CN107194022B - 基于多维和参数动态变动的群体极化分析方法 - Google Patents

基于多维和参数动态变动的群体极化分析方法 Download PDF

Info

Publication number
CN107194022B
CN107194022B CN201710089608.XA CN201710089608A CN107194022B CN 107194022 B CN107194022 B CN 107194022B CN 201710089608 A CN201710089608 A CN 201710089608A CN 107194022 B CN107194022 B CN 107194022B
Authority
CN
China
Prior art keywords
attitude
values
individual
event
parameter
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
Application number
CN201710089608.XA
Other languages
English (en)
Other versions
CN107194022A (zh
Inventor
陈庭贵
石佳文
许翀寰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN201710089608.XA priority Critical patent/CN107194022B/zh
Publication of CN107194022A publication Critical patent/CN107194022A/zh
Application granted granted Critical
Publication of CN107194022B publication Critical patent/CN107194022B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于多维和参数动态变动的群体极化分析方法，包括：步骤1，将个体X对事件的态度量化为一个n元数组(x1,x2,x3,......xn)来表示，个体之间的态度差异则可以用n维意见空间中两点之间的距离来表示；步骤2，个体间态度值调整算法规则的定义；步骤3)将代表个体态度值的点随机地分散在多维的态度值空间中，模拟群体性事件发生初期，群众对这一事件的态度分布情况；步骤4)通过所建模型依据实际事件发展的影响力以及民众的关注度，来代入模型实现对群体性事件极化行为的分析。对于多维度评价的社会群体性事件极化行为的模拟仿真有很大的现实意义。

