CN111966920A - 舆情传播的稳定条件的预测方法、装置及设备 - Google Patents
舆情传播的稳定条件的预测方法、装置及设备 Download PDFInfo
- Publication number
- CN111966920A CN111966920A CN202010668147.3A CN202010668147A CN111966920A CN 111966920 A CN111966920 A CN 111966920A CN 202010668147 A CN202010668147 A CN 202010668147A CN 111966920 A CN111966920 A CN 111966920A
- Authority
- CN
- China
- Prior art keywords
- state
- user
- public opinion
- portrait data
- propagation
- 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
Images
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了舆情传播的稳定条件的预测方法、装置及设备,用于精确判断在目标社交平台中舆情传播的稳定条件。方法包括:获取目标社交平台的第一用户画像数据;根据多个预设的年龄区间,对第一用户画像数据进行分类处理,得到多簇第二用户画像数据;根据舆情认知检测值以及预设的舆情认知检测值区间,对每簇第二用户画像数据进行分类处理,得到多簇第三用户画像数据,并确定对应的稳定状态值;在每簇第三用户画像数据构成的舆情传播网络中,识别被动接受舆情传播的多个目标用户节点;将每组具有对应关系的第三用户画像数据、稳定状态值以及目标用户节点依次输入SIR模型,并得到每个目标用户节点的状态稳定收敛在稳定状态值时的稳定条件。
Description
技术领域
本申请涉及社交领域,尤其涉及舆情传播的稳定条件的预测方法、装置及设备。
背景技术
随着智能手机等用户终端(User Equipment,UE)的普及以及社交平台的不断发展,在传统媒体传播渠道的基础上,如博客、微博、微信、贴吧、论坛、抖音等自媒体平台,愈发成为网络用户了解新闻资讯的主要途径,在这些自媒体平台上,越来越多的网络舆情热点事件,发挥着日益重要的积极作用。
然而,在网络用户更为便捷地获取到新闻资讯的同时,这也意味着网络流言也更容易在短时间内进行广泛的传播,这可能对社会公共次序的安全稳定造成一定程序的影响。一些别有用心的用户为了达到个人目的,借助于舆情的手段,在网络上发布、传播不实信息甚至谣言,扰乱社会秩序,或者利用普遍大众的不满和怨恨恶意炒作,以及滥用话语权,微博上公然“约架”等,影响了社会和谐稳定。
因此,在社交网络的管理工作中,辨别网络舆情好坏并抑制谣言在社交网络上的传播,存在着必要性。而在现有技术的研究过程中,发明人发现,由于社交网络存在着较大的动态特征和不可预知性,舆情在社交网络中传播后可能会使整个网络系统不稳定,而现有的舆情监控方案,在舆情的监控上,则存在着预测精确度不稳定的情况,导致部分舆情事件,未及时进行有效的舆情管理,不仅影响了网络用户的体验,也可能还扰乱了社会秩序。
发明内容
本申请提供了舆情传播的稳定条件的预测方法、装置及设备,用于精确判断在目标社交平台中舆情传播的稳定条件,以此可根据该稳定条件目标社交平台中进行精准的舆情传播管理工作,进而可保障目标社交平台的用户体验、维护社会秩序。
第一方面,本申请提供了一种舆情传播的稳定条件的预测方法,方法包括:
获取目标社交平台的第一用户画像数据;
根据多个预设的年龄区间,对第一用户画像数据进行分类处理,得到多簇第二用户画像数据;
根据每簇第二用户画像数据对应的舆情认知检测值以及预设的舆情认知检测值区间,对每簇第二用户画像数据进行分类处理,得到多簇第三用户画像数据,并确定每簇第三用户画像数据对应的稳定状态值;
在每簇第三用户画像数据构成的舆情传播网络中,识别被动接受舆情传播的多个目标用户节点;
将每组具有对应关系的第三用户画像数据、稳定状态值以及目标用户节点依次输入SIR模型进行舆情传播预测处理,并得到SIR模型输出的每个目标用户节点的状态稳定收敛在稳定状态值时的稳定条件。
结合本申请第一方面,在本申请第一方面第一种可能的实现方式中,在每簇第三用户画像数据构成的舆情传播网络中,识别被动接受舆情传播的多个目标用户节点包括:
在每簇第三用户画像数据构成的舆情传播网络中,若t-1时刻的用户节点j未接受舆情传播,则检测t时刻的用户节点i是否满足预设条件:
若是,则确定用户节点i为目标用户节点,其中,At-1用于指示t-1时刻已接受舆情传播的用户节点集合,W(j,i)用于指示用户节点j到用户节点i之间的舆情传播路径的舆情传播权值,W(j,i)∈[0,1],∑W(j,i)≤1,θi用于指示用户节点i的舆情接受权值。
结合本申请第一方面,在本申请第一方面第二种可能的实现方式中,SIR模型中的微分方程包括:
其中,SIR模型配置的初始条件为Skl(0)=1,Ikl(0)=0,Rkl(0)=0,第一方程用于表示S状态中的用户节点变化率,第二方程用于表示I状态中的用户节点变化率,第三方程用于表示R状态中的用户节点变化率,S状态用于指示未接受来自相邻节点的舆情传播的易染状态,I状态用于指示已接收到舆情传播并向继续向外进行舆情传播的感染状态,R状态用于指示不会受处于I状态的节点所传播的舆情信息影响的免疫状态,λ用于表示待测用户节点从S状态转化为I状态的概率;用于表示待测用户节点从I状态转化为R状态的概率,η用于表示待测用户节点从S状态转化为R状态的概率;k用于表示待测用户节点之间联系的连接度;Skl(t)用于表示t时刻l组中连接度为kl的易染人群在舆情传播网络中的密度,Ikl(t)用于表示t时刻l组中连接度为kl的感染人群在舆情传播网络中的密度,Rkl(t)用于表示t时刻l组中连接度为kl的免疫人群在舆情传播网络中的密度。
