CN107194819A - 基于元胞自动机的信息传播模型 - Google Patents
基于元胞自动机的信息传播模型 Download PDFInfo
- Publication number
- CN107194819A CN107194819A CN201710462669.6A CN201710462669A CN107194819A CN 107194819 A CN107194819 A CN 107194819A CN 201710462669 A CN201710462669 A CN 201710462669A CN 107194819 A CN107194819 A CN 107194819A
- Authority
- CN
- China
- Prior art keywords
- state
- information
- propagation
- probability
- rumor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000001413 cellular effect Effects 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 230000007704 transition Effects 0.000 claims description 17
- 208000015181 infectious disease Diseases 0.000 claims description 15
- 230000036039 immunity Effects 0.000 claims description 13
- 230000000644 propagated effect Effects 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000003053 immunization Effects 0.000 claims description 3
- 238000002649 immunization Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 15
- 238000004088 simulation Methods 0.000 abstract description 10
- 230000007246 mechanism Effects 0.000 abstract description 7
- 230000002401 inhibitory effect Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 abstract description 3
- 238000011217 control strategy Methods 0.000 abstract description 2
- 230000010429 evolutionary process Effects 0.000 abstract 1
- 238000005303 weighing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 208000035473 Communicable disease Diseases 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 230000004992 fission Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Chemical & Material Sciences (AREA)
- Economics (AREA)
- Organic Chemistry (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种基于元胞自动机的信息传播模型,包括模型的演化规则、参数、算法以及衡量状态的主要技术指标。在此基础上,把用户状态划分为七种,分析研究谣言传播的过程,并分别根据参数不同比对结果的不同,揭示了谣言的传播机理。进一步提出了控制谣言传播的策略,对最终信息传播的广度有很大的抑制作用。由于基于元胞自动机构建的模型其模拟是从微观入手来反映群体的宏观行为,模拟结果更直观,同时,模型结构灵活,能够在演化过程中随时改变控制策略,这是传统微分方程模型所不能比拟的。由于真实数据和仿真实验结果具有较高拟合度,说明所建模型具有实际应用价值,并可以为制定谣言控制决策提供支持。
Description
技术领域
本发明属于社交网络技术领域,具体涉及一种基于元胞机的信息传播模型。
背景技术
社交网络自出现以来,经历了一个快速发展的历程,使用社交网络传播信息也成为网络用户关系交往的重要途径;大量的动态通信的信息,影响着网络成员的决策,***科学地分析社交网络的信息传播行为,将会使我们从信息传播的角度对网格结构、属性以及突发事件遵循的规律有进一步的认识。
社交网络的蓬勃发展,使得信息的发布和接收变得异常简便、迅速,信息呈现“核裂变”方式传播,消息一经发布立即被***推送到所有关注者,一旦被转发,又立即传播到下一批关注者。广大网民都有机会在突发事件的产生、发酵、传播、爆炒环节中起作用,使得事件向更大范围发展,如果不及时引导并加以控制,一段时间后接触到谣言的用户数量会达到最大值。研究社交网络的信息传播规律,合理引导信息的发布和社会的舆论,有利于网络的安全控制和资源优化。
