[发明专利]一种基于辟谣和促谣信息的谣言传播预测方法

说明书

本发明涉及一种基于辟谣和促谣信息的谣言传播预测方法，包括获取目标话题数据与用户信息数据；根据用户对博文的转发次数和用户发布的博文计算用户的积极度；利用TF‑IDF算法提取用户发布的博文中的高频词汇、谣言博文中的关键词、辟谣博文中的关键词以及促谣博文中的关键词并计算用户与谣言博文、辟谣博文以及促谣博文的兴趣吻合度；利用多元线性回归模型计算谣言博文、辟谣博文和促谣博文对用户的影响力；利用博弈论原理和二项分布计算得到用户转发谣言博文、辟谣博文、促谣博文的概率；根据用户转发谣言博文、辟谣博文和促谣博文的概率利用平均场理论构建传播动力学模型预测谣言博文的传播趋势，对网络谣言进行监控和控制。

技术领域

本发明属于网络舆情分析领域，具体涉及一种基于辟谣和促谣信息的谣言传播预测方法。

背景技术

随着互联网技术的快速发展，网络已经取代传统媒体成为信息传播的重要媒介。由于社交网络的复杂性和便利性，容易形成谣言传播的蝴蝶效应，在短时间内使得谣言迅速传播，对公共社会的危害呈几何倍数增长。在传统的谣言传播研究中，并未考虑促谣信息以及谣言话题内多消息的相互作用对谣言传播过程的影响。因此，研究社交网络中谣言传播过程，建立合适的网络谣言传播模型，更好的挖掘影响多类型谣言信息传播的因素，对有效控制网络舆情具有重大意义。

近年来，学者们已经针对谣言的传播模型进行广泛的研究，主要是基于SIR传染病模型和机器学习算法模型。基于SIR传染病的预测模型主要是将用户状态分为三类：易感者(S)，感染者(I)，免疫者(R)。S状态表示不知道谣言并容易被谣言传染的用户，I状态表示接触过谣言并且积极传播谣言的用户，R状态表示接触过谣言但不传播谣言的用户。基于机器学习算法模型从用户行为模式出发，通过提取传播网络中用户的特征，将问题转化为分类或回归问题来构建谣言传播预测模型。

由于社交网络上的谣言传播可以看作是一种特殊的传染病传播，因此使用SIR传染病模型进行谣言传播的预测有极好的效果。Liu等人在(Liu F,Buss M.Optimal controlfor heterogeneous node-based information epidemics over social networks[J].IEEE Transactions on Control of Network Systems,2020,7(3):1115-1126.)提出了一种基于异质节点的SIRS模型，该模型考虑了网络结构的异质性和个体特征的异质性，并针对阻止谣言传播的情景提出了最优控制框架。

学者们围绕谣言传播预测模型展开了一系列的研究，并取得了相当不错的成功，但仍存在一些技术问题：

1.多类型谣言信息的共存和对立性。同一话题下的谣言、辟谣和促谣信息在传播过程中产生的共存和对抗性必然会影响谣言的传播速度和传播态势，如何衡量消息之间的竞争与合作关系是一个难点。

2.用户认知的差异性。在社交网络中，用户在接触到多类型谣言信息时会因为认知的差异而产生不同的传播状态，因此需要考虑辟谣和促谣信息的对用户状态特征的影响。

发明内容

为了解决背景技术中存在的问题，本发明提供一种基于辟谣和促谣信息的谣言传播预测方法，包括：

S1：通过社交网络提供的API接口获取目标话题数据以及参与目标话题的用户信息数据；所述目标话题数据包括：谣言博文数据、辟谣博文数据、促谣博文数据、常规博文数据、谣言博文的发布时间、辟谣博文的发布时间和促谣博文的发布时间；所述用户信息数据包括：用户之间的好友关系、用户对谣言博文、辟谣博文、促谣博文和常规博文的转发次数和转发时间、用户发布的博文数据和用户发布博文的时间；

S2：根据谣言博文发布之前用户对常规博文的转发次数和用户发布的博文数量计算用户的积极度；

S3：利用TF-IDF算法提取用户发布的博文中的高频词汇、谣言博文中的关键词、辟谣博文中的关键词以及促谣博文中的关键词并计算用户与谣言博文、辟谣博文以及促谣博文的兴趣吻合度；