CN104573038B - 一种社交网络中群体行为的引导方法 - Google Patents
一种社交网络中群体行为的引导方法 Download PDFInfo
- Publication number
- CN104573038B CN104573038B CN201510025468.0A CN201510025468A CN104573038B CN 104573038 B CN104573038 B CN 104573038B CN 201510025468 A CN201510025468 A CN 201510025468A CN 104573038 B CN104573038 B CN 104573038B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- community
- agt
- behavioural characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
Abstract
本发明公开了一种社交网络中群体行为的引导方法,其特征是按如下步骤进行:1、定义一个待监控的网络环境;2、采用社区发现算法将社交网络划分成社区;3、对每个社区进行特征词语的提取,获得每个社区的行为特征;4、在每个社区中定义一个智能体,设定智能体的行为特征,并将智能体加入到与他行为特征最相似的参与者周围;5、协调控制智能体的行为特征,从而引导其他参与者的行为特征,进而引导整个社交网络的群体行为。本发明能够在社交网络中发现舆情时,及时有效地引导社交网络中的参与者的群体行为,达到舆情引导的目的,从而引导社会生态向有序健康的方向发展。
Description
技术领域
本发明属于网络舆情监侧面引导领域,尤其是涉及一种在线社交网络中通过数据挖掘技术控制智能体的行为特征来引导群体行为的方法。
背景技术
互联网时代是人类历史上一个空前伟大的技术革命时代。现代信息技术、通讯传播技术、网络技术等众多现代化的传播技术已渗透到社会生活的各个领域。互联网广泛性、即时性、开放性、共享性和互动性的特点及丰富多彩、方便实用的应用形式决定其日益成为反映社情民意的重要阵地,网上热点层出不穷,网络舆情对国家事务、公共事务决策的影响力也日益加大。网络虚拟舆情备受关注,因其是窥探当下社会现实舆情的风向标。网络和群体性事件的结合,蕴含了更多的不稳定性、辐射性和危害性。网络群体性事件的发展遵循着潜伏和酝酿、爆发和高潮、平息和善后几个必经阶段,研究其发生机理和规律可备有效应对。针对近年来频发的网络群体性事件,要趋利避害,有效疏导和规制,引导社会生态向有序健康的方向发展。
有关网络群体性事件的定义,学界说法不一,但大体可以把其看作是群体性事件借助网络平台表现出的一种特殊形态,是指在互联网上参与主体很容易并很乐意在网络上发表自己对某一社会问题和社会现象的看法,发泄情绪,并且目标指向明确,从而引起关注、跟帖,进而引起大范围的争议和讨论,形成较大的舆论风潮,借用传播学中的“议程设置理论”和“沉默的螺旋理论”,意见领袖很容易带领网民进入一个新议题的讨论和持续关注,无论传播效果如何,是否达到初衷,毋庸置疑的是,此话题成为近一个时期内关注较多的热点话题,由于借用了网络传播的巨大威力,可能做到“一呼百万应”,从而产生巨大的舆论影响力。网络群体性事件的性质不等同于群体性事件,网络群体性事件的发生背景是随着互联网技术的普及,公众民主意识的增强,在面临当下转型期的社会现实问题的时候,群众需要寻找话语制度体系之外的另一种发声渠道,来与政府和其他公众沟通信息,表达意见,因此集结成利益共同体。这其中不仅包含有相同诉求的公众,即使是事件的利益无关者也加入其中,短时期内形成较强的舆论攻势,成为一个时期的社会热点话题,甚至可能发展为网下的现实冲突。网络本身的匿名性、交互性、低成本操作以及参与的平等性等特性也越来越成为网络是公众表达意见、参与协商、谋求权利的广阔空间的理由。历史原因曾使中国长期处于封闭状态,国内关于舆情的研究起步较晚,目前迫切需要提升与之相应的理论和技术支持。舆情分析与监测是信息深加工,以往“剪报”式低价值粗加工的信息服务,虽可按主题范围搜集,但提供的结果仅局限于单一的信息内容,传统的单一线性收集方式已不能够满足人类大脑发散思维的需要。
虽然关于社交网络中群体行为引导的研究已经在如下三个方面展开了一些工作:社交网络中的舆情分析、社交网络中信任的衡量和管理、以及社交网络群体行为形成与互动规律,但是社交网络中群体行为的监测引导问题还没有被完全解决,仍然是一个开放问题,因此需要在已有的研究工作基础之上研究新理论和新方法来支撑社交网络中群体行为的引导,达到对舆情的监测和引导。特别是,在指定的一个特定的需要监测的社交网络中,如何引导社交网络中参与者尽可能少的参与到这个舆情中,是社交网络中群体行为引导亟待解决的问题。
舆情引导从国家社会角度是一个亟待解决的关键问题。而社交网络中现有的群体行为引导手段主要包括,利用行政手段约束,主流媒体引导和雇佣大量人员发布正面消息等。但是这些手段简单粗暴,容易造成参与者的反向认知、情绪累加和政治冷漠等问题,并且需要大量人工参与,效果极其低下。因此亟待一种能加强参与者之间关系,从而通过技术手段、利用现代计算能力有效自动引导群体行为向良好方向发展的方法。但是从技术层面来说,实现有效自动的群体行为引导存在各种各样需要解决的技术障碍。
第一,管理员的角度来看,首先监测舆情,也就是监测分布式社交网络中参与者的每个行为的可信度的一件很困难的事情,特别是当参与者之间交流是否公开的时候。
第二,网络中的管理员不能完全控制社交网络中的参与者,是他们的行为是可信的,也就是网络行为的自由化。虽然管理员可以关闭行为不可信的参与者的账户,但是由于社交网络的开放特征,他们可以注册另外的账户,返回到社交网络中,继续散布不良舆论和不可信行为。
第三,从参与者角度来看,首先因为人类是社会化的,而且人类的每个行为都受到其他人的行为的影响,每个参与者的行为的信任状态都受到社交网络中其他参与者行为的信任状态的影响,也就是社交网络中所谓的同质性。在已有的社交网络中信任管理的相关文献中,同质性。在已有的社交网络中信任管理的相关文献中,同质性没有被合适的考虑过。详细来说,在社交网络中如果一个参与者周围的所有其他参与者的行为都是可信的,这个参与者的行为将倾向于可信。
第四,在社交网络中每个参与者都有自己的权利去做自己喜欢的事情,也就是自由选择权,只要这件事不违反任何法律。
发明内容
针对上述社交网络中通过群体行为来引导舆情中存在的问题,本发明提出一种社交网络中群体行为的引导方法,以期能够在社交网络中发现舆情时,及时有效地引导社交网络中的参与者的群体行为,达到舆情引导的目的,从而引导社会生态向有序健康的方向发展。
