CN113282841A - 基于建模的公众话题传播评估方法及系统 - Google Patents

基于建模的公众话题传播评估方法及系统 Download PDF

Info

Publication number
CN113282841A
CN113282841A CN202110812031.7A CN202110812031A CN113282841A CN 113282841 A CN113282841 A CN 113282841A CN 202110812031 A CN202110812031 A CN 202110812031A CN 113282841 A CN113282841 A CN 113282841A
Authority
CN
China
Prior art keywords
forwarding
emotion
negative
public
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
Application number
CN202110812031.7A
Other languages
English (en)
Other versions
CN113282841B (zh
Inventor
殷复莲
夏欣雨
吴建宏
潘妍妍
唐鑫夷
梁彤宇
佘雨薇
冯小丽
庞红玉
郭笑汐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Communication University of China
Original Assignee
Communication University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Communication University of China filed Critical Communication University of China
Priority to CN202110812031.7A priority Critical patent/CN113282841B/zh
Publication of CN113282841A publication Critical patent/CN113282841A/zh
Application granted granted Critical
Publication of CN113282841B publication Critical patent/CN113282841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于建模的公众话题传播评估方法及系统，其中的方法包括：通过采集目标负面事件的原始话题数据并进行过滤预处理，以获取每条目标信息下无噪声冗余的瞬时转发时间点和对应的转发文本，进而确定所述目标负面事件的不同类别负面情感的累积转发量数据；将累积转发量数据进行拟合处理，以确定预设MNE‑SFI模型的入模参数；通过MNE‑SFI模型以所述入模参数为输入参数确定公众话题传播曲线，并根据所述公众话题传播曲线进行公众话题传播评估。本发明综合考虑社交平台上用户负面情感传播的现状，分析群体负面情感传播机制的一般模式，建立模型研究负面情感在网络上传播的主体规律，厘清群体情感演变态势，设计公众情感引导策略。

Description

基于建模的公众话题传播评估方法及系统
技术领域
本发明涉及模型构建技术领域，更为具体地，涉及一种基于多分类负面情感驱动信息传播动力学模型构建的公众话题传播评估方法及系统。
背景技术
情感对社会学、心理学和生理学三个层面上自我发展的连续性至关重要。在现代生活中，互联网时代催生了社交平台的发展，促使其成为用户分享情感的主要渠道，与此同时，社交平台的用户比以往任何时候都要多。
一般来说，情感可以分为两类：正面和负面情感。与正面情感相比，负面情感更能吸引公众关注，公众更愿意在社交平台上发泄负面情感以缓解心情，负面情感的传播会不可避免地导致用户之间的情感传染，并容易造成负面氛围。同时，情感与个人行为之间有着密切的联系，即负面情感更有可能促使个人做出非理性的决定。因此，研究负面情感的传播规律，为不同传播环境下的政府和相关机构提供干预措施，以改善网络环境，优化舆论氛围，是目前相关技术人员的工作重点之一。
传染病模型成功地解释了生物疾病的传播，随后，因其演化模式和群体特征与生物分布、人群疏散以及社交平台的信息传播存在相似性，从而被广泛地应用于社会和自然科学问题。无论是在现实世界还是网络世界中，情感感染作为流动人群中的一种常见而强烈的现象，还吸引大量学者通过传染病模型进行研究。例如，当人们面临威胁其生命的公共紧急情况时，个人和邻居之间的情感传染会影响他们在动态疏散过程中的移动速度。另一种基于SIS模型的情感传染研究认为情感传染也可能是由自发因素引起的，因此该研究设定自发感染率并构建了SISa模型。以上述理论为基础，有学者认为，两种相反的传染性状态（乐观和悲观）更符合人类行为，从而扩展SISa模型使其更贴近现实。然而，与现实世界给人与人之间提供物理的接触不同，社交平台作为一个复杂的在线网络系统，通过提供丰富的互动和多样化的功能来连接用户，这赋予他们在网络世界中的新的特征。
因此，现如今将传统的传染病模型引入影响因素以及重新构建模块这两种方法更能适应社交网络上的信息传播，这些方法对这一领域的发展产生了深远的影响。社交平台提供了一种新的信息传播模式，而情感则是其重要的潜在驱动因素。社交平台上的情感传染得到了充分的研究，大多学者将情感分为三类（正面、中立、负面）或两类（正面、负面），此外，在某些情况下情感之间的相互作用也被考虑在内。然而，在分析整个公共事件过程中用户更详细的情感变化时，必须进一步考虑基于用户情感状态的互动，以便从多个角度分析情感传染。