Description

基于多维和参数动态变动的群体极化分析方法
技术领域
本发明涉及基于多维和参数动态变动的群体极化分析方法。特别适用于现代网络社会群体极化现象的处理，如网络舆论对一事件呈现出极端的观点，有关部门能够及时处理以缓和群众的极端态度，有助于社会的安定与和谐。
技术背景
在群体性事件发生、发展的过程中，有大量的舆论传播与之相伴。研究群体性事件中的舆论传播极化现象对于防止群体性事件事态的扩大、提升政府公共管理能力有着重要意义。
态度极化模型是指将个体对事件的态度量化反映到一维态度坐标轴上，用一个区间上的值描述，典型的如xi∈[0,1]来表示个体的态度状态，而此状态在一定规则作用下在迭代过程中发生变化。这种态度表示方式可以描述个体对于某社会事件的支持度，例如态度值可对应于社会调查量表中使用的“反对，比较反对，无所谓，支持，非常支持”一类的选项设计。而在现实社会事件中，个体的评价往往并不局限于“反对-支持”的单一维度，而是存在多个维度，个体的态度由多维度上的态度综合构成。个体的态度可以是由对政府突发事件应对能力的评价，对城市基础设施建设的评价，对灾民安置、家园重建的后续工作的满意度等维度综合构成。在许多社会调查中，均会涉及到此类的多维度态度测评。考虑此类情形，构建了一种更符合现实社会心理特征的多维态度模型以更好地对个体态度极化过程进行建模和分析。在已有的极化模型基础上，将个体的意见空间由一维拓展到多维，将现有模型多是在随机网络上进行的研究扩展到更接近真实社会网络结构的BA模型上建立极化模型。
发明内容
本发明要克服现有技术的缺点，在已有的极化模型的基础上，提出了基于多维和参数动态变动的群体极化分析方法，对于多维度评价的社会群体性事件极化行为的模拟仿真有很大的现实意义。
基于多维和参数动态变动的群体极化分析方法，包括以下步骤(如图1所示)： 1)将个体X对事件的态度量化为一个n元数组(x1,x2,x3,......xn)来表示，其中 xi∈[0,1]，初始化为定义区间上服从均匀分布的随机值。则每个个体的意见可以看作n维意见空间中的一个点，个体之间的态度差异则可以用n维意见空间中两点之间的距离来表示，比如个体X和个体Y，两个体的态度值分别为 (x1,x2,x3,…,xn)和(y1,y2,y3,…,yn)。
X和Y之间的态度距离定义为：
Figure DEST_PATH_IMAGE001
2)个体间态度值调整算法规则的定义：
21)同化规则
如果X和Y之间的态度距离小于d1，即：
Figure DEST_PATH_IMAGE002
此时，X，Y两个体的态度值更新为：
Figure DEST_PATH_IMAGE003
参数λi表示两个体间不同维度态度值同化的调整参数，λi值的计算如下：
Figure DEST_PATH_IMAGE004
其中i＝1,2,3,…,n，λ∈(0,0.5)，λ表示在同化范围内，态度值无限接近的两个个体的态度调整值，λi称为收敛(convergence)参数。
22)相斥规则
如果X和Y之间的态度距离大于d2，即
Figure DEST_PATH_IMAGE005
此时，X，Y两个体的态度值更新为：
Figure DEST_PATH_IMAGE006
参数μi表示两个体间不同维度态度值相斥的调整参数，μi值的计算如下：
Figure DEST_PATH_IMAGE007
其中i＝1,2,3,…,n，μ表示在距离为d2时的态度调整值g(x)是关于态度值调整的函数，xi,yi∈[0,1]，μ＞0，μi称为发散参数。
23)中立规则
在其他情况下，X,Y两个体的态度值不发生改变。
3)将代表个体态度值的点随机地分散在多维的态度值空间中，模拟群体性事件发生初期，群众对这一事件的态度分布情况。
4)d1、d2的取值根据群体性事件产生影响的大小以及引发群众的关注度和反响度的不同来取值，不同事件取值大小会有所不同，极化行为模拟仿真结果也会不同。在这一事件中，对d1的取值范围在1～1.2之间、d2取值范围大于1.6。这类事件中，d1的取值范围在0.3～0.6之间、d2取值范围在1.3～1.5之间。最后，通过所建模型依据实际事件发展的影响力以及民众的关注度，来代入模型实现对群体性事件极化行为的分析。
出于可视化表达的考虑，通过仿真分析考察态度为三个维度情况下的演化过程。首先，根据上述模型在全连接网络上进行仿真，设置参数λ＝0.2，μ＝0.05，这种设置反映的是个体需要参加多次互动才会达到极端状态或倾向于达成统一的意见这一类事实情况。群体总数设置为100，其随时间发展个体的态度分布仿真结果如图2所示。其中演化时间分别为(a)time＝0，(b)time＝500，(c)time＝1000， (d)time＝2000。
本发明在已有的极化模型基础上，提出了基于多维和参数动态变动的极化现象分析方法，对于防止群体性时间事态的扩大、提升政府公共管理能力有着重要意义。
本方法的有益效果在于：有效地克服了已有的极化模型只能描述一维态度值的问题，切实解决现实中对一事件多维度的评价的需要，以及在算法中采用了动态变动的收敛方式和发散参数，使得对一个事件极化的分析更加的切合实际和有说服力。
附图说明
图1是本发明的多agent计算仿真示意图。
图2a、图2b、图2c、图2d是个体态度值随时间演变图。
具体实施方式
下面结合附图说明和具体实施方式对本发明做进一步详细说明。
本发明提出的基于多维和参数动态变动的群体极化分析方法，包括以下步骤(如图1所示)：
1)将个体X对事件的态度量化为一个n元数组(x1,x2,x3,......xn)来表示，其中xi∈[0,1]，初始化为定义区间上服从均匀分布的随机值。则每个个体的意见可以看作n维意见空间中的一个点，个体之间的态度差异则可以用n维意见空间中两点之间的距离来表示，比如个体X和个体Y，两个体的态度值分别为(x1, x2,x3,…,xn)和(y1,y2,y3,…,yn)。
X和Y之间的态度距离定义为：
Figure DEST_PATH_IMAGE008
2)个体间态度值调整算法规则的定义：
