CN117811992A - 一种网络不良信息传播抑制方法、装置、设备及存储介质 - Google Patents
一种网络不良信息传播抑制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117811992A CN117811992A CN202410225111.6A CN202410225111A CN117811992A CN 117811992 A CN117811992 A CN 117811992A CN 202410225111 A CN202410225111 A CN 202410225111A CN 117811992 A CN117811992 A CN 117811992A
- Authority
- CN
- China
- Prior art keywords
- network
- node
- nodes
- information
- propagation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 115
- 230000005764 inhibitory process Effects 0.000 title description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims description 166
- 239000011159 matrix material Substances 0.000 claims description 92
- 230000007480 spreading Effects 0.000 claims description 32
- 230000001629 suppression Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 10
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 27
- 230000002829 reductive effect Effects 0.000 abstract description 14
- 230000002401 inhibitory effect Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000000644 propagated effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000002411 adverse Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及网络安全技术领域，具体公开了一种网络不良信息传播抑制方法、装置、设备及存储介质，通过基于节点相似度将目标社交网络中的网络节点划分至不同的子网络，实现了子网络之间的网络节点的计算解耦；并行监测各子网络中的不良信息，以子网络为单位结合信息传播关键节点的评估指标确定信息传播关键节点，移除信息传播关键节点以阻断经由该信息传播关键节点的信息传播路径，相较于以整个社交网络为单位进行监控显著降低了确定信息传播关键节点的计算复杂度，能够快速确定并移除信息传播关键节点以在目标社交网络中形成空洞，从而及时阻断不良信息的传播，减少能够接收到不良信息的网络节点的数量，从而增强不良信息传播抑制效果。
Description
技术领域
本发明涉及网络安全技术领域，特别是涉及一种网络不良信息传播抑制方法、装置、设备及存储介质。
背景技术
随着互联网和计算机技术的进步，社交网络成为信息传播的重要途径，各式各样的信息传播得到了极大促进。然而，如谣言、负面言论等不良信息，也借助社交网络能够在短时间内大范围地传播，导致社交网络的可信度和用户体验感变差，甚至造成不良社会影响。
为解决社交网络中的不良信息传播抑制问题，技术人员展开了多方面相关研究。但已有方案越来越无法应对社交网络日趋规模扩大、复杂度增加的问题，导致在实际不良信息传播抑制场景中无法及时响应并有效抑制不良信息传播。
提供一种能够及时抑制社交网络中不良信息的传播的方案，是本领域技术人员需要解决的技术问题。
发明内容
本发明的目的是提供一种网络不良信息传播抑制方法、装置、设备及存储介质，用于提高对社交网络不良信息传播抑制的响应速度，增强不良信息传播抑制效果。
为解决上述技术问题，本发明提供一种网络不良信息传播抑制方法，包括：
基于节点相似度将目标社交网络中的网络节点划分入不同的子网络，并行执行对各所述子网络的不良信息监测任务；
当监测到不良信息时，以所述子网络为单位确定所述网络节点的信息传播能力，根据信息传播能力选出所述子网络中的信息传播关键节点；
移除所述信息传播关键节点以阻断经由所述信息传播关键节点的信息传播路径；
其中，所述网络节点的信息传播能力依据所述网络节点以及所述网络节点所传播到达的关联节点之间的传播关系确定。
一方面，所述基于节点相似度将目标社交网络中的网络节点划分入不同的子网络，包括：
根据两个所述网络节点的邻居节点接近度、两个所述网络节点的最短传输路径长度以及两个所述网络节点的关联节点相似度计算得到两个所述网络节点之间的节点相似度评分；
将所述节点相似度评分达到节点相似度阈值的不同所述网络节点划分至同一所述子网络。
另一方面，所述根据两个所述网络节点的邻居节点接近度、两个所述网络节点的最短传输路径长度以及两个所述网络节点的关联节点相似度计算得到两个所述网络节点之间的节点相似度评分，通过下式计算得到：
；
其中，为网络节点v和网络节点u之间的节点相似度评分，/>为邻居节点接近度权重，/>为所述网络节点v和所述网络节点u之间的邻居节点接近度评分，/>为最短传输路径权重，/>为所述网络节点v和所述网络节点u之间的标准化最短传输路径长度，/>为公共关联节点权重，/>为所述网络节点v和所述网络节点u之间的标准化公共关联节点数目。
另一方面，所述网络节点v和所述网络节点u之间的邻居节点接近度评分，通过下式计算得到：
；
其中，为所述网络节点v和所述网络节点u的邻居节点接近度评分，为所述网络节点v和所述网络节点u的共同邻居节点数目，/>为所述网络节点v的邻居节点数目，/>为所述网络节点u的邻居节点数目。
另一方面，所述网络节点v和所述网络节点u之间的标准化最短传输路径长度，通过下式计算得到：
；
其中，为所述网络节点v和所述网络节点u之间的标准化最短传输路径长度，/>为所述网络节点v和所述网络节点u之间的最短传输路径长度，G为所述目标社交网络，/>为所述目标社交网络中两个所述网络节点之间的最短传输路径长度的最大值，x、y为所述目标社交网络中任意两个所述网络节点。
另一方面，所述网络节点v和所述网络节点u之间的标准化公共关联节点数目，通过下式计算得到：
；
其中，为所述网络节点v和所述网络节点u的标准化公共关联节点数目，/>为所述网络节点v和所述网络节点u的公共关联节点数目，G为所述目标社交网络，/>为所述目标社交网络中两个所述网络节点的公共关联节点数目的最大值。
另一方面，所述基于节点相似度将目标社交网络中的网络节点划分入不同的子网络，包括：
自所述目标社交网络中未分入所述子网络的所述网络节点中随机获取一个所述网络节点，确定获取的所述网络节点与所述目标社交网络中其余所述网络节点之间的节点相似度，并将节点相似度满足节点相似条件的其余所述网络节点列入获取的所述网络节点的所述子网络；
自所述子网络中不重复的获取一个所述网络节点，确定获取的所述网络节点与所述目标社交网络中其余所述网络节点之间的节点相似度，并将节点相似度满足所述节点相似条件的其余所述网络节点补充列入所述子网络，直至所述子网络外不存在与所述子网络中的所述网络节点的节点相似度达到节点相似度阈值的所述网络节点；
重复执行上述步骤，直至所述目标社交网络中不存在未分入所述子网络的所述网络节点。
另一方面，确定所述网络节点的信息传播能力，包括：
获取所述网络节点基于直接路径传播到达的所述关联节点和所述网络节点基于间接路径传播到达的所述关联节点的总数，作为所述网络节点的第一信息传播能力指标；
构建所述目标社交网络中各所述网络节点间的传播关系邻接矩阵，结合所述传播关系邻接矩阵和预设信息传播跳数构建所述目标社交网络中的多跳信息传播矩阵；
自所述多跳信息传播矩阵获取所述网络节点对应的信息传播力向量，作为所述网络节点的第二信息传播能力指标；
根据所述第一信息传播能力指标和所述第二信息传播能力指标计算得到所述网络节点的信息传播能力评分；
其中，所述传播关系邻接矩阵的元素为第一元素时表示对应行的所述网络节点至对应列的所述网络节点之间存在信息传播关系；所述传播关系邻接矩阵的元素为第二元素时表示对应行的所述网络节点至对应列的所述网络节点之间不存在信息传播关系。
另一方面，确定所述网络节点的信息传播能力，包括：
获取所述网络节点基于直接路径传播到达的所述关联节点和所述网络节点基于间接路径传播到达的所述关联节点的总数，作为所述网络节点的第一信息传播能力指标；
构建所述子网络中各所述网络节点间的传播关系邻接矩阵，结合所述传播关系邻接矩阵和预设信息传播跳数构建所述目标社交网络中的多跳信息传播矩阵；
自所述多跳信息传播矩阵获取所述网络节点对应的信息传播力向量，作为所述网络节点的第二信息传播能力指标；
根据所述第一信息传播能力指标和所述第二信息传播能力指标计算得到所述网络节点的信息传播能力评分；
其中，所述传播关系邻接矩阵的元素为第一元素时表示对应行的所述网络节点至对应列的所述网络节点之间存在信息传播关系；所述传播关系邻接矩阵的元素为第二元素时表示对应行的所述网络节点至对应列的所述网络节点之间不存在信息传播关系。
另一方面，所述根据所述第一信息传播能力指标和所述第二信息传播能力指标计算得到所述网络节点的信息传播能力评分，通过下式计算得到：
；
其中，；
；
其中，为网络节点v的信息传播能力评分，/>为标准化后的所述网络节点v的所述第一信息传播能力指标，/>为所述网络节点v的所述第二信息传播能力指标，/>为所述网络节点v的所述第一信息传播能力指标，为所述目标社交网络中最大的所述第一信息传播能力指标，G为所述目标社交网络，x为所述目标社交网络中任意一个所述网络节点，/>为所述多跳信息传播矩阵，A为所述传播关系邻接矩阵，I为与所述传播关系邻接矩阵规模一致的单位矩阵，/>为所述预设信息传播跳数。
另一方面，所述根据信息传播能力选出所述子网络中的信息传播关键节点，包括：
计算所述网络节点的信息传播能力评分；
分别自各所述子网络中选出信息传播能力评分最高的第一数量所述网络节点作为所述信息传播关键节点。
另一方面，所述根据信息传播能力选出所述子网络中的信息传播关键节点，包括：
计算所述网络节点的信息传播能力评分；
分别自各所述子网络中选出信息传播能力评分最高的第一数量所述网络节点；
自选出的所述网络节点中选出信息传播能力评分最高的第二数量所述网络节点作为所述信息传播关键节点。
另一方面，所述根据信息传播能力选出所述子网络中的信息传播关键节点，包括：
计算所述网络节点的信息传播能力评分；
分别自各所述子网络中选出信息传播能力评分最高的第三数量所述网络节点作为所述信息传播关键节点；
