CN102982236B - 一种通过网络用户建模的观点预测方法 - Google Patents

Abstract

本发明公开了一种基于改进型离散行为与连续观点交流特性的网络用户建模与观点预测方法。该方法包括：对网络拓扑信息进行数字化建模，针对个体的各个观点状态进行数字量化；根据得到的量化信息，建立基于离散个体交互行为的预测模型；本方法可以用来预测网络用户的整体观点走向。在已给定网络用户状态与网络拓扑结构的环境，本发明的方法可以更为有效的预测网络中某观点的走势，进而对网络舆论的预测、突发事件的应对策略以及网络用户和观点走势之间的相互影响规律做出总结。

Description

一种通过网络用户建模的观点预测方法

技术领域

本发明涉及互联网技术，特别地涉及通过网络用户建模的观点预测方法。

背景技术

近年来，公共舆论的影响已经被诸如互联网等大众媒体不断放大。通过互联网技术，聊天软件、网络论坛等在线功能逐渐流行，网络用户与用户之间的个人交流通信变得简单易行。社会舆论从未像今天这样依赖于用户个体直接的交流与通信互动。复杂网络的相关理论可以对类似行为做出描述和研究。

通过统计物理学的方法和理论（例如舆论动力学、多节点建模方法与MonteCarlo仿真方法），许多复杂网络的问题可以被成功的解决。观点动力学中，节点之间的互动与交流，促进网络整体观点演化，是一种现行的有效方法。现在已有的观点模型中，多数模型假设一系列的个体或者节点作为网络的基本单位，节点之间就某一话题或信息展开相互交流与讨论，通过这种行为，节点之间更新彼此的观点，并力图劝说其他节点来认同自己。

舆论观点动力学的模型可以分为两大类：个体的观点取值为离散数值的模型（离散观点模型），以及个体的观点取值为连续数值的模型（连续观点模型）。而CODA模型（ContinuousOpinionsandDiscreteActions）将二元的做法引入了观点模型，它假设网络中的一个个体，可以同时具备离散的观点选择和连续的内在观点（或内在倾向性）。

在创新扩散理论中，创新扩散的过程，同样可以看作是一种观点在网络中进行收敛以及观点聚合的过程。这种观点或者倾向性，可以个体对某一个新思想的看法、对某一新产品的喜好度，以及其他类似的二值选择的问题，非此即彼的问题等。在观点演化现象的研究过程中，很多研究者已经注意到了有限信任的现象。即：持有相似观点的个体之间，更容易彼此信任并发生讨论交流行为。

CODA模型与有限信任模型为网络舆论的研究工作提出了有效的方法，并具有良好的通用性，可以用自身的性质来解释许多其他模型的现象。但是，在实际的网络中，随着互联网技术的发展，论坛、社区、新闻跟帖等新型应用的普及，个体在网络中的解除对象并不仅限于一个复杂网络（或者规则网络）中自己所处位置周围的有限邻居个体。个体可能可以观察到多个邻居个体的观点，甚至与之距离很远的个体的观点。

之前的研究成果表明，意见领袖或者网络的结构，是影响网络总体舆论走势的关键因素。尽管如此，近期研究表明，内部持有统一观点的观点群体，对舆论的形成同样起到重要作用。许多模型忽略了观点群体的作用，直接原因是因为它们忽略了个体可以同时受到多个邻居所影响的事实。

根据之前的网络舆论研究，我们得知，观点演化规则的细微差异，往往会导致截然不同的结果。如果针对实际情况，对模型做出上述改动，所带来的后续影响尚不可知，但可以肯定的是，针对实际情况做出的关键改动，会使得方法的结论更接近于实际。

综上所述，现阶段具备的网络舆论分析手段与方法不能够有效地对现实规律做出准确的反应，在预测、推演功能方面存在较为严重的滞后性，研发一种实际、准确、快速、高效的网络观点预测方法，是十分必要的。

