CN109446434A - 基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法 - Google Patents
基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法 Download PDFInfo
- Publication number
- CN109446434A CN109446434A CN201811241622.8A CN201811241622A CN109446434A CN 109446434 A CN109446434 A CN 109446434A CN 201811241622 A CN201811241622 A CN 201811241622A CN 109446434 A CN109446434 A CN 109446434A
- Authority
- CN
- China
- Prior art keywords
- information
- network
- neuron
- layer
- neural network
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 76
- 230000000644 propagated effect Effects 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 title claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims abstract description 138
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000011161 development Methods 0.000 claims abstract description 8
- 238000012546 transfer Methods 0.000 claims abstract description 3
- 230000001537 neural effect Effects 0.000 claims description 25
- 230000005540 biological transmission Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000006854 communication Effects 0.000 claims description 10
- 238000012351 Integrated analysis Methods 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000008451 emotion Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 4
- 230000007480 spreading Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010429 evolutionary process Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000331006 Euchaeta media Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003585 interneuronal effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法,包括如下步骤:S1,获取在线社交网络信息,形成社交网络信息数据库,通过信息传播神经元模型进行社交网络信息的建立以及传递;S2,将建立和传递之后的社交网络信息通过信息传播神经网络模型所设定的参数进行传递输出;S3,通过信息传播神经网络模型传递的社交网络信息通过正向传播过程进行信息演化,从而构建社交网络信息发展趋势;S4,构建完成社交网络信息之后,通过神经网络逆向传递舆情差值,以修正各神经元所持观点值,从而提高社交网络信息准确度。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法。
背景技术
随着移动互联网技术的发展,在线社交网络逐步演化为无处不在的计算平台和信息传播平台,它正在成为人类社会关系维系和信息传播的重要渠道和载体,对国家安全和社会发展都会产生深远的影响。
在线社交网络舆情是通过在线社交网络表达和传播的,公众对自己关心或与自身利益紧密相关的各种公共事务所持有的多种情绪、态度和意见交错的总和。在线社交网络舆情是以在线社交网络为载体,以事件为核心,广大网民情感、态度、意见、观点的表达、传播与互动,以及后续影响力的集合。政府需要测量网络舆情并进行监控和预警,从而对舆情尤其是负面舆情做出及时妥善控制,达到有效化解在线社交网络舆论危机的目的。在线社交网络舆情预警的意义在于及早发现危机的苗头,及早对可能产生的现实危机的走向、规模进行判断,及早通知各有关部门共同做好应对危机的准备。
为了研究在线社交网络上网络舆情形成机制,最常见的办法就是对在线社交网络进行数学建模,利用信息传播动力学机制进行演化分析,以揭示舆情形成的内部规律。但是这种方式效率低下,而且筛选的数据并不准确可靠。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法。
为了实现本发明的上述目的,本发明提供了一种基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法,包括如下步骤:
S1,获取在线社交网络信息,形成社交网络信息数据库,通过信息传播神经元模型进行社交网络信息的建立以及传递;
S2,将建立和传递之后的社交网络信息通过信息传播神经网络模型所设定的参数进行传递输出;
S3,通过信息传播神经网络模型传递的社交网络信息通过正向传播过程进行信息演化,从而构建社交网络信息发展趋势;
S4,构建完成社交网络信息之后,通过神经网络逆向传递舆情差值,以修正各神经元所持观点值,从而提高社交网络信息准确度。
优选的,所述S1包括:
S1-1,输入信息x1,x2,...,xi,..,xn表示与当前行为人相连接的n个信息输入源,连接权重w1,w2,...,wi,..,wn表示当前行为人分别与信息输入源x1,x2,...,xi,..,xn的亲密程度;