本发明为解决技术问题采用如下技术方案:
本发明一种社交网络中群体行为的引导方法的特点是按如下步骤进行:
步骤一、定义所述社交网络表征为G={V,E,U},V={v1,v2,…,vi,…,vn}表示所述社交网络G中所有参与者的集合,vi表示第i个参与者;n为参与者的总数;E={eij|i=1,2,…,n;j=1,2,…,n}表示任意两个参与者之间的联系的集合;eij表示第i个参与者vi与第j个参与者vj之间的联系;若第i个参与者vi与第j个参与者vj之间存在联系,则eij=1;否则,eij=0;U={U1,U2,…,Ui,…,Un}表示所述社交网络G的群体行为集合;Ui表示所述群体行为集合U中第i个参与者vi的行为集合;
步骤二、采用社区发现算法将所述社交网络G划分成k个社区集合C={C1,C2,…,Cα,…,Ck};Cα表示第α个社区;α=1,2,…,k;令所述k个社区集合C中每个社区的参与者所对应的行为集合为X={X1,X2,…,Xα,…,Xk};Xα表示所述第α个社区Cα中所有参与者的行为集合;并有 表示所述第α个社区Cα中第βα个参与者的行为集合;τα表示所述第α个社区Cα中所有参与者的总数;
步骤三、将所述第α个社区Cα中所有参与者的行为集合Xα进行特征词语的提取,获得所述第α个社区Cα中所有参与者的初始行为特征集合 表示所述第α个社区Cα中第βα个参与者的初始行为特征集合;从而获得所述社区集合C的群体行为特征集合W={W1,W2,…,Wα,…,Wk};Wα表示所述第α个社区Cα的行为特征集合;
从所述社区集合C的群体行为特征集合W中选取θ个特征词语作为监控集合Z并构成监控区域;若所述第i个参与者vi的行为特征集合与所述监控集合Z的交集为空,则表示所述第i个参与者vi不在监控区域内,否则表示所述第i个参与者vi在监控区域内;
步骤四、在所述k个社区集合C的每个社区中定义一个智能体,从而获得智能体集合Agt={Agt1,Agt2,…,Agtα,…,Agtk};Agtα表示所述第α个社区Cα中的智能体;
根据所述第α个社区Cα的行为特征集合Wα设计所述第α个智能体Agtα的行为特征集合从所述第α个社区Cα中所有参与者的初始行为特征集合Xα'中找到与所述第α个智能体Agtα的行为特征集合最相似的行为特征集合所对应的参与者;并将所述第α个智能体Agtα与所述最相似的行为特征集合所对应的参与者建立联系;
若所述第α个智能体Agtα的行为特征集合与所述监控集合Z的交集为空,则表示所述第α个智能体Agtα不在监控区域内,否则表示所述第α个智能体Agtα在监控区域内;
步骤五、通过控制所述第α个社区Cα中的智能体Agtα的行为特征集合引导所述第α个社区Cα中所有参与者的行为集合Xα;进而通过控制所述智能体集合Agt中的每个智能体,引导每个社区的参与者所对应的行为集合,从而引导所述社交网络G的群体行为集合U,以实现所述社交网络G中φ%的参与者不在所述监控区域中。
本发明所述的社交网络中群体行为的引导方法的特点也在于:
所述步骤二中的社区发现算法是按如下步骤进行:
步骤1、定义迭代次数J;并初始化J=1;
步骤2、从所述社交网络G中随机选取k个参与者,作为第J次迭代时初始聚类中心集合 表示第J次迭代时第ε个初始聚类中心;1≤ε≤k;
步骤3、利用式(1)计算第i个参与者vi到所述第J次迭代时第ε个初始聚类中心的距离
步骤4、重复步骤3执行,从而获得第i个参与者vi到所述第J次迭代时每个初始聚类中心距离构成的距离集合;从所述距离集合中选取最小距离将所述第i个参与者vi划分到所述第J次迭代时最小距离所对应的第δ个社区Cδ中;1≤δ≤k;
步骤5、重复步骤3和步骤4执行,从而将所述社交网络G中n个参与者划分到所述第J次迭代时各自最小距离所对应的社区中;
步骤6、利用式(2)计算第J次迭代时第ε个聚类中心点
式(2)中,τε表示所述第ε个社区Cε中所有参与者的总数;
步骤7、将所述第ε个聚类中心点赋值给所述第ε个初始聚类中心点从而完成第ε个初始聚类中心点的更新;
步骤8、重复执行步骤6和步骤7,从而完成所有初始聚类中心点的更新;
步骤9、判断J是否等于所设定的阈值J0;若等于,则表示完成社区划分;否则,将J+1的值赋值给J;并返回步骤2顺序执行。
所述步骤三是按如下步骤进行:
步骤1、利用分词工具对所述第α个社区Cα中所有参与者的行为集合Xα进行分词和词性标注,获得具有不同词性的特征词语集合;从所述特征词语集合中选取动词词性或名词词性的特征词语构成所述第α个社区Cα中所有参与者的初始行为特征集合从所述初始行为特征集合Xα'中选择不重复的特征词语构成所述第α个社区Cα的初始行为特征集合wα={wα (1),wα (2),…,wα (e),…,wα (E)};wα (e)表示所述第α个社区Cα的初始行为特征集合wα中第e个动词词性或名词词性的特征词语;E表示不重复的特征词语的总数;
步骤2、利用式(3)获得第e个特征词语wα (e)的文档频数fα (e),从而获得所述第α个社区Cα的特征词语频数集合Fα={fα (1),fα (2),…,fα (e),…,fα (E)};
式(3)中,表示所第α个社区Cα中所有参与者的初始行为特征集合Xα'中第βα个参与者的初始行为特征集合中出现所述第e个特征词语wα (e)的次数;
步骤3、删除所述第α个社区Cα的初始行为特征集合wα中的文档频数小于所设定的频数阈值f的特征词语;从而获得所述第α个社区Cα行为特征集合Wa={wα (1),wα (2),…,wα (l),…,wα (L)};wα (l)表示所述第α个社区Cα行为特征集合中第l个特征词语;1≤l≤L≤E;
步骤4、重复执行步骤1、步骤2和步骤3,从而获得所述社区集合C的群体行为特征集合W。
所述步骤四是按如下步骤进行:
步骤1、将所述第α个社区Cα的行为特征集合Wα中所有特征词语所对应的文档频数降序排列,选取前M个文档频数所对应的特征词语构成第α个智能体Agtα的行为特征集合 表示所述第α个智能体Agtα的行为特征集合中第m个特征词语;
步骤2、利用式(4)计算所述第α个智能体Agtα的行为特征集合与所述第α个社区Cα中所有参与者的初始行为特征集合Xα'中第βα个参与者的初始行为特征集合之间的相似度
式(4)中,表示所第α个社区Cα中所有参与者的初始行为特征集合Xα'中第βα个参与者的初始行为特征集合中出现所述第m个特征词语的次数;
