CN110807251A - 融入个体异质性和动态从众性的网络舆情极化方法及其系统 - Google Patents
融入个体异质性和动态从众性的网络舆情极化方法及其系统 Download PDFInfo
- Publication number
- CN110807251A CN110807251A CN201911011520.1A CN201911011520A CN110807251A CN 110807251 A CN110807251 A CN 110807251A CN 201911011520 A CN201911011520 A CN 201911011520A CN 110807251 A CN110807251 A CN 110807251A
- Authority
- CN
- China
- Prior art keywords
- agent
- attitude
- individuals
- social
- interaction
- 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.)
- Pending
Links
- 230000010287 polarization Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000003993 interaction Effects 0.000 claims abstract description 87
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 239000003795 chemical substances by application Substances 0.000 claims description 313
- 230000000694 effects Effects 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000007935 neutral effect Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 206010034719 Personality change Diseases 0.000 claims description 10
- 230000001195 anabolic effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 5
- 230000002452 interceptive effect Effects 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 2
- 238000011217 control strategy Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 5
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种融入个体异质性和动态从众性的网络舆情极化方法，首先引入个体在交互过程中对于他人观点的从众倾向动态变化函数并进一步定义了不同交互个体之间的影响度权重，将交互个体从完全同质性拓展为初始时刻观点异质性及从众异质性；然后，通过仿真发现个体态度的改变程度是有限的，在初始时刻呈一种态度的个体难以通过交互行为转变为另一种对立的态度；此外，在一定阈值内从众性低的个体更容易形成极化；最后给出网络突发群体事件的管控策略。本发明还包括融入个体异质性和动态从众性的网络舆情极化系统。本发明弥补了传统网络舆情极化方法实用性差、建模简单的缺陷，使对网络突发事件演变过程的预测准确性得到明显提升。
Description
技术领域
本发明涉及一种融入个体异质性和动态从众性的网络舆情极化方法及其系统，适用于抵御社会系统的脆弱性，实现对于复杂网络的有效管理具有重要的现实意义。同时，也可以在事前对大规模群体事件进行预测从而在根源上进行阻止，也能在群体性事件发生后进行有效干预，减小事态的蔓延。
技术背景
网络中关注同一个热点事件的网民可能具有一定相似性，而这些彼此相似的网民在线上讨论时，往往会相互刺激，加深彼此情感程度，从而逐渐达到一个极端值，这就是舆论极化。而在出现舆论极化之后，可能会延伸至线下，出现影响社会稳定的群体性行为。因此，对于网络极化现象的机理研究具有重要的理论与现实意义。
目前学者们对于网络极化现象已经开展了一些研究，主要包括利用统计方法对极化现象的宏观特征进行定性分析以及通过建模仿真进行定量研究，然而定性分析方法大多依赖于个人经验，缺乏可靠的理论依据，严重限制了其应用范围；而定量方法所使用的模型较为简单，虽然能揭示极化现象的一些局部特征，但还不能准确反映现实中许多复杂多变的网络极化现象。其中较具代表性的J-A模型由于原理简单、实用性较强，因此在模拟极化现象中应用较多，但其假设个体在交互过程中具有同质性。然而心理学观点认为所有个体都具有异质性，观点属性相同的个体a和b即使是在同一时刻遇到个体c并与之进行交互，个体c对他们的影响程度仍然存在差异。因此，本文通过两个观点交互者之间的关系强弱以及交互者本身的社会地位来定义他们之间的相互影响程度，从而度量个体的异质性。此外，网络极化现象由多个个体进行多次交互产生，该过程是一个动态演变过程。当网络中不同观点偏离程度发生改变时，个体会产生不同的从众心理，而目前学术界对此种情况的研究相对较少。
发明内容
本发明要克服目前网络舆情极化过程预测不确定的问题，导致人为干预不成功的问题，提出融入个体异质性和动态从众性的网络舆情极化方法及其系统；本发明引入个体在交互过程中对于他人观点的从众倾向动态变化函数并进一步定义了不同交互个体之间的影响度权重，将交互个体从完全同质性拓展为初始时刻观点异质性及从众异质性，为应急管理部门决策提供科学依据。
为了解决上述问题，本发明提出一种融入个体异质性和动态从众性的网络舆情极化方法。首先引入个体在交互过程中对于他人观点的从众倾向动态变化函数并进一步定义了不同交互个体之间的影响度权重，将交互个体从完全同质性拓展为初始时刻观点异质性及从众异质性。最后，通过实验发现个体态度的改变程度是有限的，在初始时刻呈一种态度的个体难以通过交互行为转变为另一种对立的态度。
本发明提出的融入个体异质性和动态从众性的网络舆情极化方法，包括以下步骤：
1.确定社会态度值；