S1-2,传播阈值θ表示仅当输入信息x1,x2,...,xi,..,xn的线性叠加之和大于θ时,神经元才产生输出信息y,传播阈值θ与行为人的受教育程度、社会地位、从事职业、个人性格的设定因素有关,θ∈[0,1],θ=0表示行为人接受信息分享,只有收到都会向自己的关注者转发;θ=1表示行为人不愿意在社交网络上进行信息交流,在该状态下不转发、不评论;输出信息y,将向与之相连的信宿进行信息输出。
优选的,所述S1还包括:
S1-3,信息传播神经元模型的表达式如下:
S1-4,通过计算,神经元接收到来自n个其他神经元传递过来的社交网络输入信息,按连接权重进行线性运算,得到自己的信息总量;然后进行激活运算,f(x,θ)为激活函数,当信息总量大于阈值则产生输出y=x;当信息总量小于等于阈值时,y=0无输出。
优选的,所述S2包括:
S2-1,信息于t0时刻出现在第一层神经元上,然后经过若干时间步(t1,t2,...,t6)的传播才能遍及整个网络,神经元的个数分别为n1,n2,n3,n4,n5,n6,n7,n1<n2<n3<n4<n5<n6<n7;表示l层第i个神经元,每一个神经元存在一个信息传播阈值神经网络中θ服从正态分布,即θ~N(μ,σ2);μ表示行为人主动传播信息意愿的正态分布平均水平、σ2表示行为人传播信息意愿的差异程度。
优选的,所述S2还包括:
S2-2,开始神经网络构造算法,在线社交网络上节点沿信息传播方向上呈发散状分布,即一个信源节点通常与多个信宿节点相连,神经网络模型中,假设网络总节点数量为N个,节点扩散系数为ρ,其中ρ>1,神经网络模型中各层神经元数量应满足如下关系式:
n1+n2+n3+n4+n5+n6+n7=N
n1(ρ0+ρ1+ρ2+ρ3+ρ4+ρ5+ρ6)=N
得到
令其中c代表扩散系数计算的简要表达,由上式得出神经网络各层神经元数量,由表格展示各网络层神经元数量,从左至右为依次递增的网络层次,以及神经元数量,
神经网络模型中,相邻两层神经元之间的连接是非均匀的,同时,为了体现网络连接强度和紧密程度,设置连通率α指标,α∈[0,1],α=1时表示相邻两个网络层之间全连接,α=0时表示无任何连接;
S2-3,假设l,l+1层网络神经元数量分别为nl,nl+1个,连通率为α,则生成第l和l+1层节点之间连接的算法描述如下,
计算需要生成的连接数量L,
L=αnlnl+1,
在l层中依概率p1选取一个神经元概率p1正比于神经元的度,即
ki为节点i的度,请指出km的含义,
在l+1层中依概率p2选取另一个神经元概率p2正比于该另一个神经元的度,即
kj为节点j的度,如果kj等于零则在l+1层中随机选取一个神经元。
在神经元和神经元之间建立连接,方向由指向表示信息由第l层传至l+1层。
如果建立的连接数小于L,则转S2-3,否则结束;
S2-4,假设l层上有ml个神经元与l+1层上第j个神经元相连接,则l层上ml中第i个神经元与神经元j相连接的权重表示为:
其中m为神经元的总和,
连接权重是影响信息传播路径的重要因子,它使行为人偏爱和相信连接权重高的信息源传递过来的信息。
优选的,所述S3包括:
S3-1当进行信息正向传播过程时,假设用列向量表示第l层网络神经元的观点值,矩阵Wl其中由l层和l+1层网络神经元之间的连接权重组成,则信息正向传播公式表达如下:
Pl+1=((Xl)TWl)T
Pl+1表示正向传播到l+1层网络神经元的观点值,传播完成后l+1层网络神经元的新观点值(Xl+1)'等于自身原观点值Xl+1和刚接收到的观点值Pl+1的算术平均值,即
事件信息正向传播过程如下:
S3-2,t0时刻由外部事件引发的信息注入到神经网络第一层(输入层)的神经元上,用观点值表示当前行为人对该信息的所持观点,由于各行为人立场不同、情感不同,神经元上的观点值也不相等;
S3-3,经过一个时间步的时滞后,在t1时刻,第一层神经网络中的神经元将自己观点值与传播阈值进行比较,如果观点值大于传播阈值,则将自己所持意见值信息向与之相连接的第二层神经网络的神经元进行传递;
S3-4,第二层神经网络的神经元根据与之相连接的信息源按连接权重进行线性组合得到自己的观点值,再与自身传播阈值进行比较,大于传播阈值时,在t2时刻向第三层神经网络中的神经元进行信息传递;
S3-5,类似过程重复进行,事件信息经若干层网络神经元传播,在t6时刻传至第七层,第七层为信息终结层,该层神经元处于传播网络的边界,信息传播终止于此,不再向其它节点转发信息。
优选的,所述S3还包括:
S3-6,经过一次完整的信息正向传播后(t0,t1,...,t6),神经网络中每个神经元都具有特定的观点值,形成在线社交网络舆情信息值,神经网络第七层远离输入层,与产生信息的事件相关度低,采用第七层网络的舆情熵H来度量网络舆情水平,舆情熵是社交网络系统观点值无序程度的量度,舆情熵大,表示观点值出现的概率大,舆情熵小,表示出现的概率小。
优选的,所述S3还包括:
舆情熵H计算方法如下:
H=-∑pi ln pi
pi表示第七层网络中各神经元所持不同观点值的概率,观点值越离散,舆情熵值越大,反之舆情熵值越小;
另一种度量传播舆情的指标是观点值标准差S,表达如下:
为神经网络上神经元观点值的算术平均值,N为神经元数量。
优选的,所述S4包括:
S4-1,舆情差值E表示网络舆情的离散和混乱程度,数值上等于网络平均观点值与神经元观点值之差再与舆情熵的乘积,表示为:
El为第l层网络神经元的舆情差值;H为舆情熵,由计算求得;I为单位向量;
舆情差值由神经网络最后一层,逐层反馈逆向传播,直至输入层,逆向传播规则如下:
El-1=λWl-1El,
El-1为l-1层网络神经元的舆情差值;λ为逆向信息传播率,λ∈(0,1],表征反馈信息传播的强度;Wl-1为l-1层和l层网络神经元之间的连接权重。
舆情差值逆向传播的结果使得网络神经元观点值的修正,将节点原观点值与接收到的舆情差值之和作为神经元节点的新观点值,即
(Xl-1)'=Xl-1+El-1
(Xl-1)'为l-1层网络神经元的新观点值,Xl-1为l-1层网络神经元的原观点值。
优选的,所述S4还包括:
网络舆情的形成需要空间和时间,在线社交网络信息传播与舆情演化模型中空间就是信息传播神经网络,时间就是信息传播、信息交互的历时过程如下:
S-A,由外部事件引发的某条信息注入到神经网络输入层,使得输入层神经元具有相应的观点值;
S-B,是否存在媒体引导行为,如有,则将媒体值注入神经网络输入层,并与神经元所持观点值进行线性叠加运算;如无,则转入S-C;
S-C,按照Pl+1=((Xl)TWl)T传播规则进行事件信息正向传播;
S-D,此时信息也传遍整个神经网络,计算网络舆情熵;
S-E,网络舆情熵是否小于某个预先给定的阈值,如是,则表明网络舆情已收敛,演化结束;否则,转入S-F;
