【技術實現步驟摘要】
本申請涉及信息傳播，特別是涉及一種面向信息傳播快照的謠言源定位方法、裝置、設備及介質。
技術介紹
1、隨著移動互聯網和社交應用的廣泛普及，用戶能夠自由地在社交網絡平臺上發布和轉載自己感興趣的內容。然而，這也導致了一個不容忽視的問題：虛假信息和謠言在社交網絡上的迅速蔓延。這類不實內容不僅可能給個人帶來傷害，還可能引發社會恐慌等嚴重后果。因此，在社交網絡上對虛假信息或謠言進行溯源，對遏制其擴散具有至關重要的作用。
2、信息傳播源定位是指在社交網絡、人物關系網絡等具有圖結構的數據找到虛假信息、生物病毒等傳播的源頭。在動態復雜的網絡環境中，虛假信息傳播源定位則是以網絡拓撲結構、節點狀態等特征作為變量，在大量用戶節點中找到信息傳播的源節點。
3、在靜態網絡傳播源定位中，主要可以分為基于完整觀察的方法、基于快照觀察的方法和基于傳感器觀察的方法。對于現實的大規模網絡信息傳播源定位來源，現有的方法由于很難獲取虛假信息傳播源節點數量，從而影響謠言源定位的有效性。
技術實現思路
1、本申請的目的是提供一種面向信息傳播快照的謠言源定位方法、裝置、設備及介質，提高謠言源定位的有效性。
2、為實現上述目的，本申請提供了如下方案：
3、第一方面，本申請提供了一種面向信息傳播快照的謠言源定位方法，包括：
4、分別采集多個社交網絡在不同時刻生成的網絡拓撲快照；各社交網絡包括節點集和邊集，邊集為各節點之間的連接關系的集合；各社交網絡的謠言傳播源的數量大于或
5、將每個網絡拓撲快照生成包括多個快照子圖的快照子圖集合，并確定各快照子圖的矩陣；各快照子圖的矩陣為社交網絡的鄰接矩陣中與快照子圖對應的矩陣；
6、將各快照子圖的矩陣進行奇異值分解，得到各快照子圖的圖拓撲特征；
7、將各快照子圖進行節點特征嵌入后進行奇異值分解，得到各快照子圖的信息傳播特征；
8、將各快照子圖的圖拓撲特征和信息傳播特征透射到同一維度，得到各快照子圖的融合特征；
9、各快照子圖的矩陣和融合特征構成第一訓練集，采用所述第一訓練集對神經網絡的編碼部分進行預訓練，得到預訓練后的模型；所述神經網絡包括編碼部分和解碼部分，所述編碼部分用于輸入快照子圖的矩陣輸出融合特征，所述解碼部分用于輸入融合特征輸出謠言傳播源定位預測結果；
10、采用第二訓練集對預訓練后的模型進行訓練，得到謠言傳播源定位模型；所述第二訓練集包括多個樣本，各樣本包括快照子圖的矩陣和與快照子圖的矩陣對應的謠言傳播源定位標簽；
11、將待進行謠言傳播源定位的快照子圖的矩陣輸入所述謠言傳播源定位模型，得到謠言傳播源定位預測結果。
12、可選地，各快照子圖的矩陣表示為：
13、其中，為第i個快照子圖的矩陣，a為社交網絡的鄰接矩陣，i為單位矩陣，ui，n為表示第i個快照子圖中各節點是否為感染狀態的矩陣，若節點為謠言感染狀態則值為1，若節點為未感染狀態則值為0。
14、可選地，將各快照子圖的矩陣進行奇異值分解，得到各快照子圖的圖拓撲特征，具體包括：
15、將快照子圖的矩陣進行奇異值分解，若快照子圖的矩陣的維度小于設定維度，則采用補零的方式將奇異值分解得到的三個矩陣的行數填充至所述設定維度，得到該快照子圖的圖拓撲特征。
16、可選地，將各快照子圖進行節點特征嵌入后進行奇異值分解，得到各快照子圖的信息傳播特征，具體包括：
17、采用公式將快照子圖進行節點特征嵌入；
18、對快照子圖進行節點特征嵌入后進行奇異值分解，若快照子圖進行節點特征嵌入后的矩陣的維度小于設定維度，則采用補零的方式將該奇異值分解得到的三個矩陣的行數填充至所述設定維度，得到該快照子圖的信息傳播特征。
19、其中，fi為第i個快照子圖進行節點特征嵌入后矩陣，mlp()為多層感知器，embedding()為嵌入層，為第i個快照子圖。
20、可選地，將各快照子圖的圖拓撲特征和信息傳播特征透射到同一維度，得到各快照子圖的融合特征，具體包括：
21、采用公式將快照子圖的圖拓撲特征和信息傳播特征透射到同一維度；
22、其中，affusion為融合特征，layernorm()為特征維度歸一化，ua、∑a和va分別為對快照子圖的矩陣進行奇異值分解得到的第一正交矩陣、第一半正定矩陣和第二正交矩陣，uf和∑f分別為對快照子圖進行節點特征嵌入后進行奇異值分解得到的第三正交矩陣和第二半正定矩陣。
23、可選地，采用所述第一訓練集對神經網絡的編碼部分進行預訓練時采用的損失函數為：
24、其中，klloss為對比散度損失函數值，kl?div()為對比散度損失函數，為第i個快照子圖的網絡拓撲特征，affusion為融合特征，mlp()為多層感知器，為第i個快照子圖的矩陣，w為權重矩陣。
