Giảm thiểu tối đa thiệt hại do thông tin sai lệch gây ra trên mạng xã hội trực tuyến Giảm thiểu tối đa thiệt hại do thông tin sai lệch gây ra trên mạng xã hội trực tuyếnGiảm thiểu tối đa thiệt hại do thông tin sai lệch gây ra trên mạng xã hội trực tuyếnGiảm thiểu tối đa thiệt hại do thông tin sai lệch gây ra trên mạng xã hội trực tuyếnGiảm thiểu tối đa thiệt hại do thông tin sai lệch gây ra trên mạng xã hội trực tuyếnGiảm thiểu tối đa thiệt hại do thông tin sai lệch gây ra trên mạng xã hội trực tuyếnGiảm thiểu tối đa thiệt hại do thông tin sai lệch gây ra trên mạng xã hội trực tuyến
L I CAM ĐOAN Tôi xin cam đoan, nhǎng kien thác trình bày lu n văn tơi tìm hieu, nghiên cáu trình bày hướng dan PGS.TS Hồng Xn Huan Trong q trình làm lu n văn, tham khảo tài li u có liên quan đeu trích dan nguon đay đủ, rõ ràng Nhǎng ket lu n văn riêng tôi, không chép tà bat kỳ m®t cơng trình khác Neu có đieu khơng trung thực, tơi xin hồn tồn chịu trách nhi m Hoc viên Vũ Minh Mạnh L I CẢM ƠN Trước het, xin gải lời cảm ơn sâu sac đen PGS.TS Hoàng Xuân Huan, người thay giành nhieu thời gian đe hướng dan, góp ý giúp tơi hồn thành lu n văn Thay truyen cho cảm háng, nhi t huyet nghiên cáu khoa hoc, đ®ng viên cho nhieu lời khuyên quý báu Tôi xin bày tỏ lòng biet ơn chân thành tới thay, cô giáo giảng dạy suot năm hoc Trường Đại hoc Công ngh - Đại hoc Quoc gia Hà N®i Moi thay đeu cho nhǎng giảng th t hay bő ích Tôi xin gải lời cảm ơn tới Ban giám đoc Hoc vi n An ninh nhân dân, Lãnh đạo Khoa Công ngh An ninh thông tin anh chị đong nghi p tạo moi đieu ki n thu n lợi giúp tham gia hồn thành khóa hoc Cuoi cùng, tơi xin gải lời biet ơn đen bo me, anh chị gia đình, bạn bè, người thân ln ủng h®, đ®ng viên tơi vượt qua nhǎng khó khăn cu®c song, đe tơi có the theo đuői ước mơ hồi bão Hoc viên Vũ Minh Mạnh Mnc lnc M ĐAU 1 GI I THI U VE MẠNG Xà H I 1.1 Giới thi u chung ve mạng xã h®i 1.1.1 Lịch sả phát trien mạng xã h®i 1.1.2 Nhǎng tính mạng xã h®i 1.2 Các đ c trưng mạng xã h®i 10 1.2.1 Đ c trưng the giới nhỏ 10 1.2.2 Đ c trưng t p nhân 11 1.2.3 Phân bo lu t lũy thàa 11 1.2.4 Đ c trưng cau trúc c®ng đong 12 1.2.5 Các đ c trưng khác mạng xã h®i 13 1.3 M®t so chủ đe nghiên cáu mạng xã h®i 14 1.3.1 Phát hi n cau trúc c®ng đong mạng xã h®i 14 1.3.2 Dự đốn liên ket mạng xã h®i 15 1.3.3 Tính riêng tư mạng xã h®i 16 1.3.4 Tien hóa đ®ng mạng xã h®i 16 1.3.5 Khai phá dǎ li u mạng xã h®i 17 1.3.6 Toi đa hóa ảnh hưởng mạng xã h®i 18 1.3.7 Phát hi n, giám sát ngăn ngàa thông tin sai l ch mạng xã h®i 18 THÔNG TIN SAI L CH VÀ CÁC MƠ HÌNH LAN TRUYEN THƠNG TIN SAI L CH 20 2.1 Định nghĩa thông tin sai l ch 20 2.2 Mơ hình lan truyen thơng tin sai l ch 24 2.2.1 Mơ hình tang đ®c l p 25 2.2.2 Mô hình ngương tuyen tính 26 2.3 M®t so hướng nghiên cáu liên quan đen tốn hạn che lan truyen thơng tin sai l ch mạng xã h®i trực tuyen 29 GIẢI PHÁP GIẢM THIEU TOI ĐA THI T HẠI DO THÔNG MncMẠNG lnc TIN SAI L CH GÂY RA TRÊN Xà H I TRỰC TUYEN 34 3.1 Phát bieu toán 34 3.2 Đ® khó toán 39 3.3 Các thu t toán đe xuat giải quyet toán MDM 41 3.3.1 Thu t toán tham lam dựa hàm f (I) 41 3.3.2 Thu t toán tham lam dựa hàm α(v) 43 THỰC NGHI M 45 4.1 Mục đích thực nghi m 45 4.2 Dǎ li u tien hành thực nghi m 45 4.3 Cài đ t thực nghi m 46 4.4 Ket thực nghi m 47 4.5 Ket lu n nh n xét 51 KET LU N 52 DANH MỤC CƠNG TRÌNH Đà CƠNG BO 54 PHỤ LỤC 62 Danh mnc tfi viet tat Tfi viet tat IC LT MDM MXH Thu t ngfi tieng Anh Independent Cascade Linear Threshold Minimize Damage of Misinformation Social Network Thu t ngfi tieng Vi t Mô hình tang đ®c l p Mơ hình ngương tuyen tính Bài tốn cực tieu hóa thi t hại thơng