مقاله انگلیسی شناسایی منبع شایعه در شبکه های اجتماعی با توپولوژی متغیر با زمان (2018 IEEE)

طنزهایی که در شبکههای اجتماعی گسترش یافتهاند، مدتها تهدیدی برای جامعه ماست. حادثه اخیر شایعات “اوباما در دو انفجار کاخ سفید مجروح شد” و چند ساعت پس از آن به 10 میلیارد دلار رسید. این نشان می دهد که یک شایعه تنها می تواند موجب آسیب جدی به کسب و کار و زندگی شود [1]. امروزه، با توسعه دستگاه های تلفن همراه و تکنیک های بی سیم، ماهیت زمانی شبکه های اجتماعی (شبكه های اجتماعی متنوع زمان) تأثیر عمیقی بر روند فرآیند گسترش اطلاعات پویا در بالای آنها دارد [2]. دسترسی همهجانبه و دسترسی آسان شبکه های اجتماعی نه تنها به افزایش بهره وری اطلاعات کمک می کند، بلکه سرعت بخشیدن به شایعه را سرعت می بخشد [3]. شایعات ویژگی های طرح گسترش “صدای دهان” را با ارتباطات پویا بین افراد در شبکه های اجتماعی مختلف متفاوت ترکیب می کند [4]. برای اهداف قانونی یا دفاعی، همیشه یک کار مهم برای شناسایی منبع شایعات در شبکه های مختلف اجتماعی بوده است [5]. با این حال، تکنیک های موجود به طور کلی نیاز به برقراری ارتباط قوی بین افراد (به عنوان مثال، شبکه های استاتیک) به طوری که مدیران می توانند در طول ارتباطات مشخص شده به دنبال منابع رسیدن. به عنوان مثال، بسیاری از متدها به شناسایی درختان درخت در شبکه ها کمک می کنند [6] – [8]، سپس ریشه های درختان درخت پوشا به عنوان منابع شایعه در نظر گرفته می شوند. ارتباطات شرکت بین کاربران، این فرضیه است که در این روش، درختان درختی قرار می گیرند. بعضی از روش های دیگر می توانند منابع شایعه را با اندازه گیری گره های گره مشخص کنند. [9] [10]. فردی که ارزش حداکثر تمرکز دارد به عنوان منبع شایعه در نظر گرفته می شود. همه این اقدامات مرکزی بر پایه شبکه های استاتیک است. شبکه های اجتماعی متنوع زمانی که کاربران و تعاملات در طول زمان تکامل می یابند، به چالش های بزرگی برای تکنیک های شناسایی منبع شایعه سنتی منجر شده است.

توجه؛ (این ترجمه توسط نرم افزار انجام شده و ویرایش نشده است و احتمال وجود اشتباه در آن وجود دارد. در صورت ثبت سفارش، ترجمه توسط مترجمین مجرب انجام خواهد شد. برای مشاهده نمونه ترجمه های تخصصی و اخیر مترجمین جهت اطمینان از کیفیت ترجمه، اینجا کلیک نمایید.)

1.Introduction

RUMORS spreading in social networks have long been a critical threat to our society. A recent incident of rumors “Obama was injured in two explosions of White House” led to 10 billion USD losses in a few hours. This demonstrates that a single rumor can cause great damage to business and life [1]. Nowadays, with the development of mobile devices and wireless techniques, the temporal nature of social networks (time-varying social networks) has a deep influence on dynamical information spreading processes occurring on top of them [2]. The ubiquity and easy access of social networks not only promote the efficiency of information sharing but also dramatically accelerate the speed of rumor spreading [3]. Rumors combine the characteristics of the “word-of-mouth” spreading scheme with the dynamic connections between individuals in time-varying social networks [4]. For either forensic or defensive purposes, it has always been a significant work to identify the source of rumors in time-varying social networks [5]. However, the existing techniques generally require firm connections between individuals (i.e., static networks) so that administrators can trace back along the determined connections to reach the spreading sources. For example, many methods rely on identifying spanning trees in networks [6]–[۸], then the roots of the spanning trees are regarded as the rumor sources. The firm connections between users are the premise of constructing spanning trees in these methods. Some other methods detect rumor sources by measuring node centralities [9], [10]. The individual who has the maximum centrality value is considered as the rumor source. All of these centrality measures are based on static networks. Time-varying social networks, where users and interactions evolve over time, have led to great challenges to the traditional rumor source identification techniques.