S-F,计算舆情差值并进行逆向传播,以修正各神经元的观点值;
S-G,更新网络拓扑结构,转入S-B。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
针对在线社交网络舆情演化传统算法准确性较差,不能精确刻画信息交互、观点转变及舆情演化的动态过程,本发明提出一种基于人工神经网络的在线社交网络信息传播与舆情演化模型IPNN(Information propagation neural network),设计并实现了正馈、反馈网络及动态演化算法。首先,根据信息传播的“六度分隔”理论,即在任何两个互不相识的人只要五个中间人即可建立联系,结合信息传播过程中具有不可避免的阻尼性和无尺度特性,构建了基于人工神经网络的在线社交网络信息传播与舆情演化模型IPNN(Information propagation neural network),以刻画在线社交网络上的用户交互行为和信息扩散模式,揭示网络结构、用户群体和事件信息之间的演化关系及网络舆情形成机制;构建了含输入层、传播层和终结层的七层神经网络底层框架;其次,运用事件信息正向传播算法、舆情差值逆向传播算法描述节点间信息分享和信息交互演化过程;最后,考虑在线社交网络信息传播的外部因素,引入媒体舆情引导、网络结构动态更新操作来度量外部行为模式的影响。仿真实验结果表明,该数学模型揭示了微观网络节点状态与宏观网络舆情演化规律之间的关系,较为准确地刻画了在线社交网络内部信息交互机制和扩散传播机理,进而揭示了在线社交网络上网络舆情形成的过程和舆情爆发性质,为社交网络舆情演变的研究提供了一种新的科学方法和研究途径。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明信息传播神经元模型;
图2是本发明信息传播神经网络模型;
图3是本发明舆情演化流程图;。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
首先设定信息传播神经元模型,
神经网络中最基本的构件是神经元模型,在生物神经网络中,每个神经元与其他神经元相连,当它“兴奋”时,就会向相连的神经元发送化学物质,从而改变这些神经元内的电位,如果某神经元的电位超过一个“阈值”,那么它就会被激活,即“兴奋”起来,向其他神经元发送化学物质。
任何社会网络中两个不可或缺的元素是行为人和行为关系,行为人可以是自然人个体,也可以是非正式群体、正式组织等集体,在线社交网络上一个行为人对应为一个用户;行为关系是两个行为人之间的特定接触、连接或联结,在线社交网络的关系一般为有向关系,即第一个行为人发起信息传播行为,第二个行为人接受信息;行为人之间关系的亲密或疏远对信息传播的效果产生重大影响,人们更愿意相信和转发亲密度的行为人传来的信息。根据上述分析将生物神经元模型中引入信息传播领域,在线社交网络上构建信息传播神经元模型,如图1所示。
将行为人的行为抽象为神经元,即在线社交网络上一个用户或一个节点,在模型中用一个神经元表示;行为人之间的关系抽象为神经元的信息输入或信息输出,关系的亲密度高低用连接权重表示;
输入信息x1,x2,...,xi,..,xn表示与当前行为人相连接的n个信息输入源,连接权重w1,w2,...,wi,..,wn表示当前行为人分别与信息输入源x1,x2,...,xi,..,xn的亲密程度;
传播阈值θ表示仅当输入信息的线性叠加之和大于θ时,神经元才产生输出信息y。传播阈值θ与行为人的受教育程度、社会地位、从事职业、个人性格等因素有关,θ∈[0,1],θ=0表示行为人乐于信息分享,不管什么信息,只有收到都会向自己的“关注”者转发;θ=1表示行为人不愿意在社交网络上进行信息交流,无论何种信息,一律不转发、不评论。
输出信息y,将向与之相连的信宿进行信息输出。如图1所示,为信息传播神经元模型的设定状态。
信息传播神经元模型的数学表达式如下:
通过计算,神经元接收到来自n个其他神经元传递过来的输入信息,按连接权重进行线性运算,得到自己的信息总量;然后进行激活运算,f(x,θ)为激活函数,当信息总量大于阈值则产生输出y=x;当信息总量小于等于阈值时,y=0无输出。
然后进行设定信息传播神经网络模型
由大量的信息传播神经元按一定的形式连接便构成了信息传播神经网络模型,神经网络是一个高度非线性动力学系统,虽然每个神经元的结构和功能都不复杂,但是神经网络的动态行为则是十分复杂,非常适合用来刻画在线社交网络上的信息传播和舆情形成过程。
信息从一端传播到另一端平均只需要五个人,因此信息传播神经网络模型采用具有一个起始输入层、五个中间传播层和一个信息终结层的七层神经元网络模型框架,每一层神经元仅与其相邻的前一层、后一层网络的神经元直接相连,与同一层的其它神经元之间不相连,如图2所示。
信息于t0时刻出现在第一层神经元上,然后经过六个时间步(t1,t2,...,t6)的六轮传播才能遍及整个网络。一至七层神经元的个数分别为n1,n2,n3,n4,n5,n6,n7,一般情况下,n1<n2<n3<n4<n5<n6<n7;表示l层第i个神经元,每一个神经元存在一个信息传播阈值神经网络中θ服从正态分布,即θ~N(μ,σ2);表示l层第i个神经元和l+1层第j个神经元之间的连接权重。
信息传播神经网络模型第一层为信息输入层,输入层的神经元表示掌握外部事件第一手信息资料的行为人,即产生该信息的事件当事人、目击者或直接利益相关者等。第二至六层为信息传播层,传播层的神经元表示接收到信息的行为人,在对自身情感需求、利益相关度、社交影响力综合评判的基础上决定是对信息进行评论或转发。第七层为信息终结层,也即是信息传播的边界,终结层的神经元仅接收信息,根据信息内容改变自身状态,但不再向外转发信息。
开始神经网络构造算法,在线社交网络上节点沿信息传播方向上呈发散状分布,即一个信源节点通常与多个信宿节点相连。神经网络模型中,假设网络总节点数量为N个,节点扩散系数为ρ,一般情况下ρ>1,结合平均场理论,神经网络模型中各层神经元数量应满足如下关系式:
n1+n2+n3+n4+n5+n6+n7=N
n1(ρ0+ρ1+ρ2+ρ3+ρ4+ρ5+ρ6)=N
得到
令由上式得出神经网络各层神经元数量如表1所示。
表1各网络层神经元数量
在线社交网络具有异质性和无尺度性,存在明显意见领袖现象,绝大多数节点只与少量节点发生连接,只有极少数节点与大量节点发生连接,节点度服从幂律分布。因此,神经网络模型中,相邻两层神经元之间的连接是非均匀的,倾向于与度大的节点相连;同时,为了体现网络连接强度和紧密程度,引入连通率α指标,α∈[0,1],α=1时表示相邻两个网络层之间全连接,α=0时表示无任何连接。