tin sai l ch gây Mạng xã h®i Danh sách bảng 1.1 M®t so mạng xã h®i tiêu bieu cho phân bo lu t lũy thàa 12 4.1 Dǎ li u thực nghi m 46 Danh sách hình vẽ 1.1 Bảng xep hạng mạng xã h®i theo so lượng người dùng, tháng 1/2017 (đơn vị Tri u người dùng) 1.2 Các trang mạng xã h®i Internet 1.3 Đ c trưng the giới nhỏ mạng xã h®i 11 1.4 Đ c trưng t p nhân mạng xã h®i 12 1.5 Mạng đong tác giả 13 1.6 Đường kính mạng xã h®i Facebook 14 1.7 Mơ hình câu lạc b® karate Zachary, m®t nhǎng mơ hình chuȁn cho tốn phát hi n cau trúc c®ng đong 14 1.8 Sự tien hóa mạng lưới nhǎng nhà phát minh làm vi c cho Apple năm 17 2.1 M®t ví dụ q trình lan truyen thơng tin mơ hình IC 26 2.2 M®t ví dụ q trình lan truyen thơng tin mơ hình LT 28 3.1 Phép dan tà toán T p phủ dạng − đen toán MDM 40 4.1 Tőng thi t hại ngân sách B thay đői, d = 6, |S| = 10 48 4.2 4.3 Tőng thi t hại ngân sách B thay đői, d = 6, |S| = 20 49 Đ® giảm thi t hại kích thước nguon S thay đői, d = 5, B = 25 50 M ĐAU Ngày nay, mạng xã h®i trực tuyen trở thành m®t phan khơng the thieu cu®c song người, cho phép moi có the tạo, chia sẻ trao đői thơng tin, ý tưởng m®t cách nhanh chóng de dàng het Đoi với nhieu người dùng, trang mạng xã h®i trực tuyen Facebook, Twitter, Google+ coi nhǎng kênh tin tác Trong nhieu trường hợp, trang mạng xã h®i cịn đưa nhǎng tin tác quan trước m®t so phương ti n truyen thông đại chúng khác phát thanh, truyen hình vv Ví dụ, tin tác ve trùm khủng bo Bin Laden bị tiêu di t lan truyen Twitter trước Tőng thong My thác thông báo phương ti n truyen thông công c®ng [52] ho c câu chuy n ve chet ca sĩ Whitney Houston lan r®ng Twitter, trước 27 phút so với hãng tin AP (Associated Press) [53] Có the nói rang, trang mạng xã h®i ngày m®t nhǎng nguon cung cap thơng tin phong phú, đa chieu "nơi khám phá tin tác" nhieu đ®c giả, đ c bi t nhǎng đ®c giả trẻ phụ nǎ, chiem so đơng nhat nhóm chon mạng xã h®i đe c p nh t tin tác Bên cạnh nhǎng thông tin tin c y, xác nhǎng thơng tin sai l ch lan truyen r®ng rãi mạng xã h®i m®t cách de dàng M®t nhóm nghiên cáu đen tà Đại hoc Columbia (New York, My) [23] rang toc đ® lan truyen thơng tin sai l ch ngang bang so với nhǎng tin tác thong Chính nhǎng đieu gây nhǎng thi t hại to lớn cho cá nhân, tő chác không nhǎng ve kinh te, trị mà cịn tác đ®ng đen tâm lý, cu®c song người Gan đây, dien đàn Kinh te the giới (World Economic Forum, 2014) coi gia tăng nhanh chóng thơng tin sai l ch phương ti n xã h®i trực tuyen m®t mười xu hướng hàng đau mà the giới phải đoi m t Trước nhǎng thách thác nêu trên, làm the đe có the hạn che lan truyen thông tin sai l ch mạng xã h®i m®t cách k p thời hi u quả? m®t câu hỏi nh n quan tâm nghiên cáu nhieu nhà khoa hoc thời gian gan M®t so nghiên cáu t p trung vào vi c nh n dạng thông tin sai l ch tin đon (Rumor) nghiên cáu Qazvinian, 2011, [6] Kwwon, 2013, [7] M®t so khác, nghiên cáu van đe xác định t p đỉnh nguon phát thông tin sai l ch ban đau Chȁng hạn, Dung T Nguyen c®ng sự, 2012, [65] nghiên cáu toán xác định k nguon phát tán thông tin sai l ch khả nghi nhat tà t p người dùng bị kích hoạt thơng tin sai l ch cho trước Bên cạnh đó, m®t so tác giả đe xuat giải pháp hạn che lan truyen thông tin sai l ch mạng xã h®i bang cách chon m®t so đỉnh ban đau đe tiêm thơng tin tot, tà lan truyen nhǎng thông tin mạng nham thuyet phục nhǎng người dùng khác tin theo, sả dụng mơ hình lan truyen thơng tin khác [2–4] Budak c®ng sự, 2011, [2], đưa mụ hỡnh tang đc lắp a chien d ch (Multi-Campaign Independent Cascade Model), gom chien dịch phő bien thông tin tot chien dịch phő bien thông tin sai l ch cạnh tranh với H Zhang c®ng sự, 