[发明专利]一种基于传播属性相似性的社交网络信息可信度评估方法

权利要求书

1.一种基于传播属性相似性的社交网络信息可信度评估方法，其特征在于：其步骤如下：

步骤A：提取社交网络信息传播内容，构建社交网络信息传播网络；

步骤B：提取社交网络信息传播节点属性，计算社交网络信息传播网络拓扑属性，标记历史信息可信度，建立历史信息传播属性数据库；

步骤C：计算目标社交网络与历史社交网络的传播属性相似性，以此来评估目标社交网络的信息可信度；

在步骤A中所述的“提取社交网络信息传播内容，构建社交网络信息传播网络”，其做法如下：对一个社交网络信息，选定一个信息发布者作为初始传播节点，依层以该初始传播节点的直接转发节点与直接转发有向关系构建该信息的传播网络，对给定数量的具有历史信息可信度的历史社交网络信息与目标社交网络信息都进行上述传播网络的构建；具体步骤如下：

步骤A1：根据社交网络平台公开信息，选定一社交网络信息Event的一个发布者作为初始传播节点V₀₀，对该初始传播节点的直接转发者作为下层节点V_0j，视初始传播节点与每一下层节点之间的直接转发关系作为社交网络信息传播有向连边E₀(V₀₀,V_0j)，构建第一层信息传播网络G₀(V₀,E₀),其中式中：V₀表示初始传播节点V₀₀与对该初始传播节点的直接转发者节点V_0j的节点集合，E₀表示初始传播节点V₀₀与其直接转发者节点V_0j之间的转发关系连边集合；

步骤A2：设定信息传播网络层级数量阈值L，遍历每层复数个转发节点，视为该层的复数个初始传播节点，重复步骤A1，逐层构建层间信息传播网络直至传播层级达到阈值，得到该社交网络信息Event的整体传播网络G(V,E)；式中：V表示该网络中的节点集合，E表示该网络中节点转发关系；

步骤A3：重复步骤A1、A2，对给定数量Num的历史社交网络信息Event_history建立各自的信息传播网络G_history(V_history,E_history)，建立目标社交网络信息Event_obj的信息传播网络G_obj(V_obj,E_obj)；式中：G_history(V_history,E_history)表示各历史社交网络信息Event_history的信息传播网络，V_history表示该网络中的节点集合，E_history表示该网络中节点转发关系，而G_obj(V_obj,E_obj)表示目标社交网络信息Event_obj的信息传播网络，V_obj表示该网络中的节点集合，E_obj表示该网络中节点转发关系；

在步骤B中所述的“提取社交网络信息传播节点属性，计算社交网络信息传播网络拓扑属性，标记历史信息可信度，建立历史信息传播属性数据库”，其做法如下：提取已构建的社交网络信息传播网络中各传播节点与传播拓扑结构属性，随后标记各历史社交网络信息可信度，建立历史社交网络信息传播属性数据库；具体步骤如下：

步骤B1：提取已构建的社交网络信息传播网络G(V,E)中各传播节点V的唯一识别信息为该信息的传播节点属性F_vec；

步骤B2：提取已构建的社交网络信息传播网络G(V,E)的网络拓扑结构，提取该网络传播结构属性F_struc，包括且不仅限于：

(1)传播网络G(V,E)初始转发层级数量比r_2/1，即式(1)，即第2层传播网络节点数量n_V(2)与第1层传播网络节点数量n_V(1)之比；

(2)传播网络G(V,E)节点特征距离a，即用于拟合传播网络中所有节点对之间的距离分布，具体拟合方程如式(2)，其中y为分布概率，x为节点对的间隔距离；

(3)传播网络G(V,E)同质性指标h，即传播网络G(V,E)同质性与同规模的星型网络同质性的对数值之差，计算方法如式(3)，其中传播网络的同质性计算方法如式(4)；

h＝log(H_star)-log(H_G) (3)