发明内容

本发明所要解决的技术问题是网络社区用户的离散行为建模的整体观点演化预测技术。

本发明的目的在于提供基于改进型离散行为与连续观点交流特性的网络用户建模与观点预测方法，基于本发明，能够对网络舆论的预测、突发事件的应对策略做出参考。

发明基于改进型离散行为与连续观点交流特性的网络用户建模与观点预测方法，包括：初始化步骤，对网络拓扑信息进行数字化建模，对个体的各个观点状态进行数字量化，得到预测所需的网络结构与初始状态；建立预测模型步骤，根据得到的初始化状态，确定相应的预测推演规则，建立相应的预测模型；仿真预测步骤，根据已建立模型，预测网络用户的观点演化走势。

上述用户建模与观点预测方法中，所述初始化步骤进一步包括：初始化网络拓扑结构步骤，根据网络拓扑结构发现算法，得到网络的物理结构；初始化个体信息步骤，挖掘网络中个体的观点状态并对所述网络中的个体进行数字量化；初始化个体信息步骤，挖掘网络中个体的观点状态并对所述网络中的个体进行数字量化。

上述网络用户建模与观点预测方法中，所述建立预测模型步骤中，依据所获得的初始化网络与个体的数据，建立的预测模型为多节点无向网络模型，是否同配或异配取决于网络拓扑结构。所述多节点无向网络模型的建立步骤包括：多节点无向网络建立步骤，根据初始化数据，确立网络拓扑，设定个体节点个数与连接状况；数据代入步骤，设定所述模型中网络信息、个体观点的数据；模型调整步骤，通过数据训练，调整个体观点取值、网络规模等参数的取值；演化规则建立步骤，定义个体与个体之间的交流规则，建立完善的交流程序；检测步骤，验证所述观点预测方法准确、有效。

上述用户建模与观点预测方法中，所述仿真预测步骤中，所述步骤包括：仿真预测步骤，将建立预测模型步骤中确定的数据、网络拓扑、个体参数带入模型；根据已建立的演化规则，进行计算机仿真演化；结果统计步骤，收集预测结论，为后续研究、分析与决策提供支持。

本发明采用的技术方案是：

一种通过网络用户建模的观点预测方法，基于改进型离散行为与连续观点交流特性，包括以下步骤：

(1)初始化步骤，对网络拓扑信息进行数字化建模，对个体的各个观点状态进行数字量化，得到预测所需的网络结构与初始状态；

(2)建立预测模型步骤，根据得到的初始化状态，确定相应的预测推演规则，建立相应的预测模型；

(3)仿真预测步骤，根据已建立模型，预测网络用户的观点演化走势。

所述的步骤(1)初始化步骤进一步包括：

（1.1）初始化网络拓扑结构步骤，根据网络拓扑结构发现算法，得到网络的物理结构；

（1.2）初始化个体信息步骤，挖掘网络中个体的观点状态并对所述网络中的个体进行数字量化。

所述步骤(2)建立预测模型步骤中，依据所获得的初始化网络与个体的数据，建立的预测模型为多节点无向网络模型，是否同配或异配取决于网络拓扑结构。

所述多节点无向网络模型的建立步骤包括：

(2.1)多节点无向网络建立步骤，根据初始化数据，确立网络拓扑，设定个体节点个数与连接状况；

(2.2)数据代入步骤，设定所述模型中网络信息、个体观点的数据；

(2.3)模型调整步骤，通过数据训练，调整个体观点取值、网络规模等参数的取值；

(2.4)演化规则建立步骤，定义个体与个体之间的交流规则，建立完善的交流程序；

(2.5)检测步骤，检验所述观点预测方法的准确性与有效性。

所述步骤(3)仿真预测步骤中，所述步骤包括：

(3.1)仿真预测步骤，将建立预测模型步骤中确定的数据、网络拓扑、个体参数带入模型；

(3.2)根据已建立的演化规则，进行计算机仿真演化；

(3.3)结果统计步骤，收集预测结论，为后续研究、分析与决策提供支持。

所述步骤(2.4)所述的演化规则建立步骤，进一步包括：

（2.4.1）原有算法假设个体在网络中发表观点的过程是：观察邻居个体的选择，改变自己的内在倾向性，进而做出观点选择；

（2.4.2）通过改进型离散行为与连续观点算法，个体之间的观察-改进过程，简化为个体之间的直接交流过程。

所述的步骤（2.4.1）包括：

假设网络中的个体以i编号，其他参数编号如下列所示：

p_i：代表个体i的内在倾向性；

S_i：代表个体i的外在观点选择；

O_i：在原始离散行为连续观点模型中，代表个体的观点对数概率，表示为：

$O_i\left(n\right)=\log \frac{p_i\left(n\right)}{1-p_i\left(n\right)}---\left(1\right)$ 则个体的观点选择S_i即可以表示为：

