关键词：
复杂动态网络
动态图神经网络
常微分方程
超网络
信息溯源
摘要：
复杂动态网络广泛存在于现实世界中,将人们以各种各样的方式连接起来并影响着人们的生活。这种广泛的实际应用使人们越来越重视对复杂动态网络的分析与管理,通过分析和管理复杂动态网络可以使人们掌握有关网络状态、属性以及演化趋势等信息,进而有助于进行资源优化和决策制定。由于人们在复杂动态网络中会产生大量的事件,使得研究事件的演化模式成为分析和管理复杂动态网络的重要方式。社交网络作为一种典型的复杂动态网络,它使人们的交流变得更加快速和便利。但是这也加剧了谣言或恶意信息的传播,对社会产生巨大危害。准确溯源这类恶意信息并切断其传播路径对于社会稳定有着重要意义。因此,本文对复杂动态网络中的事件演化与溯源进行了深入研究,主要包括以下两个方面:
(1)基于常微分方程和超网络的复杂动态网络事件演化模型:当前面向复杂动态网络的事件演化研究主要利用图神经网络(GNN)和循环神经网络(RNN)建模网络结构以及实体表示在时间上的演化模式,然后使用这些模式推断未来事件的演化。但是这些方法没有考虑到网络结构稳定时网络中依旧存在着信息传播过程,这会对实体产生连续、非线性的影响。另外,这些方法利用单一模型处理所有事件,忽略了事件之间因背景信息和时间信息不同而产生的差异,即事件的个体特征。为了解决这些问题,本文出了基于常微分方程和超网络的事件演化模型ODEH。该模型首先利用基于图神经网络的常微分方程模拟网络结构稳定时的信息传播过程和实体特征通道之间的交互,进而建模事件对实体的连续、非线性影响。然后,采用消息传递机制建模网络结构发生变化时事件对实体的瞬时、离散影响,以补充事件的演化模式。最后,引入超网络对事件强度进行微调,以建模事件的个体特征。本文将ODEH应用于事件预测任务以实现对未来事件的预测,在多个数据集上进行对比实验和消融实验,实验结果表明ODEH的性能优于其它基线方法,证明了模型的有效性。
(2)基于标签传播和常微分方程的复杂动态网络溯源模型:针对面向复杂动态网络的溯源研究,目前常用的方法是基于信息传播的特征和标签传播思想实现在底层传播模型未知情况下的溯源。但是这些方法主要基于静态网络进行溯源研究,忽略了现实网络的动态性。此外,仅用节点的感染状态作为节点标签会导致标签信息过少,进而影响了溯源的准确性。为了解决上述不足,本文出了基于标签传播和常微分方程的溯源模型ODESI。该模型首先为网络中的节点分配初始整数标签,以表示节点的感染状态。然后,利用标签扩展算法将整数标签扩展成向量标签,使向量标签的不同维度表示节点的不同信息,丰富了标签信息。最后,利用常微分方程和消息传递机制实现向量标签在复杂动态网络中的传播并根据传播结果定位信息源的位置。本文设计了多个实验对出的溯源模型ODESI的性能进行验证,实验结果证明了模型的优越性以及其组成模块的有效性。
欢迎来到三峡大学图书馆！
