CN109299808B - 基于群体劝说力建模的网民观点演化趋势预测方法 - Google Patents

Abstract

本发明公开了一种基于群体劝说力建模的网民观点演化趋势预测方法，主要解决现有技术无法量化计算具有情感极性的群体对个体观点影响力的问题。其实现方案是：对网络中个体属性信息进行数字量化，得到初始网络状态；对原有的群体影响作用力算法进行改进，得到群体劝说力表达式；利用有限信任理论和个体情感极性来优化观点交互规则，结合得到的初始化网络状态信息和群体劝说力表达式建立最终的观点演化模型；通过该模型进行仿真，根据仿真结果预测网民观点的演化趋势。本发明能有效预测在具有情感极性群体参与的网络热点事件中网民观点的演化趋势，进而帮助网络监管机构对舆情制定有针对性的舆论引导措施，可用于网络舆情预警。

Description

基于群体劝说力建模的网民观点演化趋势预测方法

技术领域

本发明涉及网络技术领域，主要涉及网络热点事件中网民观点演化趋势的预测方法，可用于网络舆情预警，帮助网络监管机构分析舆情并制定有针对性的舆论引导措施。

背景技术

随着互联网技术的高速发展，网络带给人类的影响越来越大，在Web2.0时代，无论是PC端还是移动终端，已然成为我们获取社会资讯的最重要的渠道。也正是由于人们参与热点事件的门槛变低，网络舆论的演化也变得更为复杂。

对于网络舆论演化的研究，近年来自然科学家借鉴社会学舆论的研究，利用交叉学科知识，包括统计物理学，复杂网络，信息传播动力学，舆论演化模型等方法对网络舆论进行大量深入系统的研究。

复杂网络将现实世界中的很多复杂系统都看成是网络的结构，将这些复杂系统中的个体抽象为一个网络节点。复杂网络的动力学包括两个方向，一个是网络自身的演化，另外一方面是以网络为媒介的演化。对于复杂网络的研究以及有了很多成果并且建立了多种基于复杂网络的模型，模拟了真实网络的发展演化。

舆论演化模型是利用统计物理学的方法对观点交互过程的建模。舆论演化模型主要研究舆论演化的系统状态，舆论演化过程中的关键因素以及这些因素对于舆论演化的影响作用。模型限定了群体规模，设定个体自身持有对于某一热点事件的观点和态度。模型中个体针对具体事件与邻居进行意见的交流和观点的交互，会互相影响对方对于事件的看法。该模型用到了统计物理学的方法并借助元胞自动机模型等仿真工具建立微观个体交互与群体宏观状态之间的连接，给研究简单微观到复杂宏观系统提供了一种思路方法。但是该模型没有考虑到群体中个体的差异性，具有一定的局限性。舆论演化模型按照个体观点来分类可以分为离散观点模型和连续观点模型。离散观点模型包括投票者模型，Ising模型，多数决定模型等。连续观点模型包括Deffuant模型，Hegselmann-Krause 模型等。其中连续观点模型改进了离散观点模型中个体观点只能用少数个状态表示的问题，并且利用了有界信任理论，认为个体的交互只会在与自身观点差异在一定程度内的个体间进行，而不会与自身观点差异过大的那些个体进行交互。有界信任的观点引入，有助于进一步研究观点交互过程中对个体间的交流机制。但是有界信任理论认为个体的信任阈值都是相同的，这一点同样忽略了个体间的差异性。

在现实网络环境中，不同个体带有不同的情感极性，而网络中的群体是由带有类似情感极性的个体所组成。个体和群体情感极性的存在，是导致网络舆情复杂多变的重要原因。要想从深层次理解网民观点演化的规律，把握演化趋势，必须针对情感极性进行分析研究。

综上所述，现阶段研究出一种在有情感极性群体参与的热点事件中对网民观点演化趋势进行有效预测的方法是十分必要和迫切的。

发明内容

本发明的目的在于提出一种基于群体劝说力建模的网民观点趋势预测方法，以在有情感极性群体参与的热点事件中对网民观点演化趋势进行有效预测，维护网络环境安全稳定，促进社会和谐。