2015, [3], nghiên cáu tốn hạn che lan truyen thông tin sai l ch mơ hình kích hoạt cạnh tranh (Competitive Activation Model) Hay nghiên cáu N P Nguyen c®ng sự, 2013, [4], nghiên cáu tốn hạn che thơng tin sai l ch hai mơ hình tang đc lắp (Independent Cascade) v ngng tuyen tớnh (Linear Threshold), đong thời đe xuat thu t toán xác định m®t t p nhỏ nhat đỉnh có ảnh hưởng lớn nhat, tà lan truyen nhǎng thơng tin tot nham hạn che ảnh hưởng thông tin sai l ch Đ c bi t, nhǎng hướng nghiên cáu ke cịn m®t cách tiep c n khác vi c ngăn ch n thông tin sai l ch lan truyen mạng xã h®i trình bày cơng trình nghiên cáu H Zhang c®ng sự, 2016, [1], bang cách đ¾t giám sát (Monitor Placement) m®t so đỉnh đo thị mạng nham ngăn ch n thông tin sai l ch lây lan đen nhǎng đỉnh khác mạng Đ¾t giám sát phương pháp sả dụng b® loc n®i dung nham phát hi n thông tin sai l ch người dùng (đỉnh) cài đ t ngăn ch n chia sẻ, lan truyen thông tin sai l ch tà đỉnh này; ho c ngǎ cảnh khác có the hieu vi c thuyet phục người dùng (đỉnh) không tin theo lan truyen thông tin sai l ch M®t so cơng trình nghiên cáu khác goi phương pháp với tên goi phương pháp tạo mien d ch (Immunize) cho đỉnh đo thị mạng xã h®i Đáng trước nhǎng nguy mat an tồn, an ninh thơng tin mạng xã h®i thông tin sai l ch gây ra, đong thời thúc đȁy nhǎng cơng trình nghiên cáu nêu trên, đ c bi t nghiên cáu H Zhang, 2016, [1] tạo đ®ng lực cho tác giả lựa chon đe tài "Giảm thieu toi đa thi t hại thông tin sai l ch gây mạng xã h i trfic tuyen" làm đe tài lu n văn Đóng góp lu n văn bao gom: - Thá nhat, đe xuat m®t mơ hình ngương tuyen tính cho tốn Cực tieu hóa thi t hại thơng tin sai l ch gây ra, đong thời cháng tốn thu®c lớp tốn NP-khó - Thá hai, đe xuat hai thu t toán tham lam nham giải quyet toán đ t - Thá ba, ket thực nghi m cho thay ưu điem női tr®i hai thu t toán đe xuat so với thu t tốn thơng dụng khác thu t tốn b c cực đại (Max Degree) thu t toán ngau nhiên (Random) vi c hạn che thông tin sai l ch lan truyen mạng Ngoài phan mở đau ket lu n, bo cục lu n văn gom bon chương sau: Chương 1: Gi i thi u ve mạng xã h i Chương giới thi u tőng quan ve mạng xã h®i gom: Định nghĩa mạng xã h®i, lịch sả hình thành, phát trien nhǎng đ c trưng mạng xã h®i Đ c bi t, chương trình bày tőng quan m®t so chủ đe női b t liên quan đen mạng xã h®i, nh n quan tâm nghiên cáu nhieu hoc giả thời gian gan Chương 2: Thông tin sai l ch mơ hình lan truyen thơng tin sai l ch Chương tác giả trình bày định nghĩa thông tin sai l ch, nhǎng nguy h u thông tin sai l ch gây đoi với cá nhân, tő chác Đong thời, phân tích che lan truyen thơng tin nhǎng đ c tính hai mơ hình lan truyen thơng tin sả dụng r®ng rãi bao gom: Mơ hình tang đ®c l p mơ hình ngương tuyen tính Ngồi ra, Chương tőng quan m®t so hướng nghiên cáu liên quan đen toán hạn che lan truyen thơng tin sai l ch mạng xã h®i trực tuyen Chương 3: Giải pháp giảm thieu toi đa thi t hại thông tin sai l ch gây mạng xã h i trfic tuyen Tà thực trạng nêu Chương xuat phát tà nhǎng cơng trình nghiên cáu liên quan trước đó, tác giả phát bieu tốn Cực tieu hóa thi t hại thông tin sai l ch gây mạng xã h®i trực tuyen, cháng minh tốn thu®c lớp tốn NP-khó, đong thời đe xuat thu t toán nham giải quyet toán 48 40 Algorithm Max Degree 35 Rand om Tổng thiệt hại 30 Algorithm 25 20 15 10 0 10 20 30 40 50 60 70 80 90 100 110 Ngân sách (B) (a) Email 60 Algorithm Max Degree 50 Rand om Algorithm Tổng thiệt hại 40 30 20 10 0 10 20 30 40 50 60 70 80 90 100 110 Ngân sách (B) (b) CollegeMsg 120 Algo rithm Max Degree 100 Rand om Tổng thiệt hại Algo rithm 80 60 40 20 0 10 20 30 40 50 60 70 80 90 100 110 