CN112269923A - 一种基于结构洞的网络舆情控制方法 - Google Patents

Abstract

本发明涉及舆情控制技术领域，公开了一种基于结构洞的网络舆情控制方法，包括：将社交网络划分为多个社区并获取社区之间的结构洞用户；预测结构洞用户的最终观点极性；基于结构洞用户的最终观点极性生成符号网络图；对符号网络图进行平衡性分析，若符号网络图不平衡则，通过调整结构洞用户之间的追随关系使符号网络图呈平衡状态。本发明在无需削减用户知情情况、尊重个人隐私、保证社区结构完整性的前提下实现网络平台中舆情的引导，保证了网络社交平台平稳、和谐的交流环境。

Description

一种基于结构洞的网络舆情控制方法

技术领域

本发明涉及舆情控制技术领域，具体是指一种基于结构洞的网络舆情控制方法。

背景技术

随着信息技术和科学技术的发展，社交网络平台越来越多元化，其中，以微信、Facebook为代表的即时通信软件可以帮助人们进行实时交流；以微博、Twitter为代表的博客平台可以让人们发布实时的主题信息，并对平台上的热点话题进行评论，发表自身的观点。网络社交平台的开放性与实时性赋予了网民发表观点意见的快速性和接受他人信息观点的便捷性。当大量的网民集中讨论某一话题时，就可能会形成舆情。舆情的发展有两面性，网民的观点可能会向着积极、正面的方向发展，这符合社会发展需要和人民的期望；但是网民的观点也有可能向着消极、负面的方向发展，这可能导致相关事件发展的不确定性，甚至是社会的动荡。因此，如何保证社交网络中舆情的正确走向，确保社会平稳安全发展，是网络信息化时代面临的一个重要问题。

网络社交平台有着明显的社区性，社交平台会根据不同的地理位置、研究方向、兴趣爱好等将平台用户划分成不同的组群。基于共同语言，同一社区的用户通常偏好接受社区中相同或者相似的观点，引发各种社区之间相互隔绝甚至对立，这很容易导致自我肯定现象的发生，随着自我肯定人数的不断增加，由于接收信息的闭塞，网络中就会出现“回声室效应”。“回声室效应”是社会网络中，人们往往会根据各自的兴趣等形成不同的社区，在同一社区中的用户会因为观点的相似性不断肯定自身的观点(这里表现成过度的正向或者过度的负向)，无法被与自身观点相差较大的观点所影响，失去对事件正确的判断性，这种效应对整个社交网络、社会舆论会产生消极的影响。

为解决以上问题，在必要时，需要对网络舆情进行引导。但在现有网络舆情引导上，其主要方式包括利用行政手段约束，主流媒体引导和雇佣大量人员发布消息等。这些方式简单粗暴，容易造成参与者的反向认知、情绪累加和政治冷漠等问题，并且需要大量人工参与，效果极其低下。如专利“一种社交网络中群体行为的引导方法”(专利申请号：CN201510025468.0)提出的在在线社交网络中通过数据挖掘技术控制智能体的行为特征引导群体行为的方法，其通过添加智能体使得社交网络中参与舆情话题讨论的参与者尽可能的减少。但这样会剥夺大量用户的知情权，甚至有可能影响用户对整个事件的正确认识，虽然能够达到舆情引导的目的，却没有保证事件在社交网络中的正常传播。

发明内容

基于以上技术问题，本发明提供了一种基于结构洞的网络舆情控制方法，用于在无需削减用户知情情况、尊重个人隐私、保证社区结构完整性的前提下实现网络平台中舆情的引导，保证了网络社交平台的平稳和谐的交流环境。

为解决以上技术问题，本发明采用的技术方案如下：

一种基于结构洞的网络舆情控制方法，包括：将社交网络划分为多个社区并获取社区之间的结构洞用户；预测结构洞用户的最终观点极性；基于结构洞用户的最终观点极性生成符号网络图；对符号网络图进行平衡性分析，若符号网络图不平衡，则通过调整结构洞用户之间的追随关系使符号网络图呈平衡状态。