为实现上述目的，本发明的技术方案包括如下：

(1)初始化：对社交网络用户信息进行数字化建模，包括网络用户的各种属性信息以及网络状态的信息，得到分析舆论演化所需的初始化状态特征值；

(2)建立观点演化模型：

(2.1)根据得到的初始化网络和个体的数字信息，得到网络初始化状态；

(2.2)对原有群体劝说力算法进行改进，得到群体劝说力表达式：

其中，I_-表示群体消极劝说作用力，I₊群体积极劝说作用力，N_-表示社会作用源群体内部持消极态度的人数，N₊表示社会作用源群体内部持积极态度的人数，λ_i表示个体j 显式的表达自己观点的概率，θ_jre表示个体j发表的观点被目标个体接收到的概率，

表示个体j的劝说质量，Content表示当前讨论的热点事件的内容相关性，

表示目标个体自身的情感极性，Δ_j表示个体j和劝说对象观点的差异度；

(2.3)定义用户观点交互规则，由个体与个体间的交互提升到个体与群体的交互，以(2.2)群体劝说力表达式为基础，构建个体观点函数D_i,j(t+1)和个体状态转换函数 S_i,j(t)：

其中，D_i,j(t)表示在t时步目标个体的观点值，G(t)表示在t时步由相关机构对热点事件的介入程度，G(t)的表达式如下所示：

G(t)＝0.22×g₁+0.34×g₂+0.26×g₃+0.18×g₄

其中g₁表示相关机构的权威性，g₂表示发布信息的及时性，g₃表示发布信息的规模性， g₄表示互动性；

在t时步，个体C_i,j的状态转换函数表达式如下所示：

其中，δ表示观点临界值；

(3)仿真预测网络用户的观点演化趋势:

(3.1)将网络个体属性的参数信息，网络结构的初始化状态信息带入(2.2)的群体劝说力表达式中，得到群体劝说力的量化数值；

(3.2)根据(2.3)建立的观点交互规则，通过计算机仿真软件对网民观点演化过程进行仿真；

(3.3)根据计算机仿真演化结果，对网民观点演化趋势进行预测：

(3.3.1)定义个体情感极性范围在

内的个体为非极端情绪个体，在普通网民仅受到非极端情绪群体影响时，根据非极端情绪群体人数规模预测网民消极观点扩散的情况；

若非极端情绪群体人数规模占比低于10％时，则认为后续网民消极观点扩散速度会保持在很低的水平；

若非极端情绪群体人数规模占比高于20％时，则认为后续网络舆论的负面消息会加速传播，网民的消极观点会进一步扩散；

(3.3.2)定义个体情感极性范围在

内的个体为极端情绪个体，在普通网民仅受极端情绪群体影响的情况下，认为舆论的负面影响不会进一步扩大；

(3.3.3)在普通网民受到极端情绪与非极端情绪群体同时影响的情况下，认为舆论的消极观点扩散效果要强于只受到极端情绪群体影响的情况，但是要弱于只受到非极端情绪群体影响的情况。

与现有技术相比，本发明具有以下优点：

第一，本发明考虑到了社交网络中情感极性群体的存在，并将这类群体的情感属性加以量化，在其基础上建立的群体劝说力表达式，使得本发明能够有效的计算社交网络中具有情感极性的群体对于个体观点的影响力。

第二，本发明中所有个体的自身属性是具有差异性的，个体的信任阈值是根据个体自身情感极性来确定的，遵循了个体的质异性原则，克服了现有技术中个体自身属性同质化，个体信任阈值相同的缺点。使得本发明能够更加准确的预测在有情感极性群体参与的网络热点事件中网民观点演化趋势。

附图说明

图1是本发明的实现流程图；

图2是本发明中建立观点演化模型的子流程图；

图3是用本发明在一个社交网络上对网民观点演化过程的仿真图；

图4是用本发明在非极端情绪者占比ω不同的取值影响下，对持消极态度个体人数随时间步数的统计图；

图5是用本发明在极端情绪者的占比μ的不同取值影响下，对持消极态度个体人数随时间步数的统计图。

图6是用本发明在非极端情绪者的占比ω和极端情绪者的占比μ的组合取值影响下，对持消极态度个体人数随时间步数的统计图。

具体实施方式

下面结合附图对本发明作进一步的描述。

参照图1，本发明的具体实现步骤如下：

步骤1，初始化。

对社交网络用户信息进行数字化建模，包括对网络用户的各种自身属性信息进行数字量化，得到分析舆论演化所需的初始化状态特征值；

网络用户的自身属性信息包括用户自身情感极性、用户显式的表达自己观点的概率、用户发表的观点被目标个体接收到的概率、用户的信任阈值、用户的年龄、受教育程度以及用户发表观点的质量。