Ngân sách (B) (c) Gnutella Hình 4.1: Tőng thi¾t hại ngân sách B thay đői, d = 6, |S| = 10 Khi ta tăng kích thác t p nguon phát thông tin sai l ch lên |S| = 20, ket hình 4.2 Ta thay rang, tat trường hợp, hai thu t toán tham lam đe xuat đeu tot hai thu t toán Max Degree Random Đ c bi t, đoi với mạng Gnutella, ngân sách B = 25, Thu t toán Thu t toán hi u thu t tốn Max Degree 3.466 lan xét ve đ® giảm thi t hại sau tạo mien d ch với t p đỉnh I 49 Nhìn chung, Thu t tốn Thu t tốn có hi u gan ngân sách B thay đői ba b® dǎ li u 90 Algor ithm 80 Max Degree Rand om Tổng thiệt hại 70 Algorithm 60 50 40 30 20 10 0 10 20 30 40 50 60 70 80 90 100 110 Ngân sách (B) (a) Email 160 Algo rithm 140 Max Degree Rand om Tổng thiệt hại 120 Algorithm 100 80 60 40 20 0 10 20 30 40 50 60 70 80 90 100 110 Ngân sách (B) (b) CollegeMsg 160 Algorithm 140 Max Degree Random Tổng thiệt hại 120 Algor ithm 100 80 60 40 20 0 10 20 30 40 50 60 70 80 90 100 110 Ngân sách (B) (c) Gnutella Hình 4.2: Tőng thi¾t hại ngân sách B thay đői, d = 6, |S| = 20 Ảnh hư ng kích thư c t p nguon S thay đoi: Chúng ta so sánh hi u hai thu t tốn tham lam với thu t tốn cịn lại kích thước t p nguon phát thơng tin sai l ch S thay đői, |S| = {5, 10, 15, 20, 25}, với d = ngân sách co định B = 25 Hình 4.3 đ® giảm thi t hại thông tin sai l ch 50 gây sau áp dụng thu t toán nham tìm t p đỉnh I đe tạo mien d ch Ta thay rang, tat trường hợp, Thu t toán Thu t toán đeu tot hai thu t tốn cịn lại Với b® dǎ li u Email, |S| = 5, ta thay Thu t toán hi u gap 2.563 lan thu t tốn Max Degree, cịn b® dǎ li u Gnutella, |S| = 20, Thu t toán hi u gap 3.98 lan thu t toán Max Degree 70 Algorithm Algorithm 60 Độ giảm thiệt hại (%) Max Degree Random 50 40 30 20 10 10 15 20 25 Kích thước tập nguồn (|S|) (a) Email 60 Algorithm Algorithm Độ giảm thiệt hại (%) 50 Max Degree Random 40 30 20 10 10 15 20 25 Kích thước tập nguồn (|S|) (b) CollegeMsg 90 Algorithm 80 Algorithm Max Degree Độ giảm thiệt hại (%) 70 Random 60 50 40 30 20 10 10 15 20 25 Kích thước tập nguồn (|S|) (c) Gnutella Hình 4.3: Đ giảm thi¾t hại kích thước nguon S thay đői, d = 5, B = 25 51 4.5 Ket lu n nh n xét Khi ngân sách B tăng dan, ta thay rang hai thu t toán tham lam: Thu t toán Thu t toán đeu hi u thu t toán Max Degree thu t tốn Random Tuy nhiên, tính hi u the hi n rõ nhat với giá trị B nhỏ Tính hi u hai thu t tốn đe xuat khơng thay đői nhieu kích thước t p nguon phát thơng tin sai l ch tăng lên Thu t toán đa so trường hợp hi u Thu t toán 3, nhiên hai thu t toán chênh l ch không nhieu 52 KET LU N Sự bùng nő thông tin sai l ch mạng xã h®i trực tuyen m®t nguy lớn đoi với người dùng Thông tin sai l ch lan truyen nhanh chóng mạng xã h®i có the đen tà chủ quan vơ ý người dùng ho c lan truyen m®t cách có chủ đích với đ®ng cơ, mục đích khơng sáng Do nhǎng thi t hại to lớn mà thông tin sai l ch gây đoi với cá nhân, tő chác khơng nhǎng ve kinh te, trị mà cịn tác đ®ng đen tâm lý, cu®c song người, gây mat őn định an ninh quoc gia, vi c đưa m®t giải pháp hi u đe ngăn ch n kịp thời lan truyen thơng tin sai l ch mạng xã h®i trực tuyen vi c làm het sác cap thiet nham giảm thieu toi đa thi t hai chúng gây đoi với người dùng, góp phan làm môi trường mạng, đong thời nâng cao tin tưởng người dùng đoi với nhǎng thông tin mạng xã h®i Trong lu n văn này, tác giả đe xuat m®t giải pháp ngăn ch n lan truyen thông tin sai l ch bang cách tạo mien d ch cho m®t so đỉnh đo thị mạng xã h®i, tà hạn che thơng tin sai l ch lây lan sang nhǎng đỉnh khác Lu n văn đạt m®t so ket sau: ã Tỡm hieu tng quan ve mng xó hđi, đ c trưng mạng xã h®i Tìm hieu m®t so chủ đe női b