作为一种优选的方式，将社交网络划分为社区并获取社区之间的结构洞用户包括：基于社区发现算法将社交网络划分为多个社区；基于结构洞发现算法获取社区之间的结构洞用户。

作为一种优选的方式，预测结构洞用户的最终观点极性包括：获取结构洞用户的初始观点极性；获取结构洞用户所追随的邻居结构洞用户对结构洞用户的观点影响力；基于初始观点极性和观点影响力获取结构洞用户的最终观点极性。

作为一种优选的方式，获取结构洞用户所追随的邻居结构洞用户对结构洞用户的观点影响力包括：获取邻居结构洞用户在社交网络中的影响力权重；基于影响力权重获取观点影响力。

作为一种优选的方式，影响力权重基于PageRank算法获得。

作为一种优选的方式，对符号网络图进行平衡性分析通过能量函数实现。

与现有技术相比，本发明的有益效果是：

本发明基于结构洞和结构平衡原理提出了一种舆情控制方法，该方法首先基于结构洞在社会网络中的位置优势和结构平衡在网络中体现的整体观点状态，对网络结构进行抽象化处理。后结合社区观点状态在网络中对结构洞用户之间的追随关系进行调整，对网络进行重构，使网络观点极性能在为目标状态下达到平衡状态，从而达到舆情控制的目标。

结构洞作为社区之间的桥梁，起到连接社区，扩大信息传播范围的作用。结构洞能够一定程度上缓解隔离现象的发生，对防止观点形成两极分化有着很重要的帮助作用；同时，若网络社区接收到的观点信息多样，结构洞还能够对观点进行一定的总结和创新。因此，结构洞对所连接的社区在观点的演化中起到调和作用、并能良性的促进社区信息更新，引导上级部门在网络社区进行适当的舆情引导调整、最终实现网络舆情控制的目的。

通过结构洞用户在网络中可以扩大信息传播的作用，并利用结构平衡原理，可以直接对网络结构进行微调，从而实现网络平台中舆情的引导。实现网络社交平台中的舆情引导工作，保证了网络社交平台平稳、和谐的交流环境，避免社交网络中“回声室效应”的产生。该舆情引导方法，无需削减用户知情情况，尊重个人隐私，保证社区结构的完整性。

综上所述，本发明提出一种基于结构洞的网络舆情控制方法，为控制热点事件与话题的网络舆论提供了积极的指导性技术手段，为当前网络舆情引导提供了新思路。

附图说明

本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述，其中：

图1为本发明网络舆情控制方法流程图。

图2为本发明获取结构洞用户最终观点极性方法流程图。

图3为示例社交网络中节点的影响力权重计算流程图。

图4为示例社交网络中节点的最终观点极性技术流程图。

图5为示例社交网络的符号网络图。

图6为不平衡状态的符号网络图示例图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

参阅图1～2，在本实施方式中，基于结构洞的网络舆情控制方法包括：将社交网络划分为多个社区并获取所述社区之间的结构洞用户；预测结构洞用户的最终观点极性；基于结构洞用户的最终观点极性生成符号网络图；对符号网络图进行平衡性分析，若符号网络图不平衡，则通过调整结构洞用户之间的追随关系使所述符号网络图呈平衡状态。

在本实施例中，首先，将社交网络划分为社区并获取社区之间的结构洞用户。

在一些实施例中，基于社区发现算法将社交网络划分为多个社区。

具体的，先将社交网络抽象成有向图G(V,E)，其中V＝{v₁,v₂,…,v_n}表示网络中的n个用户，E表示网络中所有用户节点的社会关系。再采用社区发现算法将所属社交网络G划分为l个社区G＝{G₁,G₂,G₃,…,G_l}，节点集V＝{G₁∪…∪G_l}。

在一些实施例中，基于结构洞发现算法获取社区之间的结构洞用户。

具体的，采用结构洞发现算法MaxD，找出在上述社交网络社区划分下，最可能的k个结构洞用户。

然后，预测结构洞用户的最终观点极性，具体包括：获取结构洞用户的初始观点极性；获取结构洞用户所追随的邻居结构洞用户对结构洞用户的观点影响力；基于初始观点极性和观点影响力获取结构洞用户的最终观点极性。