假设l,l+1层网络神经元数量分别为nl,nl+1个,连通率为α,则生成第l和l+1层节点之间连接的算法描述如下。
计算需要生成的连接数量L。
L=αnlnl+1,
在l层中依概率p1选取一个神经元概率p1正比于神经元的度,即
ki为节点i的度。
在l+1层中依概率p2选取一个神经元概率p2正比于神经元的度,即
kj为节点j的度,如果kj等于零则在l+1层中随机选取一个神经元。
在神经元和神经元之间建立连接,方向由指向表示信息由第l层传至l+1层。
如果建立的连接数小于L,则转(2),否则结束。
在线社交网络上信息传播具有社会强化效应,比如对一条信息来说,传播过程中,行为人倾向于接受亲密朋友的信息。社会强化效应对应的是节点间的关系强度,即模型中的连接权重w,w∈(0,1],两个行为人之间的连接权重越大,则在信息传播过程中,接收信息的行为人从这个连接收到的信息量越大。虽然应用节点的属性度量节点间的连接权重具有很好的效果,但是很多情况下这些数据的获取非常困难,甚至是不可能的,因此,通过观察节点间的交互行为,采用各层网络神经元节点的度分布来度量连接权重,是更为简单易行且可靠的方法。
假设l层上有ml个神经元与l+1层上第j个神经元相连接,则l层上ml中第i个神经元与神经元j相连接的权重可表示为:
连接权重是影响信息传播路径的重要因子,它使行为人偏爱和相信连接权重高的信息源传递过来的信息。
网络结构动态更新
在线社交网络中,行为人通过信息分享、信息交互的方式来联系彼此,联系的实体是基于社交网络上“关注”与“被关注”的关系。但这种关系一般属于弱连接关系,只对信息传播的广度有效,对信息传播的深度作用效果不明显。神经网络随着信息传播活动的进行,网络结构会更新,神经元间的连接及连接权重会动态调整。网络结构动态更新的策略是弱连接关系容易断开,群体内部连接关系得到增强。具体操作是在相邻两层网络之间,找出节点度大的节点之间的连接予以断开,重新连接到节点度小的节点,以体现出在线社交网络上小群体之间的关系更稳定、更可靠,比如家庭关系、同学关系、同事关系等。
信息正向传播过程
为了研究信息传播的效果和网络舆情的演化,从信息对行为人的影响程度视角,度量出行为人对信息所表达的信念、态度、意见和情绪等等的总和,统一用观点值指标表示,信息传播过程实际上就是向别人表达自己观点值的过程。假设用列向量表示第l层网络神经元的观点值,矩阵Wl表示l层和l+1层网络神经元之间的连接权重,则信息正向传播公式表达如下:
Pl+1=((Xl)TWl)T
Pl+1表示正向传播到l+1层网络神经元的观点值。传播完成后l+1层网络神经元的新观点值(Xl+1)'等于自身原观点值和刚接收到的观点值的算术平均值,即
事件信息正向传播过程如下:
1)t0时刻由外部事件引发的信息注入到神经网络第一层(输入层)的神经元上,用观点值表示当前行为人对该信息的所持观点,由于各行为人立场不同、情感不同,一般情况下神经元上的观点值也不不相等。
2)经过一个时间步的时滞后,在t1时刻,第一层神经网络中的神经元将自己观点值与传播阈值进行比较,如果观点值大于传播阈值,则将自己所持意见值信息向与之相连接的第二层(传播层)神经网络的神经元进行传递。
3)第二层神经网络的神经元根据与之相连接的信息源按连接权重进行线性组合得到自己的观点值,再与自身传播阈值进行比较,大于传播阈值时,在t2时刻向第三层神经网络中的神经元进行信息传递。
4)类似过程重复进行,事件信息经第四、五、六层网络神经元传播,在t6时刻传至第七层,第七层为信息终结层,该层神经元处于传播网络的边界,信息传播终止于此,不再向其它节点转发信息。
经过一次完整的信息正向传播后(t0,t1,...,t6),神经网络中每个神经元都具有一定的观点值,形成在线社交网络舆情。神经网络第七层远离输入层,与产生信息的事件本身相关度非常低,用第七层网络神经元上观点值的离散程度来衡量在线社交网络的信息传播舆情状况最为客观。因此,本发明采用第七层网络的舆情熵H来度量网络舆情水平,舆情熵是社交网络系统观点值无序程度的量度,舆情熵大,表示观点值出现的概率大,意味着对信息认可度“混乱”和“分散”;舆情熵小,表示出现的概率小,意味着对信息认可度“统一”和“集中”。舆情熵H计算方法如下:
H=-∑pi ln pi
pi表示第七层网络中各神经元所持不同观点值的概率,观点值越离散,舆情熵值越大,反之舆情熵值越小。
另一种度量传播舆情的指标是观点值标准差S,同样能反映一个社交网络上各节点观点值的离散程度,表达如下:
为神经网络上神经元观点值的算术平均值,N为神经元数量。
舆情差值逆向传播过程
在线社交网络的用户收到信息后,会对信息进行评论、点赞等操作,实际上就是向信息发送者反馈自己的意见,进行信息交互。为了体现用户间信息的交互行为,通过神经网络逆向传递舆情差值,以修正各神经元所持观点值。
舆情差值E表示网络舆情的离散和混乱程度,数值上等于网络平均观点值与神经元观点值之差再与舆情熵的乘积,表示为:
El为第l层网络神经元的舆情差值;H为舆情熵,由计算求得;I为单位向量。
舆情差值由神经网络第七层,逐层反馈逆向传播,直至输入层,逆向传播规则如下:
El-1=λWl-1El,
El-1为l-1层网络神经元的舆情差值;λ为逆向信息传播率,λ∈(0,1],表征反馈信息传播的强度;Wl为l-1层和l层网络神经元之间的连接权重。
舆情差值逆向传播的结果使得网络神经元观点值的修正,将节点原观点值与接收到的舆情差值之和作为神经元节点的新观点值,即
(Xl-1)'=Xl-1+El-1
(Xl-1)'为l-1层网络神经元的新观点值,Xl-1为l-1层网络神经元的原观点值。
形成网络舆情演化过程
网络舆情是在一定的社会空间内,通过网络围绕中介性社会事件的发生、发展和变化,民众对公共问题和社会管理者产生和持有的社会政治态度、信念和价值观。网络舆情是社会舆情在互联网空间的映射,是社会舆情的直接反映。然而,网络舆论出现具有不确定性、引导能力弱、价值观扭曲等问题,需要网络舆论引导者,即媒体,建立预警机制实现精准引导,遏制不良网络舆情的产生,端正价值观实现理性引导。因此,在模型中引入了媒体观点注入环节。
网络舆情的形成需要空间和时间,在线社交网络信息传播与舆情演化模型中空间就是信息传播神经网络,时间就是信息传播、信息交互的历时过程。一个完整的网络舆情演化流程如图3所示,具体过程如下:
1,由外部事件引发的某条信息注入到神经网络输入层,使得输入层神经元具有相应的观点值。
2,是否存在媒体引导行为,如有,则将媒体值注入神经网络输入层,并与神经元所持观点值进行线性叠加运算;如无,则转入3)。
3,按照Pl+1=((Xl)TWl)T传播规则进行事件信息正向传播。