在信息传播规律的研究领域,已有传染病模型及其改进模型,经典的传染病模型大致将人群分为几类,每一类的个体都处于同一种状态;其基本状态有:传播态,未感染态和免疫态。在研究这些状态之间的转换过程中又出现了不同的改进模型:描述感染后永久处于感染态;描述感染后成为新的感染源;描述感染后恢复健康获得免疫力。借鉴传染病感染机制,把社交网络的人群划分为未知消息、传播消息、失去传播消息的兴趣。还有的研究模型基于微分方程,分析信息传播规律,但方程的解对初始条件极为敏感;基于动力学的传播模型,通过借鉴复杂网络理论在其他网络研究中的成功应用,参数量化困难。虽然这些传播模型在许多网络中得到了扩展和研究,但是对于网络信息传播的研究,当前还是处于相对初级的阶段,尚未提出完整的社交网络及信息传播的基础理论和方法,对性质的分析仍然受限于定性或者半定量的统计。
传统的传播模型大部分是基于规则网络研究的,普遍具有以下缺点:(1)没有考虑到在线社交网站中用户的真实状态,比如重复感染或者感染与否的概率性等;(2)运算复杂,演化过程不能随时调整参数;(3)划分用户状态较少,不能全面客观的刻画社交网络中的信息传播过程;(4)模拟结果不直观,不能很好描述信息传播过程的行为特征。
发明内容
针对上述情况,本发明的目的就是提供一种基于元胞机的信息传播模型,包括模型的定义、状态的描述及规则的描述,有助于更深刻地理解社交网络中的信息传播特性,已克服上述已有模型的不足。
为实现上述目的,本发明所采取的技术方案是:提供一种基于元胞机的信息传播模型,具体内容如下所示:
(一)模型的构建
定义:A=(L,S,N,f),其中A为元胞自动机***,L为元胞空间,边界条件为周期性边界,S 为元胞状态集合,N为元胞的邻域集合,定义半径为1的Moore领域类型,f为局部映射集合;
其中,为第i个元胞在t+1时刻的状态,j1,…jN为元胞的邻居,为所有邻元的状态集合;邻居的形式采用Von Neumann型,每个节点拥有上、下、左、右、左上、左下、右上、右下八个方位的邻居,其数学表达式如下:
NMoore={vi=(vix,viy)|vix-vax|<<1,|viy-vay|<<1,(vix,viy)∈ZZ}
其中,vi为表示中心元胞坐标值为(vax,vay)的相邻元胞的集合,(vix,viy)则表示邻居元胞的空间位置;
(二)模型描述
在SNS网络中,结合真实社交网络中用户对待信息传播的态度,把社交网络中信息的传播过程细化为多个状态,用不同类型节点的状态转移图表示;元胞的状态集合S={0,1,2,3,4,5,6},分别对应谣言传播过程中的各种状态。其状态含义如下:0:未接触谣言状态;1:已接触谣言状态;2:相信谣言状态;3:不相信谣言状态;4:传递谣言状态;5:质疑谣言状态;6:辟谣状态。
对于每个元胞在t时刻有七种不同的取值,分别对应信息传播过程中的个体的状态;
未接触信息状态,即个体未被感染,如果接触到信息,可以成为已接触者;
已接触信息状态,但可以相信也可以不相信;
相信信息状态,如果此时有辟谣者出现,可以成为免疫者,否则成为传播者;
不相信信息状态,成为免疫者;
传播信息状态,如果辟谣者的数量大于传播者的数量,进入辟谣行列;
质疑信息状态,成为辟谣者;
辟谣状态,如果辟谣者的数量小于传播者的数量,进入传播状态;
另外对每个元胞定义时间参数,代表当前状态时间。
(1)特性参数
该模型以现实中的信息传播过程为依据,引入4个参数,p1,p2,p3,p4。
p1(0≤p1≤1)表示节点的免疫成功率,会进入辟谣状态的概率,p1越大,质疑信息成功越大;
p2(0≤p2≤1)为感染率,相信谣言的关注率,接触信息后的可能感染性;
p3(0≤p3≤1)为传播率,传播谣言的传播概率,p3越大,越容易传播信息给邻元;
p4(0≤p4≤1)为质疑谣言而进入辟谣状态的辟谣率。
(2)元胞的状态集合与其特性参数,遵循如下规则:
1)当邻域中存在的元胞,则以p1(免疫成功率)为概率转变状态为
2)当邻域中存在的元胞,则转变状态为
以p2(感染率)为概率转变状态为以1-p2为概率转变状态为
1)当邻域中存在的元胞,则以p1(免疫成功率)为概率转变状态为
2)以p3(传播率)为概率转变状态为以1-p3为概率保持状态不变。
以p4为概率转变状态为以1-p4为概率保持状态不变。
当邻域中状态6的元胞数量大于状态4的元胞数量以p1为概率转变状态为以1-p1为概率保持状态不变。
以p3(传播率)为概率转变状态为以1-p3为概率保持状态不变。
当邻域中状态6的元胞数量小于状态4的元胞数量以p2为概率转变状态为以1-p2为概率保持状态不变;
其中,为元胞的邻域集合。
(3)关键算法
在上述建立的在线社交网络的谣言传播模型中,设定元胞数量为50*50,通过引入的4个参数在满足***规则的设定下自动的演化,表现出若干性质,算法所示:
本发明的有益效果是:基于元胞机创建,从微观入手,表征群体的宏观行为,计算不复杂,对离散事件时空特性描述丰富,有助于深入认识社交网络上节点的传播特点;模型结构灵活,可以通过演化过程随时改变参数,结合智能算法,实现了信息传播过程的直观模拟,真实数据和仿真实验结果具有较高拟合度,说明所建模型具有实际应用价值;展示了信息传播过程中信息传递多个状态之间的相互转换,丰富了节点的状态,实现了周期边界条件下的计算机模拟,克服了现有模型的刻画状态不足的缺点,揭示了信息的传播过程的行为特征;有效验证了该模型确实能够客观真实的描述在线社交网络上的信息传播特征,并基于实验结果对如何控制谣言的传播给出了相应的控制策略。