假设在t时刻，所有参与该网络事件交互行为的Agent数量为N，在初始时刻，他们的观点服从N～(0,1)正态分布，在t时刻，Agent i的观点值表示为xi(t)，且xi(t)∈[-1,1]。此时，社会平均态度值T(t)表示为：
2.衡量社会主流态度值；
用ρ(t)表示在舆论演化至t时刻，整个网络中观点的极化程度，其与态度值的标准差成反相关，表示如下：
社会主流态度在t时刻对于Agent i的影响程度Π(t)则与社会整体极化程度以及社会平均态度成正比，表示如下：
Π(t)＝ρ(t)*T(t) (3)
当ρ(t)很低时，说明t时刻网络中的态度值分布非常分散，没有形成主流舆论，因此Agent i倾向于服从社会主流舆论的概率较低，称这种概率为社会从众性。而随着舆论演化，观点逐步达到统一时，由于“沉默的螺旋”效应，网络中的个体由于害怕被孤立，所以服从社会主流舆论的倾向上升。社会主流舆论对于个体的影响力大小与社会极化程度呈正比，并且正比于社会的平均态度值；3.确定每一时刻Agent i接收到的总态度值；
强弱连接理论认为个体与个体之间的关系可以通过他们之间的交互频率进行衡量，简单地可以分为强连接和弱连接两种。强连接关系通常代表交互者之间具有高度的互动性，而弱连接关系虽然表示个体间不强的互动性，但是却是广泛存在于网络中的一种连接关系，作用更加广泛。在这里提出的舆论极化模型中，认为与Agent i直接进行观点交互的邻居个体为强连接关系，而存在于同一个网络中的其余Agent则对Agent i有着潜移默化的影响，是Agent i的弱连接关系。因此，社会主流舆论对于Agent i的影响是基于弱连接进行传递的，在t时刻Agent i根据网络中弱连接个体所传递的社会主流态度来改变自身观点。但是，虽然这些个体对Agent i有一定程度的影响，Agent i却并不会与这些仅仅有弱连接关系的个体直接进行观点交互。当热点事件发生时，由于网络的集聚性，会出现围绕该事件而存在的社群。社区中的个体通过发表描述热点事件的文章、博客后跟贴、相互评论而向其他个体传达自身态度，这里假设这种存在直接交互行为的关系为强连接关系。此时，与Agent i进行直接相交互的Agent j成为Agent i的邻居，对其影响程度增大；
假设当Agent i和邻居Agent j进行观点交互时，Agent j对其影响力大小会受到Agent j的权威性pj以及Agent i自身权威性pi的影响，在网络仿真中，每个个体的权威性则根据度中心性来进行计算，那么i，j之间的影响力大小则与两者差值有关，公式Zij表示为Agent j对Agent i的影响力，具体描述如下：
在任一时刻，假设Agent i能接收到所有与其相连的邻居Agent所传递的信息并受到影响，Agent j对于Agent i态度值的影响程度取决于Agent j在t时刻传递给Agent i的态度xj(t)及他们之间的影响力Zij，那么Agent i受到周围所有邻居的影响程度由Zi(t)表示，描述如下：
按照公式(5)进行调整后，每一时刻Agent i接收到的总态度Xi(t)由接收到的社会主流态度Π(t)及Agent i的邻居节点所传递的邻居态度Zi(t)所组成：
Xi(t)＝μΠ(t)+(1-μ)Zi(t) (6)
其中μ为影响参数，表示Agent i倾向于与社会主流态度Π(t)一致的概率，1-μ则表示Agent i倾向于与强连接的邻居Agent态度Zi(t)保持一致的概率；
4.节点态度改变规则；
当Agent i的态度值xi(t)与其接收到的总态度值Xi(t)接近(处于同化效应带)，会因受到鼓舞而增强自身的态度。当态度值差异非常大时(处于相斥效应带)，由于逆反心理会更加强化自身态度值。同时，Agent i只与其邻居节点进行强交互，即观点只会受到邻居节点的赞同或反对。个体i与邻居态度值Zi(t)正负倾向相同时，会由于受到肯定，从而增强对于自身观点的肯定程度。在t时刻，Agent i根据自身所接收到的总态度值Xi(t)来调节自身下一时刻的态度，根据其差值选择使用同化规则、相斥规则或中立规则，具体如下：
4.1同化规则：
当|Xi(t)-xi(t)|≤d1时，有
xi(t+1)＝fi(t)*xi(t)+ζi(t)*(Xi(t)-xi(t)) (7)
fi(t)＝(ek1i(t)/ki(t)-1)+Yi (8)
ζi(t)＝1-fi(t) (9)
其中fi(t)表示t时刻Agent i对于自身观点的肯定程度，如果Agent i在进行交互时受到对方肯定，就会强化自身观点；反之，也会由于一直受到攻击而怀疑自身观点的正确性；ki(t)表示迭代至t时刻，Agent i的交互次数；k1i(t)表示在初始时刻迭代至t时刻的过程中，Agent i在进行观点交互时受到肯定的次数(假设Agent i的观点在与邻居节点进行交互时，自身观点xi(t)与接收到的邻居观点值Zi(t)正负倾向相同则为受到肯定)；k1i(t)/ki(t)则表示受到肯定的概率，伴随交互的进行而不断变化；Yi表示Agent i的固有自信度，是Agent i的固有属性，不会随交互进行而改变。如果个体对于自身观点十分自信，fi(t)处于比较大的值，那么他们的从众性ζi(t)就会有所降低，因此ζi(t)与fi(t)成反相关，如公式(9)所示。在t＝0时刻，个体没有参与交互，ki(0)，k1i(0)都为0，Agent i的从众性ζi(0)＝1-Yi；
4.2相斥规则：
当|Xi(t)-xi(t)|≥d2时，有
xi(t+1)＝fi(t)*xi(t)-ζi(t)*(Xi(t)-xi(t)) (10)
4.3中立规则
其他情况下态度值不变，表示如下：
xi(t+1)＝xi(t) (11)
5.设定仿真步骤；
首先，根据两个Agent的态度公式(7)-(11)计算它们之间的态度差异，如果态度差异值小于收敛参数d1，则认为这两个个体处于社会评价理论中的同化效应带，按式(7)-(9)计算更新它们的态度向量，它们的态度会进一步接近；如果态度差异值大于发散参数d2，则认为两个个体处于社会评价理论中的相斥效应带，按式(10)计算更新它们的态度向量，它们的态度差异会进一步增大；如果态度差异值在d1和d2之间，则它们的态度均保持不变。反复执行此过程，并在此过程中观察整体涌现中的群体态度的演化现象，这一过程如图1所示。
融入个体异质性和动态从众性的网络舆情极化方法的系统，其特征在于：包括运行于计算机上、并依次连接的社会态度值模块、社会主流态度值衡量模块、每一时刻Agenti接收到的总态度值模块、节点态度改变规则模块、设定仿真步骤模块：
社会态度值模块，具体包括：
假设在t时刻，所有参与该网络事件交互行为的Agent数量为N，在初始时刻，他们的观点服从N～(0,1)正态分布，在t时刻，Agent i的观点值表示为xi(t)，且xi(t)∈[-1,1]。此时，社会平均态度值T(t)表示为：