4,此时信息也传遍整个神经网络,计算网络舆情熵。
5,网络舆情熵是否小于某个预先给定的阈值,如是,则表明网络舆情已收敛,演化结束;否则,转入6)。
6,计算舆情差值并进行逆向传播,以修正各神经元的观点值。
7,更新网络拓扑结构,转入2)。
经过一定次数的演化迭代,网络舆情会收敛到一个比较小的区间内,表明在线社交网络上,事件信息经充分传播、交流、讨论后,大众观点会大致趋向于统一,但无法达到完全的绝对统一。同时,在线社交网络上用户存在着明显的群体效应,群体内部观点较为统一,但群体之间观点则存在一定差异。
IPNN模型是借鉴近年来非常热门的人工神经网络研究成果,结合在线社交网络信息传播理论,特别是“六度分隔”理论,以在线社交网络上用户间的交互行为为研究对象,从用户交互的时间序列、关系强度和参与交互的节点重要性三个角度出发,分别用信息传播神经网络的分层结构、连接权重和节点度进行描述,精准刻画了交互行为的特征对信息传播效果的影响,进而揭示了社交网络舆情形成的过程和机理。
为了减小问题的复杂性,IPNN模型在建模过程中也作了适当简化和近似处理。对于某些网络小群体,内部连接数相当大,近似于全连接,比如家庭群体、工作班组群体,模型中仍然需要强制分层处理,按信息传播路径将节点归入与其相连接的直接信息源的下一层网络中,并斩断与同一层网络间的连接。对于网络舆情熵,为了减少计算复杂度,以终结层节点的舆情熵近似代替网络的全局舆情熵,从理论分析和仿真结果可知,这种近似是合理的。另外,IPNN模型底层架框是人工神经网络,神经元数量大,连接数多,网络整体显得庞大复杂,计算时间长而且成本高。
本发明的有益效果为:首先对近年来在线社交网络发展及网络舆情演化计算方法进行了总结,对传统研究方法和基于人工神经网络的研究方法进行了对比分析。然后以传播学“六度分隔”理论为依据,以舆情熵作为度量信息传播和网络舆情演化的评价标准,构建了包括输入层、传播层和终结层在内的的七层神经网络模型;以神经元模型为基础,推导出事件信息正向传播算法、舆情差值逆向传播算法、网络结构动态更新算法,这一系列迭代算法组成一个有机整体,作为信息传播动力学原型,较好地刻画了在线社交网络信息传播和舆情演化的过程,揭示了信息扩散传播、用户观点变迁、网络舆情形成的内部规律。最后通过仿真实验,分析了网络舆情收敛过程,以及模型各参数的影响情况,并将IPNN模型与基于连接矩阵的传统模型进行了对比分析,结果显示提出的基于人工神经网络的在线社交网络信息传播与舆情演化模型是合理、有效的,为在线社交网络舆情演化研究提供了一种新的研究思路和方法。
下一步将在此基础上利用分布式系统构建大规模社交网络的人工神经网络模型,研究竞争性信息传播的社交演化博弈,探究网络上两两交互、群体交互行为及社交关系更新机制,以利于进一步验证模型的可靠性和准确性。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法,其特征在于,包括如下步骤:
S1,获取在线社交网络信息,形成社交网络信息数据库,通过信息传播神经元模型进行社交网络信息的建立以及传递;
S2,将建立和传递之后的社交网络信息通过信息传播神经网络模型所设定的参数进行传递输出;
S3,通过信息传播神经网络模型传递的社交网络信息通过正向传播过程进行信息演化,从而构建社交网络信息发展趋势;
S4,构建完成社交网络信息之后,通过神经网络逆向传递舆情差值,以修正各神经元所持观点值,从而提高社交网络信息准确度。
2.根据权利要求1所述的基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法,其特征在于,所述S1包括:
S1-1,输入信息x1,x2,...,xi,..,xn表示与当前行为人相连接的n个信息输入源,连接权重w1,w2,...,wi,..,wn表示当前行为人分别与信息输入源x1,x2,...,xi,..,xn的亲密程度;
S1-2,传播阈值θ表示仅当输入信息x1,x2,...,xi,..,xn的线性叠加之和大于θ时,神经元才产生输出信息y,传播阈值θ与行为人的受教育程度、社会地位、从事职业、个人性格的设定因素有关,θ∈[0,1],θ=0表示行为人接受信息分享,只有收到都会向自己的关注者转发;θ=1表示行为人不愿意在社交网络上进行信息交流,在该状态下不转发、不评论;输出信息y,将向与之相连的信宿进行信息输出。
3.根据权利要求2所述的基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法,其特征在于,所述S1还包括:
S1-3,信息传播神经元模型的表达式如下:
S1-4,通过计算,神经元接收到来自n个其他神经元传递过来的社交网络输入信息,按连接权重进行线性运算,得到自己的信息总量;然后进行激活运算,f(x,θ)为激活函数,当信息总量大于阈值则产生输出y=x;当信息总量小于等于阈值时,y=0无输出。
4.根据权利要求1所述的基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法,其特征在于,所述S2包括:
S2-1,信息于t0时刻出现在第一层神经元上,然后经过若干时间步(t1,t2,...,t6)的传播才能遍及整个网络,神经元的个数分别为n1,n2,n3,n4,n5,n6,n7,n1<n2<n3<n4<n5<n6<n7;表示l层第i个神经元,每一个神经元存在一个信息传播阈值神经网络中θ服从正态分布,即θ~N(μ,σ2);μ表示行为人主动传播信息意愿的正态分布平均水平、σ2表示行为人传播信息意愿的差异程度。
5.根据权利要求4所述的基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法,其特征在于,所述S2还包括:
S2-2,开始神经网络构造算法,在线社交网络上节点沿信息传播方向上呈发散状分布,即一个信源节点通常与多个信宿节点相连,神经网络模型中,假设网络总节点数量为N个,节点扩散系数为ρ,其中ρ>1,神经网络模型中各层神经元数量应满足如下关系式:
n1+n2+n3+n4+n5+n6+n7=N
n1(ρ0+ρ1+ρ2+ρ3+ρ4+ρ5+ρ6)=N
得到
令其中c代表扩散系数计算的简要表达,由上式得出神经网络各层神经元数量,由表格展示各网络层神经元数量,从左至右为依次递增的网络层次,以及神经元数量,
神经网络模型中,相邻两层神经元之间的连接是非均匀的,同时,为了体现网络连接强度和紧密程度,设置连通率α指标,α∈[0,1],α=1时表示相邻两个网络层之间全连接,α=0时表示无任何连接;
S2-3,假设l,l+1层网络神经元数量分别为nl,nl+1个,连通率为α,则生成第l和l+1层节点之间连接的算法描述如下,