t liên quan đen mạng xã h®i nh n quan tâm nghiên cáu nhieu hoc giả • Tìm hieu che lan truyen thông tin đ c tính hai mơ hình lan truyen thơng tin: Mơ hình tang đ®c l p (IC) mơ hình ngương tuyen tính (LT) Đ c bi t, tác giả tìm hieu hướng nghiên cáu liên quan đen toán hạn che thông tin sai l ch lan truyen mng xó hđi ó cụng bo ã e xuat mụ hình ngương tuyen tính cho tốn Cực tieu hóa thi t hại thông tin sai l ch gây cháng minh tốn thu®c lớp NP-Khó, đong thời đe xuat hai thu t toán tham lam đe giải quyet toán Ket thực nghi m cho thay ưu điem női tr®i hai thu t toán đe xuat so với thu t toán thơng dụng khác thu t tốn Max Degree thu t tốn Random vi c hạn che thơng tin sai l ch lan truyen mạng M c dù co gang no lực het mình, thời gian nghiên cáu trình đ® thân có hạn nên lu n văn khơng the tránh khỏi nhǎng thieu 53 sót hạn che, tác giả rat mong nh n nhǎng ý kien đóng góp đe lu n văn đạt ket tot Hư ng phát trien: Trong thời gian tới, tác giả đe xuat m®t so hướng phát trien lu n văn sau: • Thiet ke thu t tốn đạt tỉ l toi ưu cao cho toán MDM Cải tien thời gian chạy thu t toán, giúp thu t toán chạy nhanh đoi với mạng xã hđi cú quy mụ ln ã M rđng phm vi toán MDM xét với trường hợp moi đỉnh u ∈ V bị kích hoạt thơng tin sai l ch sě gây nhǎng thi t hai khác nhau, đong thời nghiên cáu tốn mơ hình lan truyen thơng tin khác • Trong lu n văn, tác giả giả thiet rang t p nguon thông tin sai l ch S biet trước Tuy nhiên, xác định nguon thông tin sai l ch ban đau m®t van đe phác tạp, v y hướng nghiên cáu tiep theo tác giả tương lai 54 DANH MỤC CÔNG TRÌNH Đà CƠNG BO Manh M Vu and Huan X Hoang, Minimizing the Spread of Misinformation on Online Social Networks with Time and Budget Constraint, In proceeding of the 9th International Conference on Knowledge and Systems Engineering (KSE 2017) (Notification of acceptance: July 30, 2017) Canh V Pham, Manh M Vu and Huan X Hoang, Preventing and Detecting Infiltration on Online Social Networks, In proceeding of the 4th International Conference on Computational Social Networks (CsoNet), 2015, pp 60-73 Tài li u tham khảo [1] H Zhang, M Alim, X Li, M T Thai, and H Nguyen Misinformation in Online Social Networks: Detect Them All with Limited Budget ACM Transactions on Information Systems, 2016, pp 18:1-18:24 [2] Ceren Budak, Divyakant Agrawal, Amr El Abbadi Limiting the Spread of Misinformation in Social Networks In Proceedings of the 20th International Conference on World Wide Web, 2011, pp 665-674 [3] H Zhang, H Zhang, X Li, and M T Thai Limiting the Spread of Misinformation while Effectively Raising Awareness in Social Networks In Proceedings of the 4th International Conference on Computational Social Networks, 2015, pp 35-47 [4] N P Nguyen, G Yan, and M T Thai Analysis of Misinformation Containment in Online Social Networks Elsevier Computer Networks-Towards a Science of Cyber Security, 2013, pp 2133-2146 [5] B Aditya Prakash, Jilles Vreeken, and Christos Faloutsos Spotting Culprits in Epidemics: How many and Which ones? In Data Mining (ICDM), 2012 IEEE 12th International Conference on IEEE, 2012, pp 11-20 [6] V Qazvinian, E Rosengren, D R Radev, and Qiaozhu Mei Rumor has it: Identifying Misinformation in Microblogs In Proc EMNLP, 2011, pp 1589-1599 [7] S Kwon, M Cha, K Jung, W Chen, and Y Wang 2013 Prominent Features of Rumor Propagation in Online Social Media In Proc ICDM, 2013, pp 1103-1108 [8] Devavrat Shah and Tauhid Zaman Rumors in a Network: Who’s the Culprit? IEEE Transactions on Information Theory, 2011, pp 5163-5181 [9] Vahed Qazvinian, Emily Rosengren, Dragomir R Radev, and Qiaozhu Mei