发明内容
鉴于上述问题，本发明的目的是提供一种能够从多个角度分析情感传染的公共话题尤其是公共负面话题传播的评估方法及系统。
根据本发明的一个方面，提供了一种基于建模的公众话题传播评估方法，包括：
通过在预设搜索范围内搜索目标负面事件下的所有话题以及所述话题下的目标信息，以采集所述目标负面事件的原始话题数据；其中，所述原始话题数据包括转发文本和与所述转发文本对应的转发时间；
通过对所述原始话题数据进行过滤预处理，以获取每条目标信息下无噪声冗余的瞬时转发时间点和对应的转发文本；
根据所述转发时间点和对应的转发文本确定所述目标负面事件的不同类别负面情感的累积转发量数据；
基于数据拟合对所述累积转发量数据进行拟合处理，以确定预设MNE-SFI模型的入模参数；
通过所述MNE-SFI模型以所述入模参数为输入参数确定公众话题传播曲线，并根据所述公众话题传播曲线进行公众话题传播评估。
根据本发明的另一方面，提供一种基于建模的公众话题传播评估方法，包括：
原始信息采集单元910，用于通过在预设搜索范围内搜索目标负面事件下的所有话题以及所述话题下的目标信息，以采集所述目标负面事件的原始话题数据；其中的原始话题数据包括转发文本和与所述转发文本对应的转发时间；
预处理单元920，用于通过对所述原始话题数据进行过滤预处理，以获取每条目标信息下无噪声冗余的瞬时转发时间点和对应的转发文本；
累积转发量数据确定单元930，用于根据所述转发时间点和对应的转发文本确定所述目标负面事件的不同类别负面情感的累积转发量数据；
数据拟合单元940，用于对所述累积转发量数据进行拟合处理，以确定预设MNE-SFI模型的入模参数；
入参评估单元950，用于通过MNE-SFI模型以所述入模参数为输入参数确定公众话题传播曲线，并根据所述公众话题传播曲线进行公众话题传播评估；
上述根据本发明的基于建模的公众话题传播评估方法及系统，通过综合考虑社交平台上用户负面情感传播的现状，分析群体负面情感传播机制的一般模式，建立模型研究负面情感在网络上传播的主体规律，厘清群体情感演变态势，设计公众情感引导策略。
为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明及权利要求书的内容，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
图1为根据本发明实施例的基于建模的公众话题传播评估方法的流程图；
图2为根据本发明实施例的MNE-SFI模型的结构；
图3为根据本发明实施例的在某一负面事件下信息传播过程中的负面情感传染机制示意图；
图4为根据本发明实施例的多样化参数影响下指标
Figure 653003DEST_PATH_IMAGE001
的PRCC结果示意图；
图5为根据本发明实施例的多样化参数影响下指标
Figure 32031DEST_PATH_IMAGE002
和
Figure 222841DEST_PATH_IMAGE003
的PRCC结 果示意图；
图6为根据本发明实施例的多样化参数影响下指标
Figure 476843DEST_PATH_IMAGE004
和
Figure 69498DEST_PATH_IMAGE005
的PRCC结果 示意图；
图7a和图7b为根据本发明实施例的单一参数变化引起的公众负面情感指标波动示意图；
图8为根据本发明实施例的基于建模的公众话题传播评估系统的方框示意图。
在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中，为了便于描述一个或多个实施例，公知的结构和设备以方框图的形式示出。
由于人类生理学的复杂性，负面情感可以被细致地分为多种类型，比如恐惧、愤怒、悲伤和厌恶这四种类型。而在以汉语作为主要的沟通语言的网络表达中，愤怒和厌恶的表达方式相似，而惊讶（尤其是在负面事件中）则是另一种重要的情感类型。当一系列与特定事件相关的信息随时间流逝而相继发布时，负面情感传染以及信息传播与个人兴趣相关。
在现有的网络信息传播过程中，一个事件由多个话题组成，而一个话题由多条信息组成。受原始信息本身具有吸引力的描述形式或其他因素的影响，部分用户由于自身兴趣而产生“转发”行为以表达自己的观点，同时也表达了自己的情感。随着相关信息的出现，转发行为将持续下去，情感传染必然会不断进行，直到事件平息下来并达到稳态。在传播链中，负面情感传染涉及到广泛的用户，不仅包含那些以前从未接触到信息的人，即那些没有产生情感的人，还包含那些已成为信息传递者的人，即那些已产生情感的人。在经历了社会交往后，个人情感受到客观因素的影响，但仍保持主观性。例如，当用户被携带愤怒情感的信息影响后，他/她可能会感到惊讶或产生其他情感，但他/她并不是一定会产生愤怒情感，本发明中把这种现象称为用户的“情感选择”。
为了构建负面话题场景下的多分类负面情感驱动信息传播动力学模型，系统地描述用户情感选择对负面情感传染的影响，从而根据理论基础，在应急管理工作中为引导负面公众情感良性发展提供有效的传播策略。本发明中将负面情感分为恐惧、惊讶、悲伤和愤怒四类，然后利用个性化参数来表示情感选择，并对其进行专门研究，以区分下一轮情感传染过程中已受影响的情感用户和未受影响的非情感用户。并且，为了确认多分类情感驱动信息传播动力学模型的有效性，本发明中使用真实负面事件的微博转发数据进行数据拟合；为了设计情感传播策略，本发明中还建立相应的话题指标体系，进行参数敏感性分析。