其中，所述子网络对应的所述第三数量根据所述子网络的综合信息传播能力确定。
另一方面，所述根据信息传播能力选出所述子网络中的信息传播关键节点，包括：
计算所述网络节点的信息传播能力评分；
根据信息传播能力评分自各所述子网络中选出所述网络节点作为候选关键节点；
根据剔除所述候选关键节点前后所述候选关键节点所在的子网络的综合信息传播能力计算所述候选关键节点的边际增益；
选出边际增益最大的第四数量所述候选关键节点作为所述信息传播关键节点。
另一方面，所述网络节点的边际增益通过下式计算得到：
；
其中，为网络节点v的边际增益，/>为移除所述网络节点v之前子网络/>中全体所述网络节点的信息传播能力评分之和，a为移除所述网络节点v之前所述子网络/>中任意一个所述网络节点，/>为移除所述网络节点v之后所述子网络/>中全体所述网络节点的信息传播能力评分之和，b为移除所述网络节点v之后所述子网络/>中任意一个所述网络节点。
另一方面，所述选出边际增益最大的第四数量所述候选关键节点作为所述信息传播关键节点，包括：
分别自各所述子网络的所述候选关键节点中选出边际增益最大的第五数量所述候选关键节点作为所述信息传播关键节点，以得到第四数量所述信息传播关键节点。
另一方面，所述选出边际增益最大的第四数量所述候选关键节点作为所述信息传播关键节点，包括：
分别自各所述子网络的所述候选关键节点中选出边际增益最大的第六数量所述候选关键节点；
自选出的所述候选关键节点中选出边际增益最大的第四数量所述候选关键节点作为所述信息传播关键节点。
另一方面，所述选出边际增益最大的第四数量所述候选关键节点作为所述信息传播关键节点，包括：
分别自各所述子网络的所述候选关键节点中选出边际增益最大的第七数量所述候选关键节点，以得到第四数量所述信息传播关键节点；
其中，所述子网络对应的所述第七数量根据所述子网络的综合信息传播能力确定。
另一方面，还包括：
根据所述不良信息的传播状态以及所述信息传播关键节点的历史不良信息传播记录，生成所述信息传播关键节点的解封策略；
执行所述信息传播关键节点的解封策略。
为解决上述技术问题，本发明还提供一种网络不良信息传播抑制装置，包括：
子网络拆分单元，用于基于节点相似度将目标社交网络中的网络节点划分入不同的子网络，并行执行对各所述子网络的不良信息监测任务；
筛选单元，用于当监测到不良信息时，以所述子网络为单位确定所述网络节点的信息传播能力，根据信息传播能力选出所述子网络中的信息传播关键节点；
控制单元，用于移除所述信息传播关键节点以阻断经由所述信息传播关键节点的信息传播路径；
其中，所述网络节点的信息传播能力依据所述网络节点以及所述网络节点所传播到达的关联节点之间的传播关系确定。
为解决上述技术问题，本发明还提供一种网络不良信息传播抑制设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序，所述计算机程序被所述处理器执行时实现如上述任意一项所述网络不良信息传播抑制方法的步骤。
为解决上述技术问题，本发明还提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述网络不良信息传播抑制方法的步骤。
本发明所提供的网络不良信息传播抑制方法，有益效果在于通过基于节点相似度将目标社交网络中的网络节点划分至不同的子网络，实现了子网络之间的网络节点的计算解耦；并行监测各子网络中的不良信息，以子网络为单位结合信息传播关键节点的评估指标确定信息传播关键节点，移除信息传播关键节点以阻断经由该信息传播关键节点的信息传播路径，相较于以整个社交网络为单位进行监控显著降低了确定信息传播关键节点的计算复杂度，从而减少了响应时长，能够快速确定并移除信息传播关键节点以在目标社交网络中形成空洞，从而及时阻断不良信息的传播，减少能够接收到不良信息的网络节点的数量，从而增强不良信息传播抑制效果。
本发明所提供的网络不良信息传播抑制方法，还提供了一种结合两个网络节点的邻居节点接近度、两个网络节点的最短传输路径长度以及两个网络节点的关联节点相似度计算得到两个网络节点之间的节点相似度评分，以将节点相似度评分达到节点相似度阈值的不同网络节点划分至同一子网络的子网络拆分方法，实现将信息传播存在关联的网络节点划分至同一子网络，有助于提高子网络间的关联关系解耦程度，进一步降低不良信息传播抑制的计算复杂度，提高不良信息传播抑制效率，增强不良信息传播抑制效果。
本发明所提供的网络不良信息传播抑制方法，还提供一种结合网络节点能够直接传播到达和间接传播到达的关联节点的总数以及构建多跳信息传播矩阵从中获取网络节点的信息传播力向量来对网络节点的信息传播能力进行评分的方法，其中多跳信息传播矩阵是结合传播关系邻接矩阵以及预设信息传播跳数构建的，利用传播关系邻接矩阵中的不同元素表示行列的网络节点之间的信息传播关系，从而有效对网络节点的信息传播能力进行评估，以使最终确定的信息传播关键节点在被移除后能够快速在目标社交网络中形成空洞，阻断不良信息的传播。
本发明所提供的网络不良信息传播抑制方法，还可以通过利用信息传播能力评分自子网络选出候选关键节点，使得需要处理的网络节点的范围进一步缩小，降低了解空间的搜索范围；通过计算剔除候选关键节点前后候选关键节点所在的子网络的综合信息传播能力计算候选关键节点的边际增益，根据边际增益选出信息传播关键节点，克服了传统启发式方法的不确定性与无效性，实现了对网络节点的实际信息传播能力的有效评估。
本发明还提供了一种网络不良信息传播抑制装置、设备及存储介质，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种目标社交网络的结构示意图；
图2为本发明实施例提供的一种目标社交网络中任意两点间最短路径汇总矩阵的示意图；
图3为本发明实施例提供的一种网络不良信息传播抑制方法的流程图；
图4为本发明实施例提供的一种网络节点的相似度矩阵的示意图；
图5为本发明实施例提供的一种目标社交网络中的传播关系邻接矩阵的示意图；
图6为本发明实施例提供的一种网络不良信息传播抑制装置的结构示意图；
图7为本发明实施例提供的一种网络不良信息传播抑制设备的结构示意图。
具体实施方式
本发明的核心是提供一种网络不良信息传播抑制方法、装置、设备及存储介质，用于提高对社交网络不良信息传播抑制的响应速度，增强不良信息传播抑制效果。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种目标社交网络的结构示意图；图2为本发明实施例提供的一种目标社交网络中任意两点间最短路径汇总矩阵的示意图。
为便于理解本发明实施例提供的技术方案，这里先对本发明实施例使用的一些关键名词进行解释：
社交网络（Social Network）含义包括硬件、软件、服务及应用，其硬件往往依托于服务器或服务器集群，软件（客户端）安装在用户终端上，社交网络用户通过用户终端登录社交网络后，通过网络链接实现与社交网络服务器的数据交互，以实现信息的上传下达，通过社交网络搭建的平台传播至不同的用户节点。
网络节点指社交网络中的用户节点，即可以认为一个用户账号代表一个网络节点。从硬件上看，在一个简单的社交网络中，可以认为一个用户终端代表一个网络节点。与此区分的是一个用户可能会在一个社交网络中持有多个用户账号，即一个用户终端可能对应多个网络节点。或者，多个用户可能会通过一个用户账号访问社交网络。
在社交网络中，网络节点间的传播关系主要是由网络节点用户的关注状态决定的，例如在某社交网络中，用户1关注了用户2，但用户2没有关注用户1，则认为用户1和用户2是社交网络中的两个网络节点，用户1和用户2之间存在一条用户2指向用户1的单向边。
基于此，本发明实施例提出如下定义：
目标社交网络，在本发明实施例中指由多个网络节点构成的社交网络，各网络节点间的传播关系用有向边表示，为本发明实施例提供的网络不良信息传播抑制方法所针对的控制对象。图1为一种示例的包含12个网络节点的目标社交网络，箭头表示有向边即为网络节点间的传播关系。
节点度，指由网络节点v发出及指向网络节点v的所有边数的总和，记为：
；
其中，为网络节点v的节点度，/>为指向网络节点v的邻居节点的数目，/>为网络节点v发出的邻居节点的数目。
以图1为例，网络节点3的节点度为，其中指向网络节点3的边/>=2，由网络节点3发出的边/>=1。
网络节点v和网络节点u的接近度，定义为二者共同的邻居节点数占二者各自的邻居节点的总数的比例，记为：
；
其中，为网络节点v和网络节点u的邻居节点接近度评分，为网络节点v和网络节点u的共同邻居节点数目，/>为网络节点v的邻居节点数目，/>为网络节点u的邻居节点数目。
以图1为例，网络节点8和网络节点5的共同邻居节点数目为=2，网络节点8自身的邻居节点数目/>=2，网络节点5自身的邻居节点数目=4，则网络节点8和网络节点5的接近度/>=2/(2+4)=1/3。
网络节点v到网络节点u的最短路径长度，即从网络节点v到网络节点u需要经过的最少边的数目，记为。
以图1为例，网络节点12到网络节点4最少需要经过4条边，即网络节点12→网络节点10→网络节点7→网络节点6或网络节点5→网络节点4。因此，网络节点12到网络节点4的最短路径长度=4。
网络直径，即目标社交网络中任意两个网络节点间的最短路径长度的最大值，记为。
以图1为例，考虑图1中任意两点间的距离矩阵，如图2所示，网络节点9至网络节点8的最短路径为5，网络节点11至网络节点8的最短路径为5，网络节点12至网络节点8的最短路径为5，而目标社交网络中其他最短路径的长度均小于5，因此，目标社交网络的网络直径为5。
节点遍历度，即目标社交网络中网络节点v能够传播到达的网络节点的数目，记为。
以图1为例，可以列出各网络节点的节点遍历度如下：
网络节点1：=|{网络节点1，网络节点2，网络节点3}|=3；
网络节点2：=|{网络节点1，网络节点2，网络节点3}|=3；
网络节点3：=|{网络节点1，网络节点2，网络节点3}|=3；
网络节点4：=|{网络节点4，网络节点5，网络节点6，网络节点8}|=4；
网络节点5：=|{网络节点4，网络节点5，网络节点6，网络节点8}|=4；
网络节点6：=|{网络节点4，网络节点5，网络节点6，网络节点8}|=4；
网络节点7：=|{网络节点4，网络节点5，网络节点6，网络节点7，网络节点8}|=5；
网络节点8：=|{网络节点4，网络节点5，网络节点6，网络节点8}|=4；
网络节点9：=|{网络节点1，……，网络节点10}|=10；
网络节点10：=|{网络节点4，网络节点5，网络节点6，网络节点7，网络节点8，网络节点10}|=6；
网络节点11：=|{网络节点1，……，网络节点11}|=11；
网络节点12：=|{网络节点1，……，网络节点12}|=12。
移除网络边方法，一种不良信息传播抑制方法，该方法从用户与用户关系的角度出发，删除一些网络结构中的关键边，使得不良信息尽可能的影响较少数目的网络用户。例如，用户1发布了某一不良信息，用户2作为用户1的粉丝，取消了对用户1的关注，那么不良信息就无法通过用户2继续传播下去。移除边的方式大多采用集中式方法，在给定预算或成本的条件下，改变原始网络结构，达到不良信息阻止的目的。这类方法主要存在计算复杂度高、响应不及时，不良信息控制效果差等问题。