S_i(n)=sign(O_i)（2）在原有算法中定义个体之间的交互规则如下：

1）、假设n为发生交互的步数，定义所有个体都更新过一次为完成一步，初始n=0；

2）、p_i并不是个体i的固定值，当个体i观察到某个邻居个体j在步数n时刻的观点选择S_j(n)=1（即选择观点A），则个体i将会改变自己的内在倾向p_i，这种变动导致i的观点变化，甚至外在选择的变化；

3）、如果观点A为最佳选择，则定义α=P(OA|A)为个体i可以观察到它的邻居个体j的选择为A的概率；对应的，如果观点B为最佳选择，定义β=P(OB|B)为个体i可以观察到它的邻居个体j的选择为B的概率；

定义个体的对数概率变化规则如下：

$O_i(n+1)=\left\{\begin{array}{ccc}{O}_i\left(n\right)+a,& \mathrm{if}& S_j\left(n\right)=+1\\ O_i\left(n\right)-b,& \mathrm{if}& S_j\left(n\right)=-1\end{array}\right.---\left(3\right)$ 其中，参数a、b定义为：

$a=\log \left(\frac{\mathrm{\α}}{1-\mathrm{\β}}\right)$

$b=\log \left(\frac{\mathrm{\β}}{1-\mathrm{\α}}\right)---\left(4\right)$ 从实际出发来考虑，可以假设个体i并不能直接观察到邻居个体j的内在倾向p_j，i只能观察到j的外在观点选择S_j；在极端情况下，某些个体可能会在一、两次观察之后即改变自己的观点选择，某些个体可能在观察到多次反对观点选择之后才改变自己的观点选择。

所述的步骤（2.4.2）包括对原有算法做出改进如下：

1）、原有式子，我们将个体直接的交互关系进行推导，省略对数概率O_i与中间参数a、b的影响，个体之间的观察与交互过程简化为如下式子：

$p_i(n+1)=\left\{\begin{array}{ccc}\frac{p_i\left(n\right)\×\mathrm{\α}}{(1-p_i\left(n\right))\×(1-\mathrm{\β})+p_i\left(n\right)\×\mathrm{\α}},& \mathrm{if}& S_j\left(n\right)=+1\\ \frac{p_i\left(n\right)\×(1-\mathrm{\α})}{(1-p_i\left(n\right))\×\mathrm{\β}+p_i\left(n\right)\×(1-\mathrm{\α})},& \mathrm{if}& S_j\left(n\right)=-1\end{array}\right.$

(5)

2）、按照创新扩散理论，根据初始倾向性不同，将个体分为五个等级，创新者、早期采纳者、大众、后期采纳者、滞后者；

3）、扩大个体的观察范围，为了检验扩大个体范围的改动在该模型下造成的影响，先将个体观察范围扩大为两个邻居个体；为了简化仿真复杂度，假设α=β，其中，α取值对观点变化的影响，可知α取值同样影响个体观点的跳变步长，α取值越大，个体越容易剧烈的变动自己的观点。

相对于现有技术而言，本发明具有以下优点：相比之前的舆论预测方法，能够更准确的反应群体结构、意见领袖等综合因素对整体网络舆论的影响，能够准确的推演出一定时期内网络舆论的发展趋势。可以为网络舆论的相关决策提供很好的支持，降低虚假言论、消极和恶意舆论造成的恶劣影响。