步骤2，建立观点演化模型。

参照图2，本步骤的具体实现步骤如下：

(2a)根据得到的初始化网络个体数字信息，获取网络初始化状态：

获取网络初始化状态需要统计当前网络环境中用户的总人数，统计对当前网络舆论事件持积极态度、中立态度以及消极态度各自的人数，计算当前网络舆论事件的内容相关性，即当前舆论事件内容与网民群体兴趣的匹配程度；

(2b)对原有群体影响作用力算法进行改进，得到群体劝说力表达式：

原有算法提出的群体影响作用力公式为：

其中：i_p表示群体劝说反对作用力，N_o表示社会作用源群体内部反对者的人数，

p_i表示在作用源内个体i的劝说作用力，d_i表示作用源内个体i与作用对象之间的距离，i_s为群体劝说支持作用力，N_s表示社会作用源群体内部支持者的人数，s_i表示在作用源内个体i的劝说作用力。

(2b1)在<1>式中的群体劝说反对作用力i_p中，增加个体情感极性

观点显示表达概率λ_j，观点接收概率

观点差异度Δ_j，事件内容相关性Content，社会作用源群体内部持消极态度的人数N_-，个体劝说质量

得到群体消极劝说作用力I_-表达式如下：

其中<3>式中的个体劝说质量

按如下表达式计算：

其中，α,β,γ均为常比例系数，且α+β+γ＝1，α表示年龄所占权重,β受教育程度所占权重，γ表示发表观点质量所占权重，Y_j表示个体j的年龄，E_j表示个体j的受教育程度，V_j表示个体j发表观点的质量,其表达式为：

其中，l_j表示个体j观点的逻辑性，em_j表示观点的情绪表达程度；

对于<3>式中表达式I_{_}中的

对其取值进行限定如下：

设观点差异度阈值为

其中，σ为标准观点差异度阈值，

为个体情感极性，将个体观点差异度Δ_j与观点差异度阈值Δ进行比较：

当Δ_j>Δ时，则双方不会进行观点交互行为，限定

当Δ_j≤Δ时，则双方会进行观点交互行为，

的取值由表达式中各部分参数自身的取值确定；

(2b2)在<2>式中的群体劝说支持作用力i_s中，增加个体情感极性

观点显示表达概率λ_i，观点接收概率

观点差异度Δ_i，事件内容相关性Content，社会作用源群体内部持积极态度的人数N₊，个体劝说质量

得到群体积极劝说作用力I₊表达式如下：

(2c)定义用户观点交互规则，由个体与个体间的交互提升到个体与群体的交互：

以式<3>和式<6>中为基础，构建个体观点函数D_i,j(t+1)和个体状态转换函数S_i,j(t)：

其中，D_i,j(t)表示在t时步目标个体的观点值，G(t)表示在t时步由相关机构对热点事件的介入程度，G(t)的表达式如下所示：

G(t)＝0.22×g₁+0.34×g₂+0.26×g₃+0.18×g₄

，<8>

其中g₁表示相关机构的权威性，g₂表示发布信息的及时性，g₃表示发布信息的规模性， g₄表示互动性；

在t时步，个体C_i,j的状态转换函数表达式如下所示：

其中，δ表示观点临界值。

步骤三，仿真预测网络用户的观点演化趋势

参照图3-图6，本步骤的具体实现步骤如下：

(3a)设置如下网络个体属性的参数信息：

个体情感极性

观点显示表达概率λ，观点接收概率θ_re，个体观点差异度Δ，个体劝说质量Q_quality；

(3b)设置如下网络结构的初始化状态信息：

事件内容相关性Content，当前网络环境中的总人数N，当前网络环境中持积极态度的人数N₊，当前网络环境中持中立态度的人数N_o，当前网络环境中持消极态度的人数N_-；