社会主流态度值衡量模块，具体包括：
用ρ(t)表示在舆论演化至t时刻，整个网络中观点的极化程度，其与态度值的标准差成反相关，表示如下：
社会主流态度在t时刻对于Agent i的影响程度Π(t)则与社会整体极化程度以及社会平均态度成正比，表示如下：
Π(t)＝ρ(t)*T(t) (3)
当ρ(t)很低时，说明t时刻网络中的态度值分布非常分散，没有形成主流舆论，因此Agent i倾向于服从社会主流舆论的概率较低，称这种概率为社会从众性。而随着舆论演化，观点逐步达到统一时，由于“沉默的螺旋”效应，网络中的个体由于害怕被孤立，所以服从社会主流舆论的倾向上升。社会主流舆论对于个体的影响力大小与社会极化程度呈正比，并且正比于社会的平均态度值；
每一时刻Agent i接收到的总态度值模块；
强弱连接理论认为个体与个体之间的关系可以通过他们之间的交互频率进行衡量，简单地可以分为强连接和弱连接两种。强连接关系通常代表交互者之间具有高度的互动性，而弱连接关系虽然表示个体间不强的互动性，但是却是广泛存在于网络中的一种连接关系，作用更加广泛。在这里提出的舆论极化模型中，认为与Agent i直接进行观点交互的邻居个体为强连接关系，而存在于同一个网络中的其余Agent则对Agent i有着潜移默化的影响，是Agent i的弱连接关系。因此，社会主流舆论对于Agent i的影响是基于弱连接进行传递的，在t时刻Agent i根据网络中弱连接个体所传递的社会主流态度来改变自身观点。但是，虽然这些个体对Agent i有一定程度的影响，Agent i却并不会与这些仅仅有弱连接关系的个体直接进行观点交互。当热点事件发生时，由于网络的集聚性，会出现围绕该事件而存在的社群。社区中的个体通过发表描述热点事件的文章、博客后跟贴、相互评论而向其他个体传达自身态度，这里假设这种存在直接交互行为的关系为强连接关系。此时，与Agent i进行直接相交互的Agent j成为Agent i的邻居，对其影响程度增大；
假设当Agent i和邻居Agent j进行观点交互时，Agent j对其影响力大小会受到Agent j的权威性pj以及Agent i自身权威性pi的影响，在网络仿真中，每个个体的权威性则根据度中心性来进行计算，那么i，j之间的影响力大小则与两者差值有关，公式Zij表示为Agent j对Agent i的影响力，具体描述如下：
在任一时刻，假设Agent i能接收到所有与其相连的邻居Agent所传递的信息并受到影响，Agent j对于Agent i态度值的影响程度取决于Agent j在t时刻传递给Agent i的态度xj(t)及他们之间的影响力Zij，那么Agent i受到周围所有邻居的影响程度由Zi(t)表示，描述如下：
按照公式(5)进行调整后，每一时刻Agent i接收到的总态度Xi(t)由接收到的社会主流态度Π(t)及Agent i的邻居节点所传递的邻居态度Zi(t)所组成：
Xi(t)＝μΠ(t)+(1-μ)Zi(t) (6)
其中μ为影响参数，表示Agent i倾向于与社会主流态度Π(t)一致的概率，1-μ则表示Agent i倾向于与强连接的邻居Agent态度Zi(t)保持一致的概率；
节点态度改变规则模块，具体包括：
当Agent i的态度值xi(t)与其接收到的总态度值Xi(t)接近(处于同化效应带)，会因受到鼓舞而增强自身的态度。当态度值差异非常大时(处于相斥效应带)，由于逆反心理会更加强化自身态度值。同时，Agent i只与其邻居节点进行强交互，即观点只会受到邻居节点的赞同或反对。个体i与邻居态度值Zi(t)正负倾向相同时，会由于受到肯定，从而增强对于自身观点的肯定程度。在t时刻，Agent i根据自身所接收到的总态度值Xi(t)来调节自身下一时刻的态度，根据其差值选择使用同化规则、相斥规则或中立规则，具体如下：
4.1同化规则：
当|Xi(t)-xi(t)|≤d1时，有
xi(t+1)＝fi(t)*xi(t)+ζi(t)*(Xi(t)-xi(t)) (7)
fi(t)＝(ek1i(t)/ki(t)-1)+Yi (8)
ζi(t)＝1-fi(t) (9)
其中fi(t)表示t时刻Agent i对于自身观点的肯定程度，如果Agent i在进行交互时受到对方肯定，就会强化自身观点；反之，也会由于一直受到攻击而怀疑自身观点的正确性；ki(t)表示迭代至t时刻，Agent i的交互次数；k1i(t)表示在初始时刻迭代至t时刻的过程中，Agent i在进行观点交互时受到肯定的次数(假设Agent i的观点在与邻居节点进行交互时，自身观点xi(t)与接收到的邻居观点值Zi(t)正负倾向相同则为受到肯定)；k1i(t)/ki(t)则表示受到肯定的概率，伴随交互的进行而不断变化；Yi表示Agent i的固有自信度，是Agent i的固有属性，不会随交互进行而改变。如果个体对于自身观点十分自信，fi(t)处于比较大的值，那么他们的从众性ζi(t)就会有所降低，因此ζi(t)与fi(t)成反相关，如公式(9)所示。在t＝0时刻，个体没有参与交互，ki(0)，k1i(0)都为0，Agent i的从众性ζi(0)＝1-Yi；
4.2相斥规则：
当|Xi(t)-xi(t)|≥d2时，有
xi(t+1)＝fi(t)*xi(t)-ζi(t)*(Xi(t)-xi(t)) (10)
4.3中立规则
其他情况下态度值不变，表示如下：
xi(t+1)＝xi(t) (11)
设定仿真步骤模块，具体包括：
首先，根据两个Agent的态度公式(7)-(11)计算它们之间的态度差异，如果态度差异值小于收敛参数d1，则认为这两个个体处于社会评价理论中的同化效应带，按式(7)-(9)计算更新它们的态度向量，它们的态度会进一步接近；如果态度差异值大于发散参数d2，则认为两个个体处于社会评价理论中的相斥效应带，按式(10)计算更新它们的态度向量，它们的态度差异会进一步增大；如果态度差异值在d1和d2之间，则它们的态度均保持不变。反复执行此过程，并在此过程中观察整体涌现中的群体态度的演化现象。
本发明的优点是：弥补了传统网络舆情极化方法实用性差、建模简单的缺陷，使对网络突发事件演变过程的预测准确性得到明显提升。
附图说明
图1是本发明采用的基于多Agent的蒙特卡洛仿真示意图。
图2是本发明的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细说明。
本发明所述的一种融入个体异质性和动态从众性的网络舆情极化方法，以舆论极化为基础，主要加入个体异质性和动态从众性，演化流程如图1所示，包括如下步骤：