以下将结合附图对本发明的具体实施例进行详细描述。
图1示出了根据本发明实施例的基于建模的公众话题传播评估方法的流程图。如图1所示，本实施例提供的基于建模的公众话题传播评估方法，包括如下步骤：
S110：通过在预设搜索范围内搜索目标负面事件下的所有话题以及所述话题下的目标信息，以采集所述目标负面事件的原始话题数据；其中，所述原始话题数据包括转发文本和与所述转发文本对应的转发时间；
S120：通过对所述原始话题数据进行过滤预处理，以获取每条目标信息下无噪声冗余的瞬时转发时间点和对应的转发文本；
S130：根据所述转发时间点和对应的转发文本确定所述目标负面事件的不同类别负面情感的累积转发量数据；
S140：基于数据拟合对所述累积转发量数据进行拟合处理，以确定预设MNE-SFI模型的入模参数；
S150：通过所述MNE-SFI模型以所述入模参数为输入参数确定公众话题传播曲线，并根据所述公众话题传播曲线进行公众话题传播评估。
以下，将结合更为具体的实施方式对本发明的上述基于建模的公众话题传播评估方法做进一步的详细说明。
为了全面分析当前负面情感传染，首先需要进行相关公众话题原始信息的采集，通过搜索预设搜索范围内的目标负面事件下的所有话题以及与相关内容有关的目标信息，收集包含转发文本和准确转发时间的真实话题数据作为原始话题数据。
在原始话题数据收集完毕，对所述原始话题数据进行过滤预处理，以获取每条目标信息下无噪声冗余的瞬时转发时间点和对应的转发文本。具体的，作为示例，由于用户主要在生理活跃期浏览信息，而在睡眠时间停止浏览信息，因此需要过滤原始数据以避免因生理需求导致的信息停滞。此外，由于用户转发信息的随机性，还需要再次过滤数据，以滤除不相关和毫无意义的转发文本。预处理后，即可获得每条信息下无噪声无冗余的瞬时转发时间点及转发文本，从而计算不同负面情感的累积转发量。
本发明中采用基于混合多粒度情感词典的情感分析算法，将转发文本归类为恐惧、惊讶、悲伤和愤怒这四种负面情感。如果算法无法判断转发文本的情感倾向，则可将采用人工标注的方法。特别地，当用户只是转发信息但没有发表自己的看法，那么我们默认他们与影响他们的用户有相同的情感。在获取累积转发量方面，在本发明的一个实施例中，将一定时间范围内瞬时时间点所对应的转发文本对应的用户数量相加，作为该转发时间点的目标负面事件的不同类别负面情感的累积转发量数据。比如，将开始时间设置为0，并将采样频率设置为1小时。
在确定了累积转发量数据库，就可以基于数据拟合对该累积转发量数据进行拟合处理，以确定预设MNE-SFI模型的入模参数。
以下将对本发明实施例中所涉及的预设MNE-SFI模型的构建及应用做详细说明。
对于一般的社会话题事件而言，如果事件的发展周期足够长，那么在媒体专业人士的跟踪报道下，随着事件的进程，事件信息将不断地暴露在公众视线下，这种现象在大多数交互式社交媒体平台上始终存在。同时，由于每条信息的侧重点存在区别，所以用户的情感倾向将在负面情感的迁移过程中不断变化。目前常用的话题传播途径，如微博、贴吧等，其传播形式一般是一个负面事件由多样的话题组成，而一个话题又由多条时序相关的信息组成。基于此，在本发明中，构建了如图2所示的多分类负面情感驱动信息传播动力学模型，即multiple-negative-emotional susceptible-forwarding-immune（MNE-SFI）模型。在此MNE-SFI模型中，假设：在负面事件发展过程中，所涉及到的用户在正常情况下始终保持负面情感，并且他们有转发多条信息的能力。
对于特定的负面话题事件来说，本发明中将存在于负面社交网络系统中的人群细 致地分为六个状态，即易受影响状态（
Figure 885008DEST_PATH_IMAGE006
）、携带恐惧情感的转发状态（
Figure 563114DEST_PATH_IMAGE007
）、携带惊讶情 感的转发状态（
Figure 591112DEST_PATH_IMAGE008
）、携带悲伤情感的转发状态（
Figure 38274DEST_PATH_IMAGE009
）、携带愤怒情感的转发状态（
Figure 24685DEST_PATH_IMAGE010
）以及免疫状态（
Figure 190087DEST_PATH_IMAGE011
）。同时，本发明还将上述携带不同负面情感的四种转发状态定义为广义 转发状态（
Figure 21777DEST_PATH_IMAGE012
）。在
Figure 589024DEST_PATH_IMAGE006
状态下，用户还没有接触信息，但存在接触的机会。在
Figure 480757DEST_PATH_IMAGE007
、
Figure 133455DEST_PATH_IMAGE008
、
Figure 270301DEST_PATH_IMAGE009
和
Figure 692055DEST_PATH_IMAGE010
状态下，用户分别以恐惧、惊奇、悲伤和愤怒这四种负面情感转发信息，尤其在 是面对不断涌入的与负面事件有关的新信息时，用户有可能再次产生转发行为。在
Figure 754689DEST_PATH_IMAGE011
状态 下，用户在未来将不再对此话题事件感兴趣，包括与之相关的任何一条信息。在本发明提供 的MNE-SFI模型中，处于不同状态的用户可能出现迁移行为，即从一种状态转移至另一种状 态。如果处于
Figure 629104DEST_PATH_IMAGE006
状态的用户对信息的内容感兴趣并转发该信息，则他们将从
Figure 68175DEST_PATH_IMAGE006
状态转出并转 入
Figure 610015DEST_PATH_IMAGE012
