随着互联网技术的快速发展,网络已在不同年龄段的人群中普及。同时,网民基数增多,媒体、官方号也在增长,网络消息评论发布门槛低,信息真伪判断成为社会关注焦点,准确判断发布的信息是否是谣言成了研究者们关注的热点问题。
谣言被定义为一种未经验证或未经证实的消息,其中主要包含的是社交网络中广泛传播并给用户带来恐慌心理的虚假或欺骗性信息。社交媒体平台授权用户与其他用户进行有效的交流,这提供了传播谣言的渠道。谣言的传播有几大特点:传播速度快,形态多样,传播广泛,影响力大,其影响社会安定、民族团结和国家和平,因此,研究抑制谣言的扩散及如何快速有效辟谣显得尤为重要。为了避免大量恶意事件和社会恐慌,一旦发现谣言,网络辟谣中心应立即采取行动,通过传播真相来否定或纠正谣言并及时阻止谣言传播[1]。为了减少谣言的恶性影响,目前国内外专家采用如下的流程和方法:首先找到散布的谣言,再对识别出的谣言在传播范围等方面进行预评估,辟谣中心通过谣言分析进行真相传播后阻止谣言的进一步扩大同时进行辟谣[2]。针对不同的实际应用问题,启发式群智能优化算法被广泛应用,以提高整个研究过程的效率。文献[3]通过改进鸟群算法(BSA: Bird Swarm Algorithm),并将其应用于多目标微电网优化调度问题。研究采用6个不同维度的典型测试函数,将改进鸟群算法与粒子群优化(PSO:Particle Swarm Optimization)、改进粒子群优化(IPSO:Improved Particle Swarm Optimization)及标准鸟群算法(BSA)进行对比仿真,验证了改进算法在收敛精度、稳定性和收敛速度方面的优越性,为求解复杂多约束、多目标的微电网优化调度模型提供了一种全新的途径和方法,同时上述研究结果也显示了混合智能算法在兼顾经济性与环境友好性方面的可行性和高效性。本文也考虑利用混合改进算法解决网络中舆情传播的问题。
在现代社交网络中,研究人员须提出一种快速准确的辟谣优化算法来解决谣言的广泛传播。当前研究人员提出了一些应用于该问题的进化优化算法,如蛙跳算法(SFLA:Shuffled Frog Leaping Algorithm)[4-5]、粒子群优化算法[6]、遗传算法(GA:Genetic Algorithm)[7]等。在一系列进化算法中,SFLA算法被证实具有解决集群优化问题的能力,其同时也被认为是解决集群协作搜索优化问题的可靠途径之一[1]。研究人员利用SFLA算法的聚类特性可提升算法优化准确性,建立一个具有信任感知的社会上下文过滤模型。PSO算法则是利用快速精确的方法获得当前优化解的经典算法[8]。文献[8]中提出了基于改进粒子群(PSO)模型来度量节点在移动社会网络中的影响力排序。张欣欣提出了一种“波动粒子群优化(FPSO)”算法,通过引入随机波动因子优化粒子的搜索轨迹,提高了在动态网络拓扑中识别关键节点的准确性与收敛速度[9]。然而,上述进化算法缺乏对社交网络中不同情况和用户之间的社会关系进行分析的辟谣解决方案,尤其是缺少针对隐秘扩散,未公开传播类谣言的处置方案。
本文提出一种混合SFLA-PSO算法,该算法充分结合了SFLA算法分簇化和PSO算法快速收敛的优点,解决了辟谣的及时性问题。本文基于SFLA的聚类协作局部搜索能力和PSO算法的快速收敛性,提出了一种混合聚类SFLA-PSO算法,试图进行更全面的分析,并将社会关系与信任度结合起来,为了及时辟谣,减少、遏制谣言传播,本文设计了一种及时辟谣算法,解决以往优化算法容易陷入局部最优的潜在缺陷。
1 相关智能优化算法介绍
1.1 混合蛙跳算法(SFLA)介绍
1.2 粒子群(PSO)算法介绍
2 SFLA-PSO算法分析
假设所有被传谣者都通过社交网络获取消息的前提下,本文以互联网进行谣言传播和辟谣的所有用户为研究对象,用真相信息对被传谣者进行及时辟谣。由于年龄层次的差异,不同年龄段的用户对谣言的认识存在理解上的不同,研究人员采取不同的辟谣过程进行分类辟谣。本文综合随机蛙跳算法(SFLA)和粒子群算法(PSO)提出一种全新的混合SFLA-PSO算法,集SFLA的聚类协作局部搜索能力和PSO算法的快速收敛性优势,从而实现快速及时辟谣。