1.确定社会态度值；
假设在t时刻，所有参与该网络事件交互行为的Agent数量为N，在初始时刻，他们的观点服从N～(0,1)正态分布，在t时刻，Agent i的观点值表示为xi(t)，且xi(t)∈[-1,1]。此时，社会平均态度值T(t)表示为：
2.衡量社会主流态度值；
用ρ(t)表示在舆论演化至t时刻，整个网络中观点的极化程度，其与态度值的标准差成反相关，表示如下：
社会主流态度在t时刻对于Agenti的影响程度Π(t)则与社会整体极化程度以及社会平均态度成正比，表示如下：
Π(t)＝ρ(t)*T(t) (3)
当ρ(t)很低时，说明t时刻网络中的态度值分布非常分散，没有形成主流舆论，因此Agent i倾向于服从社会主流舆论的概率较低，称这种概率为社会从众性。而随着舆论演化，观点逐步达到统一时，由于“沉默的螺旋”效应，网络中的个体由于害怕被孤立，所以服从社会主流舆论的倾向上升。社会主流舆论对于个体的影响力大小与社会极化程度呈正比，并且正比于社会的平均态度值；3.确定每一时刻Agent i接收到的总态度值；
强弱连接理论认为个体与个体之间的关系可以通过他们之间的交互频率进行衡量，简单地可以分为强连接和弱连接两种。强连接关系通常代表交互者之间具有高度的互动性，而弱连接关系虽然表示个体间不强的互动性，但是却是广泛存在于网络中的一种连接关系，作用更加广泛。在这里提出的舆论极化模型中，认为与Agent i直接进行观点交互的邻居个体为强连接关系，而存在于同一个网络中的其余Agent则对Agent i有着潜移默化的影响，是Agent i的弱连接关系。因此，社会主流舆论对于Agent i的影响是基于弱连接进行传递的，在t时刻Agent i根据网络中弱连接个体所传递的社会主流态度来改变自身观点。但是，虽然这些个体对Agent i有一定程度的影响，Agent i却并不会与这些仅仅有弱连接关系的个体直接进行观点交互。当热点事件发生时，由于网络的集聚性，会出现围绕该事件而存在的社群。社区中的个体通过发表描述热点事件的文章、博客后跟贴、相互评论而向其他个体传达自身态度，这里假设这种存在直接交互行为的关系为强连接关系。此时，与Agent i进行直接相交互的Agent j成为Agent i的邻居，对其影响程度增大；
假设当Agent i和邻居Agent j进行观点交互时，Agent j对其影响力大小会受到Agent j的权威性pj以及Agent i自身权威性pi的影响，在网络仿真中，每个个体的权威性则根据度中心性来进行计算，那么i，j之间的影响力大小则与两者差值有关，公式Zij表示为Agent j对Agent i的影响力，具体描述如下：
在任一时刻，假设Agent i能接收到所有与其相连的邻居Agent所传递的信息并受到影响，Agent j对于Agent i态度值的影响程度取决于Agent j在t时刻传递给Agent i的态度xj(t)及他们之间的影响力Zij，那么Agent i受到周围所有邻居的影响程度由Zi(t)表示，描述如下：
按照公式(16)进行调整后，每一时刻Agent i接收到的总态度Xi(t)由接收到的社会主流态度Π(t)及Agent i的邻居节点所传递的邻居态度Zi(t)所组成：
Xi(t)＝μΠ(t)+(1-μ)Zi(t) (6)
其中μ为影响参数，表示Agent i倾向于与社会主流态度Π(t)一致的概率，1-μ则表示Agent i倾向于与强连接的邻居Agent态度Zi(t)保持一致的概率；
4.节点态度改变规则；
当Agent i的态度值xi(t)与其接收到的总态度值Xi(t)接近(处于同化效应带)，会因受到鼓舞而增强自身的态度。当态度值差异非常大时(处于相斥效应带)，由于逆反心理会更加强化自身态度值。同时，Agent i只与其邻居节点进行强交互，即观点只会受到邻居节点的赞同或反对。个体i与邻居态度值Zi(t)正负倾向相同时，会由于受到肯定，从而增强对于自身观点的肯定程度。在t时刻，Agent i根据自身所接收到的总态度值Xi(t)来调节自身下一时刻的态度，根据其差值选择使用同化规则、相斥规则或中立规则，具体如下：
4.1同化规则：
当|Xi(t)-xi(t)|≤d1时，有
xi(t+1)＝fi(t)*xi(t)+ζi(t)*(Xi(t)-xi(t)) (7)
fi(t)＝(ek1i(t)/ki(t)-1)+Yi (8)
ζi(t)＝1-fi(t) (9)
其中fi(t)表示t时刻Agent i对于自身观点的肯定程度，如果Agent i在进行交互时受到对方肯定，就会强化自身观点；反之，也会由于一直受到攻击而怀疑自身观点的正确性；ki(t)表示迭代至t时刻，Agent i的交互次数；k1i(t)表示在初始时刻迭代至t时刻的过程中，Agent i在进行观点交互时受到肯定的次数(假设Agent i的观点在与邻居节点进行交互时，自身观点xi(t)与接收到的邻居观点值Zi(t)正负倾向相同则为受到肯定)；k1i(t)/ki(t)则表示受到肯定的概率，伴随交互的进行而不断变化；Yi表示Agent i的固有自信度，是Agent i的固有属性，不会随交互进行而改变。如果个体对于自身观点十分自信，fi(t)处于比较大的值，那么他们的从众性ζi(t)就会有所降低，因此ζi(t)与fi(t)成反相关，如公式(9)所示。在t＝0时刻，个体没有参与交互，ki(0)，k1i(0)都为0，Agent i的从众性ζi(0)＝1-Yi；
4.2相斥规则：
当|Xi(t)-xi(t)|≥d2时，有
xi(t+1)＝fi(t)*xi(t)-ζi(t)*(Xi(t)-xi(t)) (10)
4.3中立规则
其他情况下态度值不变，表示如下：
xi(t+1)＝xi(t) (11)
5.设定仿真步骤；
首先，根据两个Agent的态度公式(18)-(22)计算它们之间的态度差异，如果态度差异值小于收敛参数d1，则认为这两个个体处于社会评价理论中的同化效应带，按式(18)-(20)计算更新它们的态度向量，它们的态度会进一步接近；如果态度差异值大于发散参数d2，则认为两个个体处于社会评价理论中的相斥效应带，按式(21)计算更新它们的态度向量，它们的态度差异会进一步增大；如果态度差异值在d1和d2之间，则它们的态度均保持不变。反复执行此过程，并在此过程中观察整体涌现中的群体态度的演化现象，这一过程如图1所示。
融入个体异质性和动态从众性的网络舆情极化方法的系统，其特征在于：包括运行于计算机上、并依次连接的社会态度值模块、
社会主流态度值衡量模块、每一时刻Agent i接收到的总态度值模块、节点态度改变规则模块、设定仿真步骤模块：
