Применение нейро-сетевой фильтрации для оптимизации алгоритмов выявления наиболее влиятельных узлов в социальных сетях

Рабчевский Андрей Николаевич

ООО «СЕУСЛАБ»

 

В связи с современными успехами телекоммуникационных технологий все большую актуальность приобретает проблема контроля распространения в социальных сетях деструктивной информации и вовлечения пользователей в социально опасные явления и процессы. Актуальной задачей является создание интеллектуальной системы, позволяющей выявлять пользователей, обладающих наибольшим влиянием на социальную сеть. Как правило, уровень влияния пользователей на сеть определятся на основе метрик центральности графов социальных связей пользователей в сети. Создание такой системы наталкивается на трудности, связанные с большими вычислительными ресурсами, необходимыми для выполнения расчетов, обусловленные глобальными размерами социальных сетей. Для решения этой проблемы автором применяется оригинальный способ, суть которого состоит в том, чтобы строить граф не для всех пользователей социальной сети, а только для тех пользователей, которые имеют активные роли по распространению контента. Выявление таких пользователей выполняется с помощью нейронной сети. В результате такой нейро-сетевой фильтрации из общего множества пользователей, для которых необходимо строить граф, обычно остается около 1,5-2%, так как большая часть пользователей являются пассивными участниками социальных явлений и не представляют интереса для исследований. Такой подход резко снижает требования к необходимым вычислительным ресурсам. Кроме того, вычисление метрик центральности выполняется не для общего графа, а для каждого отдельного пользователя с активной ролью, тем самым обеспечивая возможность параллельных вычислений, что также существенно повышает производительность при выполнении расчетов. Сведения об уровне влияния пользователей, полученные с помощью данного метода, комбинируются с информацией о ролях пользователей, что в сумме с графом социальных связей наиболее влиятельных пользователей позволяет получать представление об организационной структуре воздействия на пользователей социальных сетей и дает информацию для принятия решения о методах противодействия.

 

Литература

 

[1]        Д. А. Ишков, Е. Р. Нежельский, and М. Н. Степанов, “Автоматизация поиска распространителей деструктивного контента в социальных сетях,” Информация и безопасность, vol. 22, no. 2, pp. 256–259, 2019.

[2]        С. А. Модестов, Д. А. Никитин, and Е. А. Рабчевский, “Социальные сети как театр информационного противоборства в условиях современной ‘гибридной’ войны,” Вестник Академии военных наук, vol. 3, pp. 20–25, 2019.

[3]        A. N. Arularasan, A. Suresh, and K. Seerangan, “Identification and classification of best spreader in the domain of interest over the social networks,” Cluster Computing, vol. 22, no. S2, Mar. 2019, doi: 10.1007/s10586-018-2616-y.

[4]        P. H. B. Ruas et al., “Identification and characterisation of Facebook user profiles considering interaction aspects,” Behaviour & Information Technology, vol. 38, no. 8, Aug. 2019, doi: 10.1080/0144929X.2019.1566498.

[5]        Z. Ghalmane, M. El Hassouni, C. Cherifi, and H. Cherifi, “Centrality in modular networks,” EPJ Data Science, vol. 8, no. 1, Dec. 2019, doi: 10.1140/epjds/s13688-019-0195-7.

[6]        Е. А. Рабчевский, А. Н. Рабчевский, В. С. Заякин, and Л. Н. Ясницкий, “ЭКСПЕРТНЫЙ СПОСОБ ФОРМИРОВАНИЯ ОБУЧАЮЩИХ ВЫБОРОК НА ПРИМЕРЕ СОЗДАНИЯ НЕЙРОСЕТЕВОЙ СИСТЕМЫ КЛАССИФИКАЦИИ ПОЛЬЗОВАТЕЛЕЙ СОЦИАЛЬНЫХ СЕТЕЙ,” НЕЙРОКОМПЬЮТЕРЫ: РАЗРАБОТКА, ПРИМЕНЕНИЕ, vol. 22, no. 5, pp. 54–63, 2020.

[7]        P. Wijenayake, D. de Silva, D. Alahakoon, and S. Kirigeeganage, “Automated Detection of Social Roles in Online Communities using Deep Learning,” Jan. 2020, doi: 10.1145/3378936.3378973.

[8]        M. R. Jabłońska and R. Zajdel, “Artificial neural networks for predicting social comparison effects among female Instagram users,” PLOS ONE, vol. 15, no. 2, Feb. 2020, doi: 10.1371/journal.pone.0229354.

[9]        Л. Н. Ясницкий, Интеллектуальные системы: учебник. Москва: М.: Лаборатория знаний, 2016.

[10]       L. C. Freeman, “Centrality in social networks conceptual clarification,” Social Networks, vol. 1, no. 3, Jan. 1978, doi: 10.1016/0378-8733(78)90021-7.

[11]       С. Осовский, “Нейронные сети для обработки информации / Пер. с польского. –,” М.: Финансы и статистика, 2002.

 

*.  Нейросимулятор 5.0: Свидетельство Роспатент о государственной регистрации программы для ЭВМ № 2014618208 от 12.07.2014 г. / Черепанов Ф.М., Ясницкий Л.Н. (РФ).