式中N为网络节点总数，k为节点度 (4)

步骤B3：根据历史事实汇总与权威机构认证，设定历史社交网络信息Event_history的可信度评价指标其中所取值0表示历史社交网络信息完全不可信，所取值1表示历史社交网络信息完全可信，设定历史社交网络信息Event_history的传播节点可信度评价指标Credibility_vec(Event_history)、传播拓扑可信度评价指标Credibility_struc(Event_history)与综合可信度评价指标相同；

步骤B4：对已收集的Num个历史社交网络信息Event_history，将历史信息传播节点属性F_vec(Event_history)、历史信息传播网络结构属性F_struc(Event_history)、历史信息可信度指标Credibility(Event_history)加入历史社交网络信息传播属性数据库DS(Event_history)；

在步骤C中所述的“计算目标社交网络与历史社交网络的传播属性相似性，以此来评估目标社交网络的信息可信度”，其具体做法如下：计算目标社交网络信息Event_obj与历史社交网络信息Event_history的传播节点相似性Sim_vec并得到目标社交网络信息Event_obj的传播节点可信度Credibility_vec(Event_obj)，随后计算目标社交网络信息Event_obj与

历史社交网络信息Event_history的传播结构相似性分位，进而得到传播结构可信度Credibility_struc(Event_obj)，分配各传播属性可信度计算权重，计算目标社交网络信息可信度；具体步骤如下：

步骤C1：采用集合相似度计算方法如Jaccard相似度方法即式(5)，分别计算目标社交网络信息Event_obj与历史信息传播属性数据库DS(Event_history)中所有历史信息Event_history的传播节点属性相似性Sim_vec(Event_obj,Event_history)，随后选取计算结果中最大的传播用户属性相似性值Sim_{vec_max}及其所对应的历史信息Event_{vec_max}，记录对应的历史信息的可信度Credibility_vec(Event_{vec_max})，则目标社交网络信息Event_obj的传播节点可信度Credibility_vec(Event_obj)＝Sim_{vec_max}×Credibility_vec(Event_{vec_max})；

式中：F_vec(Event_obj)表示目标信息传播节点属性，F_vec(Event_history)表示历史信息传播节点属性；

步骤C2：对历史信息传播属性数据库DS(Event_history)中各历史信息Event_history，基于传播结构属性F_struc中M个子属性的大小，分别按照相同的排序方式进行排序，排序后得到M个历史信息序列：

步骤C3：对C2所得的第i个重排历史信息序列，等数量将历史信息划分为K个区间，则每个区间内有个历史信息，随后比较与历史信息传播属性数据库DS(Event_history)中历史信息Event_history的对应第i传播结构子属性值，找到最相似的历史信息Event_history并将其所属区间序号k_{struc_i}作为目标社交网络信息Event_obj传播结构子属性的相似性分位，对i＝1,2,...,M个传播结构属性子属性重复此步骤，得到目标社交网络信息Event_obj各传播结构子属性的相似性分位；

步骤C4：根据式(6)计算目标社交网络信息Event_obj与历史社交网络信息Event_history的传播结构子属性可信度Credibility_{struc_i}，其中i为M个传播结构子属性中的第i个，分别为目标社交网络信息Event_obj所属的此传播结构子属性的分位k_i中，可信度为0、1的历史信息Event_history个数；

步骤C5：对传播节点可信度Credibility_vec、M个传播结构子属性可信度Credibility_{struc_i},i＝1,...,M分配计算权重w_vec,w_{struc_1},...,w_{struc_M}，其中所有权重之和等于1，分配方法可采取平均分配法、层次分析法和模糊评估法，根据权重的重要性进行分配；

步骤C6：利用式(7)计算得到目标社交网络信息的可信度，依据结果对目标社交网络信息的可信度进行评估，计算结果数值越接近0则其可信度越弱，反之越接近1则其可信度越强；