状态；如果不感兴趣，他们将从
Figure 843550DEST_PATH_IMAGE006
状态转出并转入
Figure 205262DEST_PATH_IMAGE011
状态。如果处于
Figure 916866DEST_PATH_IMAGE012
状态的用户始终 关注该事件并再次转发相关信息，则他们将以旧的转发身份从
Figure 313212DEST_PATH_IMAGE012
状态转出并以新的转发身 份转入
Figure 983228DEST_PATH_IMAGE012
状态；随着时间的流逝，如果他们超出了活跃的转发期而不再能影响其他用户，那 么他们将从
Figure 832235DEST_PATH_IMAGE012
状态转出并转入
Figure 347530DEST_PATH_IMAGE011
状态。显而易见地，处于
Figure 598383DEST_PATH_IMAGE006
状态和
Figure 678115DEST_PATH_IMAGE012
状态的用户迁移构成了 处于
Figure 279998DEST_PATH_IMAGE011
状态的用户。
因此，为了研究四种负面情感的迁移规律，本发明中主要关注当用户在社交平台被其他转发信息的用户影响后，他们对于信息独立的情感倾向。例如，如果易受影响用户在被携带愤怒情感的转发用户影响后，会转发信息从而成为传播者；如果转发用户在被携带愤怒情感的转发用户影响后，会再次转发信息从而再次成为传播者，当他们传播信息时可能携带或恐惧、或惊讶、或悲伤、或愤怒的情感。这个例子表明了模型的核心思想：受影响的用户不必与影响他们的用户保持相同的情感。
本发明提供的MNE-SFI模型所涉及的参数及相应解释如下表1所示。
表1 MNE-SFI模型参数表
参数 定义
Figure 598984DEST_PATH_IMAGE013
 易受影响的用户和转发用户可以接触到信息的平均接触速率。
Figure 704343DEST_PATH_IMAGE014
 易受影响的用户以与影响他们的转发用户相同的情感转发信息的平均同质转发概率。
Figure 450582DEST_PATH_IMAGE015
 易受影响的用户以与影响他们的转发用户不同的情感转发信息的平均异质转发概率。
Figure 8602DEST_PATH_IMAGE016
/
Figure 396858DEST_PATH_IMAGE017
/
Figure 356724DEST_PATH_IMAGE018
/
Figure 539444DEST_PATH_IMAGE019
 携带恐惧/惊讶/悲伤/愤怒情感的转发用户以与影响他们的转发用户相同的情感再次转发信息的平均同质转发概率。
Figure 115918DEST_PATH_IMAGE020
/
Figure 776707DEST_PATH_IMAGE021
/
Figure 591079DEST_PATH_IMAGE022
/
Figure 446165DEST_PATH_IMAGE023
 携带恐惧/惊讶/悲伤/愤怒情感的转发用户以与影响他们的转发用户不同的情感再次转发信息的平均异质转发概率。
Figure 978777DEST_PATH_IMAGE024
/
Figure 443257DEST_PATH_IMAGE025
/
Figure 377715DEST_PATH_IMAGE026
/
Figure 902237DEST_PATH_IMAGE027
 携带恐惧/惊讶/悲伤/愤怒情感的转发用户在转发中变得不活跃的平均免疫速率，同时，活跃转发期在时间上与平均免疫速率呈反比。
这里，定义
Figure 922146DEST_PATH_IMAGE028
、
Figure 190316DEST_PATH_IMAGE029
、
Figure 979280DEST_PATH_IMAGE030
、
Figure 409125DEST_PATH_IMAGE031
、
Figure 181909DEST_PATH_IMAGE032
以及
Figure 988191DEST_PATH_IMAGE033
为
Figure 631662DEST_PATH_IMAGE034
时刻各状 态的瞬时群体数量，且
Figure 262101DEST_PATH_IMAGE035
在人群空间中恒定保持不变。
Figure 991022DEST_PATH_IMAGE029
、
Figure 600995DEST_PATH_IMAGE030
、
Figure 364552DEST_PATH_IMAGE031
以及
Figure 401778DEST_PATH_IMAGE032
这四组人群随时 间
Figure 883575DEST_PATH_IMAGE034
的增减趋势能够反映公众负面情感在时间线上的变化。鉴于多分类负面情感驱动信息 传播动力学模型是通过微分方程构建的，因此MNE-SFI模型的主方程可以写成：
Figure 31660DEST_PATH_IMAGE036
(1)
在发明提供的MNE-SFI模型中，一个活跃的转发用户具有每单位时间平均影响
Figure 915302DEST_PATH_IMAGE037
名用户的能力，在当前时间
Figure 857850DEST_PATH_IMAGE034
下，易受影响用户在人群总数中所占的比例为
Figure 826943DEST_PATH_IMAGE038
，因此 处于转发状态的用户每单位时间将接触
Figure 778719DEST_PATH_IMAGE039
名易受影响的用户。同样地，携带四种负面 情感的转发用户在总人数中所占的比例分别为
