分布式控制移动机会社会网络中正负信息耦合传播的方法与流程

本公开属于移动机会社会网络领域，特别涉及一种分布式控制移动机会社会网络中正负信息耦合传播的方法。

背景技术：

随着互联网技术的发展和移动终端设备的快速普及，移动机会社会网络mosns(mobileopportunisticsocialnetworks)逐渐成为了自组织网络领域的前沿研究方向，它在移动社交等很多重要领域中的信息传播与共享中具有广泛的应用前景。mosns可以表示为双层网络结构，参见图1，其中下层是移动机会网络，每一个物理社区中的用户可以自主地移动；上层是在线社会网络，上下两层的网路既可以独立运行，也可以协同运行。mosns最主要的特点是信息共享，然而，由于mosns是一种高度开放的系统，用户既可以在自主地传播正信息，也可以自由地传播负信息。尤其是，一些用户利用此平台传播谣言、诈骗和舆论误导等负信息。例如，2018年10月28日，重庆市万州区一公交车在万州长江二桥桥面与小轿车发生碰撞后，坠入江中。随后，有消息称是公交车驾驶员冉某酒醉驾车导致事故发生，因此舆论导向了公交车驾驶员；11月2日，公交车坠江原因公布，据车内黑匣子监控视频显示，系乘客与司机激烈争执互殴致车辆失控。因此，醉酒驾车等谣言通过在线社会网络或者口耳相传大肆传播，造成了舆论导向公交车驾驶员。从而，如何有效控制负信息的传播已经成为了需要亟待解决的问题。

已有的研究表明，在mosns中控制负信息传播的有效策略是传播正信息，一方面是对已经接收到负信息的用户进行纠错，使得他们放弃负信息，并停止传播负信息，即不参与负信息的传播，而尽可能地成为正信息的传播者。然而，由于用户的认知心理和传播行为的相互影响，使得正负信息的传播形成了耦合的动态传播过程。同时，由于mosns中信息的发送者和接收者通常是人，而人的移动性、认知心理、社会关系以及传播行为相互影响的复杂性和不确定性，使得mosns中正负信息的耦合传播变得十分复杂。因此，研究mosns中正负信息的动态传播过程以及控制正负信息的耦合传播具有重要的研究意义。

技术实现要素：

为了解决上述问题，本公开提供了一种分布式控制移动机会社会网络中正负信息耦合传播的方法，其中，所述移动机会社会网络包括移动机会网络和在线社会网络，所述移动机会网络包括多个物理社区，所述在线社会网络包括控制中心，该方法包括如下步骤：

s100：所述控制中心根据获取到的所述移动机会网络中的每个物理社区的正负信息耦合传播情况选择一定数量的种子用户分别且同时去执行警告、纠正和引导这三种控制措施；

s200：所述控制中心根据所述每个物理社区中正负信息耦合传播情况的控制反馈结果，动态调整下一时间的种子用户选择方案；

其中，s100中所述获取到的所述移动机会网络中的每个物理社区的正负信息耦合传播情况的具体获取方法为：

s101：根据所述移动机会网络中的每个物理社区建立正负信息耦合传播的模型，具体包括：

把所述移动机会网络划分为i个物理社区；针对第i个物理社区，构建一个正负信息耦合传播的模型如下：

其中，i是小于等于m的正整数，m表示所述移动机会网络中总的社区数量；ω表示任何一个用户离开移动机会网络的概率；α(t)表示当一个处于未知态的用户接收到正信息时，该用户转移到正信息-传播态的概率；α′(t)表示当一个处于未知态的用户接收到了负信息时，该用户转移到负信息-传播态的概率；β(t)和γ(t)表示当一个处于正信息-传播态的用户接收到了负信息时，该用户分别转移到负信息-传播态或者双信息-犹豫态的概率；β′(t)或γ′(t)表示当一个处于负信息-传播态的用户接收到了正信息时，该用户分别转移到正信息-传播态或者双信息-犹豫态的概率；δ(t)表示当一个处于双信息-传播态的用户接收到正信息时，该用户转移到正信息-传播态的概率；δ′(t)表示当一个处于双信息-传播态的用户接收到负信息时，该用户转移到负信息-传播态的概率；

ui(t)、hi(t)分别表示在时间步t时第i个物理社区中处于未知态、正信息-传播态、负信息-传播态和双信息-犹豫态的用户比例；

s102：针对每个物理社区中未知态、负信息-传播态和双信息-犹豫态的用户分别提出了警告、纠正和引导三种控制措施，并基于上述所提出的三种控制措施对上述正负信息耦合传播的模型进行改进，得到一个带有控制措施的正负信息耦合传播的模型；

s103：利用所述带有控制措施的正负信息耦合传播的模型，基于所有的物理社区计算实施警告、纠正和引导三种控制措施产生的总损耗并得到最优的警告、纠正和引导措施随时间的变化关系。