Rumor has it: Identifying Misinformation in Microblogs In Proceedings of the Conference on Empirical Methods in Natural Language Processing, 2011, pp 1589-1599 55 56 [10] Sejeong Kwon, Meeyoung Cha, Kyomin Jung, Wei Chen, and Yajun Wang Prominent Features of Rumor Propagation in Online Social Media In Data Mining (ICDM), 2013 IEEE 13th International Conference on IEEE, 2013, pp 1103-1108 [11] Kai Zhu and Lei Ying 2014 A Robust Information Source Estimator with Sparse Observations Computational Social Networks, 2014, pp 1-21 [12] Wuqiong Luo, Wee Peng Tay, and Mei Leng Identifying Infection Sources and Regions in Large Networks IEEE Transactions on Signal Processing, 2013, pp 2850-2865 [13] H Nguyen and R Zheng On budgeted Influence Maximization in Social Networks IEEE Journal on Selected Areas in Communications, 2013, pp 1084-1094 [14] Mạng xã h®i nh n di n thơng tin xau đ®c Truy xuat tà http://dangcongsan.vn/dien-dan/mang-xa-hoi-nhan-dien-thong-tin-xaudoc-434891.html [Ngày truy c p 22/5/2017] [15] Bimal Viswanath, Alan Mislove, Meeyoung Cha, Krishna P Gummadi On the Evolution of User Interaction in Facebook In Proceedings of the 2nd ACM Workshop on Online Social Networks, 2009, pp 37-42 [16] N P Nguyen, M A Alim, T N Dinh, and M T Thai A Method to Detect Communities with Stability in Social Networks Social Network Analysis and Mining, 2014, pp 224:1-224:15 [17] N P Nguyen, G Yan, M T Thai, and S Eidenbenz Containment of Misinformation Spread in Online Social Networks In Proceedings of the 4th Annual ACM Web Science Conference, 2012, pp 213-222 [18] H Zhang, M Alim, M T Thai, and H Nguyen Monitor Placement to Timely Detect Misinformation in Online Social Networks In Proceedings of the 2015 IEEE International Conference on Communications, 2015, pp 1152-1157 [19] H Zhang, H Zhang, X Li, and M T Thai Limiting the Spread of Misinformation while Effectively Raising Awareness in Social Networks In Proceedings of the 4th International Conference on Computational Social Networks, 2015, pp 35-47 57 [20] T N Dinh, H Zhang, D T Nguyen, and M T Thai Cost-Effective Viral Marketing for Time-Critical Campaigns in Large-Scale Social Networks IEEE/ACM Transactions on Networking, 2014, pp 2001-2011 [21] Wei Chen, Wei Lu, and Ning Zhang Time-Critical Influence Maximization in Social Networks with Time-Delayed Diffusion Process In Proc AAAI, 2012, pp 1-5 [22] Santo Fortunato Community Detection in Graphs Physics reports, 2010, pp 75-174 [23] Misinformation on Social Media: Can Technology Save Us? Avail- able at https://www.usnews.com/news/national-news/articles/2016-1128/misinformation-on-social-media-can-technology-save-us [Accessed 12 May 2017] [24] Vi t Nam sap đői tien: Hoàn toàn bịa đ t Truy xuat tà http://vietnamnet.vn/vn/kinh-doanh/tai-chinh/viet-nam-sap-doi-tienhoan-toan-bia-dat-342761.html [Ngày truy c p 21/5/2017] [25] Bác thơng tin tăng l phí cap h® chieu Vi t Nam Truy xuat tà http://dantri.com.vn/xa-hoi/bac-thong-tin-tang-le-phi-cap-ho-chieu-taiviet-nam-20161209192924661.htm [Ngày truy c p 21/5/2017] [26] D Kempe, J Kleinberg, and E Tardos Influential Nodes in a Diffusion Model for Social Networks In ICALP, 2005, pp 1127-1138 [27] J Goldenberg, B Libai, and E Muller Talk of the Network: A Complex Systems Look at the Underlying Process of Word-of-Mouth Marketing Letters, 2001, pp 211-223 [28] J Leskovec, M Mcglohon, C Faloutsos, N Glance, and M Hurst Cascading Behavior in Large Blog Graphs In Proceedings of the 2007 SIAM International Conference on Data Mining, 2007, pp 551-556 [29] T Carnes, R Nagarajan, S M Wild, and