不变拓扑方法，一种不良信息传播抑制方法，该方法主要思想是投放与不良信息对抗的辟谣信息，使得网络中尽可能多的用户听信辟谣信息，而不是不良信息。该方法的特点是不改变网络拓扑结构，是一种间接的控制方法。该方法的本质在于发现有影响力的关键节点，并在这些有影响力节点处投放辟谣信息，使得投放后的辟谣信息在网络中广泛传播，进而实现对不良信息的间接控制。不变拓扑集中式方法在原始大规模网络中发现有影响力节点，计算代价过高，特别是对于大规模网络难以适用。
移除网络节点方法，一种不良信息传播抑制方法，该方法主要思想是移除网络中某些关键节点，使得移除这些节点后的网络在结构上形成“空洞”，从而阻塞不良信息的传播。该方法的优点在于计算简单且易于施舍，缺点是制定关键节点的评价指标相对困难。
下面结合附图对本发明实施例提供的网络不良信息传播抑制方法进行说明。
图3为本发明实施例提供的一种网络不良信息传播抑制方法的流程图。
如图3所示，本发明实施例提供的网络不良信息传播抑制方法包括：
S301：基于节点相似度将目标社交网络中的网络节点划分入不同的子网络，并行执行对各子网络的不良信息监测任务。
S302：当监测到不良信息时，以子网络为单位确定网络节点的信息传播能力，根据信息传播能力选出子网络中的信息传播关键节点。
S303：移除信息传播关键节点以阻断经由信息传播关键节点的信息传播路径。
其中，网络节点的信息传播能力依据网络节点以及网络节点所传播到达的关联节点之间的传播关系确定。
由于社交网络的规模日益扩大，社交网络中网络节点间的关联关系也日益复杂，本发明实施例提供一种通过子网络拆分的网络不良信息监控方案，以减少监控网络规模的大小与复杂度（即每个子网络的规模和复杂度必然是小于整个社交网络的），同时通过并行监控来提高不良信息监控效率。
执行对子网络的不良信息监测任务的设备可以为社交网路服务器，可以通过社交网络服务器在执行信息传达的同时开启线程执行对子网络的不良信息监测任务。执行对子网络的不良信息监测任务的设备也可以采用社交网络服务器之外的控制器。
对S301，可以根据执行对子网络的不良信息监测任务的设备的监测算力确定子网络规模，即确定子网络中网络节点的数目，依据该数目进行目标社交网络中网络节点的划分。
设备采用预设的不良信息监测算法执行不良信息监测任务。不良信息可以包括但不限于谣言等违法传播的信息，依据预设的判断规则确定不良信息的类型以对不良信息进行检出。
对于S302，当监测到目标社交网络中存在不良信息时，为了及时阻断不良信息的传播，本发明实施例采用移除网络节点方法，结合子网络拆分技术，以尽可能地提高确定信息传播关键节点的效率。通过子网络拆分技术，结合本发明实施例提出的依据网络节点以及网络节点所传播到达的关联节点之间的传播关系确定网络节点的信息传播能力，进而选出目标社交网络中有影响力的信息传播关键节点，解决了移除网络节点方法本身在大规模社交网络中不容易制定关键节点评价指标的问题。
对于S303，移除信息传播关键节点以阻断经由信息传播关键节点的信息传播路径，例如，当目标社交网络中网络节点v是一个具有很多粉丝的信息传播关键节点，如果网络节点v所关注的信息中出现不良信息，则存在可能通过网络节点v继续向更多的网络节点传播该不良信息，当确定网络节点v为信息传播关键节点时，移除网络节点v，则不良信息在传播至网络节点v后无法再向网络节点v的粉丝传播，实现了有效的不良信息传播阻断。
可以理解的是，社交网络中的网络节点往往发生着增删改的变动，如新增注册的网络节点，已有的网络节点注销，网络节点增加对其他网络节点的关注或取消关注导致信息传播路径发生变更，此时需要对子网络的划分进行调整。则在本发明实施例提供的网络不良信息传播抑制方法中，S301中将目标社交网络中的网络节点划分入不同的子网络，可以包括：当满足达到子网络更新周期、监测到目标社交网络中的网络节点网络状态变更中至少一个条件时，执行将目标社交网络中的网络节点划分入不同的子网络的任务。
即是说，可以周期性检查目标社交网络中网络节点的状态是否发生变动，以此触发子网络划分的变更。也可以设置触发条件，使目标社交网络中网络节点的状态变动主动触发子网络划分的变更。
本发明实施例提供的网络不良信息传播抑制方法，通过基于节点相似度将目标社交网络中的网络节点划分至不同的子网络，实现了子网络之间的网络节点的计算解耦；并行监测各子网络中的不良信息，以子网络为单位结合信息传播关键节点的评估指标确定信息传播关键节点，移除信息传播关键节点以阻断经由该信息传播关键节点的信息传播路径，相较于以整个社交网络为单位进行监控显著降低了确定信息传播关键节点的计算复杂度，从而减少了响应时长，能够快速确定并移除信息传播关键节点以在目标社交网络中形成空洞，从而及时阻断不良信息的传播，减少能够接收到不良信息的网络节点的数量，从而增强不良信息传播抑制效果。
图4为本发明实施例提供的一种网络节点的相似度矩阵的示意图。
在上述实施例的基础上，本发明实施例进一步提供一种基于节点相似度的子网络拆分方法。
在本发明上述实施例介绍的子网络拆分方法中，可以仅基于设定的子网络规模进行目标社交网络中的子网络拆分，此种方式能够实现降低单线程执行不良信息监控的计算量和复杂度，而通过挖掘网络节点的关联信息进行子网络拆分，可以进一步降低信息传播关键节点确定的复杂度，从而进一步提高响应速度。
则在本发明实施例提供的网络不良信息传播抑制方法中，S301中基于节点相似度将目标社交网络中的网络节点划分入不同的子网络，可以包括：
根据两个网络节点的邻居节点接近度、两个网络节点的最短传输路径长度以及两个网络节点的关联节点相似度计算得到两个网络节点之间的节点相似度评分；
将节点相似度评分达到节点相似度阈值的不同网络节点划分至同一子网络。
可以通过制定邻居节点接近度、最短传输路径长度以及关联节点相似度三个指标的评分方式，进而设计节点相似度的评分方式来评估两个网络节点的节点相似度。
则基于节点相似度将网络节点划分入不同的子网络，可以包括：
根据两个网络节点的邻居节点计算得到两个网络节点的邻居节点接近度评分；
对两个网络节点间的最短传输路径长度进行标准化处理，得到两个网络节点间的标准化最短传输路径长度；
对两个网络节点的公共关联节点数目进行标准化处理，得到两个网络节点的标准化公共关联节点数目；
对两个网络节点的邻居节点接近度评分、两个网络节点间的标准化最短传输路径长度以及两个网络节点的标准化公共关联节点数目进行加权求和计算，得到两个网络节点的节点相似度评分；
将节点相似度评分达到节点相似度阈值的不同网络节点划分至同一子网络。
通过对最短传输路径长度以及公共关联节点数目进行标准化处理，以实现对目标社交网络中两个网络节点间的节点相似度的计算。
在本发明实施例中，根据两个网络节点的邻居节点接近度、两个网络节点的最短传输路径长度以及两个网络节点的关联节点相似度计算得到两个网络节点之间的节点相似度评分，可以通过下式计算得到：
；
其中，为网络节点v和网络节点u之间的节点相似度评分，/>为邻居节点接近度权重，/>为网络节点v和网络节点u之间的邻居节点接近度评分，/>为最短传输路径权重，/>为网络节点v和网络节点u之间的标准化最短传输路径长度，/>为公共关联节点权重，/>为网络节点v和网络节点u之间的标准化公共关联节点数目。
其中，网络节点v和网络节点u之间的邻居节点接近度评分，可以通过下式计算得到：
；
其中，为网络节点v和网络节点u的邻居节点接近度评分，为网络节点v和网络节点u的共同邻居节点数目，/>为网络节点v的邻居节点数目，/>为网络节点u的邻居节点数目。
网络节点v和网络节点u之间的标准化最短传输路径长度，可以通过下式计算得到：
；
其中，为网络节点v和网络节点u之间的标准化最短传输路径长度，/>为网络节点v和网络节点u之间的最短传输路径长度，G为目标社交网络，/>为目标社交网络中两个网络节点之间的最短传输路径长度的最大值，x、y为目标社交网络中任意两个网络节点。/>
网络节点v和网络节点u之间的标准化公共关联节点数目，可以通过下式计算得到：
；
其中，为网络节点v和网络节点u的标准化公共关联节点数目，/>为网络节点v和网络节点u的公共关联节点数目，G为目标社交网络，/>为目标社交网络中两个网络节点的公共关联节点数目的最大值，x、y为目标社交网络中任意两个网络节点。
如图4所示，在基于节点相似度划分子网络时，假设目标社交网络中共有n个网络节点，可以将目标社交网络中各网络节点两两为一对计算节点相似度评分（Sim（1，2）、Sim（1，3），……，Sim（1，n）、Sim（2，3），……，Sim（2，n），……，Sim（3，n）），而后将节点相似度评分从大到小排序，以便进行基于节点相似度的子网络拆分。
在实际应用中，S301中基于节点相似度将目标社交网络中的网络节点划分入不同的子网络，可以包括：
自目标社交网络中未分入子网络的网络节点中随机获取一个网络节点，确定获取的网络节点与目标社交网络中其余网络节点之间的节点相似度，并将节点相似度满足节点相似条件的其余网络节点列入获取的网络节点的子网络；
自子网络中不重复的获取一个网络节点，确定获取的网络节点与目标社交网络中其余网络节点之间的节点相似度，并将节点相似度满足节点相似条件的其余网络节点补充列入子网络，直至子网络外不存在与子网络中的网络节点的节点相似度达到节点相似度阈值的网络节点；
重复执行上述步骤，直至目标社交网络中不存在未分入子网络的网络节点。
在本发明实施例介绍的基于节点相似度的子网络拆分方法的基础上，可以通过节点相似度阈值来控制子网络规模，则S301中基于节点相似度将目标社交网络中的网络节点划分入不同的子网络，可以包括：
将节点相似度评分大于或等于节点相似度阈值的网络节点划分至同一子网络，将节点相似度评分小于节点相似度阈值的网络节点划分至不同的子网络；
其中，节点相似度阈值根据执行对子网络的不良信息监测任务的设备的监测算力确定，监测算力越高，节点相似度阈值越小。
本发明实施例提供的网络不良信息传播抑制方法，提供了一种结合两个网络节点的邻居节点接近度、两个网络节点的最短传输路径长度以及两个网络节点的关联节点相似度计算得到两个网络节点之间的节点相似度评分，以将节点相似度评分达到节点相似度阈值的不同网络节点划分至同一子网络的子网络拆分方法，实现将信息传播存在关联的网络节点划分至同一子网络，有助于提高子网络间的关联关系解耦程度，进一步降低不良信息传播抑制的计算复杂度，提高不良信息传播抑制效率，增强不良信息传播抑制效果。
图5为本发明实施例提供的一种目标社交网络中的传播关系邻接矩阵的示意图。
在上述实施例的基础上，本发明实施例提供的网络不良信息传播抑制方法继续对如何确定网络节点的信息传播能力进行介绍。
如何确定网络节点的信息传播能力是准确选出有影响力的关键节点的保障。在本发明实施例提供的网络不良信息传播抑制方法中，S302中确定网络节点的信息传播能力，可以包括：
获取网络节点基于直接路径传播到达的关联节点和网络节点基于间接路径传播到达的关联节点的总数，作为网络节点的第一信息传播能力指标；
构建目标社交网络中各网络节点间的传播关系邻接矩阵，结合传播关系邻接矩阵和预设信息传播跳数构建目标社交网络中的多跳信息传播矩阵；
自多跳信息传播矩阵获取网络节点对应的信息传播力向量，作为网络节点的第二信息传播能力指标；
根据第一信息传播能力指标和第二信息传播能力指标计算得到网络节点的信息传播能力评分；