社会态度值模块，具体包括：
假设在t时刻，所有参与该网络事件交互行为的Agent数量为N，在初始时刻，他们的观点服从N～(0,1)正态分布，在t时刻，Agent i的观点值表示为xi(t)，且xi(t)∈[-1,1]。此时，社会平均态度值T(t)表示为：
社会主流态度值衡量模块，具体包括：
用ρ(t)表示在舆论演化至t时刻，整个网络中观点的极化程度，其与态度值的标准差成反相关，表示如下：
社会主流态度在t时刻对于Agent i的影响程度Π(t)则与社会整体极化程度以及社会平均态度成正比，表示如下：
Π(t)＝ρ(t)*T(t) (3)
当ρ(t)很低时，说明t时刻网络中的态度值分布非常分散，没有形成主流舆论，因此Agent i倾向于服从社会主流舆论的概率较低，称这种概率为社会从众性。而随着舆论演化，观点逐步达到统一时，由于“沉默的螺旋”效应，网络中的个体由于害怕被孤立，所以服从社会主流舆论的倾向上升。社会主流舆论对于个体的影响力大小与社会极化程度呈正比，并且正比于社会的平均态度值；
每一时刻Agent i接收到的总态度值模块；
强弱连接理论认为个体与个体之间的关系可以通过他们之间的交互频率进行衡量，简单地可以分为强连接和弱连接两种。强连接关系通常代表交互者之间具有高度的互动性，而弱连接关系虽然表示个体间不强的互动性，但是却是广泛存在于网络中的一种连接关系，作用更加广泛。在这里提出的舆论极化模型中，认为与Agent i直接进行观点交互的邻居个体为强连接关系，而存在于同一个网络中的其余Agent则对Agent i有着潜移默化的影响，是Agent i的弱连接关系。因此，社会主流舆论对于Agent i的影响是基于弱连接进行传递的，在t时刻Agent i根据网络中弱连接个体所传递的社会主流态度来改变自身观点。但是，虽然这些个体对Agent i有一定程度的影响，Agent i却并不会与这些仅仅有弱连接关系的个体直接进行观点交互。当热点事件发生时，由于网络的集聚性，会出现围绕该事件而存在的社群。社区中的个体通过发表描述热点事件的文章、博客后跟贴、相互评论而向其他个体传达自身态度，这里假设这种存在直接交互行为的关系为强连接关系。此时，与Agent i进行直接相交互的Agent j成为Agent i的邻居，对其影响程度增大；
假设当Agent i和邻居Agent j进行观点交互时，Agent j对其影响力大小会受到Agent j的权威性pj以及Agent i自身权威性pi的影响，在网络仿真中，每个个体的权威性则根据度中心性来进行计算，那么i，j之间的影响力大小则与两者差值有关，公式Zij表示为Agent j对Agent i的影响力，具体描述如下：
在任一时刻，假设Agent i能接收到所有与其相连的邻居Agent所传递的信息并受到影响，Agent j对于Agent i态度值的影响程度取决于Agent j在t时刻传递给Agent i的态度xj(t)及他们之间的影响力Zij，那么Agent i受到周围所有邻居的影响程度由Zi(t)表示，描述如下：
按照公式(5)进行调整后，每一时刻Agent i接收到的总态度Xi(t)由接收到的社会主流态度Π(t)及Agent i的邻居节点所传递的邻居态度Zi(t)所组成：
Xi(t)＝μΠ(t)+(1-μ)Zi(t) (6)
其中μ为影响参数，表示Agent i倾向于与社会主流态度Π(t)一致的概率，1-μ则表示Agent i倾向于与强连接的邻居Agent态度Zi(t)保持一致的概率；
节点态度改变规则模块，具体包括：
当Agent i的态度值xi(t)与其接收到的总态度值Xi(t)接近(处于同化效应带)，会因受到鼓舞而增强自身的态度。当态度值差异非常大时(处于相斥效应带)，由于逆反心理会更加强化自身态度值。同时，Agent i只与其邻居节点进行强交互，即观点只会受到邻居节点的赞同或反对。个体i与邻居态度值Zi(t)正负倾向相同时，会由于受到肯定，从而增强对于自身观点的肯定程度。在t时刻，Agent i根据自身所接收到的总态度值Xi(t)来调节自身下一时刻的态度，根据其差值选择使用同化规则、相斥规则或中立规则，具体如下：
4.1同化规则：
当|Xi(t)-xi(t)|≤d1时，有
xi(t+1)＝fi(t)*xi(t)+ζi(t)*(Xi(t)-xi(t)) (7)
fi(t)＝(ek1i(t)/ki(t)-1)+Yi (8)
ζi(t)＝1-fi(t) (9)
其中fi(t)表示t时刻Agent i对于自身观点的肯定程度，如果Agent i在进行交互时受到对方肯定，就会强化自身观点；反之，也会由于一直受到攻击而怀疑自身观点的正确性；ki(t)表示迭代至t时刻，Agent i的交互次数；k1i(t)表示在初始时刻迭代至t时刻的过程中，Agent i在进行观点交互时受到肯定的次数(假设Agent i的观点在与邻居节点进行交互时，自身观点xi(t)与接收到的邻居观点值Zi(t)正负倾向相同则为受到肯定)；k1i(t)/ki(t)则表示受到肯定的概率，伴随交互的进行而不断变化；Yi表示Agent i的固有自信度，是Agent i的固有属性，不会随交互进行而改变。如果个体对于自身观点十分自信，fi(t)处于比较大的值，那么他们的从众性ζi(t)就会有所降低，因此ζi(t)与fi(t)成反相关，如公式(9)所示。在t＝0时刻，个体没有参与交互，ki(0)，k1i(0)都为0，Agent i的从众性ζi(0)＝1-Yi；
4.2相斥规则：
当|Xi(t)-xi(t)|≥d2时，有
xi(t+1)＝fi(t)*xi(t)-ζi(t)*(Xi(t)-xi(t)) (10)
4.3中立规则
其他情况下态度值不变，表示如下：
xi(t+1)＝xi(t) (11)
设定仿真步骤模块，具体包括：
首先，根据两个Agent的态度公式(7)-(11)计算它们之间的态度差异，如果态度差异值小于收敛参数d1，则认为这两个个体处于社会评价理论中的同化效应带，按式(7)-(9)计算更新它们的态度向量，它们的态度会进一步接近；如果态度差异值大于发散参数d2，则认为两个个体处于社会评价理论中的相斥效应带，按式(10)计算更新它们的态度向量，它们的态度差异会进一步增大；如果态度差异值在d1和d2之间，则它们的态度均保持不变。反复执行此过程，并在此过程中观察整体涌现中的群体态度的演化现象。
本发明从社会物理学角度出发结合复杂网络理论，基于经典的舆论极化模型的基础上创新性地提出动态从众性的概念，并将其进行量化处理提出了新的舆论极化模型，为极化现象研究理论进行补充。
Claims (2)
1.融入个体异质性和动态从众性的网络舆情极化方法，包括如下步骤：
