一种基于社区的VoteRank算法，用于在线社交网络中实现谣言传播的抑制与最小化

《Physica A: Statistical Mechanics and its Applications》：A community-based VoteRank algorithm for rumor suppression minimization in online social networks

　　摘要
谣言抑制的目标是通过在在线社交网络中采用特定策略，将虚假或负面信息的社会影响降到最低。然而，大多数现有的谣言抑制方法都是从整体网络的角度来选择反谣言的传播者，这忽略了网络实际上由多个大小不一的社区组成这一基本事实。为了解决这些问题，我们提出了谣言抑制最小化问题的概念，并分两个阶段来解决该问题。在第一阶段，我们提出了SIDM2R模型，以准确反映网络中谣言传播的复杂过程。该模型将社交媒体视为一个独立的类别，并考虑了媒体报道和个人反驳在谣言传播和抑制中的作用。在第二阶段，我们设计了一种基于社区的VoteRank算法（CBVoteRank）来解决谣言抑制最小化问题。CBVoteRank根据用户之间的吸引力将整个网络划分为多个社区，并识别出在不同社区中拥有最高投票分数的用户来传播反谣言。这种方法旨在通过选择分布在不同社区中的有影响力用户来获得一个具有高整体影响力的种子集。最后，我们在九个真实世界数据集上进行了多次比较实验。实验结果表明，SIDM2R模型有效地模拟了谣言的传播过程，而CBVoteRank算法在谣言抑制性能上优于九种最先进的算法。

引言
随着通信和科学技术的快速发展，互联网通过多样化的社交关系将个人和组织连接起来，从而催生了在线社交网络（OSNs）的出现。这种新的互动形式为用户的生活带来了极大的便利，使他们能够无需离开家就能访问大量信息[1]，[2]。然而，在线社交网络的开放性也带来了新的挑战，一些恶意用户故意制造负面内容以吸引注意力，并使用充满仇恨言论或无根据的谣言来混淆公众的看法，从而引发社会不稳定甚至动荡[3]，[4]。这种现象造成了严重的危害。例如，在2020年的美国大选期间，大量的虚假和误导信息充斥着在线平台，使众多选民陷入了数字错误信息的漩涡[5]。此外，由于在线监管机制的不完善，犯罪分子经常利用法律漏洞传播虚假信息以获取巨大经济利益[6]。显然，在线社交网络中谣言的传播对安全和社会稳定构成了重大威胁[7]。因此，迫切需要系统地分析在线环境中谣言传播的机制，并制定有效的治理策略。
实际上，制定有效的治理策略需要深入理解在线社交网络中的谣言传播机制。然而，谣言传播是一个涉及多种因素的复杂过程，不能简单地用一个模型来概括。现有研究 often 借鉴流行病学理论，将谣言传播过程类比为疾病在人群中的传播[8]，[9]。这一理论通过分类人群状态和分析传播动态，在概念上与谣言传播有很高的相似性。在此基础上，学者们进一步开发了一系列新的模型，将社交网络结构与用户属性相结合，旨在更准确地描述社交网络中谣言的传播轨迹和微观复杂性[10]，[11]。
目前，主要的谣言抑制方法主要分为三类：节点删除、边阻断和真相传播[12]，[13]。节点删除方法旨在通过识别并移除网络中一些有影响力的节点来抑制谣言的传播路径[14]，[15]。边阻断方法侧重于切断节点之间的关键连接，通过删除某些特定的边来最小化谣言的影响力[16]，[17]。尽管这两种方法可以干扰谣言的传播，但它们从根本上改变了网络的拓扑结构，可能会影响用户体验，甚至阻碍合法信息的传播。此外，长期实施这种结构性干预可能会无意中引发公众对谣言的关注，从而增加谣言传播的风险。相比之下，真相传播方法提供了一种更为灵活且不具侵入性的治理方式。这种方法通过选择有影响力的用户作为种子来源，使接收者在遇到谣言时具有免疫力，从而有效遏制谣言的进一步传播[18]，[19]。真相传播方法完全保持了社交网络的原始结构和功能，有效地遏制了谣言的传播，同时不干扰合法信息的传播。因此，真相传播方法在当前关于谣言治理的研究中变得越来越受到重视。本研究提出的方法也是基于这一范式开发的。
如上所述，现有研究已经设计了多种传播模型和反谣言种子选择算法来解决谣言抑制问题。然而，在在线社交网络上的谣言抑制领域仍然存在一些挑战：(1) 在线社交网络中的谣言传播是一个涉及多种因素的复杂过程，很难用统一的模型来研究其传播机制。此外，大多数现有模型没有考虑媒体报道和个人反驳对谣言传播过程的影响。(2) 鉴于网络由多个独立社区组成，如何合理分配反谣言的传播者在不同社区中以最大化反谣言的传播范围仍然是一个紧迫的问题。
为了解决这些问题，本研究提出了一种新的方法来研究在线社交网络中的谣言抑制问题，该方法分为两个阶段。在第一阶段，我们改进了传统的传染病模型，并提出了SIDM2R模型来描述谣言传播过程。该模型将媒体作为一个独立的类别，并充分考虑了个人反驳和媒体报道的影响。在第二阶段，我们设计了一种基于社区的VoteRank算法（CBVoteRank）来解决谣言抑制最小化问题。在提出的CBVoteRank算法中，我们设计了一个基于拉普拉斯的引力模型来计算网络中用户之间的吸引力，并根据节点和社区之间的吸引力将网络划分为多个社区。然后，受投票方法的启发，我们选择每个社区中投票分数最高的用户作为反谣言种子。这种方法有效平衡了谣言抑制和种子分散，以显著降低计算成本获得了具有高集体影响力的种子集。