附图说明

图1是本发明一个在线社交网络的例图。

图2是本发明不同α参数取值影响下个体观察到邻居的行为对个体自身下一部内在观点倾向性产生的影响图。

图3是按照本方法进行的预测与统计结果的一个图例。

图4是按照本发明进行的预测与统计结果的另一个图例。

具体实施方式

下面结合实施例进一步描述本发明。本发明的范围不受这些实施例的限制，本发明的范围在权利要求书中提出。

如图1是本发明所涉及的在线社交网络的一个例图，如参考文献1：社交网络的传染现象，“科技中国”；

如图2是本发明中，不同α参数取值影响下，个体观察到邻居的行为，对个体自身下一部内在观点倾向性产生的影响。横坐标为个体当前内在倾向性，纵坐标为下一时刻个体的内在倾向性。S＝1表示个体观察到邻居选择为A，对应的，S＝-1表示个体观察到邻居选择为B。

初始化过程分为以下两个步骤：

1、初始化网络拓扑结构步骤。根据社区发现算法，得到网络拓扑结构；具体的获取网络拓扑的方法可采用现有技术，比如参考文献2（参考文献2：基于粗糙集的社区结构发现算法，朱文强伏玉琛.《计算机工程》.2011.14）中的技术。

2、初始化个体信息步骤。在复杂网络与观点动力学的研究过程中，我们经常会发现：细致地考虑多方面的因素，经过再进一步的仿真和实验，所得结果和不考虑这些因素而是以特定的随机方式进行是相同的。这说明多个(随机)因素产生的作用相互抵消了。这也是微观(考虑多随机因素)到宏观(不考虑这些随机因素)间的一种联系方式。因此有可能出现这种情况：当仔细考虑每个个体的初始状态时，却发现结果和用某种随机方式选择初始状态是相同的。个体信息获取方法可以采用现有技术，如参考文献3（参考文献3：基于NLP技术的中文网络评论观点抽取方法的研究,娄德成.上海交通大学硕士学位论文.2007,TP391.1）中的技术。

初始化步骤所得的结果就是个体倾向性参数、网络拓扑和网络规模的初始信息或统计信息。初始化过程得到的结果是个体内在观点p，1>p>0，表示该个体对某一观点的内心倾向程度。假设个体i在面对一个非A即B的观点选择时，未必有明确而清晰的选择，而是以概率p倾向观点A，那么i对观点B的倾向概率即为1-p。在CODA模型的基本假设中，如果概率p>0.5，说明i更倾向于观点A，则在i做出观点选择时，即选A（反之则i选择观点B）。但是个体i的邻节点j只能观察到i的观点选择A，不能观察到i的内在倾向性p。基于改进型离散行为与连续管道的群体交流特性，将该结果用于网络用户建模与观点预测。

在初始化步骤的基础上，根据初始化过程得到的个体网络数据，组建

预测模型，展开仿真和预测。

建立预测模型的过程分为如下五步：

1、复杂网络建立步骤。典型复杂网络的结构如图1所示，论坛、新闻评论等方面的网络会呈现出明显的社团结构或者隐式社团结构，而微博、在线社交网络（如Facebook）的结构会更紧密，具有明显的小世界同配网络特性。复杂网络的建立，可以根据现有的应用软件，获取已知网络的拓扑结构，或者采用编程软件来实现。

2、数据代入步骤。确定所述网络中个体倾向性的取值。根据前文分析可知，通过中文分词、话题聚类与语义分析技术，得到大规模网络个体的数据与观点分布比例、分布规律，然后按照该结果对个体或者节点进行随机赋值，是经过实践验证的简化个体观点赋值复杂度的有效手段。

3、模型调整步骤。调整网络的拓扑结构与个体观点分布与取值，使之更符合实际环境。

4、演化规则建立步骤，定义个体与个体之间的交互规则、从而定义整体网络舆论的演化规则。假设个体在网络中发表观点的过程是：观察邻居个体的选择，改变自己的内在倾向性，进而做出观点选择。如参考文献4（参考文献4：Anopiniondynamicsmodelforthediffusionofinnovations,PhysicaA,A.C.R.Martins,2009vol388No4,pp.3225–3232）中的算法。在本方法中，