2.1 SFLA-PSO算法核心思想
本文将整个社交网络上的全部N个用户进行分簇以进行分布式管理,簇的个数为m,在每个簇中均有n个用户,每个用户的适应度为X,X∈[0,1],适应度X越大意味着用户被真相辟谣的程度越高,即用户越相信真相。及时辟谣是针对当前出现的广泛传播的社会谣言,需要辟谣中心向收到并信任谣言的用户进行提供真相。为了确保高效迅速及时辟谣,算法选择簇中适应度最高的用户作为簇首(CH:Cluster Head),可视为该簇中次级辟谣中心。辟谣中心连接每个簇的CH并对其传播真相进行辟谣。每个CH获取到真相后调整其本身适应度,再对簇中成员(CM:Cluster Member)进行辟谣。算法令CH的适应度为全簇最优X*,同时令辟谣中心的适应度为全网最优,记为X*=1。谣言对于社会影响的时间越短,则说明辟谣速度越快,效果越好。
2.2 SFLA-PSO算法流程
在辟谣机制启动初期,算法假设谣言已广泛传播并蒙蔽了网络中的大部分用户。考虑到不同年龄段用户在认知能力和信息接收习惯上的异质性,本文将受谣言影响的用户群体划分为若干个具有不同特征的簇(Cluster)。当辟谣真相进入社交网络时,不同簇内的用户将通过特定的学习路径获取真相。在每个簇中,簇首(CH)作为可信的信息源,其发布的辟谣信息能够有效降低用户对谣言的信任度与传播焦虑。这一过程不仅提升了用户的认知水平,还增强了其对谣言的甄别能力,促使用户状态由‘被蒙蔽’向‘理性认知’转变。基于上述社交网络辟谣机制,本文构建了SFLA-PSO混合算法模型,其具体的算法总体流程如下。
(1)初始化
算法首先构建社交网络拓扑模型。本文设社交网络平台被谣言感染人群总样本N,并设定算法分簇参数(簇个数 m 、每簇用户数n)满足N=m×n。本文定义每个用户i的状态向量为d(i),表示其在信任度空间中的位置。初始化用户群体的适应度值为M(k),并根据用户的年龄层次和认知差异设定初始参数。
(2)基于适应度的分簇策略
算法快速扫描用户以及舆情信息量,将样本N按降适应度值的顺序快速排序,其将用户划分为集群,样本N被划分为m个集群分别为G1,G2,…,Gm。 分区原遵循公式(1),确保每个簇内均包含不同层级的用户,以维持种群的多样性。
Gi={Vi(j)|Vi(j)=V $\left(\mathit{i}\mathit{ }+\mathit{ }\mathit{m}\left(\left.\mathit{j}\right|1\right)\right)$ },i=1, 2, …, m, j=1, 2, … n
在每个簇中,算法选取适应度最高的用户Xib,作为簇首(CH),代表该簇当前的最佳认知状态。
(3)局部深度搜索与状态更新
在簇内部,算法模拟辟谣信息的传播过程以更新簇成员(CM)的状态。具体而言,簇成员(CM)依据簇首(CH)的引导调整自身的信任度,旨在通过向簇内最优解学习来提升个体的适应度。本文设Xib为第 i 个簇中簇首的最佳适应度,Xw 为当前待更新个体的适应度(将其作为最差信任度),则其状态更新规则描述如公式(2)所示:
$d(i+1)=\left\{\begin{array}{ll} \min \left\{\xi\left(X_{i b}-X_{w}\right), d M\right\}, & \text { 信任真相 } \\ \max \left\{\xi\left(X_{i b}-X_{w}\right),-d M\right\}, & \text { 信任谣言 } \end{array}\right.$
其中,ξ是[0,1]范围内的随机值,用于模拟用户接受信息的随机性;d(i)是CM在信任度上对适应度最差的改进;dM是信任度上的最大增量。所以新的适应度值计算如下:
$d(i+1)=X_{w}+d(i)(-d M \leqslant d \leqslant d M)$
(4)全局信息交互与收敛阶段