其中，传播关系邻接矩阵的元素为第一元素时表示对应行的网络节点至对应列的网络节点之间存在信息传播关系；传播关系邻接矩阵的元素为第二元素时表示对应行的网络节点至对应列的网络节点之间不存在信息传播关系。
而在目标社交网络规模较大时，如果以目标社交网络为单位进行多跳信息传播矩阵的生成与计算仍会带来较大的计算量，故在本发明实施例介绍的基于节点相似度的子网络拆分方法的基础上，对网络节点的信息传播能力的计算还可以以子网络为单位来进一步降低计算复杂度，提高响应速度，即S302中确定网络节点的信息传播能力，还可以包括：
获取网络节点基于直接路径传播到达的关联节点和网络节点基于间接路径传播到达的关联节点的总数，作为网络节点的第一信息传播能力指标；
构建子网络中各网络节点间的传播关系邻接矩阵，结合传播关系邻接矩阵和预设信息传播跳数构建目标社交网络中的多跳信息传播矩阵；
自多跳信息传播矩阵获取网络节点对应的信息传播力向量，作为网络节点的第二信息传播能力指标；
根据第一信息传播能力指标和第二信息传播能力指标计算得到网络节点的信息传播能力评分；
其中，传播关系邻接矩阵的元素为第一元素时表示对应行的网络节点至对应列的网络节点之间存在信息传播关系；传播关系邻接矩阵的元素为第二元素时表示对应行的网络节点至对应列的网络节点之间不存在信息传播关系。
在上述两种确定网络节点的信息传播能力的方法中，区别在于以目标社交网络为单位进行多跳信息传播矩阵的生成与计算，还是以子网络为单位进行多跳信息传播矩阵的生成与计算。
下面对构建传播关系邻接矩阵的方法以及多跳信息传播矩阵的方法、第一信息传播能力指标以及第二信息传播能力指标进行说明。
以图1所示的目标社交网络（或假设该网络为目标社交网络的一个子网络）为例，可以以网络节点作为关注者的角色为列，以网络节点为被关注者为行，在目标社交网络中，在被关注者至关注者之间存在一条从被关注者指向关注者的单向边，则如图5所示，可以列出图1中各网络节点间的传播关系邻接矩阵，即如果存在网络节点v指向网络节点u的一条边，则在传播关系邻接矩阵的对应位置的元素=1，否则/>=0。即可以设置第一元素为1，第二元素为0，当然也可以设置为其他元素以区分这两种不同的。
信息传播跳数是指同一信息被转发至多少级网络节点。如经典的六人定律，即是说任何两个人之间的关系带，基本确定在六个人左右，即信息传播跳数为6。在本发明实施例中，预设信息传播跳数可以灵活设定来表示想要关注的信息传播跳数，也可以直接设置为6。
则结合信息传播关系矩阵和预设信息传播跳数，本发明实施例定义一种网络节点的信息传播力如下：
；
其中，σ为第二信息传播能力指标，A为传播关系邻接矩阵，I为与传播关系邻接矩阵规模一致的单位矩阵，为预设信息传播跳数。
由上式可以看出，第二信息传播能力指标表示长度为n的向量，向量的第一维度σ(1)表示网络节点1的信息传播力，向量的第二维度σ(2)表示网络节点2的信息传播力。
为进行不同子网络的计算，将第一信息传播能力指标进行标准化处理。
则在本发明实施例中，根据第一信息传播能力指标和第二信息传播能力指标计算得到网络节点的信息传播能力评分，可以通过下式计算得到：
；
其中，；
；
其中，为网络节点v的信息传播能力评分，/>为标准化后的网络节点v的第一信息传播能力指标，/>为网络节点v的第二信息传播能力指标，/>为网络节点v的第一信息传播能力指标，/>为目标社交网络中最大的第一信息传播能力指标，G为所述目标社交网络，x为所述目标社交网络中任意一个所述网络节点，/>为多跳信息传播矩阵，A为传播关系邻接矩阵，I为与传播关系邻接矩阵规模一致的单位矩阵，/>为预设信息传播跳数。
本发明实施例提供的网络不良信息传播抑制方法，还提供一种结合网络节点能够直接传播到达和间接传播到达的关联节点的总数以及构建多跳信息传播矩阵从中获取网络节点的信息传播力向量来对网络节点的信息传播能力进行评分的方法，其中多跳信息传播矩阵是结合传播关系邻接矩阵以及预设信息传播跳数构建的，利用传播关系邻接矩阵中的不同元素表示行列的网络节点之间的信息传播关系，从而有效对网络节点的信息传播能力进行评估，以使最终确定的信息传播关键节点在被移除后能够快速在目标社交网络中形成空洞，阻断不良信息的传播。
在上述实施例的基础上，本发明实施例进一步对如何基于信息传播能力确定信息传播关键节点进行说明。
在本发明实施例提供的网络不良信息传播抑制方法中，S302中根据信息传播能力选出子网络中的信息传播关键节点，可以包括：
计算网络节点的信息传播能力评分；
分别自各子网络中选出信息传播能力评分最高的第一数量网络节点作为信息传播关键节点。
其中，计算信息传播能力评分的方式可以参考上述实施例的介绍。可以在采用上述实施例介绍的方式计算出子网络中网络节点的信息传播能力评分后，直接在各子网络中选出传播能力评分最高的第一数量网络节点作为信息传播关键节点。
或者，在并行执行不良信息监控任务时，可能采用不同的设备执行对不同子网络的不良信息监控，则根据信息传播能力选出子网络中的信息传播关键节点，还可以包括：
计算网络节点的信息传播能力评分；
分别自各子网络中选出信息传播能力评分最高的第一数量网络节点；
自选出的网络节点中选出信息传播能力评分最高的第二数量网络节点作为信息传播关键节点。
即是说，先分别自各子网络中选出信息传播能力评分最高的第一数量网络节点，再汇总各子网络中选出的网络节点，从中再选出信息传播能力评分最高的第二数量网络节点作为信息传播关键节点。
或者，由于不同子网络可能存在网络节点数目不同、网络节点的关联关系的复杂度不同，根据信息传播能力选出子网络中的信息传播关键节点，还可以包括：
计算网络节点的信息传播能力评分；
分别自各子网络中选出信息传播能力评分最高的第三数量网络节点作为信息传播关键节点；
其中，子网络对应的第三数量根据子网络的综合信息传播能力确定。
在实际应用中，可以预先设定针对整个目标社交网络的信息传播关键节点的总数，而后按照各子网络的综合信息传播能力确定各子网络对应的第三数量，即分配每次在不同子网络中选出信息传播关键节点的数量。
子网络的综合信息传播能力可以以子网络包含网络节点的数量为评估指标，也可以以子网络中所有网络节点的信息传播能力评分之和为评估指标。
为进一步提高评估网络节点的信息传播能力的准确性，在本发明实施例提供的网络不良信息传播抑制方法中，根据信息传播能力选出子网络中的信息传播关键节点，还可以包括：
计算网络节点的信息传播能力评分；
根据信息传播能力评分自各子网络中选出网络节点作为候选关键节点；
根据剔除候选关键节点前后候选关键节点所在的子网络的综合信息传播能力计算候选关键节点的边际增益；
选出边际增益最大的第四数量候选关键节点作为信息传播关键节点。
即是说，以网络节点的信息传播能力评分的大小为确定网络节点是否为候选关键节点的依据，再以边际增益为确定候选关键节点是否为信息传播关键节点的依据。
在本发明实施例中，对于一个给定的子网络C i，其中网络节点v的边际增益可以如下式所示：/>
；
其中，为网络节点v的边际增益，/>为移除网络节点v之前子网络/>中全体网络节点的信息传播能力评分之和，a为移除网络节点v之前子网络/>中任意一个网络节点，/>为移除网络节点v之后子网络/>中全体网络节点的信息传播能力评分之和，b为移除网络节点v之后子网络/>中任意一个网络节点，因此与/>之差表示网络节点v的边际增益。
需要说明的是，如上式所示的，在评估子网络的综合信息传播能力时，可以采用本发明上述实施例介绍的信息传播能力评分的计算方式。由于第二信息传播能力指标取决于多跳信息传播矩阵，剔除候选关键节点前后候选关键节点所在的子网络的综合信息传播能力评分并不等同于候选关键节点的信息传播能力评分，即网络节点的边际增益是区分于网络节点的信息传播能力评分的。
在本发明实施例中，在评估子网络的综合信息传播能力计算多跳信息传播矩阵时，可以采用本发明上述实施例介绍的以子网络为单位构建的多跳信息传播矩阵，以进一步降低计算的复杂度。
在本发明实施例中，在各子网络中确定候选关键节点的方式可以参考上述实施例中仅基于信息传播能力评分确定信息传播关键节点的方式，即可以采用各子网络中数量平均分配、在平均分配的基础上再筛选、按子网络的综合信息传播能力确定各子网络选出的候选关键节点的数量等方式。
选出边际增益最大的第四数量候选关键节点作为信息传播关键节点，可以包括：
分别自各子网络的候选关键节点中选出边际增益最大的第五数量候选关键节点作为信息传播关键节点，以得到第四数量信息传播关键节点。
即是说，可以在采用本发明实施例介绍的方式从各子网络中确定候选关键节点后，再分别从各子网络的候选关键节点中选出边际增益最大的第五数量候选关键节点作为信息传播关键节点。
或者，选出边际增益最大的第四数量候选关键节点作为信息传播关键节点，还可以包括：
分别自各子网络的候选关键节点中选出边际增益最大的第六数量候选关键节点；
自选出的候选关键节点中选出边际增益最大的第四数量候选关键节点作为信息传播关键节点。
即是说，可以先分别自各子网络中选出边际增益最高的第六数量候选关键节点，再汇总各子网络中选出的候选关键节点，从中再选出信息传播能力评分最高的第七数量候选关键节点作为信息传播关键节点。
或者，选出边际增益最大的第四数量候选关键节点作为信息传播关键节点，还可以包括：
分别自各子网络的候选关键节点中选出边际增益最大的第七数量候选关键节点，以得到第四数量信息传播关键节点；
其中，子网络对应的第八数量根据子网络的综合信息传播能力确定。
在实际应用中，可以预先设定针对整个目标社交网络的信息传播关键节点的总数，而后按照各子网络的综合信息传播能力确定各子网络对应的第八数量，即分配每次在不同子网络中选出信息传播关键节点的数量。
子网络的综合信息传播能力可以以子网络包含网络节点的数量为评估指标，也可以以子网络中所有网络节点的信息传播能力评分之和为评估指标。
本发明实施例提供的网络不良信息传播抑制方法，还可以通过利用信息传播能力评分自子网络选出候选关键节点，使得需要处理的网络节点的范围进一步缩小，降低了解空间的搜索范围；通过计算剔除候选关键节点前后候选关键节点所在的子网络的综合信息传播能力计算候选关键节点的边际增益，根据边际增益选出信息传播关键节点，克服了传统启发式方法的不确定性与无效性，实现了对网络节点的实际信息传播能力的有效评估。
应用本发明上述实施例介绍的网络不良信息传播抑制方法，在目标社交网络中出现不良信息后对信息传播关键节点进行了移除处理，为保证目标社交网络的网络状态稳定，本发明实施例还提供一种被移除的网络节点的恢复方法。
在上述实施例的基础上，本发明实施例提供的网络不良信息传播抑制方法还可以包括：
根据不良信息的传播状态以及信息传播关键节点的历史不良信息传播记录，生成信息传播关键节点的解封策略；
执行信息传播关键节点的解封策略。
在实际应用中，可以自在目标社交网络中监测到不良信息开始，若持续第一预设时间未监测到不良信息的传播，则触发对信息传播关键节点的解封策略的生成。在生成信息传播关键节点的解封策略时，可以根据信息传播关键节点的历史不良信息传播记录，优先解封无历史不良信息传播记录的信息传播关键节点，再按照历史不良信息传播记录从少到多确定信息传播关键节点的解封顺序，或对于在第二预设时间内存在历史不良信息传播记录的信息传播关键节点不予解封。在解封信息传播关键节点时，可以按照信息传播能力从小到大的顺序或边际增益从小到大的顺序解封信息传播关键节点，以延长信息传播能力强的信息传播关键节点的移除时间。