21)同化规则
如果X和Y之间的态度距离小于d1，即：
Figure DEST_PATH_IMAGE009
此时，X，Y两个体的态度值更新为：
Figure DEST_PATH_IMAGE010
参数λi表示两个体间不同维度态度值同化的调整参数，λi值的计算如下：
Figure DEST_PATH_IMAGE011
其中i＝1,2,3,…,n，λ∈(0,0.5)，λ表示在同化范围内，态度值无限接近的两个个体的态度调整值，λi称为收敛(convergence)参数。
22)相斥规则
如果X和Y之间的态度距离大于d2，即
Figure DEST_PATH_IMAGE012
此时，X，Y两个体的态度值更新为：
Figure DEST_PATH_IMAGE013
参数μi表示两个体间不同维度态度值相斥的调整参数，μi值的计算如下：
Figure DEST_PATH_IMAGE014
其中i＝1,2,3,…,n，μ表示在距离为d2时的态度调整值g(x)是关于态度值调整的函数，xi,yi∈[0,1]，μ＞0，μi称为发散参数。
23)中立规则
在其他情况下，X，Y两个体的态度值不发生改变。
3)将代表个体态度值的点随机地分散在多维的态度值空间中，模拟群体性事件发生初期，群众对这一事件的态度分布情况。
4)d1、d2的取值根据群体性事件产生影响的大小以及引发群众的关注度和反响度的不同来取值，不同事件取值大小会有所不同，极化行为模拟仿真结果也会不同。在这一事件中，对d1的取值范围在1～1.2之间、d2取值范围大于1.6。而在，“扶老人”这类事件中，民众一般都有自己的见解和认知，并且有很多理性的见解和声音，这类事件中，d1的取值范围在0.3～0.6之间、d2取值范围在1.3～1.5之间。最后，通过所建模型依据实际事件发展的影响力以及民众的关注度，来代入模型实现对群体性事件极化行为的分析。
出于可视化表达的考虑，通过仿真分析考察态度为三个维度情况下的演化过程。首先，根据上述模型在全连接网络上进行仿真，设置参数λ＝0.2，μ＝0.05，这种设置反映的是个体需要参加多次互动才会达到极端状态或倾向于达成统一的意见这一类事实情况。群体总数设置为100，其随时间发展个体的态度分布仿真结果如图2所示。其中演化时间分别为(a)time＝0，(b)time＝500，(c)time＝1000，(d)time＝2000。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.一种基于多维和参数动态变动的群体极化分析方法，包括以下步骤：
1)将个体X对事件的态度量化为一个n元数组(x1,x2,x3,......xn)来表示，其中xi∈[0,1]，初始化为定义区间上服从均匀分布的随机值，则每个个体的意见可以看作n维意见空间中的一个点，个体之间的态度差异则可以用n维意见空间中两点之间的距离来表示，个体X和个体Y的态度值分别为(x1,x2,x3,…,xn)和(y1,y2,y3,…,yn)；
X和Y之间的态度距离定义为：
Figure FDA0002357505640000011
2)个体间态度值调整算法规则的定义：
21)同化规则
如果X和Y之间的态度距离小于d1，即：
Figure FDA0002357505640000012
此时，X，Y两个体的态度值更新为：
Figure FDA0002357505640000013
参数λi表示两个体间不同维度态度值同化的调整参数，λi值的计算如下：
Figure FDA0002357505640000014
其中i＝1,2,3,…,n，λ∈(0,0.5)，λ表示在同化范围内，态度值无限接近的两个个体的态度调整值，λi称为收敛参数；
22)相斥规则
如果X和Y之间的态度距离大于d2，即
Figure FDA0002357505640000021
此时，X，Y两个体的态度值更新为：
Figure FDA0002357505640000022
参数μi表示两个体间不同维度态度值相斥的调整参数，μi值的计算如下：
Figure FDA0002357505640000023
其中i＝1,2,3,…,n，μ表示在距离为d2时的态度调整值，g(x)是关于态度值调整的函数，xi,yi∈[0,1]，μ＞0，μi称为发散参数；
23)中立规则
在其他情况下，X，Y两个体的态度值不发生改变；
3)将代表个体态度值的点随机地分散在多维的态度值空间中，模拟群体性事件发生初期，群众对这一事件的态度分布情况；
4)d1、d2的取值根据群体性事件产生影响的大小以及引发群众的关注度和反响度的不同来取值，不同事件取值大小会有所不同，极化行为模拟仿真结果也会不同；最后，通过所建模型依据实际事件发展的影响力以及民众的关注度，来代入模型实现对群体性事件极化行为的分析；
出于可视化表达的考虑，通过仿真分析考察态度为三个维度情况下的演化过程；首先，根据上述模型在全连接网络上进行仿真，设置参数λ＝0.2，μ＝0.05，这种设置反映的是个体需要参加多次互动才会达到极端状态或倾向于达成统一的意见这一类事实情况；群体总数设置为100，其随时间发展个体的态度分布仿真结果；其中演化时间分别为(a)time＝0，(b)time＝500，(c)time＝1000，(d)time＝2000。
CN201710089608.XA 2017-02-20 2017-02-20 基于多维和参数动态变动的群体极化分析方法 Active CN107194022B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710089608.XA CN107194022B (zh) 2017-02-20 2017-02-20 基于多维和参数动态变动的群体极化分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710089608.XA CN107194022B (zh) 2017-02-20 2017-02-20 基于多维和参数动态变动的群体极化分析方法