步骤3、重复执行步骤2执行,从而获得所述第α个智能体Agtα的行为特征集合与所述第α个社区Cα中所有参与者的初始行为特征集合Xα'中所有参与者的初始行为特征集合之间的相似度构成相似度集合,从所述相似度集合中选取最大相似度以所述最大相似度表征所述第α个社区Cα中第βψ个参与者的初始行为特征集合与所述第α个智能体Agtα的行为特征集合最相似;并将所述第α个智能体Agtα与所述第βψ个参与者建立联系;
步骤4、重复执行步骤1、步骤2和步骤3,将所述智能体集合Agt中k个智能体与其各自所述最相似的行为特征集合所对应的参与者建立联系。
所述步骤五是按如下步骤:
步骤1、利用式(5)-式(8)建立离散动力系统模型:
dpr/dt=Rpo-Qpr (5)
dar/dt=RAgtao-QAgtar (6)
n=po+pr (7)
k=ao+ar (8)
式(5)中,po表示所述监控区域外的所有参与者的总数;pr表示所述监控区域内的所有参与者的总数;R和Q分别表示所述社交网络G中所有参与者进入和退出监控区域的平均概率,0≤R≤1;0≤Q≤1;
式(6)中,ao表示所述监控区域外的所有智能体的总数;ar表示所述监控区域内的所有参与者的总数;RAgt和QAgt分别表示所述社交网络G中所有智能体进入和退出监控区域的平均概率;0≤RAgt≤1;0≤QAgt≤1;
步骤2、定义初始监控时间为t0;定义q个监控时间间隔为qτ;初始化q=1;
步骤3、初始化所有智能体进入监控区域的平均概率RAgt为所有参与者进入监控区域的平均概率R;初始化所有智能体退出监控区域的平均概率QAgt为所有参与者退出监控区域的平均概率Q;
步骤4、利用式(9)和式(10)分别获得在t0+qτ时所有智能体进入和退出的监控区域的概率和概率
式(9)和式(10),γ表示所设定的引导因子,γ≥0;
步骤5、判断所述监控区域中所有参与者的总数pr是否小于一个所设定的阈值φ%×n,若小于,则表示完成引导;否则,将q+1的值赋值给q,并返回步骤4顺序执行。
与已有技术相比,本发明有益效果体现在:
1、本发明根据社交网络中,每个人的行为都会受到其他人的行为的影响的基本原理,通过在一个特定的需监测的社交网络中引入智能体,并协调各智能体的行为特征,从而影响其他参与者的行为特征来有效地引导社交网络中的群体行为,即参与者尽可能少的参与到特定的需监测的舆情中,从而引导社会生态向有序健康的方向发展。
2、本发明提出的通过引导群体行为进行舆情引导的方法不同于以往的舆情引导方法,利用智能体具有某种程度的感知、推理、学习、自适应和协调作用的能力,并通过多个智能体协调作用来引导整个社交网络的群体行为,使得社交网络中参与舆情话题讨论的参与者尽可能少,与传统利用行政手段约束、主流媒体引导、发布正面消息等方式相比,引入智能体不仅提高了舆情引导的效率,而且不容易让参与者产生反向认识、情绪累加和政治冷漠的问题。
3、本发明中利用了离散动力系统来监控和引导社交网络中的舆情,一但监测到社交网络中监控范围内的参与者数量急剧增加,参与者的行为向不良方向发展,就改变智能体的行为特征,自发的动态引导参与者行为,从而控制舆情进一步扩散、演化,引导舆情向这会发展有益的反向发展。
具体实施方式
本实施例中,一种社交网络中群体行为引导的方法涉及在一个特定的需监控的网络环境下,通过加入智能体来引导社交网络中的群体行为;具体地说是按如下步骤进行:
步骤一、定义社交网络表征为G={V,E,U},V={v1,v2,…,vi,…,vn}表示社交网络G中所有参与者的集合,vi表示第i个参与者;n为参与者的总数;E={eij|i=1,2,…,n;j=1,2,…,n}表示任意两个参与者之间的联系的集合;eij表示第i个参与者vi与第j个参与者vj之间的联系;若第i个参与者vi与第j个参与者vj之间存在联系,则eij=1;否则,eij=0;U={U1,U2,…,Ui,…,Un}表示社交网络G的群体行为集合;Ui表示群体行为集合U中第i个参与者vi的行为集合;
步骤二、采用社区发现算法(如K-means算法)将社交网络划分成k个社区集合C={C1,C2,…,Cα,…,Ck};Cα表示第α个社区;α=1,2,…,k;令社区集合C中每个社区的参与者所对应的行为集合为X={X1,X2,…,Xα,…,Xk};Xα表示第α个社区Cα中所有参与者的行为集合;并有 表示第α个社区Cα中第βα个参与者的行为集合;τα表示第α个社区Cα中所有参与者的总数,并有τ1+τ2+…+τα+…+τk=n;
步骤2.1、定义迭代次数J;并初始化J=1;
步骤2.2、从社交网络G中随机选取k个参与者,作为第J次迭代时初始聚类中心集合 表示第J次迭代时第ε个初始聚类中心;1≤ε≤k;
步骤2.3、利用式(1)计算第i个参与者vi到第J次迭代时第ε个初始聚类中心的距离
步骤2.4、重复步骤2.3执行,从而获得第i个参与者vi到第J次迭代时每个初始聚类中心距离构成的距离集合;从距离集合中选取最小距离将第i个参与者vi划分到第J次迭代时最小距离所对应的第δ个社区Cδ中;1≤δ≤k;
步骤2.5、重复步骤2.3和步骤2.4执行,从而将社交网络G中n个参与者划分到第J次迭代时各自最小距离所对应的社区中;
将所有参与者都划分到各自社区中后,为了使划分结果更准确,需要再重新选择聚类中心,再进行划分;具体步骤为步骤2.6、步骤2.7、步骤2.8、步骤2.9:
步骤2.6、利用式(2)计算第J次迭代时第ε个聚类中心点
式(2)中,τε表示第ε个社区Cε中所有参与者的总数;
步骤2.7、将第ε个聚类中心点赋值给第ε个初始聚类中心点从而完成第ε个初始聚类中心点的更新;
步骤2.8、重复执行步骤2.6和步骤2.7,从而完成所有初始聚类中心点的更新;
步骤2.9、判断J是否等于所设定的阈值J0;若等于,则表示完成社区划分;否则,将J+1的值赋值给J;并返回步骤2.2顺序执行;
步骤三、将第α个社区Cα中所有参与者的行为集合Xα进行特征词语的提取,获得第α个社区Cα中所有参与者的初始行为特征集合 表示第α个社区Cα中第βα个参与者的初始行为特征集合;从而获得社区集合C的群体行为特征集合W={W1,W2,…,Wα,…,Wk};Wα表示第α个社区Cα的行为特征集合;
从社区集合C的群体行为特征集合W中选取θ个特征词语作为监控集合Z并构成监控区域;若第i个参与者vi的行为特征集合与监控集合Z的交集为空,则表示第i个参与者vi不在监控区域内,否则表示第i个参与者vi在监控区域内;
步骤3.1、利用分词工具,如Part_Of_Speeach Tagger工具等对第α个社区Cα中所有参与者的行为集合Xα进行分词和词性标注,获得具有不同词性的特征词语集合;从特征词语集合中选取动词词性或名词词性的特征词语,从而构成第α个社区Cα中所有参与者的初始行为特征集合从初始行为特征集合Xα'中选择不重复的特征词语构成第α个社区Cα的初始行为特征集合wα={wα (1),wα (2),…,wα (e),…,wα (E)};表示第α个社区Cα的初始行为特征集合wα中第e个动词词性或名词词性的特征词语;E表示不重复的特征词语的总数;
