159 / 2025-06-30 23:09:14

基于图嵌入与强化学习的网络传播阻断研究

社交网络,传播阻断,图嵌入,强化学习,动态决策

二、复杂系统与智能管理 > 5.复杂系统智能调控与优化

随着互联网和社交网络的快速发展，网络谣言和虚假信息的传播速度与影响力显著增强，对社会稳定和公众认知构成了严峻挑战。传统的传播阻断方法依赖于静态网络分析，难以适应动态变化的网络结构和传播过程，存在计算复杂度高、泛化能力不足等问题。因此，探索高效的网络传播阻断策略成为当前研究的迫切需求。

本文针对社交网络中恶意传播的阻断问题，结合图嵌入与深度强化学习技术，提出了一种动态感知的阻断决策机制。围绕网络传播阻断研究中存在的关键问题，特别是传统方法的静态局限性和计算效率不足，按照“网络传播建模—阻断模型构建—阻断模型求解”的逻辑思路展开研究，主要内容和创新点如下：  

（1）构建了基于图嵌入与强化学习的网络传播阻断研究框架  

本文在分析图嵌入与强化学习相关概念的基础上，提出了涵盖网络传播建模、阻断模型构建与求解的完整研究框架。该框架通过图嵌入技术提取网络结构特征，结合深度强化学习的序列决策能力，实现了对传播过程的动态响应与精准干预，为后续研究内容提供了系统性指导。  

（2）提出了基于复杂网络的传播模型及阻断效果评估方法  

本文将社交网络建模为BA无标度网络，采用SI传染病模型模拟谣言传播过程，并设计了包括最终感染率、阻断率和阻断效率在内的多维度评估指标体系。通过示例分析验证了评估方法的可行性，为阻断策略的优化提供了量化依据。

（3）提出了基于图嵌入与强化学习的网络传播阻断模型  

本文针对传统阻断策略的局限性，提出了一种结合图卷积网络（GCN）与深度Q网络（DQN）的GCN-DQN阻断模型。通过提取节点特征和网络拓扑信息，生成低维嵌入向量作为DQN的输入，利用强化学习的动态决策能力优化阻断策略。模型引入经验回放和目标网络机制，提升了训练的稳定性和收敛效率，实现了在资源约束条件下的最优阻断效果。  



（4）开展了实验验证与对比分析  

本文以50节点的社交网络为例，验证了所提方法的可行性、优越性与有效性。实验结果表明，GCN-DQN模型在阻断效果和计算效率方面显著优于随机阻断策略，此外，通过与基于介数中心性的经验策略对比，模型能够更精准地识别关键节点，优化阻断效果，最后，通过改变网络异质参数m，对比不同策略的阻断效果，验证了该方法能够根据不同网络结构调整阻断策略，证明了方法的有效性。

关键词：社交网络；传播阻断；图嵌入；强化学习；动态决策