本发明实施例提供了一种渐进式的信息传播关键节点的解封方法，在保证目标社交网络的网络状态稳定的同时有效抑制信息传播关键节点解封后传播不良信息的可能性。
在上述实施例的基础上，本发明实施例进一步提供一种实际应用中的网络不良信息传播抑制方法。
对于S301，执行子网络的拆分，输入为节点相似度阈值θ和目标社交网络G的参数，输出为子网络拆分结果；
则初始化目标社交网络并将其权重作标准化；
计算得到目标社交网络中任意两个网络节点间的邻居节点接近度、最短传输路径长度以及关联节点相似度，获得如图4所示的相似度矩阵；
对于目标社交网络中每个网络节点按照节点相似度的大小进行降序排列，如果节点相似度评分Sim（v，u）≥θ，则将网络节点v和网络节点u划分至同一子网络（注意到一旦某个网络节点被划分到某一子网络中，后续将不考虑该网络节点）；
重复执行上述步骤，直到所有网络节点均完成子网络划分为止，将目标社交网络G划分为m个子网络。其中，/>表示目标社交网络G的第一个子网络，并且表示子网络/>包含的网络节点数目为/>，e 1表示子网络/>包含的边的数目。
对于S302，进行信息传播关键节点的确定，输入为目标社交网络G的参数、预设信息传播跳数、候选关键节点数目k、信息传播关键节点数目T，输出为信息传播关键节点的信息；
对于给定的目标社交网络，计算每个网络节点的标准化后的第一信息传播能力指标（即本发明上述实施例介绍的节点遍历度），根据预设信息传播跳数/>计算每个网络节点的第二信息传播能力指标σ(v)，以计算得到每个网络节点的信息传播能力评分/>；
对于全体网络节点的信息传播能力评分进行降序排列，并选择出前k个网络节点作为最终的候选关键节点；
如果当所有子网络的候选关键节点的总和满足如下条件，则停止生成候选集：
；
记每个子网络的相应候选集为；
对于每个子网络以及相应的候选集/>，并发执行如下操作：
对j=1，……，，计算候选集/>中每个网络节点j的边际增益/>；
对i=1，……，m，对每个子网络分配参数/>，选择最大边际增益的前/>个网络节点/>；
确定每个子网络中的信息传播关键节点为/>；
输出信息传播关键节点集合。
对于S303，根据信息传播关键节点集合执行各子网络中的信息传播关键节点的移除。
需要说明的是，在本发明各网络不良信息传播抑制方法的实施例中，各步骤或特征中的部分可以忽略或不执行。为方便说明所划分的硬件或软件功能模块，也并非实现本发明实施例提供的网络不良信息传播抑制方法的唯一实现形式。
上文详述了网络不良信息传播抑制方法对应的各个实施例，在此基础上，本发明还公开了与上述方法对应的网络不良信息传播抑制装置、设备及存储介质。
图6为本发明实施例提供的一种网络不良信息传播抑制装置的结构示意图。
如图6所示，本发明实施例提供的网络不良信息传播抑制装置包括：
子网络拆分单元601，用于基于节点相似度将目标社交网络中的网络节点划分入不同的子网络，并行执行对各子网络的不良信息监测任务；
筛选单元602，用于当监测到不良信息时，以子网络为单位确定网络节点的信息传播能力，根据信息传播能力选出子网络中的信息传播关键节点；
控制单元603，用于移除信息传播关键节点以阻断经由信息传播关键节点的信息传播路径；
其中，网络节点的信息传播能力依据网络节点以及网络节点所传播到达的关联节点之间的传播关系确定。
在本发明实施例的一些实施方式中，子网络拆分单元601基于节点相似度将目标社交网络中的网络节点划分入不同的子网络，包括：
根据两个网络节点的邻居节点接近度、两个网络节点的最短传输路径长度以及两个网络节点的关联节点相似度计算得到两个网络节点之间的节点相似度评分；
将节点相似度评分达到节点相似度阈值的不同网络节点划分至同一子网络。
在本发明实施例的一些实施方式中，子网络拆分单元601根据两个网络节点的邻居节点接近度、两个网络节点的最短传输路径长度以及两个网络节点的关联节点相似度计算得到两个网络节点之间的节点相似度评分，通过下式计算得到：
；
其中，为网络节点v和网络节点u之间的节点相似度评分，/>为邻居节点接近度权重，/>为网络节点v和网络节点u之间的邻居节点接近度评分，/>为最短传输路径权重，/>为网络节点v和网络节点u之间的标准化最短传输路径长度，/>为公共关联节点权重，/>为网络节点v和网络节点u之间的标准化公共关联节点数目。
在本发明实施例的一些实施方式中，网络节点v和网络节点u之间的邻居节点接近度评分，通过下式计算得到：
；
其中，为网络节点v和网络节点u的邻居节点接近度评分，为网络节点v和网络节点u的共同邻居节点数目，/>为网络节点v的邻居节点数目，/>为网络节点u的邻居节点数目。
在本发明实施例的一些实施方式中，网络节点v和网络节点u之间的标准化最短传输路径长度，通过下式计算得到：
；
其中，为网络节点v和网络节点u之间的标准化最短传输路径长度，/>为网络节点v和网络节点u之间的最短传输路径长度，G为目标社交网络，/>为目标社交网络中两个网络节点之间的最短传输路径长度的最大值，x、y为目标社交网络中任意两个网络节点。/>
在本发明实施例的一些实施方式中，网络节点v和网络节点u之间的标准化公共关联节点数目，通过下式计算得到：
；
其中，为网络节点v和网络节点u的标准化公共关联节点数目，/>为网络节点v和网络节点u的公共关联节点数目，G为目标社交网络，/>为目标社交网络中两个网络节点的公共关联节点数目的最大值，x、y为目标社交网络中任意两个网络节点。
在本发明实施例的一些实施方式中，子网络拆分单元601基于节点相似度将目标社交网络中的网络节点划分入不同的子网络，包括：
自目标社交网络中未分入子网络的网络节点中随机获取一个网络节点，确定获取的网络节点与目标社交网络中其余网络节点之间的节点相似度，并将节点相似度满足节点相似条件的其余网络节点列入获取的网络节点的子网络；
自子网络中不重复的获取一个网络节点，确定获取的网络节点与目标社交网络中其余网络节点之间的节点相似度，并将节点相似度满足节点相似条件的其余网络节点补充列入子网络，直至子网络外不存在与子网络中的网络节点的节点相似度达到节点相似度阈值的网络节点；
重复执行上述步骤，直至目标社交网络中不存在未分入子网络的网络节点。
在本发明实施例的一些实施方式中，筛选单元602确定网络节点的信息传播能力，包括：
获取网络节点基于直接路径传播到达的关联节点和网络节点基于间接路径传播到达的关联节点的总数，作为网络节点的第一信息传播能力指标；
构建目标社交网络中各网络节点间的传播关系邻接矩阵，结合传播关系邻接矩阵和预设信息传播跳数构建目标社交网络中的多跳信息传播矩阵；
自多跳信息传播矩阵获取网络节点对应的信息传播力向量，作为网络节点的第二信息传播能力指标；
根据第一信息传播能力指标和第二信息传播能力指标计算得到网络节点的信息传播能力评分；
其中，传播关系邻接矩阵的元素为第一元素时表示对应行的网络节点至对应列的网络节点之间存在信息传播关系；传播关系邻接矩阵的元素为第二元素时表示对应行的网络节点至对应列的网络节点之间不存在信息传播关系。
在本发明实施例的另一些实施方式中，筛选单元602确定网络节点的信息传播能力，包括：
获取网络节点基于直接路径传播到达的关联节点和网络节点基于间接路径传播到达的关联节点的总数，作为网络节点的第一信息传播能力指标；
构建子网络中各网络节点间的传播关系邻接矩阵，结合传播关系邻接矩阵和预设信息传播跳数构建目标社交网络中的多跳信息传播矩阵；
自多跳信息传播矩阵获取网络节点对应的信息传播力向量，作为网络节点的第二信息传播能力指标；
根据第一信息传播能力指标和第二信息传播能力指标计算得到网络节点的信息传播能力评分；
其中，传播关系邻接矩阵的元素为第一元素时表示对应行的网络节点至对应列的网络节点之间存在信息传播关系；传播关系邻接矩阵的元素为第二元素时表示对应行的网络节点至对应列的网络节点之间不存在信息传播关系。
在本发明实施例的一些实施方式中，筛选单元602根据第一信息传播能力指标和第二信息传播能力指标计算得到网络节点的信息传播能力评分，通过下式计算得到：
；
其中，；
；
其中，为网络节点v的信息传播能力评分，/>为标准化后的网络节点v的第一信息传播能力指标，/>为网络节点v的第二信息传播能力指标，/>为网络节点v的第一信息传播能力指标，/>为目标社交网络中最大的第一信息传播能力指标，G为目标社交网络，x为目标社交网络中任意一个网络节点，/>为多跳信息传播矩阵，A为传播关系邻接矩阵，I为与传播关系邻接矩阵规模一致的单位矩阵，/>为预设信息传播跳数。
在本发明实施例的一些实施方式中，筛选单元602根据信息传播能力选出子网络中的信息传播关键节点，包括：
计算网络节点的信息传播能力评分；
分别自各子网络中选出信息传播能力评分最高的第一数量网络节点作为信息传播关键节点。
在本发明实施例的另一些实施方式中，筛选单元602根据信息传播能力选出子网络中的信息传播关键节点，包括：
计算网络节点的信息传播能力评分；
分别自各子网络中选出信息传播能力评分最高的第一数量网络节点；
自选出的网络节点中选出信息传播能力评分最高的第二数量网络节点作为信息传播关键节点。
在本发明实施例的另一些实施方式中，筛选单元602根据信息传播能力选出子网络中的信息传播关键节点，包括：
计算网络节点的信息传播能力评分；
分别自各子网络中选出信息传播能力评分最高的第三数量网络节点作为信息传播关键节点；
其中，子网络对应的第三数量根据子网络的综合信息传播能力确定。
在本发明实施例的另一些实施方式中，筛选单元602根据信息传播能力选出子网络中的信息传播关键节点，包括：
计算网络节点的信息传播能力评分；
根据信息传播能力评分自各子网络中选出网络节点作为候选关键节点；
根据剔除候选关键节点前后候选关键节点所在的子网络的综合信息传播能力计算候选关键节点的边际增益；
选出边际增益最大的第四数量候选关键节点作为信息传播关键节点。
在本发明实施例的一些实施方式中，网络节点的边际增益通过下式计算得到：
；
其中，为网络节点v的边际增益，/>为移除网络节点v之前子网络/>中全体网络节点的信息传播能力评分之和，a为移除网络节点v之前子网络/>中任意一个网络节点，/>为移除网络节点v之后子网络/>中全体网络节点的信息传播能力评分之和，b为移除网络节点v之后子网络/>中任意一个网络节点。
在本发明实施例的一些实施方式中，筛选单元602选出边际增益最大的第四数量候选关键节点作为信息传播关键节点，包括：
分别自各子网络的候选关键节点中选出边际增益最大的第五数量候选关键节点作为信息传播关键节点，以得到第四数量信息传播关键节点。
在本发明实施例的另一些实施方式中，筛选单元602选出边际增益最大的第四数量候选关键节点作为信息传播关键节点，包括：
分别自各子网络的候选关键节点中选出边际增益最大的第六数量候选关键节点；
自选出的候选关键节点中选出边际增益最大的第四数量候选关键节点作为信息传播关键节点。
在本发明实施例的另一些实施方式中，筛选单元602选出边际增益最大的第四数量候选关键节点作为信息传播关键节点，包括：
分别自各子网络的候选关键节点中选出边际增益最大的第七数量候选关键节点，以得到第四数量信息传播关键节点；