本文的贡献总结如下：
- 我们构建了一个新颖的SIDM2R模型来研究OSNs中的谣言传播过程。与传统的传染病模型相比，所提出的模型捕捉了反谣言和谣言之间的动态竞争互动，并充分考虑了个人反驳和媒体报道的影响。SIDM2R模型准确地描绘了相反类型信息的竞争传播过程和互动，为研究谣言传播过程提供了一个有效的研究框架。
- 在明确策略的基础上，我们提出了CBVoteRank算法来解决谣言抑制最小化问题。所提出的算法根据一种新颖的基于拉普拉斯的引力模型将网络划分为不同的社区。接下来，根据每个节点在社区内的局部影响和在整个网络中的全局影响来评估每个节点的投票能力，并在每次投票迭代中选择每个社区中投票分数最高的用户作为反谣言种子。这种方法有效地降低了计算成本，并充分分散了选定的种子。
- 我们通过在九个真实世界网络数据集上的实验验证了我们的方法的有效性。实验结果表明，所提出的SIDM2R模型能够清晰地表示受谣言影响的节点数量随传播次数的变化。同时，所提出的CBVoteRank算法在所有十个涉及的算法中激活的节点数量最少，并且对谣言种子和反谣言种子的比例不敏感，同时在时间成本方面表现出良好的性能。

本文的其余部分安排如下：第2节简要回顾了关于谣言传播模型和谣言抑制方法的相关工作。第3节提供了本工作的初步信息。第4节构建了在线社交网络中的SIDM2R模型。第5节介绍了所提出的CBVoteRank算法的框架。接下来是第6节的实验设置，第7节报告了实验结果。最后，第8节给出了本工作的简要结论和总结。

相关工作
谣言抑制旨在通过技术干预策略减轻谣言的负面影响。Budak及其同事[20]建立了谣言抑制的概念基础，其核心思想是引入积极的竞争节点来对抗谣言的传播，并从机制上限制谣言的范围和效果。谣言抑制的研究主要围绕两个核心问题展开：谣言传播模型的构建和...

问题定义
在谣言传播过程中，建立了相应社交关系的用户可以支持信息的正常传输。为此，我们构建了一个有向图来捕捉这些不对称的影响路径，确保传播过程遵循社交互动的方向性。
谣言抑制最小化问题[40]的目标是识别几个有影响力的个体作为反谣言种子，以便最大化反谣言的传播范围。

提出的模型
在线社交网络中的谣言传播是一个受多种相互依赖因素影响的高度复杂过程，很难在一个统一的建模框架内捕捉其传播机制。在现有研究中，无论是使用传染病模型还是信息传播模型来模拟谣言的传播，大多数研究人员只考虑了媒体报道或个人反驳对谣言传播的影响，而很少有研究同时考虑这两种因素。

提出的算法
如上所述，已经提出了许多方法来解决谣言抑制问题。然而，在社交网络上的谣言抑制领域仍存在一些挑战。考虑到在线社交网络通常由多个不同的社区组成，合理分配反谣言传播者在不同社区中是一个紧迫的问题，以便最大化反谣言的传播范围。在本研究中，我们设计了一种基于社区的VoteRank...

数据集
在本研究中，我们在九个真实世界数据集上评估了CBVoteRank方法的有效性，包括Trust、Gnutella、DBLP、Chicago、Google、Cora、Twitter、Linux和Epinions数据集。具体来说，Trust是CiaoDVD上用户之间的信任网络；Gnutella是跨越其主机用户的社交网络；DBLP和Cora都是科学合作网络，前者涉及出版物，后者涉及研究人员；Chicago网络专门捕捉合著关系...

实验结果与分析
本节提供了八个实验组，用于评估所提出的CBVoteRank算法与多种基线方法的对比。在第一个实验中，我们将所提出的SIDM2R模型的最终影响范围与两个经典传播模型进行了比较。在第二个实验中，我们对CBVoteRank的每个组成部分进行了消融研究。在第三个实验中，我们在九个真实世界数据集上评估了在不同控制措施下的激活节点数量...

结论
在线社交网络中谣言的快速传播可能对社会稳定性和个体和谐产生破坏性影响。因此，本研究基于媒体报道和个人反驳构建了一个SIDM2R模型来研究谣言抑制问题。由于谣言的传播类似于人类互动，我们设计了一种基于社区的VoteRank算法来实施真相澄清策略。这种方法旨在识别具有最高投票分数的用户...

CRediT作者贡献声明
陈东：撰写 – 审阅与编辑、撰写 – 原稿、软件、方法论、概念化。王志英：撰写 – 原稿、监督、资源获取。刘鹏：撰写 – 原稿、软件。雷蒙：写作——初稿，验证
利益冲突声明
作者声明他们没有已知的财务利益冲突或可能影响本文研究结果的个人关系。

致谢
本研究得到了以下项目的支持：
中国国家自然科学基金（72074101, 72474089）、
中国国家社会科学基金（24CTQ029, 25BGL062）、
江苏省高等学校哲学与社会科学重大项目（2025SJZD062）、
教育部人文与社会科学项目（25YJC630116）、
天津市哲学与社会科学规划项目（TJGLQN25-03）以及
江苏省社会科学应用研究优秀项目。

陈东｜王志英｜刘鹏｜雷蒙
江苏科技大学经济管理与管理学院
中国镇江市 212100