步骤3.2、利用式(3)获得第e个特征词语wα (e)的文档频数fα (e),从而获得第α个社区Cα的特征词语频数集合Fα={fα (1),fα (2),…,fα (e),…,fα (E)};
式(3)中,表示第α个社区Cα中所有参与者的初始行为特征集合Xα'中第βα个参与者的初始行为特征集合中出现第e个特征词语wα (e)的次数;
在得到文档频数集合后,为了剔除噪音信息等目的,需要进一步处理,剔除一些特征词语;具体如步骤3.3和步骤3.4;
步骤3.3、删除第α个社区Cα的初始行为特征集合wα中的文档频数小于所设定的频数阈值f的特征词语;从而获得第α个社区Cα行为特征集合Wa={wα (1),wα (2),…,wα (l),…,wα (L)};wα (l)表示第α个社区Cα行为特征集合中第l个特征词语;1≤l≤L≤E;
步骤3.4、重复执行步骤3.1、步骤3.2和步骤3.3,获得k个社区的行为特征,从而获得社区集合C的群体行为特征集合W;
步骤四、在k个社区集合C的每个社区中定义一个智能体,从而获得智能体集合Agt={Agt1,Agt2,…,Agtα,…,Agtk};Agtα表示第α个社区Cα中的智能体;
根据第α个社区Cα的行为特征集合Wα设计第α个智能体Agtα的行为特征集合从第α个社区Cα中所有参与者的初始行为特征集合Xα'中找到与第α个智能体Agtα的行为特征集合最相似的行为特征集合所对应的参与者;并将第α个智能体Agtα与最相似的行为特征集合所对应的参与者建立联系;
若第α个智能体Agtα的行为特征集合与监控集合Z的交集为空,则表示第α个智能体Agtα不在监控区域内,否则表示第α个智能体Agtα在监控区域内;
步骤4.1、将第α个社区Cα的行为特征集合Wα中所有特征词语所对应的文档频数降序排列,选取前M个文档频数所对应的特征词语构成第α个智能体Agtα的行为特征集合 表示第α个智能体Agtα的行为特征集合中第m个特征词语;
步骤4.2、利用式(4)计算第α个智能体Agtα的行为特征集合与第α个社区Cα中所有参与者的初始行为特征集合Xα'中第βα个参与者的初始行为特征集合之间的相似度
式(4)中,表示所第α个社区Cα中所有参与者的初始行为特征集合Xα'中第βα个参与者的初始行为特征集合中出现第m个特征词语的次数;
步骤4.3、重复执行步骤4.2执行,从而获得第α个智能体Agtα的行为特征集合与第α个社区Cα中所有参与者的初始行为特征集合Xα'中所有参与者的初始行为特征集合之间的相似度构成相似度集合,从相似度集合中选取最大相似度以最大相似度表征第α个社区Cα中第βψ个参与者的初始行为特征集合与第α个智能体Agtα的行为特征集合最相似;并将第α个智能体Agtα与第βψ个参与者建立联系;
步骤4.4、重复执行步骤4.1、步骤4.2和步骤4.3,将智能体集合Agt中k个智能体与其各自最相似的行为特征集合所对应的参与者建立联系;
步骤五、通过控制第α个社区Cα中的智能体Agtα的行为特征集合引导第α个社区Cα中所有参与者的行为集合Xα;进而通过控制智能体集合Agt中的智能体,引导每个社区的参与者所对应的行为集合,从而引导社交网络G的群体行为集合U,以实现社交网络G中φ%的参与者不在监控区域中;例如,引入一种只需要少量智能体的社交网络,然后用下面的离散动力系统来监控和引导需要监控的群体;
步骤5.1、利用式(5)-式(8)建立离散动力系统模型:
dpr/dt=Rpo-Qpr (5)
dar/dt=RAgtao-QAgtar (6)
n=po+pr (7)
k=ao+ar (8)
式(5)中,po表示监控区域外的所有参与者的总数;pr表示监控区域内的所有参与者的总数;R和Q分别表示社交网络G中所有参与者进入和退出监控区域的平均概率,0≤R≤1;0≤Q≤1;
式(6)中,ao表示监控区域外的所有智能体的总数;ar表示监控区域内的所有参与者的总数;RAgt和QAgt分别表示社交网络G中所有智能体进入和退出监控区域的平均概率;0≤RAgt≤1;0≤QAgt≤1
式(7)中n表示社交网络中参与者总数,式(8)中k表示社区的总数;
在一个特定社交网络中,随机设定一个监控区域,每隔一段时间Δt观察并记录监控区域内和监控区域外的参与者的数量pr和po,以及在Δt时间段内监控区域内的参与者数量变化dpr;这样观察记录Ν次后,根据式(5)多次计算求平均值计算出社交网络中所有参与者进入和退出监控区域的平均概率R和Q;
步骤5.2、定义初始监控时间为t0;定义q个监控时间间隔为qτ;初始化q=1;
步骤5.3、初始化所有智能体进入监控区域的平均概率RAgt为所有参与者进入监控区域的平均概率R;初始化所有智能体退出监控区域的平均概率QAgt为所有参与者退出监控区域的平均概率Q;
步骤5.4、利用式(9)和式(10)分别获得在t0+qτ时所有智能体进入和退出的监控区域的概率和概率
式(9)和式(10),γ表示所设定的引导因子,γ≥0;由式(9)和式(10)计算出的智能体进入和退出监控区域的概率和要满足式(6)所示的代数关系。
步骤5.5、判断监控区域中所有参与者的总数pr是否小于一个所设定的阈值φ%×n,若小于,则表示完成引导;否则,将q+1的值赋值给q,并返回步骤5.4顺序执行。
假设监控一段时间t后,社交网络中出现了舆情,即监测区域内的参与者数量急剧增加,并呈上升趋势,社区Cα的行为特征变为其中w'表示呈现舆情的行为特征,此时由式(9)和(10)计算智能体进入和退出监控区域的概率和通过智能体进入、退出监控区域和相互的协调作用来影响其他参与者,将其他参与者尽可能多的带出监控区域,使得社交网络中参与舆情话题讨论的参与者尽可能少,从而达到引导和控制舆情的目的,控制舆情进一步扩散、演化,引导舆情向这会发展有益的反向发展。
Claims (5)
1.一种社交网络中群体行为的引导方法,其特征是按如下步骤进行:
步骤一、定义所述社交网络表征为G={V,E,U},V={v1,v2,…,vi,…,vn}表示所述社交网络G中所有参与者的集合,vi表示第i个参与者;n为参与者的总数;E={eij|i=1,2,…,n;j=1,2,…,n}表示任意两个参与者之间的联系的集合;eij表示第i个参与者vi与第j个参与者vj之间的联系;若第i个参与者vi与第j个参与者vj之间存在联系,则eij=1;否则,eij=0;U={U1,U2,…,Ui,…,Un}表示所述社交网络G的群体行为集合;Ui表示所述群体行为集合U中第i个参与者vi的行为集合;
