.输入:子代种群向量c h i l d,最大迭代次数m a xg e n,初始变异率p,最大变化概率输出:位翻转变异后的子代种群向量c h i l d B e g i nQs i z e(c h i l d)c h i l d表示由单点交叉算子产生的子代种群所构成的向量f o rg e n:m a xg e nd og e n表示当前迭代次数 f o ri:Qd o 根据式()计算变异率pg e n i f r a n d o m(,)pg e nt h e n c h i l d(i)R e p l a c e(c h i l d(i),N)R e p l a c e表示将c h i l d中第i个元素用集合N中其他用户节点i d进行代替 e n d i f e n df o re n df o r E n d 虚假信息传播控制算法根据 节设计的控制效果和控制成本函数,将其作为虚假信息传播控制多目标优化的适应值函数.进一步结合 节给出的遗传算法种群初始化表示和种算子(选择算子、交叉算子和变异算子),选取同时考虑控制效果和成本双目标的虚假信息传播关键节点集,实现对虚假信息传播控制.算法具体描述了虚假信息传播控制算法.算法虚假信息传播控制算法.输入:用户集合U,适应值函数T o t a l E f f e c t和T o t a l C o s t,种群大小P o p s i z e,最大迭代次数m a xg e n,传播概率p输出:虚假信息传播控制的帕累托最优解集 B e g i n构建初始种群集合P构建子代种群集合Qf o rg e n:m a xg e nd o g e n表示当前迭代次数 Rg e nPg e nQg e n F f a s t N o n D o m i n a t e d S o r t(Rg e n)f a s t N o n D o m i n a t e d S o r t表示对Rg e n进行非支配解排序操作 Pg e n,i w h i l ePg e n FiNd o FiC r o w d D i s t A s s i g n m e n t(Fi)C r o w d D i s t A s s i g n m e n t表示对Fi进行拥挤度计算第期荆军昌等:关键节点双目标优化的虚假信息传播控制模型 Pg e n Pg e n Fi ii e n dw h i l es o r t(Fi,n)Pg e n Pg e n FiNPg e n Qg e n P o p(Pg e n)P o p表示创建新的种群 g e n g e n e n df o r E n d实验结果与分析 数据集文中选取社交网络晒科网(C y VO D)(h t t p:www s h a r e t e c h e s c o m)作为实验平台.该平台由移动端(A n d r o i d和i O S客户端)和非移动端(P C网站平台)组成.目前,研究人员针对社交网络谣言和虚假信息传播控制方面研究,主要是通过平台的A P I接口或数据埋点方式,来收集用户的相关元数据.文中采用数据埋点方式,在平台服务器端实时动态获取社会情境S o c i a l s i t u元数据序列.根据社会情境S o c i a l s i t u元数据,能够得到用户访问虚假信息的内容和多种行为方式(如点赞、分享和评论等).该社会情境S o c i a l s i t u元数据已经在虚假信息传播意愿推理 和传播趋势分析和识别、用户行为模式分析和发现 等方面得到广泛应用.文中收集了社交用户访问该平台产生的 条社会情境S o c i a l s i t u元数据.通过对这些S o c i a l s i t u元数据进行数据预处理操作,得到用户在所有会话中访问虚假信息的S o c i a l s i t u元数据,并将其用于文中的实验研究.实验结果分析 虚假信息传播控制模型参数对效果和成本目标的影响文中提出基于改进N S GA 的虚假信息传播控制模型中包括的主要参数,分别为种群个数(Ps)、交叉概率(Pc)和变异概率(Pm).表给出上述个参数的取值范围.图给出上述个参数对应的控制成本值(T o t a l C o s t)和控制效果值倒数(/T o t a l E f f e c t).从图(a)分析得出,当Ps,Pc 和Pm 时,该模型对应的T o t a l C o s t值最小.此外,当Ps 时,该模型对应的T o t a l C o s t值为 ,仅次于Ps 时模型对应的T o t a l C o s t值 .从图(b)分析得出,当Ps,和 ,Pc,Pm 时,该模型对应的/T o t a l E f f e c t值最小.因此,在文中后续的实验过程中,选取PS,Pc 和Pm 进行实验研究.表不同参数的取值范围参数名称取值范围Ps Pc Pm 虚假信息传播控制模型中不同传播概率对应的帕累托前沿结果为了探究模型中不同虚假信息传播概率对应的帕累托前沿,分别选取传播概率p 和p 开展实验,如图所示.特别地,当传播概率p 时,虚假信息传播的控制成本值T o t a l C o s t主要介于 与 之间.当传播概率p 时,虚假信息传播的控制成本值T o t a l C o s t主要介于 与 之间.实验结果表明,随着传播概率p的增加,实现相同的传播控制效果所需的控制成本也在不断增大.因此,在控制虚假信息传播过程中,有效地降低虚假信息的传播概率可减少控制成本的开销.西安电子科技大学学报第 卷(a)参数Ps、Pc和Pm对应的控制成本值(b)参数Ps、Pc和Pm对应的控制效果值倒数图不同参数对应的控制成本值和控制效果值倒数图不同虚假信息传播概率p对应的帕累托前沿 虚假信息传播控制模型性能对比分析为了证明文中提出虚假信息传播控制模型中关键节点集选取的有效性,选取种具有影响力的关键节点集识别算法作为对比方法,具体包括离散粒子群优化(D i s c r e t eP a r t i c l eS w a r m O p t i m i z a t i o n,D P S O)、局部搜索的离散粒子群优化(E n h a n c e dL o c a lD i s c r e t eP a r t i c l eS w a r mO p t i m i z a t i o n,E L D P S O)、增强局部搜索的离散粒子群优化(E n h a n c e dL o c a l S e a r c hD i s c r e t eP a r t i c l eS w a r mO p t i m i z a t i o n,E L S D P S O)算法.第期荆军昌等:关键节点双目标优化的虚假信息传播控制模型在实验过程中,将文中设计的双目标(控制效果和控制成本)转化为单目标,具体表示如下:m i n i m i z e RT C T E,()其中,RT C T ET o t a l C o s t()(/T o t a l E f f e c t),()折中参数(,).图给出上述种方法对应的实验结果.在实验过程中,分别取折中参数 和折中参数 进行实验研究.目标值RT C T E越小,表明算法的性能越好.当折中参数 时,文中提出基于改进的N S GA 虚假信息传播控制关键节点集选取算法对应的RT C T E值为 ,而其他种算法对应的RT C T E值分别为 、和 .该方法与上述种算法相比,在RT C T E指标上分别降低约 、和 .当折中参数 时,文中算法对应的RT C T E值分别为 ,而其他种算法对应的RT C T E值分别为 、和 .该方法与上述种算法相比,在RT C T E指标上分别降低约 、和 .因此,当折中参数 和 时,文中提出的算法性能优于单目标优化D P S O、E L D P S O和E L S D P S O算法.此外,由于文中的算法中加入了非线性自适应策略,因此也选取算法中未采取该策略的情形作为对比方法.实验结果显示,当折中参数 时,文中算法对应的RT C T E值为 ,而未采取非线性自适应策略情形对应的RT C T E值为 .因此,文中算法与未采取非线性自适应策略的情形相比,在RT C T E指标上降低约 .当折中参数 时,文中算法对应的RT C T E值约为 ,而未采取该策略情形对应的RT C T E值约为 .因此,文中算法与未采取该策略的情形相比,在RT C T E指标上约降低 .综上所述,当折中参数 和 时,文中提出算法中加入的非线性自适应策略具有一定的有效性.图不同虚假信息传播控制算法对应的实验结果结束语针对现有O S N s虚假信息传播控制研究中,尚未考虑控制成本开销这一实际问题,文中提出了一种基于关键节点双目标优化的虚假信息传播控制模型.首先,运用L I E、D K和P R指标对控制效果目标和成本目标进行数学形式化表示;其次,设计一种融合自适应非线性策略的位翻转变异算法,并在此基础上对离散搜索空间的N S GA 算法进行改进;最后,将改进后N S GA 算法用于虚假信息传播控制中关键节点集的选取.实验结果表明,文中所提出的虚假信息传播控制模型,能够实现虚假信息传播控制效果最大化,同时控制所需的成本开销最小化.此外,社交网络监管部门可以通过“封号”“禁言”等方式,及时对虚假信息传播关键节点进行管控,从而在确保控制成本开销最小的情况下,减少虚假信息大范围传播.下一步,将针对O S N s中不同模态类型和不同信息分类中的虚假信息,结合其扩散传播应用场景,研究可能存在的不同传播方式和控制模型.