1.确定社会态度值，具体包括：
假设在t时刻，所有参与该网络事件交互行为的Agent数量为N，在初始时刻，他们的观点服从N～(0,1)正态分布，在t时刻，Agent i的观点值表示为xi(t)，且xi(t)∈[-1,1]。此时，社会平均态度值T(t)表示为：
2.衡量社会主流态度值，具体包括：
用ρ(t)表示在舆论演化至t时刻，整个网络中观点的极化程度，其与态度值的标准差成反相关，表示如下：
社会主流态度在t时刻对于Agent i的影响程度Π(t)则与社会整体极化程度以及社会平均态度成正比，表示如下：
Π(t)＝ρ(t)*T(t) (3)
当ρ(t)很低时，说明t时刻网络中的态度值分布非常分散，没有形成主流舆论，因此Agent i倾向于服从社会主流舆论的概率较低，称这种概率为社会从众性。而随着舆论演化，观点逐步达到统一时，由于“沉默的螺旋”效应，网络中的个体由于害怕被孤立，所以服从社会主流舆论的倾向上升。社会主流舆论对于个体的影响力大小与社会极化程度呈正比，并且正比于社会的平均态度值；
3.确定每一时刻Agent i接收到的总态度值；
强弱连接理论认为个体与个体之间的关系可以通过他们之间的交互频率进行衡量，简单地可以分为强连接和弱连接两种。强连接关系通常代表交互者之间具有高度的互动性，而弱连接关系虽然表示个体间不强的互动性，但是却是广泛存在于网络中的一种连接关系，作用更加广泛。在这里提出的舆论极化模型中，认为与Agent i直接进行观点交互的邻居个体为强连接关系，而存在于同一个网络中的其余Agent则对Agent i有着潜移默化的影响，是Agent i的弱连接关系。因此，社会主流舆论对于Agent i的影响是基于弱连接进行传递的，在t时刻Agenti根据网络中弱连接个体所传递的社会主流态度来改变自身观点。但是，虽然这些个体对Agent i有一定程度的影响，Agent i却并不会与这些仅仅有弱连接关系的个体直接进行观点交互。当热点事件发生时，由于网络的集聚性，会出现围绕该事件而存在的社群。社区中的个体通过发表描述热点事件的文章、博客后跟贴、相互评论而向其他个体传达自身态度，这里假设这种存在直接交互行为的关系为强连接关系。此时，与Agenti进行直接相交互的Agent j成为Agent i的邻居，对其影响程度增大；
假设当Agent i和邻居Agent j进行观点交互时，Agent j对其影响力大小会受到Agentj的权威性pj以及Agent i自身权威性pi的影响，在网络仿真中，每个个体的权威性则根据度中心性来进行计算，那么i，j之间的影响力大小则与两者差值有关，公式Zij表示为Agent j对Agent i的影响力，具体描述如下：
在任一时刻，假设Agent i能接收到所有与其相连的邻居Agent所传递的信息并受到影响，Agent j对于Agent i态度值的影响程度取决于Agent j在t时刻传递给Agent i的态度xj(t)及他们之间的影响力Zij，那么Agent i受到周围所有邻居的影响程度由Zi(t)表示，描述如下：
按照公式(5)进行调整后，每一时刻Agent i接收到的总态度Xi(t)由接收到的社会主流态度Π(t)及Agent i的邻居节点所传递的邻居态度Zi(t)所组成：
Xi(t)＝μΠ(t)+(1-μ)Zi(t) (6)
其中μ为影响参数，表示Agent i倾向于与社会主流态度Π(t)一致的概率，1-μ则表示Agent i倾向于与强连接的邻居Agent态度Zi(t)保持一致的概率；
4.节点态度改变规则；
当Agent i的态度值xi(t)与其接收到的总态度值Xi(t)接近(处于同化效应带)，会因受到鼓舞而增强自身的态度。当态度值差异非常大时(处于相斥效应带)，由于逆反心理会更加强化自身态度值。同时，Agent i只与其邻居节点进行强交互，即观点只会受到邻居节点的赞同或反对。个体i与邻居态度值Zi(t)正负倾向相同时，会由于受到肯定，从而增强对于自身观点的肯定程度。在t时刻，Agent i根据自身所接收到的总态度值Xi(t)来调节自身下一时刻的态度，根据其差值选择使用同化规则、相斥规则或中立规则，具体如下：
4.1同化规则：
当|Xi(t)-xi(t)|≤d1时，有
xi(t+1)＝fi(t)*xi(t)+ζi(t)*(Xi(t)-xi(t)) (7)
fi(t)＝(ek1i(t)/ki(t)-1)+Yi (8)
ζi(t)＝1-fi(t) (9)
其中fi(t)表示t时刻Agent i对于自身观点的肯定程度，如果Agent i在进行交互时受到对方肯定，就会强化自身观点；反之，也会由于一直受到攻击而怀疑自身观点的正确性；ki(t)表示迭代至t时刻，Agent i的交互次数；k1i(t)表示在初始时刻迭代至t时刻的过程中，Agent i在进行观点交互时受到肯定的次数(假设Agent i的观点在与邻居节点进行交互时，自身观点xi(t)与接收到的邻居观点值Zi(t)正负倾向相同则为受到肯定)；k1i(t)/ki(t)则表示受到肯定的概率，伴随交互的进行而不断变化；Yi表示Agent i的固有自信度，是Agent i的固有属性，不会随交互进行而改变。如果个体对于自身观点十分自信，fi(t)处于比较大的值，那么他们的从众性ζi(t)就会有所降低，因此ζi(t)与fi(t)成反相关，如公式(9)所示。在t＝0时刻，个体没有参与交互，ki(0)，k1i(0)都为0，Agenti的从众性ζi(0)＝1-Yi；
4.2相斥规则：
当|Xi(t)-xi(t)|≥d2时，有
xi(t+1)＝fi(t)*xi(t)-ζi(t)*(Xi(t)-xi(t)) (10)
4.3中立规则
其他情况下态度值不变，表示如下：
xi(t+1)＝xi(t) (11)
5.设定仿真步骤；
首先，根据两个Agent的态度公式(7)-(11)计算它们之间的态度差异，如果态度差异值小于收敛参数d1，则认为这两个个体处于社会评价理论中的同化效应带，按式(7)-(9)计算更新它们的态度向量，它们的态度会进一步接近；如果态度差异值大于发散参数d2，则认为两个个体处于社会评价理论中的相斥效应带，按式(10)计算更新它们的态度向量，它们的态度差异会进一步增大；如果态度差异值在d1和d2之间，则它们的态度均保持不变。反复执行此过程，并在此过程中观察整体涌现中的群体态度的演化现象。
2.实施权利要求1所述的融入个体异质性和动态从众性的网络舆情极化方法的系统，其特征在于：包括运行于计算机上、并依次连接的社会态度值模块、社会主流态度值衡量模块、每一时刻Agent i接收到的总态度值模块、节点态度改变规则模块、设定仿真步骤模块：
社会态度值模块，具体包括：