其中，子网络对应的第七数量根据子网络的综合信息传播能力确定。
在本发明实施例的一些实施方式中，本发明实施例提供的网络不良信息传播抑制装置还可以包括：
解封策略生成单元，用于根据不良信息的传播状态以及信息传播关键节点的历史不良信息传播记录，生成信息传播关键节点的解封策略；
解封单元，用于执行信息传播关键节点的解封策略。
需要说明的是，本发明实施例提供的网络不良信息传播抑制装置的各实施方式中，单元的划分仅为一种逻辑功能上的划分，可以采用其他的划分方式。不同单元之间的连接方式可以采用电性、机械或其他连接方式。分离的单元可以位于同一物理位置或分布在多个网络节点上。各单元可以以硬件的形式实现，也可以采用软件功能单元的形式实现。即可以根据实际需要选择本发明实施例提供的各单元的部分或全部并采用相应的连接方式或集成方式来实现本发明实施例方案的目的。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
图7为本发明实施例提供的一种网络不良信息传播抑制设备的结构示意图。
如图7所示，本发明实施例提供的网络不良信息传播抑制设备包括：
存储器710，用于存储计算机程序711；
处理器720，用于执行计算机程序711，该计算机程序711被处理器720执行时实现如上述任意一项实施例提供的网络不良信息传播抑制方法的步骤。
其中，处理器720可以包括一个或多个处理核心，比如3核心处理器、8核心处理器等。处理器720可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器720也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器（CentralProcessing Unit，CPU）；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器720可以集成有图像处理器（Graphics Processing Unit，GPU），图像处理器用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器720还可以包括人工智能（Artificial Intelligence，AI）处理器，该人工智能处理器用于处理有关机器学习的计算操作。
存储器710可以包括一个或多个存储介质，该存储介质可以是非暂态的。存储器710还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器710至少用于存储以下计算机程序711，其中，该计算机程序711被处理器720加载并执行之后，能够实现前述任一实施例公开的网络不良信息传播抑制方法中的相关步骤。另外，存储器710所存储的资源还可以包括操作***712和数据713等，存储方式可以是短暂存储或者永久存储。其中，操作***712可以为Windows、Lunu网络不良信息传播抑制或其他类型的操作***。数据713可以包括但不限于上述方法所涉及到的数据。
在一些实施例中，网络不良信息传播抑制设备还可包括有显示屏730、电源740、通信接口750、输入输出接口760、传感器770以及通信总线780。
本领域技术人员可以理解，图7中示出的结构并不构成对网络不良信息传播抑制设备的限定，可以包括比图示更多或更少的组件。
本发明实施例提供的网络不良信息传播抑制设备，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如上述实施例提供的网络不良信息传播抑制方法的步骤，效果同上。
本发明实施例提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时可以实现如上述任意一项实施例提供的网络不良信息传播抑制方法的步骤。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
对于本发明实施例提供的存储介质的介绍请参照上述方法实施例，且其所起到的效果同本发明实施例提供的网络不良信息传播抑制方法，本发明在此不做赘述。
以上对本发明所提供的一种网络不良信息传播抑制方法、装置、设备及存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备及存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (22)
1.一种网络不良信息传播抑制方法，其特征在于，包括：
基于节点相似度将目标社交网络中的网络节点划分入不同的子网络，并行执行对各所述子网络的不良信息监测任务；
当监测到不良信息时，以所述子网络为单位确定所述网络节点的信息传播能力，根据信息传播能力选出所述子网络中的信息传播关键节点；
移除所述信息传播关键节点以阻断经由所述信息传播关键节点的信息传播路径；
其中，所述网络节点的信息传播能力依据所述网络节点以及所述网络节点所传播到达的关联节点之间的传播关系确定。
2.根据权利要求1所述的网络不良信息传播抑制方法，其特征在于，所述基于节点相似度将目标社交网络中的网络节点划分入不同的子网络，包括：
根据两个所述网络节点的邻居节点接近度、两个所述网络节点的最短传输路径长度以及两个所述网络节点的关联节点相似度计算得到两个所述网络节点之间的节点相似度评分；
将所述节点相似度评分达到节点相似度阈值的不同所述网络节点划分至同一所述子网络。
3.根据权利要求2所述的网络不良信息传播抑制方法，其特征在于，所述根据两个所述网络节点的邻居节点接近度、两个所述网络节点的最短传输路径长度以及两个所述网络节点的关联节点相似度计算得到两个所述网络节点之间的节点相似度评分，通过下式计算得到：
；
其中，为网络节点v和网络节点u之间的节点相似度评分，/>为邻居节点接近度权重，/>为所述网络节点v和所述网络节点u之间的邻居节点接近度评分，为最短传输路径权重，/>为所述网络节点v和所述网络节点u之间的标准化最短传输路径长度，/>为公共关联节点权重，/>为所述网络节点v和所述网络节点u之间的标准化公共关联节点数目。
4.根据权利要求3所述的网络不良信息传播抑制方法，其特征在于，所述网络节点v和所述网络节点u之间的邻居节点接近度评分，通过下式计算得到：
；
其中，为所述网络节点v和所述网络节点u的邻居节点接近度评分，为所述网络节点v和所述网络节点u的共同邻居节点数目，/>为所述网络节点v的邻居节点数目，/>为所述网络节点u的邻居节点数目。
5.根据权利要求3所述的网络不良信息传播抑制方法，其特征在于，所述网络节点v和所述网络节点u之间的标准化最短传输路径长度，通过下式计算得到：
；
其中，为所述网络节点v和所述网络节点u之间的标准化最短传输路径长度，/>为所述网络节点v和所述网络节点u之间的最短传输路径长度，G为所述目标社交网络，/>为所述目标社交网络中两个所述网络节点之间的最短传输路径长度的最大值，x、y为所述目标社交网络中任意两个所述网络节点。
6.根据权利要求3所述的网络不良信息传播抑制方法，其特征在于，所述网络节点v和所述网络节点u之间的标准化公共关联节点数目，通过下式计算得到：
；
其中，为所述网络节点v和所述网络节点u的标准化公共关联节点数目，/>为所述网络节点v和所述网络节点u的公共关联节点数目，G为所述目标社交网络，/>为所述目标社交网络中两个所述网络节点的公共关联节点数目的最大值，x、y为所述目标社交网络中任意两个所述网络节点。
7.根据权利要求1所述的网络不良信息传播抑制方法，其特征在于，所述基于节点相似度将目标社交网络中的网络节点划分入不同的子网络，包括：
自所述目标社交网络中未分入所述子网络的所述网络节点中随机获取一个所述网络节点，确定获取的所述网络节点与所述目标社交网络中其余所述网络节点之间的节点相似度，并将节点相似度满足节点相似条件的其余所述网络节点列入获取的所述网络节点的所述子网络；
自所述子网络中不重复的获取一个所述网络节点，确定获取的所述网络节点与所述目标社交网络中其余所述网络节点之间的节点相似度，并将节点相似度满足所述节点相似条件的其余所述网络节点补充列入所述子网络，直至所述子网络外不存在与所述子网络中的所述网络节点的节点相似度达到节点相似度阈值的所述网络节点；
重复执行上述步骤，直至所述目标社交网络中不存在未分入所述子网络的所述网络节点。
8.根据权利要求1所述的网络不良信息传播抑制方法，其特征在于，确定所述网络节点的信息传播能力，包括：
获取所述网络节点基于直接路径传播到达的所述关联节点和所述网络节点基于间接路径传播到达的所述关联节点的总数，作为所述网络节点的第一信息传播能力指标；
构建所述目标社交网络中各所述网络节点间的传播关系邻接矩阵，结合所述传播关系邻接矩阵和预设信息传播跳数构建所述目标社交网络中的多跳信息传播矩阵；
自所述多跳信息传播矩阵获取所述网络节点对应的信息传播力向量，作为所述网络节点的第二信息传播能力指标；
根据所述第一信息传播能力指标和所述第二信息传播能力指标计算得到所述网络节点的信息传播能力评分；
其中，所述传播关系邻接矩阵的元素为第一元素时表示对应行的所述网络节点至对应列的所述网络节点之间存在信息传播关系；所述传播关系邻接矩阵的元素为第二元素时表示对应行的所述网络节点至对应列的所述网络节点之间不存在信息传播关系。
9.根据权利要求1所述的网络不良信息传播抑制方法，其特征在于，确定所述网络节点的信息传播能力，包括：
获取所述网络节点基于直接路径传播到达的所述关联节点和所述网络节点基于间接路径传播到达的所述关联节点的总数，作为所述网络节点的第一信息传播能力指标；
构建所述子网络中各所述网络节点间的传播关系邻接矩阵，结合所述传播关系邻接矩阵和预设信息传播跳数构建所述目标社交网络中的多跳信息传播矩阵；
自所述多跳信息传播矩阵获取所述网络节点对应的信息传播力向量，作为所述网络节点的第二信息传播能力指标；
根据所述第一信息传播能力指标和所述第二信息传播能力指标计算得到所述网络节点的信息传播能力评分；
其中，所述传播关系邻接矩阵的元素为第一元素时表示对应行的所述网络节点至对应列的所述网络节点之间存在信息传播关系；所述传播关系邻接矩阵的元素为第二元素时表示对应行的所述网络节点至对应列的所述网络节点之间不存在信息传播关系。
10.根据权利要求8或9所述的网络不良信息传播抑制方法，其特征在于，所述根据所述第一信息传播能力指标和所述第二信息传播能力指标计算得到所述网络节点的信息传播能力评分，通过下式计算得到：
；
其中，；
；
其中，为网络节点v的信息传播能力评分，/>为标准化后的所述网络节点v的所述第一信息传播能力指标，/>为所述网络节点v的所述第二信息传播能力指标，/>为所述网络节点v的所述第一信息传播能力指标，/>为所述目标社交网络中最大的所述第一信息传播能力指标，G为所述目标社交网络，x为所述目标社交网络中任意一个所述网络节点，/>为所述多跳信息传播矩阵，A为所述传播关系邻接矩阵，I为与所述传播关系邻接矩阵规模一致的单位矩阵，/>为所述预设信息传播跳数。
11.根据权利要求1所述的网络不良信息传播抑制方法，其特征在于，所述根据信息传播能力选出所述子网络中的信息传播关键节点，包括：
计算所述网络节点的信息传播能力评分；
分别自各所述子网络中选出信息传播能力评分最高的第一数量所述网络节点作为所述信息传播关键节点。