参考文献:B UT CHE RP敭 C OV I D a s aT u r n i n gP o i n t i n t h eF i g h tA g a i n s tD i s i n f o r m a t i o n J 敭 N a t u r eE l e c t r o n i c s 敭西安电子科技大学学报第 卷 CHO IDJ OH H CHUNS e t a l 敭 P r e v e n t i n gR u m o rS p r e a dw i t hD e e pL e a r n i n g J 敭 E x p e r tS y s t e m sw i t hA p p l i c a t i o n s 敭 张志勇 荆军昌 李斐 等敭人工智能视角下的在线社交网络虚假信息检测、传播与控制研究综述 J 敭计算机学报 敭Z HAN GZ h i y o n g J I N GJ u n c h a n g L IF e i e t a l 敭 S u r v e yo nF a k e I n f o r m a t i o nD e t e c t i o n P r o p a g a t i o na n dC o n t r o l i nO n l i n eS o c i a lN e t w o r k s f r o mt h eP e r s p e c t i v eo fA r t i f i c i a l I n t e l l i g e n c e J 敭 C h i n e s e J o u r n a l o fC o m p u t e r 敭 B ON D I E L L IA MA R C E L L ON IF敭 AS u r v e yo nF a k eN e w sa n d R u m o u rD e t e c t i o nT e c h n i q u e s J 敭 I n f o r m a t i o nS c i e n c e s 敭 D ON GX V I C T O RU Q I AN L敭 T w o P a t hD e e pS e m i S u p e r v i s e dL e a r n i n gf o rT i m e l yF a k eN e w sD e t e c t i o n J 敭 I E E ET r a n s a c t i o n so nC o m p u t a t i o n a lS o c i a lS y s t e m s 敭 G O L D AN IM H MOMT A Z IS S A F A B AKH S H R敭 D e t e c t i n gF a k eN e w sw i t hC a p s u l eN e u r a lN e t w o r k s J 敭 A p p l i e dS o f tC o m p u t i n g 敭 J I AJF L I U X W Z HANG Y X e ta l 敭 R u m o rP r o p a g a t i o nC o n t r o l l i n gB a s e do nF i n d i n gI m p o r t a n tN o d e si nC o m p l e xN e t w o r k J 敭 J o u r n a l o f I n d u s t r i a l a n dM a n a g e m e n tO p t i m i z a t i o n 敭 CHE N W N TAN DZ YAN G Q e ta l 敭 A n tC o l o n yO p t i m i z a t i o nf o rt h eC o n t r o lo fP o l l u t a n tS p r e a d i n go nS o c i a lN e t w o r k s J 敭 I E E ET r a n s a c t i o n so nC y b e r n e t i c s 敭 T A N GJX Z HA N GRS Y A OYB e t a l 敭 I d e n t i f i c a t i o no fT o p kI n f l u e n t i a lN o d e sB a s e do nE n h a n c e dD i s c r e t eP a r t i c l eS w a r mO p t i m i z a t i o n f o r I n f l u e n c eM a x i m i z a t i o n J 敭 P h y s i c aA S t a t i s t i c a lM e c h a n i c s a n dI t sA p p l i c a t i o n s 敭 L I UZL Q I NT S UNQD e t a l 敭 S I R QU D y n a m i cQ u a r a n t i n eD e f e n s eM o d e