通过改进型离散行为与连续观点算法，个体之间的观察-改进过程，简化为个体之间的直接交流过程。

为了便于描述，网络中的个体以i编号，其他参数编号如下列所示：

p_i：代表个体i的内在倾向性；

S_i：代表个体i的外在观点选择。

O_i：在原始离散行为连续观点模型中，代表个体的观点对数概率，表

示为：

$O_i\left(n\right)=\log \frac{p_i\left(n\right)}{1-p_i\left(n\right)}---\left(1\right)$

则个体的观点选择S_i即可以表示为：

S_i(n)=sign(O_i)（2）在原有算法中，定义个体之间的交互规则如下：

1）、假设n为发生交互的步数，定义所有个体都更新过一次为完成一步，初始n=0。

2）、p_i并不是个体i的固定值，当个体i观察到某个邻居个体j在步数n时刻的观点选择S_j(n)=1（即选择观点A），则个体i将会改变自己的内在倾向p_i，这种变动导致i的观点变化，甚至外在选择的变化。

3）、如果观点A为最佳选择，则定义α=P(OA|A)为个体i可以观察到它的邻居个体j的选择为A的概率。对应的，如果观点B为最佳选择，定义β=P(OB|B)为个体i可以观察到它的邻居个体j的选择为B的概率。

定义个体的对数概率变化规则如下：

$O_i(n+1)=\left\{\begin{array}{ccc}{O}_i\left(n\right)+a,& \mathrm{if}& S_j\left(n\right)=+1\\ O_i\left(n\right)-b,& \mathrm{if}& S_j\left(n\right)=-1\end{array}\right.---\left(3\right)$

其中，参数a、b定义为：

$a=\log \left(\frac{\mathrm{\α}}{1-\mathrm{\β}}\right)$

$b=\log \left(\frac{\mathrm{\β}}{1-\mathrm{\α}}\right)---\left(4\right)$

交互的方式也有诸多限制。从实际出发来考虑，可以假设个体i并不能直接观察到邻居个体j的内在倾向p_j，i只能观察到j的外在观点选择S_j。在极端情况下，某些个体可能会在一、两次观察之后即改变自己的观点选择，某些个体可能在观察到多次反对观点选择之后才改变自己的观点选择。

尽管该算法有很多优点，但是观点交互过程并不直观。在实际的网络中，个体也不仅仅只能观察到自己的邻居个体的选择，很多个体可以观察到多个其他个体的选择。故我们对原有算法做出改进如下：

1）、原有式子，我们将个体直接的交互关系进行推导，省略对数概率O_i

与中间参数a、b的影响，个体之间的观察与交互过程简化为如下式子：

$p_i(n+1)=\left\{\begin{array}{ccc}\frac{p_i\left(n\right)\×\mathrm{\α}}{(1-p_i\left(n\right))\×(1-\mathrm{\β})+p_i\left(n\right)\×\mathrm{\α}},& \mathrm{if}& S_j\left(n\right)=+1\\ \frac{p_i\left(n\right)\×(1-\mathrm{\α})}{(1-p_i\left(n\right))\×\mathrm{\β}+p_i\left(n\right)\×(1-\mathrm{\α})},& \mathrm{if}& S_j\left(n\right)=-1\end{array}\right.---\left(5\right)$

2）、按照创新扩散理论，根据初始倾向性不同，将个体分为

五个等级，创新者、早期采纳者、大众、后期采纳者、滞后者。

3）、扩大个体的观察范围，为了检验扩大个体范围的改动在

该模型下造成的影响，先将个体观察范围扩大为两个邻居个体。

为了简化仿真复杂度，假设α＝β，其中，α取值对观点变化的影

响见图2，可知α取值同样影响个体观点的跳变步长，α取值越大，

个体越容易剧烈的变动自己的观点。

5、检测步骤，检验所述模型的有效性。

仿真预测过程分为如下两步：

1、仿真预测步骤。

经过上述过程之后，使用Matlab展开本算法的仿真。本仿真中，n

初始值为0，每个个体的内在倾向性p由系统代入数据，同时个体选择由内在倾向性计算得到

2、结果统计步骤

从物理意义来讲，α与β的取值处于1到0.5之间，两个参数的物理意义与其对观点演化的影响，已经在前文做出讨论。在本步骤中，我们对不同参数取值影响下的观点走势做出统计与讨论。

如图3表示的是在A观点达到统一的情况下，不同参数取值下，个体采纳A观点的比例随着步长的变化。样本个数为900，A观点最终获胜。图中，当假α为0.6时，在观测的第25、50、75、至300步中，设持有A观点数值的个体数分别为6、24、56、101、160、236、326、430、552、690、809和899；当假α为0.9时，在观测的第25、50、75、至300步中，设持有A观点数值的个体数分别为46、196、466、806、899、900、900、900、900、900、900和900。

如图4表示的是早期采纳者为初始分布，以及早期采纳者为集中分布两种情况下，各自得到100次A观点获胜平均值的对比。从图中可以看出，集中分布情况下，观点收敛速度与之前研究者已经确定的“随机分布的早期采纳者优势”相比，效果相近，在α取值较大时（表示为激进、动荡的网络观点状态）甚至更有优势。

从上述结果可以得到结论：初始个体的观点分布，同样对观点发展趋势造成较为重要的影响，在个体观察范围普遍扩大到两个邻居个体的同时，初始呈集中分布态势的观点集体，对后续观点趋势有着相对重要的优势。其效果并不亚于前期研究所涉及的“随机分布的早期采纳者对观点分布的优势”。可以假设，当个体的观察范围进一步扩大时，集中分布的观点群体的优势会继续扩大。

本发明首先对网络信息进行预处理，针对个体和网络拓扑的具体信息进行模式量化；根据得到的量化信息，初始化网络社区的结构与个体状态，建立相应的预测模型；基于该模型来分析网络舆论的发展趋势。在已给定网络用户状态与网络拓扑结构的环境，本发明的方法可以更为有效的预测网络中某观点的走势，进而对网络舆论的预测、突发事件的应对策略以及网络用户和观点走势之间的相互影响规律做出总结。

以上对本发明所提供的基于改进型离散行为与连续观点交流特性的网络用户建模与观点预测方法进行了详细介绍，以上参照附图对本申请的示例性的实施方案进行了描述。本领域技术人员应该理解，上述实施方案仅仅是为了说明的目的而所举的示例，而不是用来进行限制，凡在本申请的教导和权利要求保护范围下所作的任何修改、等同替换等，均应包含在本申请要求保护的范围内。

Claims (5)

1.一种通过网络用户建模的观点预测方法，其特征在于,基于改进型离散行为与连续观点交流特性，包括以下步骤：

(1)初始化步骤，对网络拓扑信息进行数字化建模，对个体的各个观点状态进行数字量化，得到预测所需的网络结构与初始状态；

(2)建立预测模型步骤，依据所获得的初始化网络与个体的数据，建立的预测模型为多节点无向网络模型，是否同配或异配取决于网络拓扑结构；所述多节点无向网络模型的建立步骤包括：

(2.1)多节点无向网络建立步骤，根据初始化数据，确立网络拓扑，设定个体节点个数与连接状况；

(2.2)数据代入步骤，设定所述模型中网络信息、个体观点的数据；

(2.3)模型调整步骤，通过数据训练，调整个体观点取值、网络规模参数的取值；

(2.4)演化规则建立步骤，定义个体与个体之间的交流规则，建立完善的交流程序；

(2.5)检测步骤，检验所述观点预测方法的准确性与有效性；

(3)仿真预测步骤，根据已建立模型，预测网络用户的观点演化走势；所述步骤(3)进一步包括：

(3.1)仿真预测步骤，将建立预测模型步骤中确定的数据、网络拓扑、个体参数带入模型；

(3.2)根据已建立的演化规则，进行计算机仿真演化；

(3.3)结果统计步骤，收集预测结论，为后续研究、分析与决策提供支持。

2.根据权利要求1所述的一种通过网络用户建模的观点预测方法，其特征在于，所述的步骤(1)初始化步骤进一步包括：

(1.1)初始化网络拓扑结构步骤，根据网络拓扑结构发现算法，得到网络的物理结构；

(1.2)初始化个体信息步骤，挖掘网络中个体的观点状态并对所述网络中的个体进行数字量化。

3.根据权利要求1所述的一种通过网络用户建模的观点预测方法，其特征在于，所述步骤(2.4)进一步包括：

(2.4.1)原有算法假设个体在网络中发表观点的过程是：观察邻居个体的选择，改变自己的内在倾向性，进而做出观点选择；

(2.4.2)通过改进型离散行为与连续观点算法，个体之间的观察-改进过程，简化为个体之间的直接交流过程。

4.根据权利要求3所述的一种通过网络用户建模的观点预测方法，其特征在于，所述步骤(2.4.1)具体为：

假设网络中的个体以i编号，其他参数编号如下列所示：

p_i：代表个体i的内在倾向性；

S_i：代表个体i的外在观点选择；

O_i：在原始离散行为连续观点模型中，代表个体的观点对数概率，表示为：

$O_i\left(n\right)=log\frac{p_i\left(n\right)}{1-p_i\left(n\right)}---\left(1\right)$

则个体的观点选择S_i即可以表示为：

S_i(n)＝sign(O_i)(2)

在原有算法中定义个体之间的交互规则如下：

1)、假设n为发生交互的步数，定义所有个体都更新过一次为完成一步，初始n＝0；

2)、p_i并不是个体i的固定值，当个体i观察到某个邻居个体j在步数n时刻选择观点A，则个体i将会改变自己的内在倾向p_i，这种变动导致i的观点变化，甚至外在选择的变化；

3)、如果观点A为最佳选择，则定义α＝P(OA|A)为个体i可以观察到它的邻居个体j的选择为A的概率；对应的，如果观点B为最佳选择，定义β＝P(OB|B)为个体i可以观察到它的邻居个体j的选择为B的概率；

定义个体的对数概率变化规则如下：

$O_i(n+1)=\left\{\begin{array}{ccc}{O}_i\left(n\right)+a,& if& S_j\left(n\right)=+1\\ O_i\left(n\right)-b,& if& S_j\left(n\right)=-1\end{array}\right.---\left(3\right)$

其中，

S_j(n)＝1表示个体的选择观点为A；

S_j(n)＝-1表示个体的选择观点为B；

参数a、b定义为：

$\begin{array}{c}a=\log \left(\frac{\mathrm{\α}}{1-\mathrm{\β}}\right);\\ b=log\left(\frac{\mathrm{\β}}{1-\mathrm{\α}}\right);\end{array}---\left(4\right)$

从实际出发来考虑，可以假设个体i并不能直接观察到邻居个体j的内在倾向p_j，i只能观察到j的外在观点选择S_j；在极端情况下，某些个体可能会在一、两次观察之后即改变自己的观点选择，某些个体可能在观察到多次反对观点选择之后才改变自己的观点选择。

5.根据权利要求4所述的一种通过网络用户建模的观点预测方法，其特征在于，所述的步骤(2.4.2)包括对原有算法做出改进如下：

1)、原有算法，我们将个体直接的交互关系进行推导，省略对数概率O_i与中间参数a、b的影响，个体之间的观察与交互过程简化为如下式子：

$p_i(n+1)=\left\{\begin{array}{ccc}\frac{p_i\left(n\right)\×\mathrm{\α}}{(1-p_i(n\left)\right)\×(1-\mathrm{\β})+p_i\left(n\right)\×\mathrm{\α}},& if& S_j\left(n\right)=+1\\ \frac{p_i\left(n\right)\×\left(1-\mathrm{\α}\right)}{(1-p_i(n\left)\right)\×\mathrm{\β}+p_i\left(n\right)\×\left(1-\mathrm{\α}\right)},& if& S_j\left(n\right)=-1\end{array}\right.---\left(5\right)$

2)、按照创新扩散理论，根据初始倾向性不同，将个体分为五个等级，创新者、早期采纳者、大众、后期采纳者、滞后者；

3)、扩大个体的观察范围，为了检验扩大个体范围的改动在该模型下造成的影响，先将个体观察范围扩大为两个邻居个体；为了简化仿真复杂度，假设α＝β，其中，α取值对观点变化的影响，可知α取值同样影响个体观点的跳变步长，α取值越大，个体越容易剧烈的变动自己的观点。