当局部深度搜索执行至预设的迭代次数后,为了防止算法陷入局部最优,算法进行全局信息交互(混合)。该过程包含以下步骤:首先,算法比较所有簇首的适应度,确定当前的全局最优解 X*(即全局辟谣中心,理论上X* →1);其次,算法将所有簇的用户重新混合,并依据最新的适应度值对全种群进行排序和重新分簇,以此打破局部极值的限制;最后进行终止判断,若满足最大迭代次数或全局适应度阈值要求,则算法结束;否则,返回第二阶段继续执行局部搜索。
2.3 基于不同人群对谣言真相度的差异特性分组
由于每个用户的年龄、兴趣、生活习惯及对网络的接触程度不同,本文提出一个衡量辟谣准确度的值,称之为真相度T(Truth Degree),并考虑T由参数接触度U(Degree of contact)和信任度M(Degree of trust)决定。
接触度U为衡量用户对于辟谣信息的接触程度,因为用户处于不同的年龄层,其对辟谣信息存在两种关系:接触和不接触,分别对应U1=1,U2=0。信任度M为衡量用户对于辟谣信息的信任程度,一般可分为三档:完全信任M1、一般信任M2、不信任M3,B表示年龄层r所对应的信任程度,公式为B=njMk,k=1,2,3。不妨设0<M3<M2<M1<+∞。其中,r为年龄层编号,r=1,2,3,分别对应老年人、年轻人、儿童年龄层,下文会对这三个年龄层进行详细介绍,nr为用户所处的年龄层组。Mk为用户对于辟谣信息的信任程度。
经过上述分析,本文对辟谣的信任度方程可描述为T=B*U=nrMkU。
本文将用户分成三个不同年龄段:老人、年轻人和儿童。本文设F为舆情信息量百分比,正交于任何其他因素,令其为F={Fk}=X*,k=1,2,3,F∈[0,1],分别表示舆情辟谣信息在老年人、年轻人、儿童年龄层组所占的信任百分比。下面根据不同年龄段组的基本特征进行分析。
2.3.1 老人组成的小组
在我国,老人年龄层网络的普及率并不高,老人普遍通过短信或电话进行通信交流、信息交换,故该组用户通过群发短信的方式进行辟谣通知,或通过老人年龄层用户所在社区组织进行集中辟谣,由社区负责通知到每个老人年龄层的用户,确保真相信息及时且准确,防止老人被诈骗。
如上所述,老人组直接与辟谣中心相连接,使用SFLA算法,如公式(4)和(5)所示:
$d(i+1)=\left\{\begin{array}{ll} \min \left\{\xi\left(X^{*}-X_{i b}\right), d M\right\}, \text { 信任真相 } \\ \max \left\{\xi\left(X^{*}-X_{i b}\right),-d M\right\}, \text { 信任谣言 } \end{array}\right.$
d(i+1)=Xib+d(i)
其中,d(i+1)是第i+1个用户的适应度,ξ是[0,1]范围内的随机值,dM是信任度上的最大增量。
2.3.2 年轻人组成的小组
在我国,年轻群体的网络通信设备普及率高,其可通过网络密切关注时事,则可通过自身及时确认网络公布的辟谣信息,故可采用PSO算法,如公式(6)和(7)所示:
d(i+1)=Ωd(i)+T1ξ1(Xib-Xi)+T2ξ2(X*-Xi)
d(i+1)=Xi+d(i),(-dM≤d≤dM)
其中,N是构成PSO算法的用户的粒子数。 Ω是惯性权重,T1,T2是在0和2范围内选择的正系数,ξ1,ξ2是在0和1范围内的随机数。
2.3.3 儿童组成的小组
由于儿童以学业为主,大多数儿童不能及时获取网络上的信息,但是儿童都会和大人在一起且儿童极易相信长辈,所以儿童通过年轻人的消息传递间接获取辟谣信息。
一般来说,儿童对年轻人(其家长、监护人,或周围熟悉的长辈)完全信任,直接得出公式Xib=X*。由公式(8)可描述为
d(i+1)=Xib=X*
在每次迭代时,每个粒子都会记住与最佳个人适合度值Xib相关的最佳位置。在所有Xib中,算法将最佳适应度值的位置用X*来表示。
每个年龄层组的用户对于舆情语句的理解存在差异,本文将X*定义为一个向量,用来作为每个年龄层用户所逼近的目标,把舆情语句拆分成多个信息量,记录每个信息量在每个不同年龄层信任的百分比,例如一句舆情语句有3个信号量,则对应的百分比分别为a%,b%,c%,如此可以区别逼近的目标,即X*不再始终等于1。
