迅速制止谣言：社交网络中基于深度强化学习的多目标阻塞方法

《IEEE Transactions on Artificial Intelligence》：Stop Rumors Fast: A Multiobjective Blocking Approach With Deep Reinforcement Learning in Social Networks

谣言传播的实时阻断机制研究，提出多目标优化模型，同步最小化谣言影响范围和传播时长，构建连续时间竞争级联模型CTCC，设计强化学习与图卷积网络结合的RLGC方法进行种籽节点优化，实验验证其有效性。

　　

影响声明：

我们提出了一个多目标谣言阻断优化问题。该问题同时考虑了减少谣言传播的影响和传播时间……显示更多

摘要：

社交网络中的谣言阻断方法旨在识别一小部分反谣言种子节点，以快速阻止谣言的传播。现有解决方案主要关注于减少谣言传播的影响（即受影响的节点数量），而将传播时间视为约束条件而非优化目标，尽管在现实世界场景中传播时间具有关键重要性。基于此，我们首先详细阐述了一个多目标谣言阻断优化问题，该问题旨在同时减少谣言传播的影响和传播时间，即在尽可能短的时间内阻止谣言传播。然后，我们进一步提出了一个连续时间竞争级联（CTCC）模型，该模型借鉴了独立级联模型的思想，引入了传播时间的概念以及节点之间的竞争，并将不同节点的影响过程描述为一个连续过程。此外，为了解决多目标谣言阻断问题，我们设计了一种结合图卷积网络（RLGC）的强化学习方法，以有效选择反谣言种子节点。在三个真实数据集上的广泛实验结果表明，RLGC在两个目标（即谣言影响强度和传播时间）方面始终优于代表性的最先进基线方法。

引言

社交网络在现代人际关系中变得越来越重要，因为它允许用户通过互联网交换信息，并在社会各个层面共享信息[1]、[2]、[3]。此外，目前互联网用户数量已达到50亿，占世界总人口的62.5%，其中46.5亿人使用社交网络[4]。然而，社交网络的使用也是一把双刃剑。随着社交网络技术的普及，谣言传播已成为一个日益严重的问题[1]、[5]、[6]、[7]，这可能会影响公众舆论，引发恐慌，从而对社会稳定产生负面影响[8]。例如，COVID-19疫情的爆发引起了公众的广泛担忧，并深刻影响了公众舆论；然而，由此产生的谣言（如虚假新闻）不仅会损害人们的心理健康，还可能干扰COVID-19的控制、预防和治疗[9]、[10]、[11]。在这种情况下，谣言阻断（旨在阻止谣言传播）近年来受到了广泛关注。