Figure 251288DEST_PATH_IMAGE040
、
Figure 630317DEST_PATH_IMAGE041
、
Figure 588171DEST_PATH_IMAGE042
和
Figure 78058DEST_PATH_IMAGE043
。同理可得，在
Figure 670714DEST_PATH_IMAGE034
时刻下携带四种负面情感的用户分别会影响
Figure 220644DEST_PATH_IMAGE044
、
Figure 898750DEST_PATH_IMAGE045
、
Figure 192328DEST_PATH_IMAGE046
和
Figure 639490DEST_PATH_IMAGE047
个易受影响用户。基于这些先决条件， 每种状态之间的转移可以清晰地根据数学理论中解释。
具体的，如下两个示例可以用来具体说明处于不同状态的群体在受到携带惊讶情感的用户影响后的动态迁移。其中一种例子与还未接触到信息的易受影响用户有关，另一种情况与已经转发了相关信息的转发用户有关。
例一：当
Figure 625900DEST_PATH_IMAGE048
个易受影响用户接触到由携带惊讶情感的转发用户转发 的信息之后，会有
Figure 56881DEST_PATH_IMAGE049
个易受影响用户选择转发信息且携带与影响者相同的 惊讶情感，即这部分易受影响用户从
Figure 888571DEST_PATH_IMAGE006
状态转移到
Figure 190240DEST_PATH_IMAGE050
状态；但是同时，会有
Figure 840227DEST_PATH_IMAGE051
个易受影响用户选择转发信息且携带与影响者不同的情感（或恐惧、或悲 伤、或愤怒），即易受影响用户可分别从
Figure 492925DEST_PATH_IMAGE006
状态转移到
Figure 393885DEST_PATH_IMAGE007
、
Figure 815639DEST_PATH_IMAGE009
和
Figure 878273DEST_PATH_IMAGE010
状态。那么，
Figure 752688DEST_PATH_IMAGE052
个易受影响用户不会被该信息吸引，因此他们成为对该事件 不活跃的免疫用户。即，他们从
Figure 926181DEST_PATH_IMAGE006
状态转移到
Figure 202441DEST_PATH_IMAGE011
状态。
例二：当
Figure 701556DEST_PATH_IMAGE053
个携带悲伤情感的转发用户接触到由携带惊讶情感 的转发用户转发的信息之后，会有
Figure 63267DEST_PATH_IMAGE054
个携带悲伤情感的转发用户 选择再次转发信息且携带与影响者相同的惊讶情感，即这部分转发用户从
Figure 40450DEST_PATH_IMAGE007
状态转移 到
Figure 436797DEST_PATH_IMAGE050
状态；同时，会有
Figure 608277DEST_PATH_IMAGE055
个携带悲伤情感的转发用户选择转发 信息且携带与影响者不同的情感（或恐惧、或悲伤、或愤怒），即其中一些转发用户从
Figure 191705DEST_PATH_IMAGE007
状态转移到
Figure 972579DEST_PATH_IMAGE009
状态，一些转发用户从
Figure 223432DEST_PATH_IMAGE007
状态转移到
Figure 798770DEST_PATH_IMAGE010
状态，其余的重新进入
Figure 135073DEST_PATH_IMAGE007
状态。那么，根据群体转移原理，
Figure 454059DEST_PATH_IMAGE056
个本来 已处于恐惧状态的转发用户不会再次出现转发行为，因此他们仍保持
Figure 559419DEST_PATH_IMAGE007
状态。与此同 时，
Figure 305658DEST_PATH_IMAGE057
个携带恐惧情感的转发用户失去了影响他人的能力，从而成为免疫用 户，即他们从
Figure 394836DEST_PATH_IMAGE007
状态转移到
Figure 251934DEST_PATH_IMAGE011
状态。至于易受影响用户和转发用户被携带另外三种情感 的转发用户影响，群体间的动态迁移在数学原理上来说与上述两种情况是相同的。
对与负面情感相关的时序信息传播动力学系统进行建模，就相当于解决方程式（1），即基于数据拟合在构建的模型中获得最优参数解。
为了定量地衡量信息传播过程中群体负面情感演变态势，本发明在一个具体实施方式中构建了公众负面情感关键指标，该指标包含四个方面，分别是负面情感的爆发情况、转发情况、混乱程度和关键时间及速度。以下对这四个指标分别进行具体说明。
负面情感的爆发情况：
在传染病模型中，
Figure 477379DEST_PATH_IMAGE058
为基本可再生数，表示在平均感染期内患者继发感染他人的 平均数量。类似地，在本实施例的MNE-SFI模型中，对基本可再生数进行拓展，它可以用来表 示在被一个携带情感的活跃转发用户影响后，有多少人会转发信息。不仅如此，使用负面情 感传播可再生数
Figure 394519DEST_PATH_IMAGE058
还可以用于评估公共话题事件是否可以在负面情感的驱动下爆发。本 实施例中将改写的负面情感传播可再生数
Figure 439836DEST_PATH_IMAGE059
表示为：
Figure 864739DEST_PATH_IMAGE060
(2)
其中，