附图说明
图1是元胞状态转移示意图;
图2是阈值分析示意图;
图3信息传播规律示意图;
图4未引入辟谣机制的传播图(p3=0.8);
图5引入辟谣机制(降低传播率)的传播图(p3=0.1);
图6引入辟谣机制(降低传播率)的传播图(p3=0.01);
图7未采取措施的传播图(p1=0.2,p4=0.01);
图8提高质疑率的传播图(p1=0.2,p4=0.55);
图9同时提高质疑率和免疫率的传播图(p1=0.55,p4=0.55);
图10 161个节点的社交关系示意图;
图11免疫力验证实验图;
图12 225个节点的社交关系图;
图13没有辟谣的传播图;
图14第一时间辟谣后的传播图。
具体实施方式
本发明,提供一种基于元胞机的信息传播模型,具体内容如下所示:
(一)模型的构建
定义:A=(L,S,N,f),其中A为元胞自动机***,L为元胞空间,边界条件为周期性边界,S 为元胞状态集合,N为元胞的邻域集合,定义半径为1的Moore领域类型,f为局部映射集合;
其中,为第i个元胞在t+1时刻的状态,j1,…,jN为元胞的邻居,为所有邻元的状态集合。邻居的形式采用Von Neumann型,每个节点拥有上、下、左、右、左上、左下、右上、右下八个方位的邻居;其数学表达式如下:
NMoore={vi=(vix,viy)|vix-vax|<<1,|viy-vay|<<1,(vix,viy)∈ZZ}
其中,vi为表示中心元胞坐标值为(vax,vay)的相邻元胞的集合,(vix,viy)则表示邻居元胞的空间位置;
(二)模型描述
在SNS网络中,结合真实社交网络中用户对待信息传播的态度,把社交网络中信息的传播过程细化为多个状态,用不同类型节点的状态转移图表示;元胞的状态集合S={0,1,2,3,4,5,6},分别对应谣言传播过程中的各种状态,如图1所示。
设定元胞数量为50*50,设定其中一个元胞状态为4,其他所有元胞状态为0,相关参数:p1=0,p2=1,p4=0,p3从0.01开始,以增量0.01增长,统计所有元胞状态都变为4 所需迭代次,结果图2所示;图中橫坐标为p3,纵坐标为时间步数,示意图表明,该阈值大约为0.07。
设定元胞数量为50*50,随机选取其中20个元胞初始状态设定为4,其他状态设定为 0,p1,p2,p3,p4依据实验室多次实验,体现现实环境的特点设置,从t=0时刻开始,***依据演化规则进行更新元胞状态。当未采取控制措施时,模型相关参数如下:p1=0.1,p2=0.99, p3=0.3,p4=0.1,信息传播的规律如图3所示。
从上述实验规则可以推断出抑制谣言传播的策略,通过***参数的规则调整,改进算法,研究在采用不同策略的情况下节点涌现出的不可预测的行为特征,分析传播规律曲线图,从而找出影响信息传播过程的因素并总结抑制谣言传播的策略。
参数讨论
(1)首先考虑控制信息传播率,引入辟谣机制。设定元胞数量为50*50,随机选取其中20个元胞初始状态设定为4,其他状态设定为0。相关参数如下:p1=0.01,p2=0.6,p3=0.8,p4=0.1。模拟结果如图4、图5和图6所示。
(2)进一步考虑增强信息传播者的免疫力和提高信息识别能力的影响,表现为模拟过程中分别将免疫率和质疑率提高。设定元胞数量为50*50,随机选取其中20个元胞初始状态设定为4,其他状态设定为0。相关参数如下:p1=0.2,p2=0.99,p3=0.3,p4=0.01,传播结果如图7所示。
当免疫率较低时,如果质疑率也很低,谣言传播速度很快,随着质疑率的提高,谣言传播到一定程度后会随着质疑率的增加而下降甚至消失;当免疫率高时,质疑率如果也很高,谣言会在一个较短的时间内出现一个波峰,然后下降,且上升和下降比较对称,其结果如图8所示。
同时考虑质疑率与免疫率的影响,即免疫率和质疑率都很高时,谣言会被限定到一个小范围、短时间的发展过程中;仿真结果说明,在现实社交网络中,当谣言在大批用户中扩散时,如果用户可以做到不但在识别谣言的情况下不传播谣言,还能主动及时加入辟谣行列,就会降低谣言的累积效应,把谣言的扩散控制在小部分范围内,其结果如图9所示。
实施例1
验证免疫力对信息传播过程的影响;以一个在线社交网络中的圈子进行数据采集、实验设计和实例验证,该网络圈子共计161个节点,社交关系如图10所示。
用户对于销售真假的识别,往往与自身常识和知识储备有很大关系,通过选择明显有违常识、一般有违常识、大部分人不熟悉的领域、与大部分人常识相一致的消息作为测试消息,在相同的时间间隔进行数据采集,最终得到如图11所示曲线,图中可以看出预期的免疫力会逐步减小。本实验与仿真实验得出的结论是相似的。这充分体现了免疫者对信息(舆论) 传播的抑制作用,和前面实验提出的策略相符。因而提高公众的认知水平,有助于政府在社会实践中合理引导控制网络舆论的发展,从而在短时间内消除舆论的负面影响。
实施例2
引入辟谣机制的验证实验;数据集取自笔者所在的朋友圈,共计225个节点,社交关系如图 12所示。验证过程如下:首先在社交网络中发布消息,然后跟踪两次事件,第一次在信息发布后没有及时辟谣,第二次在信息发布后第一时间辟谣,通过实时采集元胞节点的状态数据,得到图13和图14的实验结果。本实验表明,真实数据集验证结果与仿真实验得出的结论是相似的。
