【《融入客观赋权法的谣言源检测算法分析》4800字（论文）】

融入客观赋权法的谣言源检测算法分析目录TOC\o"1-3"\h\u28376融入客观赋权法的谣言源检测算法分析 [60]1.4.3实验数据分析在算法实现过程中，将恢复概率设置的尽可能小，而传播时间尽可能的长，以便得到更多的感染节点进行分析。同样，为了更好的了解算法实施过程中源点预测情况，将karate数据传播预测进行了可视化分析。如图3-4所示，karate数据集本次选取源点为节点2，预测节点为1。由图中可以看出，预测源和真实源点为邻居关系，误差距离为1跳，预测效果已经非常接近源点。源点预测策略如本文中所述，优先选择节点度较大的节点。其中，karate网络中节点1表示俱乐部教员，34节点表示俱乐部主席，都与其他组员具有成对链接关系，也都具有较高的节点度。图3-4源点预测图误差距离是评价检测算法准确性的一项重要指标，在判断谣言源识别算法的可行性方面被广泛使用，其中误差距离越小表示算法的性能越高。在四种不同规模的真实网络进行了仿真实验，误差距离直方图如下所示：图3-5：Karate误差距离图图3-6：Football误差距离图图3-7：Facebook误差距离图图3-8：Wiki误差距离图Karate网络主要由34名成员关系而组成，此网络主要包括34个网络节点和78条边，常用于社交网络分析研究。根据图3所示，本文所提出的融入客观权值的谣言源检测算法（BEW）的准确率接近20%，高于紧密中心性（CC）算法和随机赋权算法（Random-W），且在BEW算法中近90%的估计器和源点误差的距离保持在两跳之内。图3-6表示的是足球比赛网络，该网络是由115个节点和613条边所组成，从图中可以看出，虽然BEW算法在两跳之内的占比不是特别高，但是相对于CC算法和Random-W算法，BEW算法的准确率较高，达到14%左右，而另外两种算法中准确率较高的Random-W也只有近8%。且BEW算法中，节点误差距离保持在1跳内的占比高于随机赋权算法Random-W和CC算法。图3-7表示的是Facebook友谊网络，该网络相比较前两种网络，其网络规模更大，结构也相对复杂。从图5中可以看出，融入客观权值的谣言源检测算法（BEW）的准确率近30%，而其他两种算法中准确率较高的随机赋权算法（Random-W）还未达到20%，且本文所提出的BEW算法误差距离保持在两跳之内的概率占到96%，其他两种算法误差在两跳之内的占比也是低于本文算法的。图3-8表示的是维基百科投票网络，由7115个节点和103689条边所组成。从图中可以看出BEW算法在准确率方法同样高于CC和Random-W算法，且BEW算法在误差距离为1跳内的占比高于另外两种算法。图3-9不同网络拓扑之间的平均误差距离图3-9表示的是三种算法在不同网络拓扑中的平均误差表现。为了可以更好的表示算法的可行性，我们将不同网络的平均误差进行了分析。从图中可以看出，融入客观赋值算法的BEW在四个网络的表现中都优于CC算法和Random-W算法，空手道网络和Facebook网络产生的平均误差距离保持在1.4左右，足球网络和投票网络所产生的平均误差也是低于其他两种算法。综上，通过仿真实验可以看出，融入客观赋权算法模型在谣言源检测的准确率方面高于其他两种算法，且误差距离多