A V Zuylen Maximizing Influence in a Competitive Social Network: a Follower’s Perspective In Proceedings of the Ninth International Conference on Electronic Commerce, 2007, pp 351-360 58 [30] Alexandra Marin and Barry Wellman Social Network Analysis: An Introduction The SAGE Handbook of Social Network Analysis, 2011, pp 11-25 [31] Jiyang Chen Community Mining: Discovery Communities in Social Network Thesis, University of Alberta, 2010 [32] Jon Kleinberg Authoritative Sources in a Hyperlinked Environment Journal of the ACM, 1999, pp 604-632 [33] Jurij Lescovec Dynamics of Large Networks Carnegie Mellon University, 2008 [34] Jure Leskovec, Jon Kleinberg, and Christos Faloutsos Graphs Over Time: Densification Laws, Shrinking Diameters and Possible Explanations In Proceedings of the Eleventh ACM SIGKDD International Conference on Knowledge Discovery in Data Mining,2005, pp 177-187 [35] Charu C Aggarwal Social Network Data Analytics New York: Springer, 2011 [36] M E J Newman Modularity and Community Structure in Networks In Proceedings of the National Academy of Sciences, 2006, pp 8577-8582 [37] R Guimera, M Sales-Pardo Missing and Spurious Interactions and the Reconstruction of Complex Ntworks In Proceedings of the National Academy of Sciences, 2009, pp 22073-22078 [38] Steve Gregory Finding Overlapping Communities Using Disjoint Community Detection Algorithms Complex networks, 2009, pp 47-61 [39] Leskovec, Huttenlocher, and Kleinberg Predicting Positive and Negative Links in Online Social Networks In Proceedings of the 19th International Conference on World Wide Web, 2010, pp 641-650 [40] Linyuan Lu, Tao Zhou Link Prediction in Complex Networks: A Survey Physica A: Statistical Mechanics and Its Applications, 2011, pp 1150-1170 [41] Zhihao Wu, Youfang Lin, Jing Wang, Steve Gregory Efficient Link Prediction with Node Clustering Coefficient arXiv preprint arXiv:1510.07819, 2015 59 [42] T N Dinh, Y Shen, and M T Thai The Walls Have Ears: Optimize Sharing for Visibility and Privacy in Online Social Networks In Proceedings of ACM Int Conference on Information and Knowledge Management, 2012, pp 1452-1461 [43] Y Shen, Y-S Syu, D T Nguyen, and M T Thai Maximizing Circle of Trust in Online Social Networks In Proceedings of ACM Conference on Hypertext and Social Media, 2012, pp 155-164 [44] Y Shen, M T Thai, and H Nguyen Staying Safe and Visible via Message Sharing in Online Social Networks Journal of Combinatorial Optimization, 2014, pp 186-217 [45] J Leskovec, L Backstrom, R Kumar, A Tomkins Microscopic Evolution of Social Networks In Proc KDD, 2008, pp 462-470 [46] J Leskovec, J Kleinberg, C Faloutsos Graph Evolution: Densification and Shrinking Diameters ACM TKDD, 2007 [47] D Kempe, J Kleinberg, and E Tardos Maximizing the Spread of Influence through a Social Network In Proceedings of the Ninth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2003, pp 137–146 [48] Huiyuan Zhang, Thang N Dinh, and My T Thai Maximizing the Spread of Positive Influence in Online Social Networks In Distributed Computing Systems (ICDCS), 2013 IEEE 33rd International Conference on IEEE, 2013, pp 317-326 [49] J Zhang, P Zhou, C Cao, Y Guo L Personalized Influence Maximization on Social Networks In Proceedings of the 22nd ACM International Conference on Information and Knowledge Management, 2013, pp 199-2008 [50] Honglei Zhuang, Yihan Sun, Jie Tang, Jialin Zhangz and Xiaoming Sunz Influence Maximization in Dynamic Social Networks In Data Mining (ICDM), 2013 IEEE 13th International Conference on IEEE, 2013, pp 1313-1318 [51] A Goyal, F