Publications (2)

Publication Number Publication Date
CN107194022A CN107194022A (zh) 2017-09-22
CN107194022B true CN107194022B (zh) 2020-04-10

Family

ID=59870786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710089608.XA Active CN107194022B (zh) 2017-02-20 2017-02-20 基于多维和参数动态变动的群体极化分析方法

Country Status (1)

Country Link
CN (1) CN107194022B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1427969A (zh) * 2000-05-01 2003-07-02 网际运行公司 借助大量通信网络的大群体交互
WO2007142998A2 (en) * 2006-05-31 2007-12-13 Kaava Corp. Dynamic content analysis of collected online discussions
CN102982236A (zh) * 2012-11-07 2013-03-20 北京交通大学 一种通过网络用户建模的观点预测方法
CN103150333A (zh) * 2013-01-26 2013-06-12 安徽博约信息科技有限责任公司 微博媒体中的意见领袖识别方法
CN106204140A (zh) * 2016-07-12 2016-12-07 华东师范大学 一种基于kl距离的群体观点迁移检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1427969A (zh) * 2000-05-01 2003-07-02 网际运行公司 借助大量通信网络的大群体交互
WO2007142998A2 (en) * 2006-05-31 2007-12-13 Kaava Corp. Dynamic content analysis of collected online discussions
CN102982236A (zh) * 2012-11-07 2013-03-20 北京交通大学 一种通过网络用户建模的观点预测方法
CN103150333A (zh) * 2013-01-26 2013-06-12 安徽博约信息科技有限责任公司 微博媒体中的意见领袖识别方法
CN106204140A (zh) * 2016-07-12 2016-12-07 华东师范大学 一种基于kl距离的群体观点迁移检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"住宅消费中顾客公共产品偏好与忠诚前因问题实证研究";董晓松;《中国博士学位论文全文数据库 经济与管理科学辑》;20110215(第2期);第J145-20页 *
"网络群体极化现象的形成机理及仿真实验研究";陈庭贵 等;《重庆科技学院学报(自然科学版)》;20190228;第21卷(第1期);第108-113页 *

Also Published As

Publication number Publication date
CN107194022A (zh) 2017-09-22

Similar Documents

Publication Publication Date Title
Jalili Social power and opinion formation in complex networks
CN110874648A (zh) 联邦模型的训练方法、系统和电子设备
Bras et al. A compromise decision support problem for axiomatic and robust design
Moreira et al. Competitive cluster growth in complex networks
CN113762530A (zh) 面向隐私保护的精度反馈联邦学习方法
Lim et al. Robustness of stochastic stability in game theoretic learning
Vizuete et al. The Laplacian spectrum of large graphs sampled from graphons
CN107194022B (zh) 基于多维和参数动态变动的群体极化分析方法
Michaud et al. Social influence with recurrent mobility and multiple options
Aragonès et al. Ranking paths in statistical energy analysis models with non-deterministic loss factors
US20190265951A1 (en) System and method for expanding a set of random values
Shaikhet Stability of a nonlinear discrete-time model of information dissemination under stochastic perturbations
Verguts et al. A note on the Martin-Löf test for unidimensionality
Cassidy et al. A model for decision making under the influence of an artificial social network
Şen et al. Mean field game theory for agents with individual-state partial observations
Reis Diffusion on regular random fractals
Kandhway Modeling opinion dynamics in a social network using Markov random field
Yang et al. Innovation governs everything eventually: Extensions of the degroot model
Gausterer et al. Beyond the hopping expansion in the strongly coupled Schwinger model
Modell et al. Intensity Profile Projection: A framework for continuous-time representation learning for dynamic networks
Lu A delay-dependent approach to robust control for neutral uncertain neural networks with mixed interval time-varying delays
Moeinifar et al. Zealots’ effect on opinion dynamics in complex networks
Erovenko et al. The evolution of cooperation in a mobile population on random networks: Network topology matters only for low-degree networks
Wang et al. Orthogonal eigenvector matrix of the Laplacian
Miller et al. Vaccine adoption with outgroup aversion using Cleveland area data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant