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

ماهیت فراگیر پلتفرم‌های شبکه‌های اجتماعی منجر به تولید حجم زیادی از داده‌ها شده است. عدم وجود محدودیت برای به اشتراک گذاشتن اطلاعات در این شبکه‌ها باعث گسترش اطلاعات بدون توجه به اعتبار آنها می‌شود. چنین اطلاعات غلطی معمولاً منجر به تولید و انتشار شایعات می‌گردد. بنابراین، تشخیص خودکار شایعات در شبکه‌های اجتماعی یکی از حوزه‌های تحقیقاتی جذاب برای تجزیه و تحلیل این شبکه‌ها است. این مقاله روشی را برای مقابله با انتشار شایعات در شبکه‌های اجتماعی بر پایه مدل‌ شبکه عصبی خودرمزگذار و مدل انتشار اپیدمی ilsr معرفی می‌کند. در اینجا، مدل‌ شبکه عصبی خودرمزگذار با چندین آستانه ابتکاری برای تشخیص اولیه شایعه اعمال شده و سپس کنترل شایعات توسط یک نسخه توسعه یافته‌ای از مدل شیوع اپیدمی ilsr انجام می‌شود. مدل پیشنهادی با نام ilshr کاربران شبکه اجتماعی را در پنج گروه جاهل، کمین، پخش‌کننده، خواب زمستانی و سختگیر در نظر می‌گیرد. 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 می‌کند. مکانیسم‌های 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. تجزیه‌و‌تحلیل روش پیشنهادی برای مدل‌سازی انتشار شایعات روی مجموعه داده شبکه اجتماعی سینا ویبو انجام شده است. نتایج نشان دهنده عملکرد بهتر روش پیشنهادی با دقت تشخیص 95.7% نسبت به مدل‌های dgru و dlstm می‌باشد.

rumor propagation detection in complex networks based on ilsr model and nodes degree

the pervasive nature of social networking platforms has led to the production of large amounts of data. the lack of restrictions on information sharing on these networks allows information to be spread regardless of their validity. such misinformation usually leads to the production and dissemination of rumors. therefore, automatic detection of rumors on social networks is one of the attractive research areas for the analysis of these networks. this paper introduces a way to deal with the spread of rumors on social media based on the autoencoder neural network model and the ilsr epidemic dissemination model. here, the autoencoder neural network model is applied with several innovative thresholds for initial rumor detection and then rumor control is performed by an extended version of the ilsr epidemic outbreak model. the proposed model called ilshr considers social network users in five groups: ignorant, lurker, spreader, hibernator, and removal. according to the transmission modes in the ilshr rumor model, in addition to the characteristics of the lurker group, this model also considers the characteristics of the hibernator group of the sihr model. mechanisms of forgetfulness and reminders of hibernation can delay the rumor terminal time and ultimately reduce the impact of the rumor on the social network. the proposed method for modeling the spread of rumors has been performed on the sina weibo social network dataset. the results show better performance of the proposed method with 95.7% detection accuracy compared to dgru and dlstm models.