通过边推荐禁用社交网络中的外部影响

现有的社会心理学研究表明，社交网络的用户在形成自己的观点时依赖于其邻居的观点。根据DeGroot观点形成模型，一个特别重要的值是渐近共识值——即用户观点以用户特征向量中心性为权重的加权和。该值在网络中扮演着观点吸引子的角色，并且是外部影响的一个诱人目标。然而，由于对社交网络中观点分布的任何潜在恶意控制显然都是不可取的，因此设计方法来防止外部试图策略性地改变渐近共识值是重要的。在本文中，我们假设对手希望通过改变网络中某些用户的观点来最大化渐近共识值；然后，我们提出DIVER问题——一个NP-hard问题，旨在通过向网络中策略性地添加有限数量的边来禁用此类外部影响企图。基于马尔可夫链理论，我们提供了扰动分析，展示了特征向量中心性以及DIVER的目标函数如何响应网络中边的添加而变化。后者促成了DIVER的伪线性时间启发式算法的设计，其计算依赖于马尔可夫链中平均首次通过时间的有效估计。我们在实验中证实了我们的理论发现。