由社交网络有向图G(V,E)可知，E和V都是有限且非空的集合。每个用户v_i都至少与社会网络中的一个用户节点相连。(v_i,v_j)表示一条从v_i指向v_j的边，同时称它为一条有向路径。当网络中存在一条从v_i指向v_j的有向路径时，认为用户v_i是用户v_j的追随者，表示为v_i→v_j，此追随关系在社交网络中的具体体现是用户v_i关注用户v_j。如果有这种追随关系的存在，则认为用户v_j的观点会在一定程度上影响用户v_i的观点。因此，用户v_i∈V将会根据他追随的邻居结构洞用户节点集N_i来更新自己的观点，其中N_i＝{v_j|v_j∈V,(v_i,v_j)∈E}。

因此，根据结构洞用户的最终观点极性与其所追随的邻居结构洞用户对结构洞用户的观点影响力，便可获得结构洞用户的最终观点极性。

其中，对于结构洞用户的初始观点极性，具体可通过对结构洞用户在社交网络上所发表的言论观点进行分析，判断其情感极性或者观点极性，以此对结构洞用户的初始观点极性进行赋值。

在一些实施例中，获取结构洞用户所追随的邻居结构洞用户对结构洞用户的观点影响力，具体包括：获取邻居结构洞用户在社交网络中的影响力权重；基于影响力权重获取观点影响力。

因此，在上述实施例中，预测结构洞用户的最终观点极性具体步骤是：

首先设定

表示用户v_i在初始时刻t表达的初始观点极性，

为负时表示消极观点，这个值越低表示他表达的观点越消极；反之，

为正时表示正向观点，值越高表示他表达的观点越积极。

具体的，影响力权重基于PageRank算法获得，PageRank算法公式(1)如下：

其中，w_i、w_j表示用户在所述社交网络中的影响力权重，α表示PageRank算法中的可调控参数，#N_i表示用户节点v_i的邻居节点集N_i中的用户数量，N表示社交网络中所有用户的数量。

对公式(1)进行重复迭代，直到结果收敛到阈值趋近于0，得到每个邻居结构洞用户在社交网络中的影响力权重。

再基于邻居结构洞用户在社交网络中的影响力权重获取邻居结构洞用户对结构洞用户的观点影响力，其公式(2)如下：

其中，

表示邻居结构洞用户对结构洞用户的观点影响力，

表示用户v_i在t时刻所信任的用户；ε表示用户的有界置信值，其值是根据用户改变观点的程度决定的。

再基于结构洞用户的初始观点极性和邻居结构洞用户对结构洞用户的观点影响力，获取结构洞用户的在t+1时刻表达的观点极性，其公式(3)如下：

其中，

表示用户v_i在t+1时刻表达的观点极性，β_i表示用户对自己观点的自信值。

最后，重复迭代公式(2)和公式(3)，直到结果收敛到阈值趋近于0，最终演化获得结构洞用户的最终观点极性。

获取结构洞用户的最终观点极性之后，便可根据结构洞用户的最终观点极性生成符号网络图。

符号网络是指边具有正或负符号属性的网络,其中,正边和负边分别表示积极的关系和消极的关系。真实世界的许多复杂网络中都存在对立的关系,尤其是在信息、生物和社会领域.利用边的符号属性去分析、理解和预测这些复杂网络的拓扑结构、功能、动力学行为具有十分重要的理论意义,并且对个性化推荐、态度预测、用户特征分析与聚类等都具有重要的应用价值。