假设在t时刻，所有参与该网络事件交互行为的Agent数量为N，在初始时刻，他们的观点服从N～(0,1)正态分布，在t时刻，Agent i的观点值表示为xi(t)，且xi(t)∈[-1,1]。此时，社会平均态度值T(t)表示为：
社会主流态度值衡量模块，具体包括：
用ρ(t)表示在舆论演化至t时刻，整个网络中观点的极化程度，其与态度值的标准差成反相关，表示如下：
社会主流态度在t时刻对于Agent i的影响程度Π(t)则与社会整体极化程度以及社会平均态度成正比，表示如下：
Π(t)＝ρ(t)*T(t) (3)
当ρ(t)很低时，说明t时刻网络中的态度值分布非常分散，没有形成主流舆论，因此Agent i倾向于服从社会主流舆论的概率较低，称这种概率为社会从众性。而随着舆论演化，观点逐步达到统一时，由于“沉默的螺旋”效应，网络中的个体由于害怕被孤立，所以服从社会主流舆论的倾向上升。社会主流舆论对于个体的影响力大小与社会极化程度呈正比，并且正比于社会的平均态度值；
每一时刻Agent i接收到的总态度值模块；
强弱连接理论认为个体与个体之间的关系可以通过他们之间的交互频率进行衡量，简单地可以分为强连接和弱连接两种。强连接关系通常代表交互者之间具有高度的互动性，而弱连接关系虽然表示个体间不强的互动性，但是却是广泛存在于网络中的一种连接关系，作用更加广泛。在这里提出的舆论极化模型中，认为与Agent i直接进行观点交互的邻居个体为强连接关系，而存在于同一个网络中的其余Agent则对Agent i有着潜移默化的影响，是Agent i的弱连接关系。因此，社会主流舆论对于Agent i的影响是基于弱连接进行传递的，在t时刻Agent i根据网络中弱连接个体所传递的社会主流态度来改变自身观点。但是，虽然这些个体对Agent i有一定程度的影响，Agent i却并不会与这些仅仅有弱连接关系的个体直接进行观点交互。当热点事件发生时，由于网络的集聚性，会出现围绕该事件而存在的社群。社区中的个体通过发表描述热点事件的文章、博客后跟贴、相互评论而向其他个体传达自身态度，这里假设这种存在直接交互行为的关系为强连接关系。此时，与Agenti进行直接相交互的Agent j成为Agenti的邻居，对其影响程度增大；
假设当Agent i和邻居Agent j进行观点交互时，Agent j对其影响力大小会受到Agentj的权威性pj以及Agent i自身权威性pi的影响，在网络仿真中，每个个体的权威性则根据度中心性来进行计算，那么i，j之间的影响力大小则与两者差值有关，公式Zij表示为Agent j对Agent i的影响力，具体描述如下：
在任一时刻，假设Agent i能接收到所有与其相连的邻居Agent所传递的信息并受到影响，Agent j对于Agent i态度值的影响程度取决于Agent j在t时刻传递给Agent i的态度xj(t)及他们之间的影响力Zij，那么Agent i受到周围所有邻居的影响程度由Zi(t)表示，描述如下：
按照公式(5)进行调整后，每一时刻Agent i接收到的总态度Xi(t)由接收到的社会主流态度Π(t)及Agent i的邻居节点所传递的邻居态度Zi(t)所组成：
Xi(t)＝μΠ(t)+(1-μ)Zi(t) (6)
其中μ为影响参数，表示Agent i倾向于与社会主流态度Π(t)一致的概率，1-μ则表示Agent i倾向于与强连接的邻居Agent态度Zi(t)保持一致的概率；
节点态度改变规则模块，具体包括：
当Agenti的态度值xi(t)与其接收到的总态度值Xi(t)接近(处于同化效应带)，会因受到鼓舞而增强自身的态度。当态度值差异非常大时(处于相斥效应带)，由于逆反心理会更加强化自身态度值。同时，Agent i只与其邻居节点进行强交互，即观点只会受到邻居节点的赞同或反对。个体i与邻居态度值Zi(t)正负倾向相同时，会由于受到肯定，从而增强对于自身观点的肯定程度。在t时刻，Agent i根据自身所接收到的总态度值Xi(t)来调节自身下一时刻的态度，根据其差值选择使用同化规则、相斥规则或中立规则，具体如下：
4.1同化规则：
当|Xi(t)-xi(t)|≤d1时，有
xi(t+1)＝fi(t)*xi(t)+ζi(t)*(Xi(t)-xi(t)) (7)
fi(t)＝(ek1i(t)/ki(t)-1)+Yi (8)
ζi(t)＝1-fi(t) (9)
其中fi(t)表示t时刻Agent i对于自身观点的肯定程度，如果Agent i在进行交互时受到对方肯定，就会强化自身观点；反之，也会由于一直受到攻击而怀疑自身观点的正确性；ki(t)表示迭代至t时刻，Agent i的交互次数；k1i(t)表示在初始时刻迭代至t时刻的过程中，Agent i在进行观点交互时受到肯定的次数(假设Agent i的观点在与邻居节点进行交互时，自身观点xi(t)与接收到的邻居观点值Zi(t)正负倾向相同则为受到肯定)；k1i(t)/ki(t)则表示受到肯定的概率，伴随交互的进行而不断变化；Yi表示Agent i的固有自信度，是Agent i的固有属性，不会随交互进行而改变。如果个体对于自身观点十分自信，fi(t)处于比较大的值，那么他们的从众性ζi(t)就会有所降低，因此ζi(t)与fi(t)成反相关，如公式(9)所示。在t＝0时刻，个体没有参与交互，ki(0)，k1i(0)都为0，Agenti的从众性ζi(0)＝1-Yi；
4.2相斥规则：
当|Xi(t)-xi(t)|≥d2时，有
xi(t+1)＝fi(t)*xi(t)-ζi(t)*(Xi(t)-xi(t)) (10)
4.3中立规则
其他情况下态度值不变，表示如下：
xi(t+1)＝xi(t) (11)
设定仿真步骤模块，具体包括：
首先，根据两个Agent的态度公式(7)-(11)计算它们之间的态度差异，如果态度差异值小于收敛参数d1，则认为这两个个体处于社会评价理论中的同化效应带，按式(7)-(9)计算更新它们的态度向量，它们的态度会进一步接近；如果态度差异值大于发散参数d2，则认为两个个体处于社会评价理论中的相斥效应带，按式(10)计算更新它们的态度向量，它们的态度差异会进一步增大；如果态度差异值在d1和d2之间，则它们的态度均保持不变。反复执行此过程，并在此过程中观察整体涌现中的群体态度的演化现象。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911011520.1A CN110807251A (zh) | 2019-10-23 | 2019-10-23 | 融入个体异质性和动态从众性的网络舆情极化方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911011520.1A CN110807251A (zh) | 2019-10-23 | 2019-10-23 | 融入个体异质性和动态从众性的网络舆情极化方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110807251A true CN110807251A (zh) | 2020-02-18 |