现实生活中,由于谣言肆意传播会污染社交网络环境并引发群体性的非理性情绪与行为,人们常常采取多种手段同时对谣言传播进行控制。当用户认识了解了谣言的性质,对谣言的可信度降低,怀疑并抵制谣言的意识就会提高。或者,通过政府及媒体的及时辟谣,提高透明度,都会使用户对谣言失去关注的兴趣,进而减缓信息传播的速度,直到最后用户都成为抵制信息传播的免疫者,谣言的影响范围逐步缩小甚至消失。因此,政府一方面应借助主流媒体和权威机构根据信息传播特点和规律做好信息的发布,提高管理和透明度,对公众进行宣传和教育,提高人口素质,从根本上强化公民责任,使用户做到不相信谣言,不传播谣言,最终合理引导社会舆论,让谣言不攻自破;另一方面,可通过网络意见领袖引导网民文明上网,不制造和传递虚假信息,主动验证和辟谣,使谣言无藏身之所。
Claims (2)
1.一种基于元胞机的信息传播模型,其特征在于:具体内容如下所述:
(一)模型的构建
定义:A=(L,S,N,f),其中A为元胞自动机***,L为元胞空间,边界条件为周期性边界,S为元胞状态集合,N为元胞的邻域集合,定义半径为1的Moore领域类型,f为局部映射集合;
<mrow>
<msubsup>
<mi>s</mi>
<mi>i</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>s</mi>
<msub>
<mi>j</mi>
<mn>1</mn>
</msub>
<mi>t</mi>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>s</mi>
<msub>
<mi>j</mi>
<mi>N</mi>
</msub>
<mi>t</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
其中,为第i个元胞在t+1时刻的状态,j1,…,jN为元胞的邻居, 为所有邻元的状态集合;邻居的形式采用Von Neumann型,每个节点拥有上、下、左、右、左上、左下、右上、右下八个方位的邻居,其数学表达式如下:
NMoore={vi=(vix,viy)vix-vax|<<1,|viy-vay|<<1,(vix,viy)∈ZZ}
其中,vi为表示中心元胞坐标值为(vax,vay)的相邻元胞的集合,(vix,viy)则表示邻居元胞的空间位置;
(二)模型描述
在SNS网络中,结合真实社交网络中用户对待信息传播的态度,把社交网络中信息的传播过程细化为多个状态,用不同类型节点的状态转移进行表示;其中元胞的状态集合S={0,1,2,3,4,5,6},分别对应谣言传播过程中的各种状态,对于每个元胞,在t时刻有七种不同的取值,分别对应信息传播过程中的个体的状态;其状态含义如下:0,未接触谣言状态;1,已接触谣言状态;2,相信谣言状态;3,不相信谣言状态;4,传递谣言状态;5,质疑谣言状态;6,辟谣状态;对每个元胞定义时间参数,代表当前状态时间,其所对应的状态集合如下:
未接触信息状态,即个体未被感染,如果接触到信息,可以成为已接触者;
已接触信息状态,但可以相信也可以不相信;
相信信息状态,如果此时有辟谣者出现,可以成为免疫者,否则成为传播者;
不相信信息状态,成为免疫者;
传播信息状态,如果辟谣者的数量大于传播者的数量,进入辟谣行列;
质疑信息状态,成为辟谣者;
辟谣状态,如果辟谣者的数量小于传播者的数量,进入传播状态;
所述状态集合的特性参数如下:该模型以现实中的信息传播过程为依据,引入4个参数:p1,p2,p3及p4;
p1(0≤p1≤1)表示节点的免疫成功率,会进入辟谣状态的概率,p1越大,质疑信息成功越大;
p2(0≤p2≤1)为感染率,相信谣言的关注率,接触信息后的可能感染性;
p3(0≤p3≤1)为传播率,传播谣言的传播概率,p3越大,越容易传播信息给邻元;
p4(0≤p4≤1)为质疑谣言而进入辟谣状态的辟谣率;
(三)关键算法
在上述建立的在线社交网络的谣言传播模型中,设定元胞数量为50*50,通过引入的4个参数在满足***规则的设定下自动的演化,算法所示如下:
2.根据权利要求1所述的一种基于元胞机的信息传播模型,其特征在于,所述模型描述中,状态集合与其参数所遵循规则如下:
<mrow>
<msubsup>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
<mi>j</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>=</mo>
<mn>0</mn>
<mo>:</mo>
</mrow>
1)当邻域中存在的元胞,则以p1(免疫成功率)为概率转变状态为
2)当邻域中存在的元胞,则转变状态为
以p2(感染率)为概率转变状态为以1-p2为概率转变状态为
<mrow>
<msubsup>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
<mi>j</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>=</mo>
<mn>2</mn>
<mo>:</mo>
</mrow>
1)当邻域中存在的元胞,则以p1(免疫成功率)为概率转变状态为
2)以p3(传播率)为概率转变状态为以1-p3为概率保持状态不变;
以p4为概率转变状态为以1-p4为概率保持状态不变;
当邻域中状态6的元胞数量大于状态4的元胞数量以p1为概率转变状态为以1-p1为概率保持状态不变;
以p3(传播率)为概率转变状态为以1-p3为概率保持状态不变;
当邻域中状态6的元胞数量小于状态4的元胞数量以p2为概率转变状态为以1-p2为概率保持状态不变;