Figure 944690DEST_PATH_IMAGE061
，且
Figure 32732DEST_PATH_IMAGE062
(3)
Figure 830924DEST_PATH_IMAGE063
(4)
Figure 560982DEST_PATH_IMAGE064
(5)
Figure 761019DEST_PATH_IMAGE065
(6)
以及
Figure 285542DEST_PATH_IMAGE066
(7)
Figure 571029DEST_PATH_IMAGE067
(8)
Figure 104779DEST_PATH_IMAGE068
(9)
Figure 660788DEST_PATH_IMAGE069
(10)
这里，
Figure 356211DEST_PATH_IMAGE070
、
Figure 863416DEST_PATH_IMAGE071
、
Figure 935277DEST_PATH_IMAGE072
和
Figure 578748DEST_PATH_IMAGE073
共同构成矩阵
Figure 445073DEST_PATH_IMAGE074
。
Figure 439574DEST_PATH_IMAGE075
、
Figure 49546DEST_PATH_IMAGE076
、
Figure 547524DEST_PATH_IMAGE077
和
Figure 850329DEST_PATH_IMAGE078
共同构成 矩阵
Figure 836521DEST_PATH_IMAGE079
。
在本发明的MNE-SFI模型中，总是存在一个无信息传播的平衡态
Figure 984605DEST_PATH_IMAGE080
，在此状态下，根据不同对象计算出
Figure 868248DEST_PATH_IMAGE081
和
Figure 76375DEST_PATH_IMAGE082
的偏微分方程后，可以通 过计算矩阵
Figure 779889DEST_PATH_IMAGE083
的特征值来获得特征方程的根。
Figure 997244DEST_PATH_IMAGE084
(11)
从而可以得到结果
Figure 735393DEST_PATH_IMAGE085
(12)
当
Figure 114421DEST_PATH_IMAGE086
时，转发用户数量的变化呈递减趋势，因此公众的负面情感不会滋生。 相反，当
Figure 570810DEST_PATH_IMAGE087
时，转发用户的数量在开始时就呈指数级增长，因此公众的负面情感将会 迅速扩散。相应地，
Figure 60698DEST_PATH_IMAGE058
的值决定了负面情感爆发的速度，即
Figure 653353DEST_PATH_IMAGE058
的值越大，公众负面情感的 爆发速度就越快。
负面情感的转发情况：
具有不同负面情感的累积转发量展示了整个事件的总体传播情况。在本发明的一个具体实施例中，从中国新浪微博获取真实数据，作为数值模拟的基础。由主方程进一步推导，可以得出四种负面情感累积转发量的微分方程：
Figure 937704DEST_PATH_IMAGE088
(13)
Figure 382854DEST_PATH_IMAGE089
(14)
Figure 942011DEST_PATH_IMAGE090
(15)
Figure 920331DEST_PATH_IMAGE091
(16)
其中
Figure 641163DEST_PATH_IMAGE092
、
Figure 806565DEST_PATH_IMAGE093
、
Figure 638255DEST_PATH_IMAGE094
以及
Figure 471081DEST_PATH_IMAGE095
为累积转发量在
Figure 362814DEST_PATH_IMAGE034
时刻的变量标 识符。
基于公式（13）-（16），本发明基于某微博的真实话题事件数据，采用非线性最小二乘法NLS估计模型参数和初始易受影响人群总数。参数向量为
Figure 749933DEST_PATH_IMAGE096
，基于对应数值计算的
Figure 149428DEST_PATH_IMAGE092
、
Figure 571182DEST_PATH_IMAGE093
、
Figure 633816DEST_PATH_IMAGE094
和
Figure 508231DEST_PATH_IMAGE095
可以分别由
Figure 947303DEST_PATH_IMAGE097
、
Figure 223563DEST_PATH_IMAGE098
、
Figure 457099DEST_PATH_IMAGE099
和
Figure 818810DEST_PATH_IMAGE100
表示。由此，可以得到最小二乘LS误差函数：
Figure 61572DEST_PATH_IMAGE101
(17)
其中，
Figure 192339DEST_PATH_IMAGE102
、
Figure 596776DEST_PATH_IMAGE103
、
Figure 711362DEST_PATH_IMAGE104
和
Figure 492237DEST_PATH_IMAGE105
分别表示携带恐惧、惊讶、悲伤和愤怒情 感的真实累积转发量，
Figure 978975DEST_PATH_IMAGE106
代表采样时间。在数据拟合的过程中，参数需要满 足以下条件：
Figure 554313DEST_PATH_IMAGE107
、
Figure 156195DEST_PATH_IMAGE108