计算需要生成的连接数量L,
L=αnlnl+1,
在l层中依概率p1选取一个神经元概率p1正比于神经元的度,即
ki为节点i的度,请指出km的含义,
在l+1层中依概率p2选取另一个神经元概率p2正比于该另一个神经元的度,即
kj为节点j的度,如果kj等于零则在l+1层中随机选取一个神经元。
在神经元和神经元之间建立连接,方向由指向表示信息由第l层传至l+1层。
如果建立的连接数小于L,则转S2-3,否则结束;
S2-4,假设l层上有ml个神经元与l+1层上第j个神经元相连接,则l层上ml中第i个神经元与神经元j相连接的权重表示为:
其中m为神经元的总和,
连接权重是影响信息传播路径的重要因子,它使行为人偏爱和相信连接权重高的信息源传递过来的信息。
6.根据权利要求1所述的基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法,其特征在于,所述S3包括:
S3-1当进行信息正向传播过程时,假设用列向量表示第l层网络神经元的观点值,矩阵Wl其中由l层和l+1层网络神经元之间的连接权重组成,则信息正向传播公式表达如下:
Pl+1=((Xl)TWl)T
Pl+1表示正向传播到l+1层网络神经元的观点值,传播完成后l+1层网络神经元的新观点值(Xl+1)'等于自身原观点值Xl+1和刚接收到的观点值Pl+1的算术平均值,即
事件信息正向传播过程如下:
S3-2,t0时刻由外部事件引发的信息注入到神经网络第一层(输入层)的神经元上,用观点值表示当前行为人对该信息的所持观点,由于各行为人立场不同、情感不同,神经元上的观点值也不相等;
S3-3,经过一个时间步的时滞后,在t1时刻,第一层神经网络中的神经元将自己观点值与传播阈值进行比较,如果观点值大于传播阈值,则将自己所持意见值信息向与之相连接的第二层神经网络的神经元进行传递;
S3-4,第二层神经网络的神经元根据与之相连接的信息源按连接权重进行线性组合得到自己的观点值,再与自身传播阈值进行比较,大于传播阈值时,在t2时刻向第三层神经网络中的神经元进行信息传递;
S3-5,类似过程重复进行,事件信息经若干层网络神经元传播,在t6时刻传至第七层,第七层为信息终结层,该层神经元处于传播网络的边界,信息传播终止于此,不再向其它节点转发信息。
7.根据权利要求6所述的基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法,其特征在于,所述S3还包括:
S3-6,经过一次完整的信息正向传播后(t0,t1,...,t6),神经网络中每个神经元都具有特定的观点值,形成在线社交网络舆情信息值,神经网络第七层远离输入层,与产生信息的事件相关度低,采用第七层网络的舆情熵H来度量网络舆情水平,舆情熵是社交网络系统观点值无序程度的量度,舆情熵大,表示观点值出现的概率大,舆情熵小,表示出现的概率小。
8.根据权利要求7所述的基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法,其特征在于,所述S3还包括:
舆情熵H计算方法如下:
H=-∑piln pi
pi表示第七层网络中各神经元所持不同观点值的概率,观点值越离散,舆情熵值越大,反之舆情熵值越小;
另一种度量传播舆情的指标是观点值标准差S,表达如下:
为神经网络上神经元观点值的算术平均值,N为神经元数量。
9.根据权利要求1所述的基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法,其特征在于,所述S4包括:
S4-1,舆情差值E表示网络舆情的离散和混乱程度,数值上等于网络平均观点值与神经元观点值之差再与舆情熵的乘积,表示为:
El为第l层网络神经元的舆情差值;H为舆情熵,由计算求得;I为单位向量;
舆情差值由神经网络最后一层,逐层反馈逆向传播,直至输入层,逆向传播规则如下:
El-1=λWl-1El,
El-1为l-1层网络神经元的舆情差值;λ为逆向信息传播率,λ∈(0,1],表征反馈信息传播的强度;Wl-1为l-1层和l层网络神经元之间的连接权重。
舆情差值逆向传播的结果使得网络神经元观点值的修正,将节点原观点值与接收到的舆情差值之和作为神经元节点的新观点值,即
(Xl-1)'=Xl-1+El-1
(Xl-1)'为l-1层网络神经元的新观点值,Xl-1为l-1层网络神经元的原观点值。
10.根据权利要求9所述的基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法,其特征在于,所述S4还包括:
网络舆情的形成需要空间和时间,在线社交网络信息传播与舆情演化模型中空间就是信息传播神经网络,时间就是信息传播、信息交互的历时过程如下:
S-A,由外部事件引发的某条信息注入到神经网络输入层,使得输入层神经元具有相应的观点值;
S-B,是否存在媒体引导行为,如有,则将媒体值注入神经网络输入层,并与神经元所持观点值进行线性叠加运算;如无,则转入S-C;
S-C,按照Pl+1=((Xl)TWl)T传播规则进行事件信息正向传播;
S-D,此时信息也传遍整个神经网络,计算网络舆情熵;
S-E,网络舆情熵是否小于某个预先给定的阈值,如是,则表明网络舆情已收敛,演化结束;否则,转入S-F;
S-F,计算舆情差值并进行逆向传播,以修正各神经元的观点值;
S-G,更新网络拓扑结构,转入S-B。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811241622.8A CN109446434B (zh) | 2018-10-24 | 2018-10-24 | 基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811241622.8A CN109446434B (zh) | 2018-10-24 | 2018-10-24 | 基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109446434A true CN109446434A (zh) | 2019-03-08 |
CN109446434B CN109446434B (zh) | 2019-06-25 |
Family