结合本申请第一方面,在本申请第一方面第三种可能的实现方式中,确定每簇第三用户画像数据对应的稳定状态值包括:
通过分布函数模拟处理、问卷调查汇总处理、大数据分析以及SVM分类处理,确定稳定状态值。
结合本申请第一方面,在本申请第一方面第四种可能的实现方式中,得到SIR模型输出的每个用户节点的状态稳定收敛在稳定状态值时的稳定条件之后,方法还包括:
在目标社交平台中,根据稳定条件对应的用户节点,进行舆情提示或者舆情信息过滤处理。
第二方面,本申请提供了一种舆情传播的稳定条件的预测装置,装置包括:
收发单元,用于获取目标社交平台的第一用户画像数据;
处理单元,用于根据多个预设的年龄区间,对第一用户画像数据进行分类处理,得到多簇第二用户画像数据;以及,
根据每簇第二用户画像数据对应的舆情认知检测值以及预设的舆情认知检测值区间,对每簇第二用户画像数据进行分类处理,得到多簇第三用户画像数据,并确定每簇第三用户画像数据对应的稳定状态值;以及,
在每簇第三用户画像数据构成的舆情传播网络中,识别被动接受舆情传播的多个目标用户节点;以及,
将每组具有对应关系的第三用户画像数据、稳定状态值以及目标用户节点依次输入SIR模型进行舆情传播预测处理,并得到SIR模型输出的每个目标用户节点的状态稳定收敛在稳定状态值时的稳定条件。
结合本申请第二方面,在本申请第二方面第一种可能的实现方式中,处理单元,具体用于:
在每簇第三用户画像数据构成的舆情传播网络中,若t-1时刻的用户节点j未接受舆情传播,则检测t时刻的用户节点i是否满足预设条件:
若是,则确定用户节点i为目标用户节点,其中,At-1用于指示t-1时刻已接受舆情传播的用户节点集合,W(j,i)用于指示用户节点j到用户节点i之间的舆情传播路径的舆情传播权值,W(j,i)∈[0,1],∑W(j,i)≤1,θi用于指示用户节点i的舆情接受权值。
结合本申请第二方面,在本申请第二方面第二种可能的实现方式中,SIR模型中的微分方程包括:
其中,SIR模型配置的初始条件为Skl(0)=1,Ikl(0)=0,Rkl(0)=0,第一方程用于表示S状态中的用户节点变化率,第二方程用于表示I状态中的用户节点变化率,第三方程用于表示R状态中的用户节点变化率,S状态用于指示未接受来自相邻节点的舆情传播的易染状态,I状态用于指示已接收到舆情传播并向继续向外进行舆情传播的感染状态,R状态用于指示不会受处于I状态的节点所传播的舆情信息影响的免疫状态,λ用于表示待测用户节点从S状态转化为I状态的概率;用于表示待测用户节点从I状态转化为R状态的概率,η用于表示待测用户节点从S状态转化为R状态的概率;k用于表示待测用户节点之间联系的连接度;Skl(t)用于表示t时刻l组中连接度为kl的易染人群在舆情传播网络中的密度,Ikl(t)用于表示t时刻l组中连接度为kl的感染人群在舆情传播网络中的密度,Rkl(t)用于表示t时刻l组中连接度为kl的免疫人群在舆情传播网络中的密度。
结合本申请第二方面,在本申请第二方面第三种可能的实现方式中,处理单元,具体用于:
通过分布函数模拟处理、问卷调查汇总处理、大数据分析以及SVM分类处理,确定稳定状态值。
结合本申请第二方面,在本申请第二方面第四种可能的实现方式中,处理单元,还用于:
在目标社交平台中,根据稳定条件对应的用户节点,进行舆情提示或者舆情信息过滤处理。
第三方面,本申请提供了舆情传播的稳定条件的预测设备,包括处理器,处理器用于执行存储器中存储的计算机程序时实现如上述第一方面的任一步骤。
第四方面,本申请提供了可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述第一方面的任一步骤。
从以上技术方案可以看出,本申请具有以下优点:
针对目标社交平台的舆情监控,本申请引入不同年龄层次用户的划分以及在控制论中采用了稳定性分析方案,从其用户画像数据出发,根据多个预设的年龄区间,对初始的第一用户画像数据进行分类处理,得到多簇第二用户画像数据,再根据每簇第二用户画像数据对应的舆情认知检测值以及预设的舆情认知检测值区间,对每簇子用户画像数据进行分类处理,得到多簇第三用户画像数据,并确定每簇第三用户画像数据对应的稳定状态值;接着在每簇第三用户画像数据构成的舆情传播网络中,识别被动接受舆情传播的多个目标用户节点,由此将每组具有对应关系的第三用户画像数据、稳定状态值以及目标用户节点依次输入SIR模型进行舆情传播预测处理,并得到SIR模型输出的每个目标用户节点的状态稳定收敛在稳定状态值时的稳定条件。
在这过程中,由于通过年龄区间对用户画像数据进行了前置的分类处理,由此在后续的稳定性分析中,可便于在不同年龄层次的用户群体中,有效、精准地进行稳定性分析,其次,再根据舆情认知能力再次进行用户群体的分类,并确定对应的稳定状态值以及相关的被动接受舆情传播的目标用户节点,以此通过SIR模型模拟对应的舆情传播事件,在舆情传播事件的模拟过程中,可使得目标社交平台中不同用户群体的密度稳定在最大化全局吞吐量优化值处,在一定程度上精确预测舆情传播稳定时每个目标用户节点的状态稳定收敛在稳定状态值时的稳定条件,从而可根据该稳定条件在目标社交平台中进行精准的舆情传播管理工作,促进目标社交平台的动态特性稳定,抑制平台内谣言的网络传播能力,保障目标社交平台的用户体验,维护社会秩序。
附图说明
图1为本申请舆情传播的稳定条件的预测方法的一种流程示意图;
图2为本申请识别目标用户节点的一种流程示意图;
图3为本申请舆情传播的稳定条件的预测装置的一种结构示意图;
图4为本申请舆情传播的稳定条件的预测设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在以下的说明中,本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明,除非另有述明。因此,这些步骤及操作将有数次提到由计算机执行,本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处,其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置,其具有由该数据格式所定义的特定特性。但是,本申请原理以上述文字来说明,其并不代表为一种限制,本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。所熟知的适合用于本申请的运算系统、环境与组态的范例可包括(但不限于)手持电话、个人计算机、服务器、多处理器系统、微电脑为主的系统、主架构型计算机、及分布式运算环境,其中包括了任何的上述系统或装置。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。
首先,在介绍本申请之前,先介绍下本申请关于应用背景的相关内容。
本申请提供的舆情传播的稳定条件的预测方法、装置以及计算机可读存储介质,可应用于舆情传播的稳定条件的预测设备上,用于在一定程度上精确判断目标社交平台中舆情传播的稳定条件。
舆情传播的稳定条件的预测设备,具体可以为服务器、物理主机、UE等设备,还可采用设备集群的方式存在。其中,UE,具体可以为智能手机、平板电脑、笔记本电脑、个人数字助理(Personal Digital Assistant,PDA)、台式电脑、电脑一体机等不同类型的终端设备。
下面,开始介绍本申请提供的舆情传播的稳定条件的预测方法。
如图1示出的本申请舆情传播的稳定条件的预测方法的一种流程示意图,在本申请中,舆情传播的稳定条件的预测方法,具体可包括如下步骤:
步骤S101,获取目标社交平台的第一用户画像数据;
在本申请中,针对于目标社交平台的舆情传播管理,可从用户画像出发。
该目标社交平台,可以为任意指定的社交平台,例如可能存在舆情传播事件的博客、微博、微信、贴吧、论坛、抖音等自媒体平台,具体针对的社交平台,可随实际需要调整,具体的,运营社交平台的服务器,可在工作人员的操作下,配置本申请提供的舆情传播的稳定条件的预测方法。
该第一用户画像数据,为导入本申请舆情传播的稳定条件的预测方案的初始用户画像数据,其指示的用户画像,可以为目标社交平台原本为平台用户通过人工智能(Artificial Intelligence,AI)技术涉及的神经网络为平台用户绘制的用户画像,该用户画像也可称为用户标签、用户特征等,用于描述平台用户的操作习惯等信息,以便平台用户的使用过程中,可向平台用户推送更为满意的新闻内容、服务内容等,当然,本申请下面内容主要涉及的是平台用户的年龄层次以及平台用户之间的通信关系,因此该第一用户画像也可配置为只描述这两方面。
步骤S102,根据多个预设的年龄区间,对第一用户画像数据进行分类处理,得到多簇第二用户画像数据;
得到初始的用户画像数据后,则可结合预设的年龄区间,对这些用户画像数据再年龄层次上进行分类处理。
具体的,可按照实际年龄或者学龄等年龄层次区分方式,将不同年龄层次的用户群体分为k个簇,即将目标平台的平台用户首先分成了k个簇C1、C2、C3…Ck,其中,每个簇Ci中还可配置有且仅有一个簇首节点(Cluster Head,CH),来作为该簇Ci的汇聚节点,如此可方便对该簇Ci中的消息参数进行汇总。
步骤S103,根据每簇第二用户画像数据对应的舆情认知检测值以及预设的舆情认知检测值区间,对每簇第二用户画像数据进行分类处理,得到多簇第三用户画像数据,并确定每簇第三用户画像数据对应的稳定状态值;
在本申请中,还为不同年龄层次甚至不同的平台用户的舆情认知能力进行标定,得到其对应的舆情认知检测值,接着,即可结合预设的舆情认知检测值区间,再次对平台用户进行分类处理,以便在每个年龄层次中,确定不同舆情认知范围的用户群体。
另一方面,针对这些再次进行区分得到的用户群体,考虑到下面引入的SIR模型涉及的稳定条件的判断,还可先确定这些用户群体对应的稳定状态值,该稳定状态值,用于描述用户群体中的用户节点在SIR模型中达到稳定状态的状态值,具体可通过人工经验进行配置,或者通过AI进行标定。
在一种示例性的实现方式中,稳定状态值的确定处理,具体可以为:
通过分布函数模拟处理、问卷调查汇总处理、大数据分析以及SVM分类处理,确定稳定状态值。
具体的,可针对平台用户的行为习惯收集数据,例如分布函数模拟处理、问卷调查汇总处理、大数据分析以及支持向量机(Support Vector Machines,SVM)分类处理,并展开数据的清理、集成、选择、变换、挖掘和模式评估工作,并根据不同簇中平台用户对舆情的关注点和关键词的不同,采用优化算法可定量评估出每个簇中相关舆情的传播状态,并进行性能评估,从而获取每个簇中易染者、感染者和免疫者分别对应的稳定状态值。
步骤S104,在每簇第三用户画像数据构成的舆情传播网络中,识别被动接受舆情传播的多个目标用户节点;