(3c)根据式<7>和式<9>建立的观点交互规则，通过计算机仿真软件对网民观点演化过程进行仿真，仿真的结果如图3所示，其中：

图3(a)是在时间步为1时，网民的观点状态图；

图3(b)是在时间步为10时，网民的观点状态图；

图3(c)是在时间步为20时，网民的观点状态图；

用坐标(i,j)表示网络中的个体C_i,j，红色网格点代表持有积极态度的网络个体，黑色网格点代表持有中立态度的网络个体，绿色网格点代表持有消极态度的网络个体；

(3d)根据计算机仿真演化结果，对网络热点事件中网民观点演化趋势进行预测：

(3d1)定义个体情感极性范围在

内的个体为非极端情绪个体，定义个体情感极性范围在

内的个体为极端情绪个体；

(3d2)在普通网民仅受到非极端情绪群体影响时，根据非极端情绪群体人数规模的变化即非极端情绪者占比ω不同的取值，利用已构建的演化模型在计算机上仿真得到持消极态度个体人数随时间步数的统计结果图，如图4所示；

(3d3)根据图4的仿真结果获得预测结论：

若非极端情绪群体人数规模占比低于10％时，则认为后续网民消极观点扩散速度会保持在很低的水平；

若非极端情绪群体人数规模占比高于20％时，则认为后续网络舆论的负面消息会加速传播，网民的消极观点会进一步扩散；

(3d4)在普通网民仅受到极端情绪群体影响时，根据非极端情绪群体人数规模的变化，即极端情绪者占比μ不同的取值，利用已构建的演化模型在计算机上仿真得到持消极态度个体人数随时间步数的统计结果图，如图5所示；从图5的仿真结果可得到的预测结论是：无论极端情绪群体规模如何变化，舆论的负面影响都不会进一步扩大；

(3d5)在普通网民受到极端情绪与非极端情绪群体同时影响的情况下，对极端情绪者占比μ和非极端情绪者占比ω进行组合，利用已构建的演化模型在计算机上仿真得到持消极态度个体人数随时间步数的统计结果图，如图6所示；从图6的仿真结果得到预测结论是：在极端情绪与非极端情绪群体共存时，舆论的消极观点扩散效果要强于只受到极端情绪群体影响的情况，但是要弱于只受到非极端情绪群体影响的情况。

以上上述实施方案仅仅是本发明的一个实例，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 (6)

1.基于群体劝说力建模的网民观点演化趋势预测方法，其特征在于，包括以下步骤：

(1)初始化：对社交网络用户信息进行数字化建模，包括对网络用户的各种自身属性信息进行数字量化，得到分析舆论演化所需的初始化状态特征值；

(2)建立观点演化模型：

(2.1)根据得到的初始化网络个体数字信息，获取网络初始化状态；

(2.2)对原有群体影响作用力算法进行改进，得到群体劝说力表达式：

其中，I_-表示群体消极劝说作用力，I₊群体积极劝说作用力，N_-表示社会作用源群体内部持消极态度的人数，N₊表示社会作用源群体内部持积极态度的人数，λ_j 表示个体j显式的表达自己观点的概率，

表示个体j发表的观点被目标个体接收到的概率，

表示个体j的劝说质量，Content表示当前讨论的热点事件的内容相关性，

表示目标个体自身的情感极性，Δ_j表示个体j和劝说对象观点的差异度；

(2.3)定义用户观点交互规则，由个体与个体间的交互提升到个体与群体的交互，以(2.2)群体劝说力表达式为基础，构建个体观点函数D_i,j(t+1)和个体状态转换函数S_i,j(t)：

其中，D_i,j(t)表示在t时步目标个体的观点值，G(t)表示在t时步由相关机构对热点事件的介入程度，G(t)的表达式如下所示：

G(t)＝0.22×g₁+0.34×g₂+0.26×g₃+0.18×g₄

其中g₁表示相关机构的权威性，g₂表示发布信息的及时性，g₃表示发布信息的规模性，g₄表示互动性；

在t时步，个体C_i,j的状态转换函数表达式如下所示：

其中，δ表示观点临界值；

(3)仿真预测网络用户的观点演化趋势:

(3.1)将网络个体属性的参数信息，网络结构的初始化状态信息带入(2.2)的群体劝说力表达式中，得到群体劝说力的量化数值；

(3.2)根据(2.3)建立的观点交互规则，通过计算机仿真软件对网民观点演化过程进行仿真；

(3.3)根据计算机仿真演化结果，对网民观点演化趋势进行预测：

(3.3.1)定义个体情感极性范围在

内的个体为非极端情绪个体，在普通网民仅受到非极端情绪群体影响时，根据非极端情绪群体人数规模预测网民消极观点扩散的情况；

若非极端情绪群体人数规模占比低于10％时，则认为后续网民消极观点扩散速度会保持在很低的水平；

若非极端情绪群体人数规模占比高于20％时，则认为后续网络舆论的负面消息会加速传播，网民的消极观点会进一步扩散；

(3.3.2)定义个体情感极性范围在

内的个体为极端情绪个体，在普通网民仅受极端情绪群体影响的情况下，认为舆论的负面影响不会进一步扩大；

(3.3.3)在普通网民受到极端情绪与非极端情绪群体同时影响的情况下，认为舆论的消极观点扩散效果要强于只受到极端情绪群体影响的情况，但是要弱于只受到非极端情绪群体影响的情况。

2.根据权利要求1所述的方法，其特征在于，步骤(2.1)中根据得到的初始化网络个体的数字信息，获取网络初始化状态，按如下步骤进行：

(2.1.1)统计当前网络环境中用户的总人数；

(2.1.2)统计对当前网络舆论事件持积极态度、中立态度以及消极态度各自的人数；

(2.1.3)计算当前网络舆论事件的内容相关性，即当前舆论事件内容与网民群体兴趣的匹配程度；

上述(2.1.1)、(2.1.2)、(2.1.3)的结果构成网络初始化状态。

3.根据权利要求1所述的方法，其特征在于，步骤(2.2)中对原有群体影响作用力算法进行改进，按如下步骤进行：

(2.2.1)给出原有算法提出的群体影响作用力表达式如下：

其中i_p表示群体劝说反对作用力，N_o表示社会作用源群体内部反对者的人数，p_i表示在作用源内个体i的劝说作用力，d_i表示作用源内个体i与作用对象之间的距离；i_s为群体劝说支持作用力，N_s表示社会作用源群体内部支持者的人数，s_i表示在作用源内个体i的劝说作用力；

(2.2.2)在(2.2.1)式中的群体劝说反对作用力i_p中增加个体情感极性倾向

观点显示表达概率λ_j，观点接收概率

观点差异度Δ_j，事件内容相关性Content，社会作用源群体内部持消极态度的人数N_-，个体劝说质量

得到群体消极劝说作用力I_-表达式如下：

(2.2.3)在(2.2.1)式中的群体劝说支持作用力i_s中增加个体情感极性

观点显示表达概率λ_i，观点接收概率

观点差异度Δ_i，事件内容相关性Content，社会作用源群体内部持积极态度的人数N₊，个体劝说质量

得到群体积极劝说作用力I₊表达式如下：

4.根据权利要求3所述的方法，其中步骤(2.2.2)中的观点接收概率

按如下公式计算：

其中，m为个体j观点的宣传强度，l表示个体j的最低接收能力，η_j为个体j的调节系数。

5.根据权利要求3所述的方法，其中步骤(2.2.2)中的个体劝说质量

按如下表达式计算：

其中，α,β,γ均为常比例系数，且α+β+γ＝1，α表示年龄所占权重,β受教育程度所占权重，γ表示发表观点质量所占权重，Y_j表示个体j的年龄，E_j表示个体j的受教育程度，V_j表示个体j发表观点的质量,其表达式为：

其中，l_j表示个体j观点的逻辑性，em_j表示观点的情绪表达程度。

6.根据权利要求3所述的方法，其中步骤(2.2.2)表达式I_-中的

按如下方式对其取值进行限定：

设观点差异度阈值为

其中，σ为标准观点差异度阈值，

为个体情感极性；

将个体观点差异度Δ_j与观点差异度阈值Δ进行比较：

当Δ_j>Δ时，则双方不会进行观点交互行为，限定

当Δ_j≤Δ时，则双方会进行观点交互行为，

的取值由表达式中各部分参数自身的取值确定。

Images