步骤二、采用社区发现算法将所述社交网络G划分成k个社区集合C={C1,C2,…,Cα,…,Ck};Cα表示第α个社区;α=1,2,…,k;令所述k个社区集合C中每个社区的参与者所对应的行为集合为X={X1,X2,…,Xα,…,Xk};Xα表示所述第α个社区Cα中所有参与者的行为集合;并有 表示所述第α个社区Cα中第βα个参与者的行为集合;τα表示所述第α个社区Cα中所有参与者的总数;
步骤三、将所述第α个社区Cα中所有参与者的行为集合Xα进行特征词语的提取,获得所述第α个社区Cα中所有参与者的初始行为特征集合 表示所述第α个社区Cα中第βα个参与者的初始行为特征集合;从而获得所述社区集合C的群体行为特征集合W={W1,W2,…,Wα,…,Wk};Wα表示所述第α个社区Cα的行为特征集合;
从所述社区集合C的群体行为特征集合W中选取θ个特征词语作为监控集合Z并构成监控区域;若所述第i个参与者vi的行为特征集合与所述监控集合Z的交集为空,则表示所述第i个参与者vi不在监控区域内,否则表示所述第i个参与者vi在监控区域内;
步骤四、在所述k个社区集合C的每个社区中定义一个智能体,从而获得智能体集合Agt={Agt1,Agt2,…,Agtα,…,Agtk};Agtα表示所述第α个社区Cα中的智能体;
根据所述第α个社区Cα的行为特征集合Wα设计所述第α个智能体Agtα的行为特征集合从所述第α个社区Cα中所有参与者的初始行为特征集合Xα'中找到与所述第α个智能体Agtα的行为特征集合最相似的行为特征集合所对应的参与者;并将所述第α个智能体Agtα与所述最相似的行为特征集合所对应的参与者建立联系;
若所述第α个智能体Agtα的行为特征集合与所述监控集合Z的交集为空,则表示所述第α个智能体Agtα不在监控区域内,否则表示所述第α个智能体Agtα在监控区域内;
步骤五、通过控制所述第α个社区Cα中的智能体Agtα的行为特征集合引导所述第α个社区Cα中所有参与者的行为集合Xα;进而通过控制所述智能体集合Agt中的每个智能体,引导每个社区的参与者所对应的行为集合,从而引导所述社交网络G的群体行为集合U,以实现所述社交网络G中φ%的参与者不在所述监控区域中。
2.根据权利要求1所述的社交网络中群体行为的引导方法,其特征在于:所述步骤二中的社区发现算法是按如下步骤进行:
步骤1、定义迭代次数J;并初始化J=1;
步骤2、从所述社交网络G中随机选取k个参与者,作为第J次迭代时初始聚类中心集合 表示第J次迭代时第ε个初始聚类中心;1≤ε≤k;
步骤3、利用式(1)计算第i个参与者vi到所述第J次迭代时第ε个初始聚类中心的距离
<mrow>
<msubsup>
<mi>D</mi>
<mi>&epsiv;</mi>
<mrow>
<mo>(</mo>
<mi>J</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<msqrt>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>u</mi>
<mi>&epsiv;</mi>
<mrow>
<mo>(</mo>
<mi>J</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤4、重复步骤3执行,从而获得第i个参与者vi到所述第J次迭代时每个初始聚类中心距离构成的距离集合;从所述距离集合中选取最小距离将所述第i个参与者vi划分到所述第J次迭代时最小距离所对应的第δ个社区Cδ中;1≤δ≤k;
步骤5、重复步骤3和步骤4执行,从而将所述社交网络G中n个参与者划分到所述第J次迭代时各自最小距离所对应的社区中;
步骤6、利用式(2)计算第J次迭代时第ε个聚类中心点
<mrow>
<msubsup>
<mi>u</mi>
<mi>&epsiv;</mi>
<mrow>
<mrow>
<mo>(</mo>
<mi>J</mi>
<mo>)</mo>
</mrow>
<mo>&prime;</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>&tau;</mi>
<mi>&epsiv;</mi>
</msub>
</msubsup>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>c</mi>
<mi>&epsiv;</mi>
</msub>
</mrow>
<msub>
<mi>&tau;</mi>
<mi>&epsiv;</mi>
</msub>
</msubsup>
<mn>1</mn>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式(2)中,τε表示所述第ε个社区Cε中所有参与者的总数;
步骤7、将所述第ε个聚类中心点赋值给所述第ε个初始聚类中心点从而完成第ε个初始聚类中心点的更新;
步骤8、重复执行步骤6和步骤7,从而完成所有初始聚类中心点的更新;
步骤9、判断J是否等于所设定的阈值J0;若等于,则表示完成社区划分;否则,将J+1的值赋值给J;并返回步骤2顺序执行。
3.根据权利要求1所述的社交网络中群体行为的引导方法,其特征在于:所述步骤三是按如下步骤进行:
步骤1、利用分词工具对所述第α个社区Cα中所有参与者的行为集合Xα进行分词和词性标注,获得具有不同词性的特征词语集合;从所述特征词语集合中选取动词词性或名词词性的特征词语构成所述第α个社区Cα中所有参与者的初始行为特征集合从所述初始行为特征集合Xα'中选择不重复的特征词语构成所述第α个社区Cα的初始行为特征集合wα={wα (1),wα (2),…,wα (e),…,wα (E)};wα (e)表示所述第α个社区Cα的初始行为特征集合wα中第e个动词词性或名词词性的特征词语;E表示不重复的特征词语的总数;
步骤2、利用式(3)获得第e个特征词语wα (e)的文档频数fα (e),从而获得所述第α个社区Cα的特征词语频数集合Fα={fα (1),fα (2),…,fα (e),…,fα (E)};
<mrow>
<msup>
<msub>
<mi>f</mi>
<mi>&alpha;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>e</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>&beta;</mi>
<mi>&alpha;</mi>
</msub>
<mo>=</mo>
<msub>
<mn>1</mn>
<mi>&alpha;</mi>
</msub>
</mrow>
<msub>
<mi>&tau;</mi>
<mi>&alpha;</mi>
</msub>
</munderover>
<msub>
<mi>C</mi>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>w</mi>
<mi>&alpha;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>e</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>|</mo>
<msup>
<msub>
<mi>x</mi>
<mi>&beta;&alpha;</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式(3)中,表示所第α个社区Cα中所有参与者的初始行为特征集合Xα'中第βα个参与者的初始行为特征集合中出现所述第e个特征词语wα (e)的次数;
步骤3、删除所述第α个社区Cα的初始行为特征集合wα中的文档频数小于所设定的频数阈值f的特征词语;从而获得所述第α个社区Cα行为特征集合Wa={wα (1),wα (2),…,wα (l),…,wα (L)};wα (l)表示所述第α个社区Cα行为特征集合中第l个特征词语;1≤l≤L≤E;
步骤4、重复执行步骤1、步骤2和步骤3,从而获得所述社区集合C的群体行为特征集合W。
4.根据权利要求1或3所述的社交网络中群体行为的引导方法,其特征在于:所述步骤四是按如下步骤进行:
步骤1、将所述第α个社区Cα的行为特征集合Wα中所有特征词语所对应的文档频数降序
排列,选取前M个文档频数所对应的特征词语构成第α个智能体Agtα的行为特征集合
<mrow>
<msub>
<mi>W</mi>
<mrow>
<mi>A</mi>
<msub>
<mi>gt</mi>
<mi>&alpha;</mi>
</msub>
</mrow>
</msub>
<mo>=</mo>
<mo>{</mo>
<msup>
<msub>
<mrow>
<msup>
<msub>
<mi>w</mi>
<msub>
<mi>Agt</mi>
<mi>&alpha;</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>,</mo>
<mi>w</mi>
</mrow>
<msub>
<mi>Agt</mi>
<mi>&alpha;</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>,</mo>
<mo>.</mo>
<mo>.</mo>
<mo>.</mo>
<mo>,</mo>
<msup>
<msub>
<mi>w</mi>
<msub>
<mi>Agt</mi>
<mi>&alpha;</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>,</mo>
<mo>.</mo>
<mo>.</mo>
<mo>.</mo>
<mo>,</mo>
<msup>
<msub>
<mi>w</mi>
<msub>
<mi>Agt</mi>
<mi>&alpha;</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>}</mo>
<mo>;</mo>
</mrow>
1≤m≤M,表示所述第α个智能体Agtα
的行为特征集合中第m个特征词语;
步骤2、利用式(4)计算所述第α个智能体Agtα的行为特征集合与所述第α个社区Cα中所有参与者的初始行为特征集合Xα'中第βα个参与者的初始行为特征集合之间的相似度
<mrow>
<msub>
<mi>S</mi>
<msub>
<mi>&beta;</mi>
<mi>&alpha;</mi>
</msub>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>C</mi>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>w</mi>
<mrow>
<mi>Ag</mi>
<msub>
<mi>t</mi>
<mi>&alpha;</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<msub>
<mi>&beta;</mi>
<mi>&alpha;</mi>
</msub>
<mo>&prime;</mo>
</msubsup>
<mo>)</mo>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式(4)中,表示所第α个社区Cα中所有参与者的初始行为特征集合Xα'中第βα个参与者的初始行为特征集合中出现所述第m个特征词语的次数;
步骤3、重复执行步骤2执行,从而获得所述第α个智能体Agtα的行为特征集合与所述第α个社区Cα中所有参与者的初始行为特征集合Xα'中所有参与者的初始行为特征集合之间的相似度构成相似度集合,从所述相似度集合中选取最大相似度1≤ψ≤τα;以所述最大相似度表征所述第α个社区Cα中第βψ个参与者的初始行为特征集合与所述第α个智能体Agtα的行为特征集合最相似;并将所述第α个智能体Agtα与所述第βψ个参与者建立联系;
步骤4、重复执行步骤1、步骤2和步骤3,将所述智能体集合Agt中k个智能体与其各自所述最相似的行为特征集合所对应的参与者建立联系。
5.根据权利要求1所述的社交网络中群体行为的引导方法,其特征在于:所述步骤五是按如下步骤:
步骤1、利用式(5)-式(8)建立离散动力系统模型:
dpr/dt=Rpo-Qpr (5)
dar/dt=RAgtao-QAgtar (6)
n=po+pr (7)
k=ao+ar (8)
式(5)中,po表示所述监控区域外的所有参与者的总数;pr表示所述监控区域内的所有参与者的总数;R和Q分别表示所述社交网络G中所有参与者进入和退出监控区域的平均概率,0≤R≤1;0≤Q≤1;
式(6)中,ao表示所述监控区域外的所有智能体的总数;ar表示所述监控区域内的所有参与者的总数;RAgt和QAgt分别表示所述社交网络G中所有智能体进入和退出监控区域的平均概率;0≤RAgt≤1;0≤QAgt≤1;
步骤2、定义初始监控时间为t0;定义q个监控时间间隔为qτ;初始化q=1;
步骤3、初始化所有智能体进入监控区域的平均概率RAgt为所有参与者进入监控区域的平均概率R;初始化所有智能体退出监控区域的平均概率QAgt为所有参与者退出监控区域的平均概率Q;
步骤4、利用式(9)和式(10)分别获得在t0+qτ时所有智能体进入和退出的监控区域的概率和概率
<mrow>
<msubsup>
<mi>R</mi>
<mi>Agt</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mi>q&tau;</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&gamma;</mi>
<mo>)</mo>
</mrow>
<mi>q</mi>
</msup>
<mo>&times;</mo>
<mi>R</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>Q</mi>
<mi>Agt</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mi>q&tau;</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mfenced open='{' close=''>
<mtable>
<mtr>
<mtd>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>&gamma;</mi>
<mo>)</mo>
</mrow>
<mi>q</mi>
</msup>
<mo>&times;</mo>
<mi>Q</mi>
</mtd>
<mtd>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>&gamma;</mi>
<mo>)</mo>
</mrow>
<mi>q</mi>
</msup>
<mo>&times;</mo>
<mi>Q</mi>
<mo><</mo>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>&gamma;</mi>
<mo>)</mo>
</mrow>
<mi>q</mi>
</msup>
<mo>&times;</mo>
<mi>Q</mi>
<mo>&GreaterEqual;</mo>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
式(9)和式(10),γ表示所设定的引导因子,γ≥0;
步骤5、判断所述监控区域中所有参与者的总数pr是否小于一个所设定的阈值φ%×n,若小于,则表示完成引导;否则,将q+1的值赋值给q,并返回步骤4顺序执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510025468.0A CN104573038B (zh) | 2015-01-19 | 2015-01-19 | 一种社交网络中群体行为的引导方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510025468.0A CN104573038B (zh) | 2015-01-19 | 2015-01-19 | 一种社交网络中群体行为的引导方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104573038A CN104573038A (zh) | 2015-04-29 |
CN104573038B true CN104573038B (zh) | 2017-09-22 |
Family
ID=53089100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510025468.0A Active CN104573038B (zh) | 2015-01-19 | 2015-01-19 | 一种社交网络中群体行为的引导方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573038B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108759B (zh) * | 2017-12-19 | 2021-11-02 | 四川九洲电器集团有限责任公司 | 一种多智能体的动态编群方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102929892A (zh) * | 2011-08-12 | 2013-02-13 | 莫润刚 | 基于社交网络的信息精准推广系统及方法 |
CN103218412A (zh) * | 2013-03-26 | 2013-07-24 | 亿赞普(北京)科技有限公司 | 舆情信息处理方法与装置 |
-
2015
- 2015-01-19 CN CN201510025468.0A patent/CN104573038B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102929892A (zh) * | 2011-08-12 | 2013-02-13 | 莫润刚 | 基于社交网络的信息精准推广系统及方法 |
CN103218412A (zh) * | 2013-03-26 | 2013-07-24 | 亿赞普(北京)科技有限公司 | 舆情信息处理方法与装置 |
Non-Patent Citations (3)
Title |
---|
An agent based model for opinion dynamics with random;Yilun Shang;《Commun Nonlinear Sci Numer Simulat》;20140413;第2014卷(第19期);3766-3777 * |
吴信东等.在线社交⽹ * |
网络影响⼒力力分析.《计算机学报》.2014,第37卷(第4期),735-751. * |
Also Published As
Publication number | Publication date |
---|---|