12.根据权利要求1所述的网络不良信息传播抑制方法，其特征在于，所述根据信息传播能力选出所述子网络中的信息传播关键节点，包括：
计算所述网络节点的信息传播能力评分；
分别自各所述子网络中选出信息传播能力评分最高的第一数量所述网络节点；
自选出的所述网络节点中选出信息传播能力评分最高的第二数量所述网络节点作为所述信息传播关键节点。
13.根据权利要求1所述的网络不良信息传播抑制方法，其特征在于，所述根据信息传播能力选出所述子网络中的信息传播关键节点，包括：
计算所述网络节点的信息传播能力评分；
分别自各所述子网络中选出信息传播能力评分最高的第三数量所述网络节点作为所述信息传播关键节点；
其中，所述子网络对应的所述第三数量根据所述子网络的综合信息传播能力确定。
14.根据权利要求1所述的网络不良信息传播抑制方法，其特征在于，所述根据信息传播能力选出所述子网络中的信息传播关键节点，包括：
计算所述网络节点的信息传播能力评分；
根据信息传播能力评分自各所述子网络中选出所述网络节点作为候选关键节点；
根据剔除所述候选关键节点前后所述候选关键节点所在的子网络的综合信息传播能力计算所述候选关键节点的边际增益；
选出边际增益最大的第四数量所述候选关键节点作为所述信息传播关键节点。
15.根据权利要求14所述的网络不良信息传播抑制方法，其特征在于，所述网络节点的边际增益通过下式计算得到：
；
其中，为网络节点v的边际增益，/>为移除所述网络节点v之前子网络/>中全体所述网络节点的信息传播能力评分之和，a为移除所述网络节点v之前所述子网络/>中任意一个所述网络节点，/>为移除所述网络节点v之后所述子网络/>中全体所述网络节点的信息传播能力评分之和，b为移除所述网络节点v之后所述子网络/>中任意一个所述网络节点。
16.根据权利要求14所述的网络不良信息传播抑制方法，其特征在于，所述选出边际增益最大的第四数量所述候选关键节点作为所述信息传播关键节点，包括：
分别自各所述子网络的所述候选关键节点中选出边际增益最大的第五数量所述候选关键节点作为所述信息传播关键节点，以得到第四数量所述信息传播关键节点。
17.根据权利要求14所述的网络不良信息传播抑制方法，其特征在于，所述选出边际增益最大的第四数量所述候选关键节点作为所述信息传播关键节点，包括：
分别自各所述子网络的所述候选关键节点中选出边际增益最大的第六数量所述候选关键节点；
自选出的所述候选关键节点中选出边际增益最大的第四数量所述候选关键节点作为所述信息传播关键节点。
18.根据权利要求14所述的网络不良信息传播抑制方法，其特征在于，所述选出边际增益最大的第四数量所述候选关键节点作为所述信息传播关键节点，包括：
分别自各所述子网络的所述候选关键节点中选出边际增益最大的第七数量所述候选关键节点，以得到第四数量所述信息传播关键节点；
其中，所述子网络对应的所述第七数量根据所述子网络的综合信息传播能力确定。
19.根据权利要求1所述的网络不良信息传播抑制方法，其特征在于，还包括：
根据所述不良信息的传播状态以及所述信息传播关键节点的历史不良信息传播记录，生成所述信息传播关键节点的解封策略；
执行所述信息传播关键节点的解封策略。
20.一种网络不良信息传播抑制装置，其特征在于，包括：
子网络拆分单元，用于基于节点相似度将目标社交网络中的网络节点划分入不同的子网络，并行执行对各所述子网络的不良信息监测任务；
筛选单元，用于当监测到不良信息时，以所述子网络为单位确定所述网络节点的信息传播能力，根据信息传播能力选出所述子网络中的信息传播关键节点；
控制单元，用于移除所述信息传播关键节点以阻断经由所述信息传播关键节点的信息传播路径；
其中，所述网络节点的信息传播能力依据所述网络节点以及所述网络节点所传播到达的关联节点之间的传播关系确定。
21.一种网络不良信息传播抑制设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至19任意一项所述网络不良信息传播抑制方法的步骤。
22.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至19任意一项所述网络不良信息传播抑制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410225111.6A CN117811992B (zh) | 2024-02-29 | 2024-02-29 | 一种网络不良信息传播抑制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410225111.6A CN117811992B (zh) | 2024-02-29 | 2024-02-29 | 一种网络不良信息传播抑制方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117811992A true CN117811992A (zh) | 2024-04-02 |
| CN117811992B CN117811992B (zh) | 2024-05-28 |
Family
ID=90431955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410225111.6A Active CN117811992B (zh) | 2024-02-29 | 2024-02-29 | 一种网络不良信息传播抑制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117811992B (zh) |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102262681A (zh) * | 2011-08-19 | 2011-11-30 | 南京大学 | 一种博客信息传播中识别关键博客集的方法 |
| WO2012128352A1 (ja) * | 2011-03-24 | 2012-09-27 | 日本電気株式会社 | 局所情報の伝播方法、ネットワーク、計算ノード、ノードおよびプログラム |
| CN106055627A (zh) * | 2016-05-27 | 2016-10-26 | 西安电子科技大学 | 话题领域中社交网络关键节点的识别方法 |
| CN108009710A (zh) * | 2017-11-19 | 2018-05-08 | 国家计算机网络与信息安全管理中心 | 基于相似度和TrustRank算法的节点测试重要度评估方法 |
| CN108022171A (zh) * | 2016-10-31 | 2018-05-11 | 腾讯科技（深圳）有限公司 | 一种数据处理方法及设备 |
| CN108183956A (zh) * | 2017-12-29 | 2018-06-19 | 武汉大学 | 一种传播网络的关键路径提取方法 |
| CN108811028A (zh) * | 2018-07-23 | 2018-11-13 | 南昌航空大学 | 一种机会网络链路的预测方法、装置及可读存储介质 |
| CN109447261A (zh) * | 2018-10-09 | 2019-03-08 | 北京邮电大学 | 一种基于多阶邻近相似度的网络表示学习的方法 |
| CN110213164A (zh) * | 2019-05-21 | 2019-09-06 | 南瑞集团有限公司 | 一种基于拓扑信息融合的识别网络关键传播者的方法及装置 |
| CN110557393A (zh) * | 2019-09-05 | 2019-12-10 | 腾讯科技（深圳）有限公司 | 网络风险评估方法、装置、电子设备及存储介质 |
| CN111222029A (zh) * | 2020-01-16 | 2020-06-02 | 西安交通大学 | 一种网络舆情信息传播中关键节点选择方法 |
| CN111723298A (zh) * | 2020-05-11 | 2020-09-29 | 珠海高凌信息科技股份有限公司 | 基于改进标签传播的社交网络社团发现方法、装置及介质 |
| CN111814065A (zh) * | 2020-06-24 | 2020-10-23 | 平安科技（深圳）有限公司 | 信息传播路径分析方法、装置、计算机设备及存储介质 |
| CN114628041A (zh) * | 2022-04-21 | 2022-06-14 | 杭州师范大学 | 一种基于接近中心性计算的关键节点识别方法及*** |
| CN114884831A (zh) * | 2022-07-11 | 2022-08-09 | 中国人民解放军国防科技大学 | 一种面向网络空间测绘***的网络资产排序方法和装置 |
| WO2022179384A1 (zh) * | 2021-02-26 | 2022-09-01 | 山东英信计算机技术有限公司 | 一种社交群体的划分方法、划分***及相关装置 |
| CN115660147A (zh) * | 2022-09-26 | 2023-01-31 | 哈尔滨工业大学 | 一种基于传播路径间与传播路径内影响力建模的信息传播预测方法及*** |
| CN116016199A (zh) * | 2023-02-21 | 2023-04-25 | 山东海量信息技术研究院 | 一种信息控制方法、***、电子设备及可读存储介质 |
| CN116108286A (zh) * | 2022-09-27 | 2023-05-12 | 中国科学院信息工程研究所 | 基于传播重构的虚假信息检测方法、装置和设备 |
| CN116756207A (zh) * | 2023-05-19 | 2023-09-15 | 淮阴工学院 | 基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法 |
| CN117061365A (zh) * | 2023-10-11 | 2023-11-14 | 浪潮电子信息产业股份有限公司 | 一种节点选择方法、装置、设备及可读存储介质 |
| CN117255226A (zh) * | 2023-09-04 | 2023-12-19 | 北京工商大学 | 一种直播电商信息跨平台传播范围预测的方法和*** |
| CN117540223A (zh) * | 2023-09-27 | 2024-02-09 | 中国人民解放军战略支援部队信息工程大学 | 基于ap算法的社交网络舆情传播转发链条挖掘方法及装置 |
-
2024
- 2024-02-29 CN CN202410225111.6A patent/CN117811992B/zh active Active
Patent Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012128352A1 (ja) * | 2011-03-24 | 2012-09-27 | 日本電気株式会社 | 局所情報の伝播方法、ネットワーク、計算ノード、ノードおよびプログラム |