在每个年龄层级中的每个舆情认知范围的用户群体所构成的舆情传播网络中,结合该用户群体中平台用户(可用用户节点进行表示)之间的通信关系,具体的,例如好友关系、关注关系、动态推送关系等社交平台中用户之间的关联关系,识别被动接受舆情传播的目标用户节点。
在又一种示例性的实现方式中,目标用户节点的识别处理,如图2示出的本申请识别目标用户节点的一种流程示意图,可通过如下步骤实现:
步骤S201,在每簇第三用户画像数据构成的舆情传播网络中,若t-1时刻的用户节点j未接受舆情传播,则检测t时刻的用户节点i是否满足预设条件:
,其中,At-1用于指示t-1时刻已接受舆情传播的用户节点集合,W(j,i)用于指示用户节点j到用户节点i之间的舆情传播路径的舆情传播权值,W(j,i)∈[0,1],∑W(j,i)≤1,θi用于指示用户节点i的舆情接受权值。
可以理解,社交网络中,用户间的好友关系需要经过双方的认证才能建立起来,因此,社交网络可以看成是一个以用户为节点,以用户间的好友关系为边的网络,舆情消息沿着节点间的边进行传播,本申请可用直连图来描述一个社交网络,在网络G中,分别用v(G)和e(G)表示用户节点集和边缘集。
有部分用户并不是一开始就在关注此舆情,在舆情传播中,一些用户节点被动接受来影响传播,用户及其相邻用户形成一个用户节点对,每个用户节点对用(i,j)表示,那么可配置一个权重W(j,i),W(j,i)∈[0,1],∑W(j,i)≤1,且每个用户节点有一个权值θi。若t-1时刻用户节点i未接受,而t时刻用户节点i满足则用户节点i将被接受来传播舆情,即,若在t时刻用户节点i的权值高于θi,用户节点i将被接受来传播舆情。
若是,则触发步骤S202。
步骤S202,确定用户节点i为目标用户节点。
识别出目标用户节点后,则可调用SIR模型进行稳定条件的分析。
步骤S105,将每组具有对应关系的第三用户画像数据、稳定状态值以及目标用户节点依次输入SIR模型进行舆情传播预测处理,并得到SIR模型输出的每个目标用户节点的状态稳定收敛在稳定状态值时的稳定条件。
其中,SIR模型全称为易感者-感染者-移出者(Susceptible InfectedRecovered,SIR)模型,在SIR模型中,个体一般被抽象为几类,每一类都处于一个对应的状态,其基本状态包括:S易染状态(susceptible)、I感染状态(infected)和R免疫状态(recovered),其中,通常S状态的用户节点被影响变成I状态,然后恢复健康并具有免疫性,成为R状态。
在上述提及了,按不同年龄层次将平台用户分为k个簇,即将目标平台的平台用户首先分成了k个簇C1、C2、C3…Ck,每个簇Ci中还可配置有且仅有一个簇首节点,来作为该簇Ci的汇聚节点,如此可对该簇Ci中的消息参数进行汇总,而对于相同的消息而言,S状态、I状态和R状态也会随着簇的不同而不同,每个簇中易染者、感染者和免疫者分别对应的稳定状态值为和
在时间连续的社交网络系统中,首先假设所有用户节点中连接相邻用户节点最多的节点的连接度为n,那么可以将分簇的社交网络再分成n个组,在组l(l=0,1,…,n)中用kl表示该组中该用户节点的连接度。用Skl(t)、Ikl(t)和Rkl(t)分别表示在t时刻l组中连接度为kl的易染用户、感染用户和免疫用户的密度。这样,在任一时刻t,归一化所有接受节点密度,即满足:
Skl(t)+Ikl(t)+Rkl(t)=1,
那么在社交网络中,用户节点是在S状态、I状态和R状态之间进行相互转换。易染节点从未接受过来自邻居节点的舆情,在以后会以一定的概率从邻居节点接触到舆情,接触到舆情后,易染节点会以一定概率变成感染节点或直接变成免疫节点;同时,传播舆情后,感染节点会以一定概率变成免疫节点。令用户节点从S状态转化为I状态的概率为λ<kl>,从I状态转化成R状态的概率为从S状态直接转化成R状态的概率为η<kl>。
同样将连接度为kl的每对用户节点对用(i,j)表示,而在S状态、I状态和R状态之间进行相互转换存在着六种可能性结果:
1.当Si与Sj交互,即Si与Sj接触,双方没有变化,(Si,Sj)→(Si,Sj);
2.当Si与Ij交互,即Si与Ij接触,Si会以概率λ<kl>变成Ij,Ij不变,(Si,Ij)→(Ii,Ij);
3.当Si与Rj交互,即Si与Rj接触,Si会以概率η<kl>直接变成Rj,Rj不变,(Si,Rj)→(Ri,Rj);
4.当Ii与Ij交互,即Ii与Ij接触,双方没有变化,(Ii,Ij)→(Ii,Ij);
6.当Ri与Rj交互,即Ri与Rj接触,双方没有变化,(Ri,Rj)→(Ri,Rj)。
在又一种示例性的实现方式中,本申请考虑直接免疫情况,对SIR模型进行优化,以进一步提高SIR模型的预测精确度,改进的SIR传播模型,其微分方程如下:
初始条件:初始时刻舆情在社交网络中传播时,绝大多数用户节点还未被感染,为易染节点,而感染节点几乎没有,免疫节点更加不会存在,而节点随机分布在整个社交网络中,从而可得SIR传播模型的初始条件为:Skl(0)=1,Ikl(0)=0,Rkl(0)=0。
稳定状态:令Tl(t)=(Skl,Ikl,Rkl),Tl(t)为社交网络达到稳定时刻t时接受节点的状态,考虑将舆情传输控制问题转换成分簇稳定性控制问题,保持Tl(t)的稳定。在分簇社交网络中同一簇中每个接受节点不同的状态Tl(t)需要统一收敛在目标稳定状态值处:
从图1所示技术方案中可看出,针对目标社交平台的舆情监控,本申请引入不同年龄层次用户的划分以及在控制论中采用了稳定性分析方案,从其用户画像数据出发,根据多个预设的年龄区间,对初始的第一用户画像数据进行分类处理,得到多簇第二用户画像数据,再根据每簇第二用户画像数据对应的舆情认知检测值以及预设的舆情认知检测值区间,对每簇子用户画像数据进行分类处理,得到多簇第三用户画像数据,并确定每簇第三用户画像数据对应的稳定状态值;接着在每簇第三用户画像数据构成的舆情传播网络中,识别被动接受舆情传播的多个目标用户节点,由此将每组具有对应关系的第三用户画像数据、稳定状态值以及目标用户节点依次输入SIR模型进行舆情传播预测处理,并得到SIR模型输出的每个目标用户节点的状态稳定收敛在稳定状态值时的稳定条件。
在这过程中,由于通过年龄区间对用户画像数据进行了前置的分类处理,由此在后续的稳定性分析中,可便于在不同年龄层次的用户群体中,有效、精准地进行稳定性分析,其次,再根据舆情认知能力再次进行用户群体的分类,并确定对应的稳定状态值以及相关的被动接受舆情传播的目标用户节点,以此通过SIR模型模拟对应的舆情传播事件,在舆情传播事件的模拟过程中,可使得目标社交平台中不同用户群体的密度稳定在最大化全局吞吐量优化值处,在一定程度上精确预测舆情传播稳定时每个目标用户节点的状态稳定收敛在稳定状态值时的稳定条件,从而可根据该稳定条件在目标社交平台中进行精准的舆情传播管理工作,促进目标社交平台的动态特性稳定,抑制平台内谣言的网络传播能力,保障目标社交平台的用户体验,维护社会秩序。
后续的,在得到SIR模型输出的稳定条件后,则可投入目标社交平台的舆情管理中,即,在目标社交平台中,根据稳定条件对应的用户节点,进行舆情提示或者舆情信息过滤处理。
例如,在UE侧以推送、弹窗等提醒方式向用户进行舆情提示,提示舆情的内容,例如当前舆情事件是否为谣言、当前舆情事件是否存在谣言的风险等,也可直接对相关的舆情信息进行过滤、删除处理,达到舆情管理的目的。
为便于更好的实施本申请提供的舆情传播的稳定条件的预测方法,本申请还提供舆情传播的稳定条件的预测装置。
参阅图3,图3为本申请舆情传播的稳定条件的预测装置的一种结构示意图,在本申请中,舆情传播的稳定条件的预测装置300具体可包括如下结构:
收发单元301,用于获取目标社交平台的第一用户画像数据;
处理单元302,用于根据多个预设的年龄区间,对第一用户画像数据进行分类处理,得到多簇第二用户画像数据;以及,
根据每簇第二用户画像数据对应的舆情认知检测值以及预设的舆情认知检测值区间,对每簇第二用户画像数据进行分类处理,得到多簇第三用户画像数据,并确定每簇第三用户画像数据对应的稳定状态值;以及,
在每簇第三用户画像数据构成的舆情传播网络中,识别被动接受舆情传播的多个目标用户节点;以及,
将每组具有对应关系的第三用户画像数据、稳定状态值以及目标用户节点依次输入SIR模型进行舆情传播预测处理,并得到SIR模型输出的每个目标用户节点的状态稳定收敛在稳定状态值时的稳定条件。
在一种示例性的实现方式中,处理单元302,具体用于:
在每簇第三用户画像数据构成的舆情传播网络中,若t-1时刻的用户节点j未接受舆情传播,则检测t时刻的用户节点i是否满足:
若是,则确定用户节点i为目标用户节点,其中,At-1用于指示t-1时刻已接受舆情传播的用户节点集合,W(j,i)用于指示用户节点j到用户节点i之间的舆情传播路径的舆情传播权值,W(j,i)∈[0,1],∑W(j,i)≤1,θi用于指示用户节点i的舆情接受权值。
在又一种示例性的实现方式中,SIR模型中的微分方程包括:
其中,SIR模型配置的初始条件为Skl(0)=1,Ikl(0)=0,Rkl(0)=0,第一方程用于表示S状态中的用户节点变化率,第二方程用于表示I状态中的用户节点变化率,第三方程用于表示R状态中的用户节点变化率,S状态用于指示未接受来自相邻节点的舆情传播的易染状态,I状态用于指示已接收到舆情传播并向继续向外进行舆情传播的感染状态,R状态用于指示不会受处于I状态的节点所传播的舆情信息影响的免疫状态,λ用于表示待测用户节点从S状态转化为I状态的概率;用于表示待测用户节点从I状态转化为R状态的概率,η用于表示待测用户节点从S状态转化为R状态的概率;k用于表示待测用户节点之间联系的连接度;Skl(t)用于表示t时刻l组中连接度为kl的易染人群在舆情传播网络中的密度,Ikl(t)用于表示t时刻l组中连接度为kl的感染人群在舆情传播网络中的密度,Rkl(t)用于表示t时刻l组中连接度为kl的免疫人群在舆情传播网络中的密度。
在又一种示例性的实现方式中,处理单元302,具体用于:
通过分布函数模拟处理、问卷调查汇总处理、大数据分析以及SVM分类处理,确定稳定状态值。
在又一种示例性的实现方式中,处理单元302,还用于:
在目标社交平台中,根据稳定条件对应的用户节点,进行舆情提示或者舆情信息过滤处理。
本申请还提供了舆情传播的稳定条件的预测设备,参阅图4,图4示出了本申请舆情传播的稳定条件的预测设备的一种结构示意图,具体的,本申请舆情传播的稳定条件的预测设备包括处理器401、存储器402、输入输出设备403,处理器401用于执行存储器402中存储的计算机程序时实现如图1及图2对应任意实施例中舆情传播的稳定条件的预测方法的各步骤;或者,处理器401用于执行存储器402中存储的计算机程序时实现如图3对应实施例中各单元的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器402中,并由处理器401执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在计算机装置中的执行过程。
舆情传播的稳定条件的预测设备可包括,但不仅限于处理器401、存储器402、输入输出设备403。本领域技术人员可以理解,示意仅仅是舆情传播的稳定条件的预测设备的示例,并不构成对舆情传播的稳定条件的预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如舆情传播的稳定条件的预测设备还可以包括网络接入设备、总线等,处理器401、存储器402、输入输出设备403以及网络接入设备等通过总线相连。
处理器401可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器是舆情传播的稳定条件的预测设备的控制中心,利用各种接口和线路连接整个舆情传播的稳定条件的预测设备的各个部分。
存储器402可用于存储计算机程序和/或模块,处理器401通过运行或执行存储在存储器402内的计算机程序和/或模块,以及调用存储在存储器402内的数据,实现计算机装置的各种功能。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据舆情传播的稳定条件的预测设备的使用所创建的数据(比如音频数据、视频数据等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器401用于执行存储器402中存储的计算机程序时,具体可实现以下功能:
获取目标社交平台的第一用户画像数据;
根据多个预设的年龄区间,对第一用户画像数据进行分类处理,得到多簇第二用户画像数据;
根据每簇第二用户画像数据对应的舆情认知检测值以及预设的舆情认知检测值区间,对每簇第二用户画像数据进行分类处理,得到多簇第三用户画像数据,并确定每簇第三用户画像数据对应的稳定状态值;
在每簇第三用户画像数据构成的舆情传播网络中,识别被动接受舆情传播的多个目标用户节点;
将每组具有对应关系的第三用户画像数据、稳定状态值以及目标用户节点依次输入SIR模型进行舆情传播预测处理,并得到SIR模型输出的每个目标用户节点的状态稳定收敛在稳定状态值时的稳定条件。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的舆情传播的稳定条件的预测装置、设备及其相应单元的具体工作过程,可以参考如图1及图2对应任意实施例中舆情传播的稳定条件的预测方法的说明,具体在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请如图1及图2对应任意实施例中舆情传播的稳定条件的预测方法中的步骤,具体操作可参考如图1及图2对应任意实施例中舆情传播的稳定条件的预测方法的说明,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(Read Only Memory,ROM)、随机存取记忆体(Random Access Memory,RAM)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本申请如图1及图2对应任意实施例中舆情传播的稳定条件的预测方法中的步骤,因此,可以实现本申请如图1及图2对应任意实施例中舆情传播的稳定条件的预测方法所能实现的有益效果,详见前面的说明,在此不再赘述。
以上对本申请提供的舆情传播的稳定条件的预测方法、装置、设备以及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种舆情传播的稳定条件的预测方法,其特征在于,所述方法包括:
获取目标社交平台的第一用户画像数据;
根据多个预设的年龄区间,对所述第一用户画像数据进行分类处理,得到多簇第二用户画像数据;
根据每簇所述第二用户画像数据对应的舆情认知检测值以及预设的舆情认知检测值区间,对每簇所述第二用户画像数据进行分类处理,得到多簇第三用户画像数据,并确定每簇第三用户画像数据对应的稳定状态值;
在每簇所述第三用户画像数据构成的舆情传播网络中,识别被动接受舆情传播的多个目标用户节点;
将每组具有对应关系的所述第三用户画像数据、所述稳定状态值以及所述目标用户节点依次输入SIR模型进行舆情传播预测处理,并得到所述SIR模型输出的每个目标用户节点的状态稳定收敛在所述稳定状态值时的稳定条件。
3.根据权利要求1所述的方法,其特征在于,所述SIR模型中的微分方程包括:
其中,所述SIR模型配置的初始条件为Skl(0)=1,Ikl(0)=0,Rkl(0)=0,所述第一方程用于表示S状态中的用户节点变化率,所述第二方程用于表示I状态中的用户节点变化率,所述第三方程用于表示R状态中的用户节点变化率,所述S状态用于指示未接受来自相邻节点的舆情传播的易染状态,所述I状态用于指示已接收到舆情传播并向继续向外进行舆情传播的感染状态,所述R状态用于指示不会受处于所述I状态的节点所传播的舆情信息影响的免疫状态,λ用于表示待测用户节点从所述S状态转化为所述I状态的概率;用于表示待测用户节点从所述I状态转化为所述R状态的概率,η用于表示所述待测用户节点从所述S状态转化为所述R状态的概率;k用于表示所述待测用户节点之间联系的连接度;Skl(t)用于表示t时刻l组中连接度为kl的易染人群在所述舆情传播网络中的密度,Ikl(t)用于表示t时刻l组中连接度为kl的感染人群在所述舆情传播网络中的密度,Rkl(t)用于表示t时刻l组中连接度为kl的免疫人群在所述舆情传播网络中的密度。
4.根据权利要求1所述的方法,其特征在于,所述确定每簇第三用户画像数据对应的稳定状态值包括:
通过分布函数模拟处理、问卷调查汇总处理、大数据分析以及SVM分类处理,确定所述稳定状态值。