3 性能仿真过程与结果
3.1 性能仿真实验内容描述
本文使用CPP工具对SFLA-PSO算法进行仿真,仿真的过程有对不同簇的数据进行融合与不融合两种方式,而对于每个年龄层涉及的不同算法也做出了不同的实验来进行仿真模拟。
第一种是不进行数据融合的仿真实验,一共将用户分为500个组(也可理解为500个抽样用户),编号从第0组至第499组,反复迭代,共有四个簇,每个簇中出现适应度达到1.0的用户时,即每个簇的Xib出现且达到全局最优值,记录一次,再重新迭代,直到所有组的值皆达到适应度最优值,迭代停止,即所有用户都接收到舆情辟谣信息,谣言停止传播。
第二种仿真实验首先对四个簇分别命名为簇0,簇1,簇2,簇3。每个簇中都有125个用户,其中皆包括不同数目的三种年龄层组的用户,四个簇的用户数量总和也为500。四个簇同时进行迭代实验,老人年龄层组和年轻人年龄层组分别进行第一种迭代实验,由于儿童年龄层组用户的适应度依赖于年轻人年龄层组,所以不进行单独的仿真实验,进行第二种三者数据融合的仿真实验。
3.2 性能仿真实验结果
实验结果图中横纵坐标分别表示用户的编号和其适应度数值,每种颜色表示迭代分簇组成一个的循环编号,例如初始值的迭代次数为0,用蓝色点表示,迭代一次后,用红色表示等,以此类推,由于越到后面,最优个体越多,每次迭代间变化不大,于是分成每0、1、5、10组迭代并持续下去,每个实验分组方式不同。迭代次数越多靠近最优适应值的组越多,只要达到循环搜索结束条件,即每个组的值都达到最佳适应度的值,迭代结束。
图3中,每次随机分簇时各年龄层的人数也在随机分簇,例如簇0中老人=31、年轻人=48、小孩=46;簇1中老人=38、年轻人=52、小孩=35,以此类推,从而保证实验的结果更具有真实、准确性。
3.3 性能仿真实验结果分析
图1所示的基于SFLA算法的仿真结果,体现了SFLA混合蛙跳算法的逐步进化特点,即从集群里找到更优的个体并靠拢,所以最后在数值1.0时,其呈现一条直线,最后用户皆达到1.0值后结束迭代,该算法虽然简单清晰,但耗时长。
图3所示的基于SFLA-PSO算法的仿真结果,综合了SFLA以及PSO算法的优点,三个年龄层组的用户数据融合后,各自按照自己的算法找寻最优解,并在迭代中逐步优化,即用户逐步趋近于获得舆情辟谣信息,从而达到辟谣的过程。基于SFLA-PSO算法的该实验没有在除1.0以外其他数值出现收敛线的情况,即用户都是直接朝着最优适应度值趋近,简化了辟谣的过程,且根据年龄层有不同的针对性选择的算法。
由于SFLA-PSO算法根据年龄层有不同的针对性最合适的算法,将整个过程最优化,相比于SFLA的耗时较长和PSO的过程较多,SFLA-PSO算法过程更加简洁明了且直接,同时耗时也十分少,且达到了所有组适应度值为最优值1.0,实验成功,即每个用户都获得了正确的舆情辟谣信息,辟谣成功舆情将不复存在。
4 结束语
本文采用SFLA-PSO混合算法针对社交网络上的舆情传播特征建立模型。首先,介绍SFLA-PSO混合算法;其次构造适应度函数;其次,引入算法相关函数反应不同年龄段对于舆情信赖的特点以及舆情在社交网络下各个用户间传播的变化趋势;最后,对适应度函数进行理论验证。
SFLA-PSO算法将SFLA和PSO算法的优点进行结合,通过本文的模拟仿真实验结果可以得出SFLA-PSO算法相较于单纯的SFLA以及PSO算法在性能上有更大的改善,SFLA-PSO混合算法具有计算量少、收敛速度快、对初始种群依赖性低以及全局性更好等优点,对于建立解决舆情传播问题模型,本文的混合算法适应性更强,得出的模型更匹配现实情景,也更高效率的达到了舆情辟谣的目的。
本文研究证实了SFLA-PSO混合算法的高效优势,但是这只能说明在该舆情辟谣模型中,该混合算法相较SFLA和PSO算法更适用,还需要发掘更多的比SFLA-PSO混合算法更高效的其他混合算法进行模拟实验,继续改善舆情辟谣效率。