计算机科学>社会和信息网络
标题: Friedkin-Johnsen模型中信息有限的对手
摘要: 近年来,在线社交网络一直是那些试图将不和引入社会、破坏民主和破坏社区稳定的对手的目标。 通常,目标不是支持冲突的某一方,而是增加分歧和两极分化。 为了从数学上理解此类攻击,研究人员使用了社会学中的观点形成模型,如Friedkin--Johnsen模型,并正式研究了当仅为少数用户改变观点时,对手会产生多少分歧。 在这方面的工作中,通常假设对手完全了解网络拓扑结构和所有用户的意见。 然而,后一种假设在实践中往往是不切实际的,因为用户的意见不可用或很难准确估计。 为了解决这个问题,我们提出了以下问题:即使只知道网络拓扑结构,攻击者也能在社交网络中制造不和谐吗? 我们肯定地回答了这个问题。 我们提出了一种近似算法,用于检测对网络中的分歧和极化有很大影响的少量用户。我们表明,当对手激化这些用户时,如果网络中的初始分歧/极化不是很高, 然后,当用户意见已知时,我们的方法给出了设置的常数近似值。 为了找到有影响力的用户集,我们为具有正负边权重的图中的MaxCut变量提供了一种新的近似算法。 我们通过实验评估了我们的方法,这些方法只能访问网络拓扑,我们发现它们与访问网络拓扑和所有用户意见的方法具有相似的性能。 我们进一步提出了NP硬度证明,这是Chen和Racz提出的一个悬而未决的问题[IEEE Trans.Netw.Sci.Eng.,2021]。