其中,为元胞的邻域集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710462669.6A CN107194819A (zh) | 2017-06-18 | 2017-06-18 | 基于元胞自动机的信息传播模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710462669.6A CN107194819A (zh) | 2017-06-18 | 2017-06-18 | 基于元胞自动机的信息传播模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107194819A true CN107194819A (zh) | 2017-09-22 |
Family
ID=59879224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710462669.6A Pending CN107194819A (zh) | 2017-06-18 | 2017-06-18 | 基于元胞自动机的信息传播模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194819A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908645A (zh) * | 2017-10-09 | 2018-04-13 | 北京航空航天大学 | 一种基于渗流分析的在线社交平台谣言传播的免疫方法 |
CN108665137A (zh) * | 2018-03-27 | 2018-10-16 | 北京航空航天大学 | 一种基于元胞自动机的sis-ca风险传播分析方法 |
CN109086310A (zh) * | 2018-06-25 | 2018-12-25 | 北京理工大学 | 一种融合个人行为与社会互动的谣言传播模型构建方法 |
CN110113765A (zh) * | 2019-05-07 | 2019-08-09 | 四川大学 | 一种基于元胞自动机模型的信息源定位算法 |
CN111800422A (zh) * | 2020-07-06 | 2020-10-20 | 中国人民公安大学 | 扭曲信息的干预方法、装置及电子设备 |
CN112185579A (zh) * | 2020-08-20 | 2021-01-05 | 同济大学 | 一种基于元胞自动机的新冠密切接触人员数据获取方法 |
CN113946733A (zh) * | 2020-07-15 | 2022-01-18 | 北京信息科技大学 | 社交网络setqr传播模型研究 |
-
2017
- 2017-06-18 CN CN201710462669.6A patent/CN107194819A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908645A (zh) * | 2017-10-09 | 2018-04-13 | 北京航空航天大学 | 一种基于渗流分析的在线社交平台谣言传播的免疫方法 |
CN107908645B (zh) * | 2017-10-09 | 2021-09-28 | 北京航空航天大学 | 一种基于渗流分析的在线社交平台谣言传播的免疫方法 |
CN108665137A (zh) * | 2018-03-27 | 2018-10-16 | 北京航空航天大学 | 一种基于元胞自动机的sis-ca风险传播分析方法 |
CN109086310A (zh) * | 2018-06-25 | 2018-12-25 | 北京理工大学 | 一种融合个人行为与社会互动的谣言传播模型构建方法 |
CN109086310B (zh) * | 2018-06-25 | 2020-11-17 | 北京理工大学 | 一种融合个人行为与社会互动的谣言传播模型构建方法 |
CN110113765A (zh) * | 2019-05-07 | 2019-08-09 | 四川大学 | 一种基于元胞自动机模型的信息源定位算法 |
CN111800422A (zh) * | 2020-07-06 | 2020-10-20 | 中国人民公安大学 | 扭曲信息的干预方法、装置及电子设备 |
CN111800422B (zh) * | 2020-07-06 | 2022-05-17 | 中国人民公安大学 | 扭曲信息的干预方法、装置及电子设备 |
CN113946733A (zh) * | 2020-07-15 | 2022-01-18 | 北京信息科技大学 | 社交网络setqr传播模型研究 |
CN112185579A (zh) * | 2020-08-20 | 2021-01-05 | 同济大学 | 一种基于元胞自动机的新冠密切接触人员数据获取方法 |
CN112185579B (zh) * | 2020-08-20 | 2022-09-20 | 同济大学 | 一种基于元胞自动机的新冠密切接触人员数据获取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194819A (zh) | 基于元胞自动机的信息传播模型 | |
Tisdall | The challenge and challenging of childhood studies? Learning from disability studies and research with disabled children | |