在构建符号网络图时，结构洞用户之间的连边关系代表着结构洞用户之间的追随关系，两个结构洞用户的连边关系有三种：单向边、双向边和无连边。

在单向边连接结构中，当存在从v_i指向v_j的有向路径时，认为用户v_i是用户v_j的追随者，表示为v_i→v_j，则有：

其中，x_i表示用户v_i的观点极性,x_j表示用户v_j的观点极性。当社区x_i的观点极性大于用户v_j的观点极性，且用户x_i受到用户x_j的影响时，用户x_i的平均观点将会向用户x_j偏移，即用户x_i的观点极性值将会减少，因此，标记v_i→v_j的连边在符号网络图中符号为“-”。同理，当社区x_i的观点极性小于用户v_j的观点极性，且用户x_i受到用户x_j的影响时，用户x_i的观点极性将会向用户x_j偏移，即用户x_i的观点极性值将会增加，因此，标记v_i→v_j的连边在符号网络图中符号为“+”。

在双向边结构中，认为用户v_i与用户v_j相互影响：

其中，如果两结构洞用户的观点极性相同，则认为两结构洞用户会保持在原来的观点极性上，两结构洞用户之间连边在符号网络图中的符号标记为“+”；如果两结构洞用户的观点极性不同，则认为其中一个结构洞用户的观点极性会发生改变，所以两结构洞用户之间连边在符号网络图中的符号标记为“-”。

然后再根据结构洞用户的最终观点，如果结构洞用户的最终观点极性为正，则记为+1，若为负，则记为-1。

最后完成符号网络图的构建。

再对所述符号网络图进行平衡性分析，若所述符号网络图不平衡则通过调整所述结构洞用户之间的追随关系使所述符号网络图呈平衡状态。

在一些实施例中，对符号网络图进行平衡性分析通过能量函数实现，能量函数公式(4)为：

其中，c_i∈{-1,+1}表示每个节点的节点类型，S表示网络的邻接矩阵，S中的每一个元素表示了两个节点之间的关系，如S_ij代表了节点c_i和节点c_j之间的正负关系(正关系：S_ij＝+1；负关系：S_ij＝-1)。

上述能量函数H(c)的最小值代表了导致符号网络图不平衡的最少边的数目，如果函数最小值为0，则表示此符号网络图是完全平衡的。

其中，造成符号网络图不平衡的边可以最小化H(c)，由此便可从符号网络图得到中造成不平衡的边。

最终通过调整符号网络图中不平衡的边，使符号网络图达到平衡状态。对符号网络图的调整其实质是调整结构洞用户之间的追随关系，具体调整手段是如推荐微博、取消关注等。其中，推荐微博可使结构洞用户关注邻居结构洞用户，使其与邻居结构洞用户产生追随关系，以此使其观点受到邻居结构洞用户影响发生改变；取消关注可使结构洞用户与邻居结构洞用户的追随关系断开，避免结构洞用户的观点受到邻居结构洞用户的影响。

通过上述调整，便可在无需削减用户知情情况、尊重个人隐私、保证社区结构完整性的前提下实现网络平台中舆情的引导，保证了网络社交平台的平稳和谐的交流环境。

参阅图3～5，下面将结合图3所示示例社交网络对上述技术方案进行说明，其中，设定示例社交网络中节点均是结构洞用户以省略将社交网络划分为多个社区并获取社区之间的结构洞用户的步骤：

其中，影响力权重计算实例如图3所示，左边为实例社交网络的实例，右边为影响力权重值的计算过程。以节点C影响力权重计算过程为例：

第一步，给节点C的影响力权重赋初始值为1。

第二步，计算节点C在信息的传播中会影响哪些节点。由图可知节点C指向节点E和节点F，可以认为节点C是节点E和节点F的追随者，节点C会受到节点E和节点F的影响。而如图所示，节点E共会影响三个节点，节点C、节点F和节点G，所以节点C受到节点E的影响为w^E/3，同理节点C受到节点F的影响为w^F/3。

第三步，计算节点C的影响力权重。节点C受到的总影响为

但是节点C有一定的概率不接收节点E和节点F的信息，而是从整个网络中随机节点获取信息。本文把接收节点E和节点F的概率设为α，在PageRank算法中α通常取值为0.85。则节点C的影响力权重可以由PageRank算法表示为