通过上述技术方案，在警告、纠正和引导三种协同控制措施同时执行的情况下，该方法既可以有效的控制正负信息地耦合传播过程，同时也可以使得系统总损耗最小化。

附图说明

图1是本公开一个实施例中双层网络结构示意图；

图2是本公开一个实施例中所提供的一种分布式控制移动机会社会网络中正负信息耦合传播的方法的流程示意图；

图3是本公开一个实施例中一个用户接收新信息后状态变化的示意图；

图4是本公开一个实施例中用户在四种不同状态之间的转移关系示意图；

图5是本公开一个实施例中在s1情况下四种状态的用户比例以及三种控制措施随时间变化的示意图；

图6是本公开一个实施例中在s2情况下四种状态的用户比例以及三种控制措施随时间变化的示意图；

图7是本公开一个实施例中在s3情况下四种状态的用户比例以及三种控制措施随时间变化的示意图；

图8是本公开一个实施例中在s4情况下四种状态的用户比例以及三种控制措施随时间变化的示意图；

图9是本公开一个实施例中在s5情况下四种状态的用户比例以及三种控制措施随时间变化的示意图；

图10是本公开一个实施例中在s6情况下四种状态的用户比例以及三种控制措施随时间变化的示意图；

图11是本公开一个实施例中在s7情况下四种状态的用户比例以及三种控制措施随时间变化的示意图；

图12是本公开一个实施例中在s8情况下四种状态的用户比例以及三种控制措施随时间变化的示意图。

具体实施方式

在一个实施例中，如图2所示，公开了一种分布式控制移动机会社会网络中正负信息耦合传播的方法，其中，所述移动机会社会网络包括移动机会网络和在线社会网络，所述移动机会网络包括多个物理社区，所述在线社会网络包括控制中心，该方法包括如下步骤：

s100：所述控制中心根据获取到的所述移动机会网络中的每个物理社区的正负信息耦合传播情况选择一定数量的种子用户分别且同时去执行警告、纠正和引导这三种控制措施；

s200：所述控制中心根据所述每个物理社区中正负信息耦合传播情况的控制反馈结果，动态调整下一时间的种子用户选择方案；

其中，s100中所述获取到的所述移动机会网络中的每个物理社区的正负信息耦合传播情况的具体获取方法为：

s101：根据所述移动机会网络中的每个物理社区建立正负信息耦合传播的模型，具体包括：

把所述移动机会网络划分为i个物理社区；针对第i个物理社区，构建一个正负信息耦合传播的模型如下：

其中，i是小于等于m的正整数，m表示所述移动机会网络中总的社区数量；ω表示任何一个用户离开移动机会网络的概率；α(t)表示当一个处于未知态的用户接收到正信息时，该用户转移到正信息-传播态的概率；α′(t)表示当一个处于未知态的用户接收到了负信息时，该用户转移到负信息-传播态的概率；β(t)和γ(t)表示当一个处于正信息-传播态的用户接收到了负信息时，该用户分别转移到负信息-传播态或者双信息-犹豫态的概率；β′(t)或γ′(t)表示当一个处于负信息-传播态的用户接收到了正信息时，该用户分别转移到正信息-传播态或者双信息-犹豫态的概率；δ(t)表示当一个处于双信息-传播态的用户接收到正信息时，该用户转移到正信息-传播态的概率；δ′(t)表示当一个处于双信息-传播态的用户接收到负信息时，该用户转移到负信息-传播态的概率；

ui(t)、hi(t)分别表示在时间步t时第i个物理社区中处于未知态、正信息-传播态、负信息-传播态和双信息-犹豫态的用户比例；

s102：针对每个物理社区中未知态、负信息-传播态和双信息-犹豫态的用户分别提出了警告、纠正和引导三种控制措施，并基于上述所提出的三种控制措施对上述正负信息耦合传播的模型进行改进，得到一个带有控制措施的正负信息耦合传播的模型；

s103：利用所述带有控制措施的正负信息耦合传播的模型，基于所有的物理社区计算实施警告、纠正和引导三种控制措施产生的总损耗并得到最优的警告、纠正和引导措施随时间的变化关系。