、
Figure 740761DEST_PATH_IMAGE109
、
Figure 111699DEST_PATH_IMAGE110
以及
Figure 857938DEST_PATH_IMAGE111
。
事件的累积转发量是一条随时间变化逐渐增加的曲线，总体趋势是先陡峭上升后 平缓上升最终趋于稳定。事件的瞬时转发量则是一条钟形曲线，其总体趋势为先上升后下 降。根据两条转发曲线的特征，我们定义了两种不同的指标来反映负面情感的转发情况。一 种称为最大瞬时转发量，体现了情感传播峰值，用
Figure 681538DEST_PATH_IMAGE112
表示；另一种称为稳定累积转发 量，体现了情感传播最终规模，用
Figure 804214DEST_PATH_IMAGE113
表示，下标
Figure 764080DEST_PATH_IMAGE114
代表一种负面情感，包括恐惧、惊讶、悲 伤和愤怒。
Figure 946800DEST_PATH_IMAGE112
是负面情感
Figure 257695DEST_PATH_IMAGE114
的瞬时转发量曲线中所对应的最大值，它能够体现事件发 展过程中的情感传播热度。
Figure 434597DEST_PATH_IMAGE113
是负面情感
Figure 514549DEST_PATH_IMAGE114
的累积转发量曲线中所对应的终值，它能够 体现事件发展过程中的情感传播广度。
负面情感的混乱程度：
在
Figure 602590DEST_PATH_IMAGE034
时刻的瞬时情感熵
Figure 135203DEST_PATH_IMAGE115
和累积情感熵
Figure 865262DEST_PATH_IMAGE116
是信息熵的衍生含义，分别表 示动力学系统在某个时间点和一段时间内的负面情感混乱程度。
Figure 799720DEST_PATH_IMAGE117
表示最大瞬时情 感熵，而
Figure 58663DEST_PATH_IMAGE118
表示稳定累积情感熵。情感熵值小意味着系统中的情感混乱程度低，情感熵 值大意味着系统中的情感混乱程度高。
瞬时情感熵的公式为：
Figure 78571DEST_PATH_IMAGE119
(18)
其中
Figure 346741DEST_PATH_IMAGE120
(19)
累积情感熵为：
Figure 761805DEST_PATH_IMAGE121
(20)
其中
Figure 988387DEST_PATH_IMAGE122
（21）
Figure 495591DEST_PATH_IMAGE123
是四个负面情感的集合，
Figure 36294DEST_PATH_IMAGE114
代表集合中的任意一种负面情感。
Figure 210923DEST_PATH_IMAGE124
是情感为
Figure 811669DEST_PATH_IMAGE114
的 用户占瞬时转发人群的比例，
Figure 806170DEST_PATH_IMAGE125
是情感为
Figure 416143DEST_PATH_IMAGE114
的用户占累积转发人口的比例。
负面情感的关键时间及速率：
本发明中将最大瞬时情感熵
Figure 179699DEST_PATH_IMAGE117
所对应的时间称为
Figure 981040DEST_PATH_IMAGE126
，而累积稳定情 感熵
Figure 197258DEST_PATH_IMAGE118
所对应的时间称为
Figure 345342DEST_PATH_IMAGE127
。同时，将情感传播峰值
Figure 963405DEST_PATH_IMAGE112
对应的时间点定义为负 面情感
Figure 437112DEST_PATH_IMAGE114
的传播高潮时间
Figure 140626DEST_PATH_IMAGE128
。将
Figure 826822DEST_PATH_IMAGE129
的值设置为阈值
Figure 564971DEST_PATH_IMAGE130
，因此，与
Figure 209579DEST_PATH_IMAGE130
对应 的时间分别定义为情感传播爆发时间
Figure 400389DEST_PATH_IMAGE131
和情感传播结束时间
Figure 155855DEST_PATH_IMAGE132
（
Figure 482931DEST_PATH_IMAGE133
），那 么情感传播持续时间
Figure 799905DEST_PATH_IMAGE134
等于
Figure 743591DEST_PATH_IMAGE135
，且
Figure 37169DEST_PATH_IMAGE136
。在确定了 关键的时间量和重要的瞬时转发量后，将负面情感
Figure 749910DEST_PATH_IMAGE114
的情感传播爆发速率定义为
Figure 205162DEST_PATH_IMAGE137
，
Figure 370564DEST_PATH_IMAGE137
等于
Figure 467833DEST_PATH_IMAGE138
。
在通过前述MNE-SFI模型以根据原始话题数据经过一系列处理确定的入模参数为输入参数确定公众话题传播曲线之后，就可以根据所确定的公众话题传播曲线进行公众话题传播评估。具体的，作为示例，在确定了参数之后就可以得到公众话题传播曲线，根据该公众话题传播曲线的发展情况构建指标体系，根据该指标体系进行公众话题传播评估。在公众话题传播评估之后，还可以进一步对参数进行敏感性分析，从而确定哪些参数对话题传播来说是关键的，并且分析这些参数如何影响话题传播，最终给出传播策略。