第四步，重复迭代计算上述三个步骤，直到结果收敛到阈值趋近于0，最终可以得到每个节点在网络中的影响力权重值。

用户观点演化的计算过程实例如图4所示。

第一步，对网络中节点的初始观点进行随机赋值：

使用上面计算的到的节点影响力权重：

W＝(w_A,w_B,w_C,w_D,w_E,w_F,w_G)^T＝(0.04,0.06,0.23,0.02,0.31,0.22,0.11)^T

第二步，假设所有用户的有界置信值ε为0.7，可以得到所有用户在t＝1时刻的更新观点所用到的邻接矩阵：

和节点影响力矩阵：

第三步，假设所有用户对自己观点的自信值β为0.7，则可以的到所有用户在t＝1的观点演化情况：

X¹＝βX⁰+(1-β)WX⁰

即X¹为：

最终不断迭代上述三个步骤，直到结果收敛到阈值趋近于0，得到用户的最终观点极性。当观点值大于0时，我们认为用户的观点呈正向，当观点值小于0时，我们认为用户的观点值呈负向。

然后基于所述社交网络中各个用户的最终观点极性构建如图5所示的符号网络图。

采用以下能量函数公式对图5中的符号网络图进行平衡性分析：

其中，c_i∈{-1,+1}表示每个节点的节点类型，S表示网络的邻接矩阵，S中的每一个元素表示了两个节点之间的关系，如S_ij代表了节点c_i和节点c_j之间的正负关系(正关系：S_ij＝+1；负关系：S_ij＝-1)。

能量函数公式H(c)＝0，表示图5所示的符号网络图为平衡状态，不需要进行调整。

为了进一步说明通过调整符号网络图的平衡状态来完成引导网络舆论的操作，如图6所示，在这个符号网络图中，能量函数H(c)的值为2，表示此符号网络图呈不平衡状态。如果将造成不平衡状态的节点之间的边的关系进行取反，例如原来边的符号为-，取反后符号则为+，则使符号网络图的达到了平衡状态。而符号网络图中的操作在社交网络中的实际体现便是调整结构洞用户之间的追随关系，以达到对网络观点进行了控制引导的目的。

如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明的验证过程，并非用以限制本发明的专利保护范围，本发明的专利保护范围仍然以其权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (6)

1.一种基于结构洞的网络舆情控制方法，其特征在于，包括：

将社交网络划分为多个社区并获取所述社区之间的结构洞用户；

预测所述结构洞用户的最终观点极性；

基于所述结构洞用户的最终观点极性生成符号网络图；

对所述符号网络图进行平衡性分析，若所述符号网络图不平衡，则通过调整所述结构洞用户之间的追随关系使所述符号网络图呈平衡状态。

2.根据权利要求1所述的一种基于结构洞的网络舆情控制方法，其特征在于，所述将社交网络划分为社区并获取所述社区之间的结构洞用户包括：

基于社区发现算法将所述社交网络划分为多个社区；

基于结构洞发现算法获取所述社区之间的结构洞用户。

3.根据权利要求1所述的一种基于结构洞的网络舆情控制方法，其特征在于，所述预测所述结构洞用户的最终观点极性包括：

获取所述结构洞用户的初始观点极性；

获取所述结构洞用户所追随的邻居结构洞用户对所述结构洞用户的观点影响力；

基于所述初始观点极性和所述观点影响力获取所述结构洞用户的最终观点极性。

4.根据权利要求3所述的一种基于结构洞的网络舆情控制方法，其特征在于，所述获取所述结构洞用户所追随的邻居结构洞用户对所述结构洞用户的观点影响力包括：

获取所述邻居结构洞用户在所述社交网络中的影响力权重；

基于所述影响力权重获取所述观点影响力。

5.根据权利要求4所述的一种基于结构洞的网络舆情控制方法，其特征在于：

所述影响力权重基于PageRank算法获得。

6.根据权利要求1所述的一种基于结构洞的网络舆情控制方法，其特征在于：

所述对所述符号网络图进行平衡性分析通过能量函数实现。

Images