ID=65548063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811241622.8A Active CN109446434B (zh) | 2018-10-24 | 2018-10-24 | 基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446434B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826003A (zh) * | 2019-11-01 | 2020-02-21 | 陕西师范大学 | 一种基于删边聚簇的非法或有害网络信息传播控制方法 |
CN111342991A (zh) * | 2020-01-10 | 2020-06-26 | 西安电子科技大学 | 基于跨社交网络的信息传播方法 |
CN111797333A (zh) * | 2020-06-04 | 2020-10-20 | 南京擎盾信息科技有限公司 | 舆情传播任务展示的方法及装置 |
CN112100518A (zh) * | 2020-09-21 | 2020-12-18 | 之江实验室 | 一种考虑用户在线关系网络的舆情主题发现方法 |
CN112269923A (zh) * | 2020-10-14 | 2021-01-26 | 西华大学 | 一种基于结构洞的网络舆情控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839412A (zh) * | 2014-03-27 | 2014-06-04 | 北京建筑大学 | 一种基于贝叶斯加权的路口动态转向比例组合估计方法 |
CN104538027A (zh) * | 2014-12-12 | 2015-04-22 | 复旦大学 | 语音社交媒体的情绪传播计算方法及系统 |
US20160260012A1 (en) * | 2014-02-06 | 2016-09-08 | Qualcomm Incorporated | Short-term synaptic memory based on a presynaptic spike |
US20160350651A1 (en) * | 2015-05-29 | 2016-12-01 | North Carolina State University | Automatically constructing training sets for electronic sentiment analysis |
CN108566257A (zh) * | 2018-04-27 | 2018-09-21 | 电子科技大学 | 一种基于反向传播神经网络的信号恢复方法 |
-
2018
- 2018-10-24 CN CN201811241622.8A patent/CN109446434B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160260012A1 (en) * | 2014-02-06 | 2016-09-08 | Qualcomm Incorporated | Short-term synaptic memory based on a presynaptic spike |
CN103839412A (zh) * | 2014-03-27 | 2014-06-04 | 北京建筑大学 | 一种基于贝叶斯加权的路口动态转向比例组合估计方法 |
CN104538027A (zh) * | 2014-12-12 | 2015-04-22 | 复旦大学 | 语音社交媒体的情绪传播计算方法及系统 |
US20160350651A1 (en) * | 2015-05-29 | 2016-12-01 | North Carolina State University | Automatically constructing training sets for electronic sentiment analysis |
CN108566257A (zh) * | 2018-04-27 | 2018-09-21 | 电子科技大学 | 一种基于反向传播神经网络的信号恢复方法 |
Non-Patent Citations (2)
Title |
---|
XIAOHANG YAO ET AL: "A network intrusion detection approach combined with genetic algorithm and back propagation neural network", 《2010 INTERNATIONAL CONFERENCE ON E-HEALTH NETWORKING DIGITAL ECOSYSTEMS AND TECHNOLOGIES (EDT)》 * |
党凯乐: "基于神经网络的社交网络信息传播预测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826003A (zh) * | 2019-11-01 | 2020-02-21 | 陕西师范大学 | 一种基于删边聚簇的非法或有害网络信息传播控制方法 |
CN110826003B (zh) * | 2019-11-01 | 2022-05-17 | 陕西师范大学 | 一种基于删边聚簇的非法或有害网络信息传播控制方法 |
CN111342991A (zh) * | 2020-01-10 | 2020-06-26 | 西安电子科技大学 | 基于跨社交网络的信息传播方法 |
CN111342991B (zh) * | 2020-01-10 | 2022-03-04 | 西安电子科技大学 | 基于跨社交网络的信息传播方法 |
CN111797333A (zh) * | 2020-06-04 | 2020-10-20 | 南京擎盾信息科技有限公司 | 舆情传播任务展示的方法及装置 |
CN111797333B (zh) * | 2020-06-04 | 2021-04-20 | 南京擎盾信息科技有限公司 | 舆情传播任务展示的方法及装置 |
CN112100518A (zh) * | 2020-09-21 | 2020-12-18 | 之江实验室 | 一种考虑用户在线关系网络的舆情主题发现方法 |
CN112100518B (zh) * | 2020-09-21 | 2023-11-28 | 之江实验室 | 一种考虑用户在线关系网络的舆情主题发现方法 |
CN112269923A (zh) * | 2020-10-14 | 2021-01-26 | 西华大学 | 一种基于结构洞的网络舆情控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109446434B (zh) | 2019-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446434B (zh) | 基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法 | |