5.根据权利要求1所述的方法,其特征在于,所述得到所述SIR模型输出的每个用户节点的状态稳定收敛在所述稳定状态值时的稳定条件之后,所述方法还包括:
在所述目标社交平台中,根据所述稳定条件对应的用户节点,进行舆情提示或者舆情信息过滤处理。
6.一种舆情传播的稳定条件的预测装置,其特征在于,所述装置包括:
收发单元,用于获取目标社交平台的第一用户画像数据;
处理单元,用于根据多个预设的年龄区间,对所述第一用户画像数据进行分类处理,得到多簇第二用户画像数据;以及,
根据每簇所述第二用户画像数据对应的舆情认知检测值以及预设的舆情认知检测值区间,对每簇所述第二用户画像数据进行分类处理,得到多簇第三用户画像数据,并确定每簇第三用户画像数据对应的稳定状态值;以及,
在每簇所述第三用户画像数据构成的舆情传播网络中,识别被动接受舆情传播的多个目标用户节点;以及,
将每组具有对应关系的所述第三用户画像数据、所述稳定状态值以及所述目标用户节点依次输入SIR模型进行舆情传播预测处理,并得到所述SIR模型输出的每个目标用户节点的状态稳定收敛在所述稳定状态值时的稳定条件。
8.根据权利要求6所述的装置,其特征在于,所述SIR模型中的微分方程包括:
其中,所述SIR模型配置的初始条件为Skl(0)=1,Ikl(0)=0,Rkl(0)=0,所述第一方程用于表示S状态中的用户节点变化率,所述第二方程用于表示I状态中的用户节点变化率,所述第三方程用于表示R状态中的用户节点变化率,所述S状态用于指示未接受来自相邻节点的舆情传播的易染状态,所述I状态用于指示已接收到舆情传播并向继续向外进行舆情传播的感染状态,所述R状态用于指示不会受处于所述I状态的节点所传播的舆情信息影响的免疫状态,λ用于表示待测用户节点从所述S状态转化为所述I状态的概率;用于表示待测用户节点从所述I状态转化为所述R状态的概率,η用于表示所述待测用户节点从所述S状态转化为所述R状态的概率;k用于表示所述待测用户节点之间联系的连接度;Skl(t)用于表示t时刻l组中连接度为kl的易染人群在所述舆情传播网络中的密度,Ikl(t)用于表示t时刻l组中连接度为kl的感染人群在所述舆情传播网络中的密度,Rkl(t)用于表示t时刻l组中连接度为kl的免疫人群在所述舆情传播网络中的密度。
9.一种舆情传播的稳定条件的预测设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行如权利要求1至5任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668147.3A CN111966920B (zh) | 2020-07-13 | 2020-07-13 | 舆情传播的稳定条件的预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668147.3A CN111966920B (zh) | 2020-07-13 | 2020-07-13 | 舆情传播的稳定条件的预测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111966920A true CN111966920A (zh) | 2020-11-20 |
CN111966920B CN111966920B (zh) | 2023-09-12 |
Family
ID=73361812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010668147.3A Active CN111966920B (zh) | 2020-07-13 | 2020-07-13 | 舆情传播的稳定条件的预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111966920B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818249A (zh) * | 2021-03-04 | 2021-05-18 | 中南大学 | 一种特定倾向性人群的多维画像构建方法和系统 |
CN113569188A (zh) * | 2021-06-03 | 2021-10-29 | 大连交通大学 | 基于di-scir的双层耦合社交网络舆情传播模型构建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064347A (zh) * | 2017-06-11 | 2018-12-21 | 南京理工大学 | 基于多智能体的信息传播与舆情演化仿真方法 |
CN109300056A (zh) * | 2018-08-16 | 2019-02-01 | 西安邮电大学 | 一种基于sirs的情感网络传播动力模型及利用该模型的情感传播模拟方法 |
WO2019227710A1 (zh) * | 2018-05-31 | 2019-12-05 | 平安科技(深圳)有限公司 | 网络舆情的分析方法、装置及计算机可读存储介质 |
-
2020
- 2020-07-13 CN CN202010668147.3A patent/CN111966920B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064347A (zh) * | 2017-06-11 | 2018-12-21 | 南京理工大学 | 基于多智能体的信息传播与舆情演化仿真方法 |