通常，用户之间的信任关系在正负信息的传播过程中十分关键，直观上，我们可以理解为一个用户更倾向于接收他所相信的用户发送的信息。考虑到用户的认知心理和传播行为的交互影响，当不同的用户在网络中传播正信息和负信息时，他们通常有三种行为状态：思考、传播和犹豫。因此，每一个用户处于以下四种状态之一：未知态u、正信息-传播态p^d、负信息-传播态n^d和双信息-犹豫态h，用户的状态分类如表1所示。

表1

一个用户对于接收到的信息所表达的态度是基于用户的个性特点和用户之间的信任关系，用户在接收新的信息后的态度转变如图3所示。此外，利用已有研究中的ocfan模型中的五大个性特点来刻画用户在接收新的信息之后的态度改变，即用户在不同状态之间的转移概率，得到：其中f(t)表示用户在状态j和k之间的转移概率，ξjk表示处于状态j的用户对状态k的用户的信任因子。

把下层的移动机会网络划分为i个物理社区，并且用ui(t)、pi^d(t)、和hi(t)来表示在时间步t物理社区i中处于未知态、正信息-传播态、负信息-传播态和双信息-犹豫态的用户数量，ni是该物理社区中的总用户数量，因而同时，在物理社区i中处于未知态、正信息-传播态、负信息-传播态和双信息-犹豫态的用户比例分别用ui(t)、hi(t)表示。用户在四种不同状态之间的转移关系如图4所示。

就该实施例而言，该方法的核心是“集中计算、分布控制和动态优化”。首先，在线社会网络中的控制中心获取每个物理社区i中的正负信息耦合传播情况，并且为每个物理社区选择种子用户并发送控制方案；通过获取每个物理社区中正负信息耦合传播的控制反馈结果，考虑到有效的控制时间，动态调整下一时间的种子用户选择方案，从而实现控制移动机会社会网络中正负信息耦合传播过程。其次，每个物理社区的种子用户接收到控制方案之后独立地执行控制任务，即每个种子用户具体要执行哪种措施。

其中，所述获取的正负信息耦合传播的情况实际就是该社区中处于四种状态的用户数；种子用户是研究影响力最大化中用到的专业名词，发送的控制方案是每个种子用户要执行哪种控制措施，即前面所述的三种控制措施的具体内容；所述控制反馈结果是指执行三种控制措施之后，当前社区中处于不同状态的用户比例，方便计算下一步的种子用户数量。所述有效的控制时间就是控制损耗j的式子中时间t。其中总损耗是是指控制正负信息的耦合传播所花费的时间、人力和物力等资源损耗。综合可见，在警告、纠正和引导三种协同控制措施同时执行的情况下，该方法能够有效地减少传播负信息的用户数量，提升传播正信息的用户数量，同时可以有效地减小传播负信息的用户数变为0的时间，并且降低系统总损耗，可以有效地控制正负信息的耦合传播过程。

在另一个实施例中，所述种子用户的选择根据该种子用户的出度来选择。

其中，所述出度是指网络中起始于某用户并且与其他用户连接的边数。

就该实施例而言，因为用户的出度越大，该用户传播消息的概率也就越大，从而实施控制措施的效果越好。

在另一个实施例中，所述根据该种子用户的出度来选择具体是指：

在物理社区i中，计算每个用户的出度大小，然后选择前个出度最大的用户去执行纠正措施，同时，选择个出度次之的用户去执行引导措施，再选择个出度较小的用户去执行警告措施，直到正负信息的耦合传播过程中受到负信息影响的用户数减为0；

其中，表示比x大的最小整数；ni表示物理社区i中总的用户数量，ui(t)、和hi(t)分别表示物理社区i中处于未知态、负信息-传播态和双信息-犹豫态的用户比例；和分别表示最优的警告、纠正和引导措施随时间的变化关系。

在另一个实施例中，步骤s101中的模型是基于以下假设而创建的：所述移动机会网络中任何一个用户所处的状态属于未知态u、正信息-传播态p^d、负信息-传播态n^d和双信息-犹豫态h这四种状态之一，并且任何一个用户都会以概率ω离开移动机会网络。