CN104573038A (zh) | 2015-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Smith et al. | Social media dialogues in a crisis: A mixed-methods approach to identifying publics on social media | |
Kwon et al. | Social media rumors as improvised public opinion: semantic network analyses of twitter discourses during Korean saber rattling 2013 | |
Xiong et al. | Hashtag activism and message frames among social movement organizations: Semantic network analysis and thematic analysis of Twitter during the# MeToo movement | |
Li et al. | Temporal and spatial evolution of online public sentiment on emergencies | |
Pal et al. | Debunking rumors on social media: The use of denials | |
Boldi et al. | Viscous democracy for social networks | |
Liao et al. | She gets a sports car from our donation: rumor transmission in a chinese microblogging community | |
Syahputra | Expressions of hatred and the formation of spiral of anxiety on social media in Indonesia | |
Shmargad et al. | How partisan online environments shape communication with political outgroups | |
Chung et al. | The effects of offline events on online connective actions: An examination of# BoycottNFL using social network analysis | |
Phadke et al. | Educators, solicitors, flamers, motivators, sympathizers: characterizing roles in online extremist movements | |
Interian et al. | Network polarization, filter bubbles, and echo chambers: an annotated review of measures and reduction methods | |
Djerf-Pierre et al. | Introduction. Comparing gender and media equalityacross the globe: Understanding the qualities, causes, and consequences | |
Huang | Personal Character or Social Expectation: a formal analysis of ‘suzhi’in China | |
Livio | Citizenship as a communicative construct | |
CN104573038B (zh) | 一种社交网络中群体行为的引导方法 | |
Dutta et al. | Use of social media for political engagement: A literature review | |
Syahputra et al. | Escaping social media: the end of netizen’s political polarization between Islamists and nationalists in Indonesia? | |
Marian-Arnat | The narrative paradigm in conspiracy theories | |
Rony et al. | Fake news conversation network in twitter: User type, emotional appeals and motives in network formation | |
Xu et al. | How Do Multiple Actors Conduct Science Communication About Omicron on Weibo: A Mixed-Method Study | |
Xiong et al. | Correlation between information diffusion and opinion evolution on social media | |
Ige et al. | Poverty attribution in the developing world: A critical discussion on aspects of split consciousness among low income urban slum dwellers in lagos | |
Akers et al. | Changes in complete utterances following communication-based group treatment for chronic aphasia | |
Han et al. | The communication characteristics and intervention of terrorism-related public opinion an analysis of manchester bombing terrorist attack |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |