加权短信网络上的谣言传播行为研究

基于实际短信网络的统计特征,提出了一种短信网络的加权演化模型,并在此模型上研究了谣言传播行为.考虑到边权是认可概率的关键影响因子,故改进了现有的谣言传播模型;通过改变边权弥散程度和网络结构参数,重点研究和分析了边权分布及聚类系数对谣言短信传播行为的影响.仿真实验表明:边权弥散程度越高,对谣言传播的抑制效果越好;聚类系数越高,谣言反而容易扩散蔓延.     

基于生成对抗网络的异质信息网络表征学习

鉴于传统的异质信息网络通常存在的高维稀疏性缺点,首先提出将异质信息网络的高维顶点嵌入低维向量空间的无监督学习模型——基于生成对抗网络的异质网络表征学习（heterogeneous network representation learning based on generative adversarialnetwork,HNRL-GAN）模型;然后分析HNRL-GAN模型中的不足之处,进一步提出改进后的基于生成对抗网络的增强版异质网络表征学习（heterogeneous network representationlearning based on generative adversarial network plus plus,HNRL-GAN++）模型;最后分别在DBLP、Yelp、Aminer等数据集中使用HNRL-GAN模型和HNRL-GAN++模型进行节点分类和节点聚类等实验以测试模型的有效性。实验结果表明：1）HNRL-GAN模型和HNRL-GAN++模型都实现了将异质信息网络中的高维稀疏节点表示为低维稠密向量这一目标;2）相较于HNRL-GAN模型,HNRL-GAN++模型在保留高维空间中网络结构信息和语义信息等方面拥有更好的性能。