冗余和虚假信息对复杂网络及信息过滤的影响的研究

This project will study systematically on how to identify and filter spurious and redundant information in networks. By setting up different models of spurious and redundant information, we will make efforts to identify how these spurious and redundant information affects network structural properties and information filtering algorithms. The project will focus on the accuracy of information filtering algorithms on each node after adding spurious and redundant information in networks. Combining with the network structure properties changes, this project will try to find a way to identify spurious and redundant information from the networks and minimize their impact on information filtering. Moreover, we will study the difference of network structural properties between reconstructed networks based on link prediction methods and the original network, uncovering the underlying mechanisms of these differences. Finally, we will make efforts to propose new algorithms to improve the performance in both prediction accuracy and preserving network properties in the reconstructed network. The results of this study are also instructive for the “online water army” problem on the Internet.

本项目的研究内容是网络中虚假冗余信息的识别和过滤。通过建立虚假冗余信息的模型，本项目将系统的研究不同类型的虚假冗余信息对信息过滤算法以及网络结构属性的影响。本项目将针对网络中每个节点，研究在添加冗余虚假信息以后这些节点预测的准确性的变化，理解冗余虚假信息对不同节点预测结果的影响。并结合网络结构属性的变化，尝试从网络中识别出虚假和冗余信息，从而减少这些信息对信息过滤算法的影响。同时比较原始网络和通过信息过滤算法重构的网络，分析这两种网络间的网络结构属性的差异，找到造成这些差异的原因。改进算法使得预测结果能够同时兼顾预测准确性和保持网络各项结构属性与原始网络的一致性。本研究将对解决当前互联网中的“网络水军”问题有重要的指导意义。

在本项目中,项目负责人系统的研究了复杂网络中虚假冗余信息对复杂网络的网络结构属性的影响,并且设计出了有效的方法来对抗这种影响..推荐算法的准确性和多样性一直是研究的热点。一个好的推荐系统不仅应该具有很高的准确性和多样性，对垃圾信息攻击也具有足够的鲁棒性。 在本次研究中，我们系统地研究了不同攻击者行为对推荐结果的影响。 并且进一步提出通过结合用户购买商品的内在相似性来改进算法,结合经典的KNN方法 .我们提出了新的算法来对抗恶意攻击行为,结果显示我们的新算法在推荐准确性,多样性和鲁棒性方面都优于传统算法..除此之外,我们还在研究的过程中发现了加速增长网络中出现了肥尾现象. 大量的经验研究表明，大量真实网络表现出加速增长的特性，即网络规模（节点）随时间呈超线性增长。包括社交网络的规模，科学家的产出，城市人口等。这些实际系统广泛地由复杂的网络表示以进行分析，并且已经提出了许多网络模型来解释这些系统中观察到的特性，例如幂律度分布。 但是，大多数这些模型（例如众所周知的BA模型）都基于这些系统的线性增长。 在我们的研究中,我们提出了一个具有加速增长和老化效应(aging effect)的网络模型，从而导致了超级节点的出现，这与引用网络中的经验观察相一致。本研究进一步揭示了复杂网络网络动力学的一些更深层次的特征..本研究推进了对复杂网络和推荐系统更深层次的理解.对进一步揭示复杂网络和个性化推荐系统的底层原理有一定的推动意义.同时我们对网络恶意攻击者行为的对抗研究可以有效帮助现有商业推荐系统对抗网络中的虚假冗余信息.