基准测试用于控制错误信息的中心性启发式方法：一项基于网络结构的跨网络研究

《Scientific Reports》：Benchmarking centrality heuristics for misinformation containment: a structure-dependent cross-network study

　　

摘要

错误信息通过在线社交网络迅速传播，对公共健康造成可衡量的危害，并破坏民主对话。影响力最小化问题（即选择某些节点进行“免疫”以遏制这种传播）与广泛研究的影响力最大化问题在结构上是相反的。然而，目前尚未有系统性的研究来比较中心性启发式方法在这两个目标上的适用性。我们在一个独立级联模型（Independent Cascade model）下，针对Facebook自我网络（Ego Network）子图（节点数量从\(n=200\)到\(n=2{,}000\)）进行了八种屏蔽选择算法的基准测试，涵盖了四种干预时机、不同的传播概率和屏蔽预算，以及两种源模型。我们还在另外三个网络（Twitter、Twitch和一个arXiv合作图）上重复了这一核心基准测试。在模块化的Facebook网络中，算法排名与影响力最大化策略的结果相反：中间性屏蔽（Betweenness Shield）这种中等排名的前向节点选择启发式方法，在所有网络规模下都成为最佳的遏制方法，在\(n=2{,}000\)时达到了\(\text {CR}=0.311\)的遏制率，显著优于所有竞争对手（包括基于蒙特卡洛算法的贪婪基线策略），并且这种优势随着网络规模的增大而增强（所有情况下\(p<0.001\)）。然而，这种优势具有依赖网络结构的特点：在模块化Facebook网络中它具有决定性作用，在密集的Twitter和Twitch网络中则变为平局；而在稀疏的合作网络中，优势则转移到基于节点度的阻断方法上。此外，在Facebook上，中间性屏蔽方法在所有测试的干预延迟条件下都是最佳选择。因此，通过中间性中心性来进行桥梁阻断（Bridge-blocking）是具有明显社区间连接的模块化社交网络中优先采用的遏制策略。