基于BA无标度网络模型，融合微博用户网络的特征，构造一种微博谣言传播网络模型。提出一种新的SIR（susceptible-infected-removed）模型，通过数值仿真探讨微博谣言的传播动力学行为。研究表明，当微博用户规模以及节点间新建连接数量不断增大时，微博谣言的最终感染程度显著增大，网络的传播临界值却大幅降低。研究还发现，拥有较大吸引度的节点比例以及微博用户之间添加反向关注的概率基本不影响谣言的传播特性。

绍研究所使用的微博数据集的结构和规模。然后介绍了本文进行早期谣言检测的实现原理。接着对本文所实现的谣言检测模型性能的评估方法进行了说明。最后对实验结果进行了分析，并提出了本文实验中存在的一些不足以及未来模型改进的方法。详细设计见md文件。

论文研究-基于复杂网络的谣言传播模型.pdf,  分析了谣言传播的心理学机制和敌我双方的对抗策略, 引入谣言属性变量并藉此建立了平均场下的谣言传播新模型. 借助严格一阶随机占优和严格二阶随机占优的概念分别讨论了谣言属性、敌我双方干预强度、网络结构特征和谣言传播效果之间的关系,提出并证明了具有重要管理意义的4个命题. 通过仿真实验进一步验证了命题的正确性.

摘要：结合结构支撑理论，探究节点网络结构支持力的一些性质，提出了社交网络结构中的全网支持力和被支持力的总量一致性，并进一步提出计算节点支持力的方法。谣言作为特殊

到目前为止，在某些标准的谣言传播模型中，从无知者到传播者的过渡概率始终被视为常数。 但是，从实际的角度来看，个体是否被邻居传播者感染的情况在很大程度上取决于他们之间关系的信任度。 为了解决这个问题，我们引入了谣言扩散的随机流行病模型，其中将传染概率定义为联系强度的函数。 此外，我们在指数为gamma = 2.2的情况下，在真实的无标度社交网站上对模型的行为进行了数值研究。 我们证实，关系的强度在谣言传播过程中起着至关重要的作用。 特别是，优先选择弱势关系并不能使谣言传播得更快，更广，但是消除它们后，传播效率将受到很大影响。 另一个重要发现是，扩展器的最大数量max（S）对免疫概率mu和衰变概率nu非常敏感。 我们表明，较小的mu或nu会导致谣言的散布，并且它们之间的关系可以描述为函数ln（max（S））= Av + B，其中截距B和斜率A可以拟合完美地作为亩的幂律功能。 我们的发现可能会提供一些有用的见解，有助于在实践中指导应用程序并减少谣言带来的损害。

《禁止散播网络谣言》班会总结.pdf

社会网络信息的可信度问题近年来受到了相当大的关注。谣言的散播可能造成社会恐慌,引发信任危机。在国内,新浪微博用户量的快速增长,使其成为了谣言传播的温床。及时清理在新浪微博中传播的谣言,对于社会的和谐发展有着现实的意义。该文以新浪微博为背景,将谣言检测任务作为分类问题,首次提出将微博评论的情感倾向作为谣言检测分类器的一项特征。实验结果表明,引入评论的评论情感倾向特征后,使得谣言检测的分类结果得到了可观的提升。

在社交媒体谣言检测问题上, 现有的基于特征表示学习的研究工作大多数先把微博事件划分为若干个时间段, 再对每个时间段提取文本向量表示、全局用户特征等, 忽略了时间段内各微博间的时序信息, 且未利用到在传统机器学习方法中已取得较好效果的文本潜在信息和局部用户信息, 导致性能较低. 因此, 本文提出了一种基于分层注意力网络的社交媒体谣言检测方法. 该方法首先将微博事件按照时间段进行分割, 并输入带有注意力机制的双向 GRU 网络, 获取时间段内微博序列的隐层表示, 以刻画时间段内微博间的时序信息; 然后将每个时间段内的微博视为一个整体, 提取文本潜在特征和局部用户特征, 并与微博序列的隐层表示相连接, 以融入文本潜在信息和局部用户信息;最后通过带有注意力机制的双向 GRU 网络, 得到时间段序列的隐层表示,进而对微博事件进行分类. 实验采用了新浪微博数据集和Twitter数据集,实验结果表明,与目前最好的基准方法相比,该方法在新浪微博数据集和 Twitter 数据集上正确率分别提高了1.5% 和1.4%,很好地验证了该方法在社交媒体谣言检测问题有效性.

在这项研究中，我们提出了一种确定性数学模型，试图使用流行病学模型方法来解释谣言的传播。 人口分为四类，包括无知的个人I（t），通过媒体针对社区的传播者M（t），通过口头交流针对社区的传播者G（t）和stiflers R（t）。 我们探索了平衡的存在并分析了其稳定性。 如果R0 <1> 1导致新的谣言在人群中传播，则不稳定。 在系统上进行了动力学模型的数值模拟，以确认分析结果。 我们看到，谣言传播的动态表现出与传染病动态相似的行为，只是传播取决于传播者的类别。

一、爬取数据 话不多说了，直接上代码（ copy即可用 ） import requests import pandas as pd class SpiderRumor(object): def __init__(self): self.url = https://vp.fact.qq.com/loadmore?artnum=0&page=%s self.header = { User-Agent: Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X) AppleWebKit/604.1.38 (KHTML, like