在另一个实施例中，步骤s102中的所述三种控制措施具体为：

(1)警告：对于处于未知态的用户，提前实施危害警告和提示使得这些用户认识到错误信息的危害性和不真实性，从而以概率λ1(t)转移到正信息-传播态；此外，在执行警告措施后，从未知态到正信息-传播态的用户转移率为λ1(t)wi(t)ui(t)，其中wi(t)表示警告措施随时间的变化关系；

(2)纠正：对于处于负信息-传播态的用户，进行辟谣并且劝服这些用户放弃负信息，停止负信息的传播，并且以概率λ2(t)转移到正信息-传播态；此外，在执行纠正措施后，从负信息-传播态到正信息-传播态的用户转移率为其中ci(t)表示纠正措施随时间的变化关系。

(3)引导：对于处于双信息-犹豫态的用户，加强正信息对他们的影响并引导这些用户放弃负信息，以概率λ3(t)转移到正信息-传播态；此外，在执行引导措施之后，从双信息-犹豫态到正信息-传播态的用户转移率为λ3(t)gi(t)hi(t)，其中gi(t)表示引导措施随时间的变化关系。

就该实施例而言，为了控制负信息的传播对移动机会网络中用户的影响，分别针对未知态、负信息-传播态和双信息-犹豫态的用户提出了警告、纠正和引导三种协同控制措施，从而使得这些用户变成正信息的传播者。

在另一个实施例中，步骤s102中的所述带有控制措施的正负信息耦合传播的模型具体为：

就该实施例而言，可以计算得到执行警告、纠正和引导三种控制措施之后处于未知态、正信息-传播态、负信息-传播态和双信息-犹豫态的用户比例随时间的变化关系。

在另一个实施例中，步骤s103中的所述总损耗具体计算公式为：

其中x1、x2和x3分别表示执行警告、纠正和引导三种控制措施的权重，和分别表示第i个物理社区中在时间t执行警告、纠正和引导措施产生的损耗，和y2hi(t)分别表示第i个物理社区中处于负信息-扩散态和双信息-犹豫态的的用户在时间t带来的系统损失；y1和y2分别表示处于负信息-扩散态和双信息-犹豫态的用户带来系统损失的权重，t表示期望的控制时间，m表示所述移动机会网络中总的社区数量。

就该实施例而言，在物理社区中执行三种协同控制措施会带来一定的损耗，此外，处于负信息-传播态和双信息犹豫态的用户会给系统带来损失和危害。我们的目标就是要使得执行三种协同控制措施的系统总损耗j最小化，为此，我们要得到三种协同控制措施随时间变化的最优分布关系，从而最小化系统的总损耗：

其中δ＝{wi(t)，ci(t)，gi(t)|0≤wi(t)≤1，0≤ci(t)≤1，gi(t)≤1}表示控制集合；此外和表示最优的警告、纠正和引导策略随时间的变化关系。

因此，为了使得系统总损耗j最小化，我们首先构造拉格朗日函数和哈密尔顿函数分别如下：

其中li表示对第i个物理社区构造的拉格朗日函数，hi表示对第i个物理社区构造的哈密尔顿函数；和分别表示未知态、正信息-传播态和负信息-传播态和双信息-犹豫态的伴随变量。