Çebi et al. | An Application of Fuzzy Analytic Hierarchy Process (FAHP) for Evaluating Students' Project. | |
Lee et al. | Inferring expertise in knowledge and prediction ranking tasks | |
Liao et al. | Exploring the switching intention of learners on social network-based learning platforms: a perspective of the push–pull–mooring model | |
CN113111242B (zh) | 基于知识图谱的自适应学习路径推荐方法 | |
CN109299808B (zh) | 基于群体劝说力建模的网民观点演化趋势预测方法 | |
Liu et al. | A game theory-based network rumor spreading model: based on game experiments | |
Walker et al. | A matrix representation of attitudes in conflicts | |
CN109299374B (zh) | 基于人工神经网络的在线社交网络信息传播与舆情演化正向构建方法和系统 | |
Liu et al. | Forecast and evaluation of educational economic contribution based on fuzzy neural network | |
Berndt et al. | Modeling user behavior in social media with complex agents | |
Liu et al. | A least-effort principle based model for heterogeneous pedestrian flow considering overtaking behavior | |
Chen | Acceptance of social robots by aging users: towards a pleasure-oriented view | |
Zeng et al. | Policy equilibrium and generalized metarationalities for multiple decision-maker conflicts | |
Zhang et al. | Agent‐based modeling approach for group polarization behavior considering conformity and network relationship strength | |
CN116166875A (zh) | 基于元路径增强的异质图神经网络的双向跨域推荐方法 | |
Lungeanu et al. | A computational model of team assembly in emerging scientific fields | |
Zwier et al. | Knowing me, knowing you: Socio-economic status and (segregation in) peer and parental networks in primary school | |
Hassan et al. | Introducing uncertainty into social simulation: using fuzzy logic for agent-based modelling | |
Li et al. | Micro‐macro dynamics of the online opinion evolution: An asynchronous network model approach | |
Shang | A comprehensive evaluation method for the effectiveness of public health-oriented music performance art based on blockchain technology | |
Madasamy et al. | A Novel Back-Propagation Neural Network for Intelligent Cyber-Physical Systems for Wireless Communications | |
Zinoviev et al. | A game theoretical approach to modeling full-duplex information dissemination | |
Shree et al. | Multi-criteria decision-making for purchasing cell phones using machine learning approach | |
Li et al. | A Network Public Opinion Trend Estimation Model Using a Scale‐Free Network Algorithm |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220602 Address after: 200030 area a, 2nd floor, 420 Fenglin Road, Xuhui District, Shanghai Patentee after: Yibao Technology (Shanghai) Co.,Ltd. Address before: No.69 Hongguang Avenue, Banan District, Chongqing Patentee before: Chongqing University of Technology |
|
TR01 | Transfer of patent right |