25、可選地，采用第二訓練集對預訓練后的模型進行訓練時的損失函數表示為：
26、
27、其中，l為綜合損失值，lentropy()為交叉熵損失函數，lmes()為均方誤差損失函數，lb為類平衡損失函數，klloss為對比散度損失函數值，為謠言傳播源定位預測結果，r為謠言真實傳播源定位，λ為損失系數。
28、第二方面，本申請提供了一種面向信息傳播快照的謠言源定位裝置，所述面向信息傳播快照的謠言源定位裝置包括：
29、網絡拓撲快照采集模塊，用于分別采集多個社交網絡在不同時刻生成的網絡拓撲快照；各社交網絡包括節點集和邊集，邊集為各節點之間的連接關系的集合；各社交網絡的謠言傳播源的數量大于或者等于1；網絡拓撲快照中各節點的狀態為謠言感染狀態或者未感染狀態；
30、快照子圖生成模塊，用于將每個網絡拓撲快照生成包括多個快照子圖的快照子圖集合，并確定各快照子圖的矩陣；各快照子圖的矩陣為社交網絡的鄰接矩陣中與快照子圖對應的矩陣；
31、圖拓撲特征確定模塊，用于將各快照子圖的矩陣進行奇異值分解，得到各快照子圖的圖拓撲特征；
32、信息傳播特征確定模塊，用于將各快照子圖進行節點特征嵌入后進行奇異值分解，得到各快照子圖的信息傳播特征；
33、融合特征確定模塊，用于將各快照子圖的圖拓撲特征和信息傳播特征透射到同一維度，得到各快照子圖的融合特征；
34、預訓練模塊，用于由各快照子圖的矩陣和融合特征構成第一訓練集，采用所述第一訓練集對神經網絡的編碼部分進行預訓練，得到預訓練后的模型；所述神經網絡包括編碼部分和解碼部分，所述編碼部分用于輸入快照子圖的矩陣輸出融合特征，所述解碼部分用于輸入融合特征輸出謠言傳播源定位預測結果；
35、第二訓練模塊，用于采用第二訓練集對預訓練后的模型進行訓練，得到謠言傳播源定位模型；所述第二訓練集包括多個樣本，各樣本包括快照子圖本文檔來自技高網...
【技術保護點】
1.一種面向信息傳播快照的謠言源定位方法，其特征在于，所述面向信息傳播快照的謠言源定位方法包括：
2.根據權利要求1所述的面向信息傳播快照的謠言源定位方法，其特征在于，各快照子圖的矩陣表示為：
3.根據權利要求1所述的面向信息傳播快照的謠言源定位方法，其特征在于，將各快照子圖的矩陣進行奇異值分解，得到各快照子圖的圖拓撲特征，具體包括：
4.根據權利要求1所述的面向信息傳播快照的謠言源定位方法，其特征在于，將各快照子圖進行節點特征嵌入后進行奇異值分解，得到各快照子圖的信息傳播特征，具體包括：
5.根據權利要求1所述的面向信息傳播快照的謠言源定位方法，其特征在于，將各快照子圖的圖拓撲特征和信息傳播特征透射到同一維度，得到各快照子圖的融合特征，具體包括：
6.根據權利要求1所述的面向信息傳播快照的謠言源定位方法，其特征在于，采用所述第一訓練集對神經網絡的編碼部分進行預訓練時采用的損失函數為：
7.根據權利要求1所述的面向信息傳播快照的謠言源定位方法，其特征在于，采用第二訓練集對預訓練后的模型進行訓練時的損失函數表示
8.一種面向信息傳播快照的謠言源定位裝置，其特征在于，所述面向信息傳播快照的謠言源定位裝置包括：
9.一種計算機設備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序以實現權利要求1-7中任一項所述的面向信息傳播快照的謠言源定位方法。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1-7中任一項所述的面向信息傳播快照的謠言源定位方法。
...【技術特征摘要】
1.一種面向信息傳播快照的謠言源定位方法，其特征在于，所述面向信息傳播快照的謠言源定位方法包括：
2.根據權利要求1所述的面向信息傳播快照的謠言源定位方法，其特征在于，各快照子圖的矩陣表示為：
3.根據權利要求1所述的面向信息傳播快照的謠言源定位方法，其特征在于，將各快照子圖的矩陣進行奇異值分解，得到各快照子圖的圖拓撲特征，具體包括：
4.根據權利要求1所述的面向信息傳播快照的謠言源定位方法，其特征在于，將各快照子圖進行節點特征嵌入后進行奇異值分解，得到各快照子圖的信息傳播特征，具體包括：
5.根據權利要求1所述的面向信息傳播快照的謠言源定位方法，其特征在于，將各快照子圖的圖拓撲特征和信息傳播特征透射到同一維度，得到各快照子圖的融合特征，具體包括：
6.根據權利要求1所述的面向...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。