结合式(11)-(12)，我们可以得到：

为了得到最优的警告、纠正和引导策略随时间的变化关系，我们利用庞特里亚金最大值原理得到(10)的最优解。我们假定且则一定存在满足以下条件：

根据式(13)和(15)，我们可以得到未知态、正信息-传播态、负信息-传播态和双信息-犹豫态的伴随变量和

同时，当t＝t时，该系统的边界条件为：

进一步，根据式(13)和(16)，我们可以得到：

考虑到警告、纠正和引导控制措施的边界条件，我们可以得到最优的警告、纠正和引导措施和随时间的变化关系如下：

其中且并且和表示警告、纠正和引导措施的上界。

同时，我们可以把式(25)-(27)重写为如下式：

就该实施例而言，得到一个非线性的最优反馈控制系统，它由最优状态、最优的伴随变量以及最优的警告、纠正和引导措施随时间的变化关系组成。

在另一个实施例中，所述总损耗最小时得到所述最优的警告、纠正和引导措施随时间的变化关系。

在另一个实施例中，步骤s101进一步包括如下步骤：

初始条件为：

就该实施例而言，该模型可以刻画正负信息耦合传播过程中处于不同状态的用户数随时间的变化关系。

在另一个实施例中，步骤s200中所述根据所述每个物理社区中正负信息耦合传播情况的控制反馈结果，动态调整下一时间的种子用户选择方案具体是指：是指在当前时间执行完三种控制措施之后，可以得到处于未知态、正信息-传播态、负信息-传播态、双信息-犹豫态的用户比例以及最优的警告、纠正和引导措施强度值，则下一时间根据汗算得到的执行警告、纠正和引导措施的种子用户数；

其中，表示比x大的最小整数；ni表示物理社区i中总的用户数量，ui(t)、和hi(t)分别表示物理社区i中处于未知态、负信息-传播态和双信息-犹豫态的用户比例；和分别表示最优的警告、纠正和引导措施随时间的变化关系。

就该实施例而言，所述动态调整下一时间的种子用户选择方案是根据前一时间的控制结果去调整，例如在i社区中有100个用户，当前时间执行完三种控制措施之后，处于未知态、正信息-传播态、负信息-传播态、双信息-犹豫态的用户比例分别为0.3，0.4，0.2，0.1，并且警告、纠正和引导措施强度值分别为0.4，0.8，0.6，则下一时间根据计算得到的执行警告、纠正和引导措施的种子用户数分别为4，16，18。

在另一个实施例中，利用slashdot数据集来验证本方法的高效性。该数据集包含82144个节点和549202条边，并且实验中用到的参数如表2所示。

表2

我们首先验证不同的控制措施执行的情况下处于未知态、正信息-传播态、负信息-传播态和双信息-犹豫态的用户比例的变化，然后比较以下情形下的系统总损耗：

s1：没有控制措施执行；

s2：警告、纠正和引导三种措施同时执行；

s3：警告和纠正措施同时执行；

s4：警告和引导措施同时执行；

s5：纠正和引导措施同时执行；

s6：仅执行警告措施；

s7：仅执行纠正措施；

s8：仅执行引导措施。

s1-s8情形下的四种状态的用户比例以及三种最优控制措施随时间的变化关系分别如图5-图12所示。此外，s1-s8情形下的系统总损耗比较如表3所示。

表3

在s1情况下，三种协同控制措施都没有执行的时候，如图5所示，正信息-传播态的用户比例达到稳定的最大值为0.67，负信息-传播态的用户比例达到稳定的最大值为0.23；此外，双信息-犹豫态的用户比例达到稳定的最小值为0.17，未知态的用户比例在时间为5时达到稳定，而且s1情况下系统的总损耗为25.446。

如图6所示，在s2中，警告、纠正和引导三种协同控制措施同时执行的情况下，正信息-传播态的用户比例达到稳定的最大值为0.98，比s1中的0.67提高了46.27％；同时，s2情况下系统的总损耗为4.883，比s1中的总损耗降低了80.81％；此外，负信息-传播态的用户比例在时间为2时都减为0，说明在警告、纠正和引导三种协同控制措施同时执行的情况下，我们所提出的方法能够有效地减少传播负信息的用户数量，提升传播正信息的用户数量，同时可以有效地减小传播负信息的用户数变为0的时间，并且降低系统总损耗。即我们所提出的协同控制措施可以有效地控制正负信息的耦合传播过程。

然而，如图7和图11所示，在s3和s7中，虽然正信息-传播态和负信息-传播态的用户数和s2中同样得被提升和降低，但是s2中系统的总损耗为4.883，而s3和s7情况下系统的总损耗分别为5.136和6.335，说明在s2中三种措施协同控制的情况才可以使得系统的总损耗最小化。如图8、9、10和12所示，正信息-传播态的用户数比s2中相应的用户数量要低，并且负信息-传播态的用户数比s2中相应的数量要高，说明负信息的传播过程没有被抑制住；此外，在s4、s5、s6和s8的情况下，系统的总损耗分别为20.676、16.618、19.904和28.290，上述损耗都比s2中系统的总损耗高。

就该实施例而言，该分布式控制移动机会社会网络中正负信息耦合传播的方法既可以有效地控制正负信息地耦合传播过程，同时也可以使得系统损耗最小化。

尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。