WO2019227710A1 (zh) * | 2018-05-31 | 2019-12-05 | 平安科技(深圳)有限公司 | 网络舆情的分析方法、装置及计算机可读存储介质 |
CN109300056A (zh) * | 2018-08-16 | 2019-02-01 | 西安邮电大学 | 一种基于sirs的情感网络传播动力模型及利用该模型的情感传播模拟方法 |
Non-Patent Citations (1)
Title |
---|
张连峰;周红磊;王丹;张海涛;: "基于超网络理论的微博舆情关键节点挖掘", 情报学报, no. 12 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818249A (zh) * | 2021-03-04 | 2021-05-18 | 中南大学 | 一种特定倾向性人群的多维画像构建方法和系统 |
CN113569188A (zh) * | 2021-06-03 | 2021-10-29 | 大连交通大学 | 基于di-scir的双层耦合社交网络舆情传播模型构建方法 |
CN113569188B (zh) * | 2021-06-03 | 2024-04-09 | 大连交通大学 | 基于di-scir的双层耦合社交网络舆情传播模型构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111966920B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lingam et al. | Adaptive deep Q-learning model for detecting social bots and influential users in online social networks | |
US9183387B1 (en) | Systems and methods for detecting online attacks | |
CN110311902B (zh) | 一种异常行为的识别方法、装置及电子设备 | |
Adewole et al. | SMSAD: a framework for spam message and spam account detection | |
Seo et al. | Identifying rumors and their sources in social networks | |
Wang et al. | Graph-based security and privacy analytics via collective classification with joint weight learning and propagation | |
CN110598157B (zh) | 目标信息识别方法、装置、设备及存储介质 | |
CN107240029B (zh) | 一种数据处理方法及装置 | |
CN108520471B (zh) | 重叠社区发现方法、装置、设备及存储介质 | |
US10719890B1 (en) | Machine learning system and method for clustering | |
WO2019000472A1 (zh) | 导航方法、装置、存储介质以及服务器 | |
CN109495513B (zh) | 无监督的加密恶意流量检测方法、装置、设备及介质 | |
CN110222790B (zh) | 用户身份识别方法、装置及服务器 | |
CN111966920A (zh) | 舆情传播的稳定条件的预测方法、装置及设备 | |
CN113297840B (zh) | 恶意流量账号检测方法、装置、设备和存储介质 | |
CN113486989B (zh) | 基于知识图谱的对象识别方法、装置、可读介质和设备 | |
CN107634897A (zh) | 群推荐方法和装置 | |
CN115841366B (zh) | 物品推荐模型训练方法、装置、电子设备及存储介质 | |
Charyyev et al. | Voice command fingerprinting with locality sensitive hashes | |
Li et al. | You are how you use apps: user profiling based on spatiotemporal app usage behavior | |
Soliman et al. | Adagraph: adaptive graph-based algorithms for spam detection in social networks | |
CN108696418B (zh) | 一种社交网络中隐私保护方法及装置 | |
Ying et al. | FrauDetector+ An Incremental Graph-Mining Approach for Efficient Fraudulent Phone Call Detection | |
Das et al. | Attribute driven temporal active online community search | |
CN112396151B (zh) | 谣言事件的分析方法、装置、设备及计算机可读存储介质 |
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 |