Family
ID=69488937
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911011520.1A Pending CN110807251A (zh) | 2019-10-23 | 2019-10-23 | 融入个体异质性和动态从众性的网络舆情极化方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110807251A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112307359A (zh) * | 2020-12-28 | 2021-02-02 | 湖南星河云程信息科技有限公司 | 面向群体压力的网民行为模拟方法、装置和计算机设备 |
-
2019
- 2019-10-23 CN CN201911011520.1A patent/CN110807251A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112307359A (zh) * | 2020-12-28 | 2021-02-02 | 湖南星河云程信息科技有限公司 | 面向群体压力的网民行为模拟方法、装置和计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lallouache et al. | Opinion formation in kinetic exchange models: Spontaneous symmetry-breaking transition | |
| Mele | A structural model of segregation in social networks | |
| Jalili | Social power and opinion formation in complex networks | |
| Askari et al. | Analytical calculation of average fixation time in evolutionary graphs | |
| CN117236421B (zh) | 一种基于联邦知识蒸馏的大模型训练方法 | |
| CN112580902B (zh) | 对象数据处理方法、装置、计算机设备和存储介质 | |
| Liang et al. | Consensus reaching with minimum cost of informed individuals and time constraints in large-scale group decision-making | |
| CN108628967A (zh) | 一种基于学习生成网络相似度的网络学习群组划分方法 | |
| Bagretsov et al. | Approaches to development of models for text analysis of information in social network profiles in order to evaluate user's vulnerabilities profile | |
| CN115114128A (zh) | 一种卫星健康状态评估系统及评估方法 | |
| CN113312847B (zh) | 一种基于云-边-端边缘计算系统的隐私保护方法及系统 | |
| Yevseiev et al. | Development of a method for assessing forecast of social impact in regional communities | |
| Tembine | Mean field stochastic games: Convergence, Q/H-learning and optimality | |
| CN114186646A (zh) | 区块链异常交易识别方法及装置、存储介质及电子设备 | |
| CN110807251A (zh) | 融入个体异质性和动态从众性的网络舆情极化方法及其系统 | |
| Jiang | An approach to group decision making based on interval fuzzy preference relations | |
| Cabrerizo et al. | Challenges and open questions in soft consensus models | |
| US8700541B2 (en) | Modeling method of neuro-fuzzy system | |
| Acemoglu et al. | State-dependent opinion dynamics | |
| CN109918576B (zh) | 一种基于联合概率矩阵分解的微博关注推荐方法 | |
| Tu et al. | Adaptive federated learning via mean field approach | |
| Suvorova et al. | Evaluation of the model for individual behavior rate estimate: Social network data | |
| Mao et al. | QoS trust rate prediction for Web services using PSO-based neural network | |
| CN111768031A (zh) | 一种基于arma算法预测人群聚集趋势的方法 | |
| Rügamer et al. | Neural mixture distributional regression |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200218 |