Bonchi, and L V S Lakshmanan Learning Influence Probabilities in Social Networks In Proceedings of the third ACM International Conference on Web Search and Data Mining, 2010, pp 241-250 60 [52] How bin Laden news spread on Twitter Available at http://edition.cnn.com/2011/TECH/social.media/05/02/osama.bin.laden twitter/index.html [Accessed 16 April 2017] [53] Twitter Breaks News of Whitney Houston Death 27 Minutes Be- fore Press Available at http://mashable.com/2012/02/12/whitney-houstontwitter/ [Accessed 16 April 2017] [54] Hackers send fake market-moving AP tweet on White House explosions Available at http://www.reuters.com/article/net-us-usa-whitehouseap-idUSBRE93M12Y20130423 [Accessed 16 April 2017] [55] A Goyal, W Lu, and L V S Lakshmanan Simpath: An Efficient Algorithm for Influence Maximization under the Linear Threshold Model In Proc ICDM, 2011, pp 211-220 [56] Swine Flu Frenzy Demonstrates Twitter’s Achilles Heel Available at http://www.pcworld.com/businesscenter/article/163920/swine flufrenzy demonstratest-witters achillesheel.html [Accessed 22 April 2017] [57] Fan, L., Lu, Z., Wu, W., Thuraisingham, B., Ma, H., and Bi, Y Least Cost Rumor Blocking in Social Networks In Distributed Computing Systems, 2013 IEEE 33rd International Conference on IEEE, 2013, pp 540-549 [58] Karlova, Natascha, Fisher Karen A Social Diffusion Model of Misinformation and Disinformation for Understanding Human Information Behaviour Information Research, 2013, pp 1-17 [59] Liang Wu, Fred Morstatter, Huan Liu Misinformation in Social Media: Diffusion, Detection and Intervention SBP-BRIMS 2016 Tutorial [60] Wei Chen, Laks V.S Lakshmanan, and Carlos Castillo Information and Influence Propagation in Social Networks A Publication in the Morgan & Claypool Publishers series Synthesis Lectures on Data Management, 2014 [61] Wei Chen, Yifei Yuan, and Li Zhang Scalable Influence Maximization in Social Networks under the Linear Threshold Model In Data Mining (ICDM), 2010 IEEE 10th International Conference on IEEE, 2010, pp 88-97 61 [62] Pedro Domingos and Matthew Richardson Mining the Network Value of Customers In Proceedings of the Seventh ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2001, pp 57-66 [63] J Leskovec, A Krause, C Guestrin, C Faloutsos, J VanBriesen, N Glance Cost-Effective Outbreak Detection in Networks In Proc KDD, 2007, pp 420-429 [64] A Goyal, W Lu, L V.S Lakshmanan Celf++: Optimizing the Greedy Algorithm for Onfluence Maximization in Social Networks In Proc WWW, 2011, pp 47-48 [65] D T Nguyen, N P Nguyen, and M T Thai Sources of Misinformation in Online Social Networks: Who to Suspect? In Proceedings of the IEEE Military Communications Conference, 2012, pp 1-6 [66] Kempe, 2008 Design and Analysis of Algorithms Available at http://wwwbcf.usc.edu/ dkempe/CS303/solutions13.pdf [Accessed 22 May 2017] 62 PHỤ LỤC Algorithm 4: Thu¾t toán Max Degree Input : G = (V, E), w(u, v), d, B, t¾p nguon phát thơng tin sai l¾ch S Output: T¾p đỉnh I lời giải toán MDM begin I ← ∅; N ← Nd(S); C ← 0; while (C < B) and (N = / ∅) u ← maxdegree(N ); //Chon đỉnh có b¾c lớn nhat t¾p N đe tạo mien dịch if C + c(u) ≤ B then I ← I ∪ {u}; C ← C + c(u); 10 end 11 N ← N \{u}; 12 end 13 Return I; 14 end Algorithm 5: Thu¾t tốn Random Input : G = (V, E), w(u, v), d, B, t¾p nguon phát thơng tin sai l¾ch S Output: T¾p đỉnh I lời giải toán MDM begin I ← ∅; N ← Nd(S); C ← 0; while (C < B) and (N ∅) u ← random(N ); //Chon ngau nhiên đỉnh t¾p N đe tạo mien dịch if C + c(u) ≤ B then I ← I ∪ {u}; C ← C + c(u); 10 end 11 N ← N \{u}; 12 end 13 Return I; 14 end