تشخيص انتشار شايعه در شبكه هاي پيچيده بر اساس مدل ILSR و درجه گره ها

Rumor Propagation Detection in Complex Networks Based on ILSR Model and Nodes Degree

ماهيت فراگير پلتفرم‌هاي شبكه‌هاي اجتماعي منجر به توليد حجم زيادي از داده‌ها شده است. عدم وجود محدوديت براي به اشتراك گذاشتن اطلاعات در اين شبكه‌ها باعث گسترش اطلاعات بدون توجه به اعتبار آنها مي‌شود. چنين اطلاعات غلطي معمولاً منجر به توليد و انتشار شايعات مي‌گردد. بنابراين، تشخيص خودكار شايعات در شبكه‌هاي اجتماعي يكي از حوزه‌هاي تحقيقاتي جذاب براي تجزيه و تحليل اين شبكه‌ها است. اين مقاله روشي را براي مقابله با انتشار شايعات در شبكه‌هاي اجتماعي بر پايه مدل‌ شبكه عصبي خودرمزگذار و مدل انتشار اپيدمي ILSR معرفي مي‌كند. در اينجا، مدل‌ شبكه عصبي خودرمزگذار با چندين آستانه ابتكاري براي تشخيص اوليه شايعه اعمال شده و سپس كنترل شايعات توسط يك نسخه توسعه يافته‌اي از مدل شيوع اپيدمي ILSR انجام مي‌شود. مدل پيشنهادي با نام ILSHR كاربران شبكه اجتماعي را در پنج گروه جاهل، كمين، پخش‌كننده، خواب زمستاني و سختگير در نظر مي‌گيرد. با توجه به حالات انتقال در مدل انتشار شايعه ILSHR، اين مدل علاوه بر خصوصيات مربوط به گروه افراد كمين، خصوصيات گروه افراد خواب زمستاني را نيز از مدل SIHR لحاظ مي‌كند. مكانيسم‌هاي فراموشي و يادآوري از خواب زمستاني ميتواند زمان ترمينال شايعه را به تعويق انداخته و در نهايت باعث كاهش تأثير شايعه در شبكه اجتماعي شود. تجزيه‌و‌تحليل روش پيشنهادي براي مدل‌سازي انتشار شايعات روي مجموعه داده شبكه اجتماعي سينا ويبو انجام شده است. نتايج نشان دهنده عملكرد بهتر روش پيشنهادي با دقت تشخيص 95.7% نسبت به مدل‌هاي DGRU و DLSTM مي‌باشد.

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.