CN110956254B (zh) | 一种基于动态知识表示学习的案件推理方法 | |
Li et al. | An evolutionary game for the diffusion of rumor in complex networks | |
CN112199608B (zh) | 基于网络信息传播图建模的社交媒体谣言检测方法 | |
CN109299808B (zh) | 基于群体劝说力建模的网民观点演化趋势预测方法 | |
CN113254719A (zh) | 一种基于地位理论的在线社交网络信息传播方法 | |
Li et al. | An information dissemination model based on the rumor and anti-rumor and stimulate-rumor and tripartite cognitive game | |
Chen et al. | Modeling, simulation, and case analysis of COVID‐19 over network public opinion formation with individual internal factors and external information characteristics | |
Yang et al. | True and fake information spreading over the Facebook | |
Yang et al. | Evolutionary game dynamics of the competitive information propagation on social networks | |
Li et al. | F‐SWIR: Rumor Fick‐spreading model considering fusion information decay in social networks | |
Wang et al. | The impact of different strategy update mechanisms on information dissemination under hyper network vision | |
Luhmann et al. | Mnemonic diffusion: An agent-based modeling investigation of collective memory | |
Chen et al. | Immune algorithm to suppress rumor propagation based on influence maximization | |
Zhang et al. | Public opinion communication model under the control of official information | |
Zhang et al. | Information dissemination analysis using a time-weight null model: a case study of sina micro-blog | |
Li et al. | Game theory-based network rumor spreading model | |
Nowak et al. | Culture change | |
Wang et al. | A novel rumour propagation model on social networks | |
Hinds | True or False Incels: an analysis of the Incels. is forum | |
Wang | [Retracted] The Spread, Rise, and Fall of University Students’ Interconnected Internet Public Opinion in the Age of Big Data | |
Paul et al. | A mathematical model for the dynamics of the violence epidemic spreading due to misinformation | |
Chen et al. | Modeling Multi-Dimensional Public Opinion Process Based on Complex Network Dynamics Model in the Context of Derived Topics. Axioms 2021, 10, 270 | |
Wang et al. | [Retracted] The Design of Psychological Education Intervention System in Universities Based on Deep Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170922 |
|
WD01 | Invention patent application deemed withdrawn after publication |