在线社交网络中的攻击性扩散建模与最小化

在线社交网络中的攻击性多从机器学习的视角研究，即在静态语境下检测此类行为。然而，攻击性在网络中扩散的方式甚少受到关注，因其蕴含建模挑战。事实上，建模攻击性如何从一个用户传播至另一用户是一项重要研究课题，因其可实现有效的攻击性监测，尤其在迄今采用简单用户屏蔽技术的媒体平台上。本文针对 Twitter 研究攻击性传播建模与最小化，因其是攻击性多次爆发的流行微博平台。我们提出基于两种知名扩散模型——独立级联（IC）与线性阈值（LT）——的多种方法，以研究社交网络中的攻击性演化。我们利用真实 Twitter 数据，在改变种子用户选择、图边权重、用户激活时机等参数下，实验考察各方法对攻击性传播的建模效果。研究发现表现最优的策略为：以基于度的方式选择种子用户、依据社交圈重叠度对用户边赋权、并按用户攻击性水平激活用户。我们进一步采用表现最优的模型预测哪些普通真实用户未来可能变得具攻击性（反之亦然），在该预测任务中取得最高 AUC=0.89。最后，我们通过发起竞争性级联以“告知”并“治愈”攻击者，研究攻击性最小化。我们表明 IC 与 LT 模型可用于攻击性最小化，为当前流行在线社交网络平台采用的屏蔽技术提供了侵入性更小的替代方案。