| CN102262681A (zh) * | 2011-08-19 | 2011-11-30 | 南京大学 | 一种博客信息传播中识别关键博客集的方法 |
| CN106055627A (zh) * | 2016-05-27 | 2016-10-26 | 西安电子科技大学 | 话题领域中社交网络关键节点的识别方法 |
| CN108022171A (zh) * | 2016-10-31 | 2018-05-11 | 腾讯科技（深圳）有限公司 | 一种数据处理方法及设备 |
| CN108009710A (zh) * | 2017-11-19 | 2018-05-08 | 国家计算机网络与信息安全管理中心 | 基于相似度和TrustRank算法的节点测试重要度评估方法 |
| CN108183956A (zh) * | 2017-12-29 | 2018-06-19 | 武汉大学 | 一种传播网络的关键路径提取方法 |
| CN108811028A (zh) * | 2018-07-23 | 2018-11-13 | 南昌航空大学 | 一种机会网络链路的预测方法、装置及可读存储介质 |
| CN109447261A (zh) * | 2018-10-09 | 2019-03-08 | 北京邮电大学 | 一种基于多阶邻近相似度的网络表示学习的方法 |
| CN110213164A (zh) * | 2019-05-21 | 2019-09-06 | 南瑞集团有限公司 | 一种基于拓扑信息融合的识别网络关键传播者的方法及装置 |
| CN110557393A (zh) * | 2019-09-05 | 2019-12-10 | 腾讯科技（深圳）有限公司 | 网络风险评估方法、装置、电子设备及存储介质 |
| CN111222029A (zh) * | 2020-01-16 | 2020-06-02 | 西安交通大学 | 一种网络舆情信息传播中关键节点选择方法 |
| CN111723298A (zh) * | 2020-05-11 | 2020-09-29 | 珠海高凌信息科技股份有限公司 | 基于改进标签传播的社交网络社团发现方法、装置及介质 |
| CN111814065A (zh) * | 2020-06-24 | 2020-10-23 | 平安科技（深圳）有限公司 | 信息传播路径分析方法、装置、计算机设备及存储介质 |
| WO2021258998A1 (zh) * | 2020-06-24 | 2021-12-30 | 平安科技（深圳）有限公司 | 信息传播路径分析方法、装置、计算机设备及存储介质 |
| WO2022179384A1 (zh) * | 2021-02-26 | 2022-09-01 | 山东英信计算机技术有限公司 | 一种社交群体的划分方法、划分***及相关装置 |
| CN114628041A (zh) * | 2022-04-21 | 2022-06-14 | 杭州师范大学 | 一种基于接近中心性计算的关键节点识别方法及*** |
| CN114884831A (zh) * | 2022-07-11 | 2022-08-09 | 中国人民解放军国防科技大学 | 一种面向网络空间测绘***的网络资产排序方法和装置 |
| CN115660147A (zh) * | 2022-09-26 | 2023-01-31 | 哈尔滨工业大学 | 一种基于传播路径间与传播路径内影响力建模的信息传播预测方法及*** |
| CN116108286A (zh) * | 2022-09-27 | 2023-05-12 | 中国科学院信息工程研究所 | 基于传播重构的虚假信息检测方法、装置和设备 |
| CN116016199A (zh) * | 2023-02-21 | 2023-04-25 | 山东海量信息技术研究院 | 一种信息控制方法、***、电子设备及可读存储介质 |
| CN116756207A (zh) * | 2023-05-19 | 2023-09-15 | 淮阴工学院 | 基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法 |
| CN117255226A (zh) * | 2023-09-04 | 2023-12-19 | 北京工商大学 | 一种直播电商信息跨平台传播范围预测的方法和*** |
| CN117540223A (zh) * | 2023-09-27 | 2024-02-09 | 中国人民解放军战略支援部队信息工程大学 | 基于ap算法的社交网络舆情传播转发链条挖掘方法及装置 |
| CN117061365A (zh) * | 2023-10-11 | 2023-11-14 | 浪潮电子信息产业股份有限公司 | 一种节点选择方法、装置、设备及可读存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| 宾晟;孙更新;: "基于多子网复合复杂网络模型的多关系社交网络重要节点发现算法", 南京大学学报(自然科学), no. 02, 30 March 2017 (2017-03-30) * |
| 徐杰;王菊韵;张海云;: "基于复杂网络的社交网络用户影响力研究", 中国传媒大学学报(自然科学版), no. 02, 25 April 2017 (2017-04-25) * |
| 王之元;毛婷婷;蔡小敏;: "社交网络环境下突发气象灾害舆情信息的传播演化研究", 情报探索, no. 09, 15 September 2018 (2018-09-15) * |
| 王忠义;张鹤铭;黄京;李春雅;: "基于社会网络分析的网络问答社区知识传播研究", 数据分析与知识发现, no. 11, 25 November 2018 (2018-11-25) * |
| 陈晋音;张敦杰;林翔;徐晓东;朱子凌;: "基于影响力最大化策略的抑制虚假消息传播的方法", 计算机科学, no. 1, 15 June 2020 (2020-06-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117811992B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Borge-Holthoefer et al. | Absence of influential spreaders in rumor dynamics | |
| CN109800573B (zh) | 基于度匿名与链路扰动的社交网络保护方法 | |
| Cator et al. | Susceptible-infected-susceptible epidemics on networks with general infection and cure times | |
| CN113706326B (zh) | 基于矩阵运算的移动社会网络图修改方法 | |
| CN109934727B (zh) | 网络谣言传播抑制方法、装置、设备及可读存储介质 | |
| CN109064348A (zh) | 一种在社交网络中封锁谣言社区并抑制谣言传播的方法 | |
| Baxter et al. | Targeted damage to interdependent networks | |
| Jain et al. | Fast rumor source identification via random walks | |
| US20160232161A1 (en) | Method to maximize message spreading in social networks and find the most influential people in social media | |
| CN116016199B (zh) | 一种信息控制方法、***、电子设备及可读存储介质 | |
| EP2352262B1 (en) | Path calculation order deciding method, program and calculating apparatus | |
| Li et al. | Analysis of information diffusion with irrational users: A graphical evolutionary game approach | |
| Ebrahimi et al. | Complex contagions in Kleinberg's small world model | |
| Dey et al. | A survey on the role of centrality as seed nodes for information propagation in large scale network | |
| Hosseini et al. | Dynamics of a rumor‐spreading model with diversity of configurations in scale‐free networks | |
| KR101509888B1 (ko) | 소셜 네트워크에서의 메시지 전파 방법 및 그 장치 | |
| CN117811992B (zh) | 一种网络不良信息传播抑制方法、装置、设备及存储介质 | |
| del Rey et al. | Mathematical models for malware propagation in wireless sensor networks: an analysis | |
| JP6992821B2 (ja) | 分類木生成方法、分類木生成装置および分類木生成プログラム | |
| Zhang et al. | An efficient heuristic algorithm for solving connected vertex cover problem | |
| JP2012216943A (ja) | ネットワークにおけるコミュニティ構造検出装置及び方法 | |
| Laishram et al. | NetProtect: network perturbations to protect nodes against entry-point attack | |
| Mehta et al. | CONTROLLING SPREAD OF RUMOR USING NEIGHBOR CENTRALITY. | |
| Rodríguez et al. | Improving data collection in complex networks with failure-prone agents via local marking | |
| Wang et al. | WSLC: Weighted semi-local centrality to identify influential nodes in complex networks |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |