本文由荆军昌、张志勇、宋斌、班爱莹和高东钧共同完成，第一作者与通信作者均来自河南科技大学信息工程学院及河南省网络空间安全应用国际联合实验室。该研究发表于《智能系统学报》（CAAI Transactions on Intelligent Systems）2024年第19卷第2期。论文标题为《融合用户传播风险和节点影响力分析的虚假信息传播控制方法》，属于在线社交网络虚假信息治理领域的原创性研究，提出了一种名为ddc-uprni的传播控制方法。

从学术背景来看，在线社交网络已成为人们获取信息、表达观点的重要平台，但同时也催生了大量虚假信息和谣言的传播。虚假信息具有突发性、隐蔽性和散布性，往往比真实信息传播得更快、更远、更广，给社会带来严重负面影响。因此，如何在早期阶段有效识别并控制虚假信息的传播，成为网络安全治理中亟待解决的问题。已有研究主要从关键传播节点识别入手，通过控制少数高影响力节点来阻断信息的大规模扩散。其中贪心算法虽然能获得近似最优解，但涉及蒙特卡罗仿真，计算成本高昂，难以适用于大规模网络；元启发式算法则因其较低的时间开销而受到更多关注。本研究在此背景下，旨在通过融合用户传播风险分析与节点影响力评估，实现更加精准、高效的虚假信息传播控制。

在方法设计上，本研究包含两个主要阶段。第一阶段是用户传播风险等级划分。研究者从用户传播虚假信息的行为维度、时间维度和内容维度提取特征。行为维度包括活动关注度、活跃度、交互度和转移概率；时间维度包括平均时间间隔和时间间隔熵；内容维度包括信息类型、流行度和内容相似度。这些特征通过自注意力机制进行嵌入表示，以捕捉用户传播行为的深层模式。随后，采用改进的无监督聚类算法k-means++对用户特征向量进行自动聚类，将用户划分为不同传播风险等级。具体而言，先基于特征矩阵随机选取初始簇中心，再根据最短距离计算概率值以选择后续簇中心，最终通过标准k-means算法生成多个用户簇，并利用局部影响估计子（local influence estimation, LIE）计算每个簇的传播影响力，影响力越大的簇风险等级越高。第二阶段是基于改进离散粒子群优化算法（discrete particle swarm optimizer, DPSO）的控制驱动节点选取。传统DPSO算法中认知加速系数和社会加速系数为常数，无法根据粒子当前状态自适应调整。本研究设计了一种基于sigmoid函数的自适应加权策略，使两个加速系数能够根据粒子位置与局部最优位置（pbest）及全局最优位置（gbest）之间的Jaccard距离动态变化。同时，粒子的初始位置向量通过结合度和k-壳指标的引力模型生成，提高了初始解的多样性。适应度函数采用LIE函数，以最大化传播控制效果为目标。整个流程从用户特征提取到风险等级划分，再到基于改进DPSO的关键节点选取，最终输出控制驱动节点集合。

在实验部分，研究者基于真实在线社交网络平台晒科网（Shareteches）开展验证。该数据集包含1,460,656条社会情境（socialsitu）元数据、28,857个用户、10,449条虚假信息及大量转发、点赞和评论记录。首先，实验考察了用户聚类个数对传播控制效果的影响，发现随着聚类个数k从3增加到7，LIE值逐渐下降，表明较少的聚类数能够更有效地划分高风险用户群体，因此选择k=3作为最优聚类数。其次，在传播概率p=0.01和p=0.05条件下，将本研究提出的自适应加权DPSO算法与标准DPSO、增强的局部离散粒子群优化算法（enhanced local discrete particle swarm optimization, ELDPSO）以及增强的局部搜索离散粒子群优化算法（enhanced local search discrete particle swarm optimization, ELSDPSO）进行比较。结果显示，在p=0.01时，本研究算法相较于其他三种算法分别平均提高了10.76%、7.83%和4.05%；在p=0.05时，分别平均提高了8.91%、5.01%和2.45%，说明自适应加权策略有效提升了算法的全局搜索能力和收敛精度。此外，与贪心算法celf++、中介中心度（betweenness centrality, BC）、紧密中心度（closeness centrality, CC）、PageRank（PR）以及模拟退火期望传播值（simulated annealing expected diffusion value, SAEDV）等基线方法相比，本研究算法在控制效果上优于基于中心度的启发式算法和贪心算法，尤其在高传播概率条件下优势更加明显。在时间复杂度方面，本研究算法的运行时间低于celf++和SAEDV，虽然高于BC、CC等纯拓扑类中心度算法，但考虑到其控制效果的显著提升，整体上实现了控制性能与计算开销之间的良好平衡。

研究结论表明，ddc-uprni方法能够准确识别社交网络中具有高传播风险的关键用户节点，并通过自适应加权DPSO从高风险节点集合中筛选出最优控制驱动节点。社交平台管理者可以针对这些节点及时采取“禁言”“封号”等措施，从而以较低成本阻断虚假信息的大规模传播。该研究不仅在理论上丰富了虚假信息传播控制的方法体系，也为实际网络空间安全治理提供了重要参考。其核心创新点包括：基于自注意力机制的多维度用户传播风险嵌入表示，基于改进k-means++的自动风险等级划分，以及基于sigmoid自适应加权的离散粒子群优化算法在离散空间中的有效应用。这些工作为后续跨平台虚假信息传播控制研究奠定了基础。