تشخیص انتشار شایعه در شبکه های پیچیده بر اساس مدل ILSR و درجه گره ها

ماهیت فراگیر پلتفرم های شبکه های اجتماعی منجر به تولید حجم زیادی از داده ها شده است. عدم وجود محدودیت برای به اشتراک گذاشتن اطلاعات در این شبکه ها باعث گسترش اطلاعات بدون توجه به اعتبار آنها می شود. چنین اطلاعات غلطی معمولا منجر به تولید و انتشار شایعات می گردد. بنابراین، تشخیص خودکار شایعات در شبکه های اجتماعی یکی از حوزه های تحقیقاتی جذاب برای تجزیه و تحلیل این شبکه ها است. این مقاله روشی را برای مقابله با انتشار شایعات در شبکه های اجتماعی بر پایه مدل شبکه عصبی خودرمزگذار و مدل انتشار اپیدمی ILSR معرفی می کند. در اینجا، مدل شبکه عصبی خودرمزگذار با چندین آستانه ابتکاری برای تشخیص اولیه شایعه اعمال شده و سپس کنترل شایعات توسط یک نسخه توسعه یافته ای از مدل شیوع اپیدمی ILSR انجام می شود. مدل پیشنهادی با نام ILSHR کاربران شبکه اجتماعی را در پنج گروه جاهل، کمین، پخش کننده، خواب زمستانی و سختگیر در نظر می گیرد. با توجه به حالات انتقال در مدل انتشار شایعه ILSHR، این مدل علاوه بر خصوصیات مربوط به گروه افراد کمین، خصوصیات گروه افراد خواب زمستانی را نیز از مدل SIHR لحاظ می کند. مکانیسم های فراموشی و یادآوری از خواب زمستانی میتواند زمان ترمینال شایعه را به تعویق انداخته و در نهایت باعث کاهش تاثیر شایعه در شبکه اجتماعی شود. تجزیه و تحلیل روش پیشنهادی برای مدل سازی انتشار شایعات روی مجموعه داده شبکه اجتماعی سینا ویبو انجام شده است. نتایج نشان دهنده عملکرد بهتر روش پیشنهادی با دقت تشخیص ۹۵.۷% نسبت به مدل های DGRU و DLSTM می باشد.

کلیدواژه ها:

انتشار شایعه ، شبکه های اجتماعی ، شبکه های پیچیده ، مدل ILSR ، درجه گره ها