针对话题指标体系的模型参数敏感性分析是将话题指标作为桥梁，定性地研究群体情感传播规律。模型参数敏感性分析的基本思想是令参数在最优值附近变化，通过实验结果分析待测参数对各个话题指标的影响，从而筛选出在模型中有重要意义的关键参数，并根据关键参数对话题指标的影响结果提出有效的传播策略。
在本发明的一个实施例中，利用偏秩相关系数PRCC、单参数变化、多参数综合变化的方法对参数进行敏感性分析。其中，偏秩相关系数PRCC通过1000组样本在参数边界范围内进行重复实验，最终给出平均的参数敏感性结果。单参数变化方法适用于定性地探究各个参数对群体负面情感传播态势的影响，而传播态势又通过瞬时转发量、累积转发量随时间变化的曲线形状表征。多参数变化方法适用于分析多个同类参数对同一话题指标的共同影响，能够反映参数内部的相关性，综合反映参数对指标的影响。
下面以一个典型的负面事件作为公众话题传播示例对本发明的应用做更详细的说明。
首先需要通过获得真实的公众话题数据以估计模型参数和初始易受影响人群
Figure 35081DEST_PATH_IMAGE139
。 在该负面事件公众话题传播示例中，共搜索到了9个话题，其中包括138条原始信息，27265 条转发数据。如图3所示，星号表示真正的累积转发量，实线表示经过模型数值模拟后的累 积转发量。从数值模拟结果来看，累积转发量的四条拟合曲线在很大程度上与实际值一致， 证明了模型的有效性。从图3可以得知，一般来说，大部分用户持有所有情感中的一种情感， 少数持有另一种情感，其余的两种情感持有者数量不相上下。为了得到最佳的拟合结果，可 以以实际值为数据驱动从而得到待估计的参数值（如表2所示）。与网络结构相关的平均接 触速率
Figure 661234DEST_PATH_IMAGE140
在稳定在很小的量级上，此处为
Figure 313932DEST_PATH_IMAGE141
。初始易受影响人群总数
Figure 214892DEST_PATH_IMAGE142
，由于
Figure 875462DEST_PATH_IMAGE139
代表生物学意义上人群的数量，而累积转发量代表用户的多次 转发行为，所以
Figure 938095DEST_PATH_IMAGE139
不需要大于系统中四个最大累积转发量的总和。对于易受影响用户来说， 与平均异质转发概率
Figure 812511DEST_PATH_IMAGE143
相比，平均同质转发概率
Figure 517161DEST_PATH_IMAGE144
要大得多，反映出这部分用户更愿意以与 影响者相同的情感转发信息。在四种类型的转发用户中，除了那些携带恐惧情感的用户外， 他们的平均同质转发概率远远大于平均异质转发概率。相反地，恐惧作为负面情感传染过 程中含量最少的情感，其平均异质转发概率占据主导地位，平均同质转发概率处于弱势地 位。与情感传染最终规模密切相关的平均免疫速率的倒数体现了活跃转发期的持续时间， 也可以称之为平均曝光期，即对于不同的负面情感来说，如果平均曝光期越长，那么持续的 活跃时间越长，就可能影响更多的用户来塑造公众情感。上述所说明的理论与参数估计结 果一致：
Figure 59001DEST_PATH_IMAGE145
、
Figure 292536DEST_PATH_IMAGE146
、
Figure 919827DEST_PATH_IMAGE147
以及
Figure 897010DEST_PATH_IMAGE148
。
Figure 558936DEST_PATH_IMAGE149
本实施例中还引入了几个公众负面情感指标，以多维度地来量化分析信息传播过 程中的负面情感传染（如下表3所示）。愤怒情感无论是从最大瞬时转发量
Figure 228951DEST_PATH_IMAGE150
还是稳定累积转发量
Figure 579423DEST_PATH_IMAGE151
这两个指 标来看，其在转发数量方面远远超过其他情感。结果还显示，当用户遇到负面事件时，两类 转发量是成正比的，而情感在传播热度最高时的比例通常能够反映其发展的最终情况。然 而，对于最强烈和最微弱的情感来说，情感传播峰值越大，情感传播高潮到达的时间就越 迟。我们可以注意到
Figure 94718DEST_PATH_IMAGE152
、
Figure 611150DEST_PATH_IMAGE153
、
Figure 186488DEST_PATH_IMAGE154
以及
Figure 788371DEST_PATH_IMAGE155
，这 表明情感越强烈，它持续的时间就越长。通过对比，不同情感间的爆发速度能够反映由事件 引发的哪种情感可以得到快速发展，此处，显然是愤怒这种情感发展速度最快。在此话题事 件中，负面情感传播可再生数
Figure 107357DEST_PATH_IMAGE058
等于34.2044大于1，是一个相对较大的值，说明了由负面 情感驱动的信息传播将以很快的速度爆发。与最大瞬时情感熵相比，稳定累积情感熵的值 更大，到达时间较迟，这代表公众情感在到达高潮之后仍然继续交互。
Figure 212716DEST_PATH_IMAGE156
在本实施例的MNE-SFI模型中，初始易受影响人群
Figure 224534DEST_PATH_IMAGE139
是一个待估计的变量，它可以 决定指标的变化，因此本发明中将其视为一个参数和模型预先设置的其他参数一起进行分 析实验。为了深入探索参数变化对指标的影响，本发明采用了偏执相关系数（PRCC）方法，该 方法利用1000组样本在输入参数边界范围内进行重复实验，最终给出各参数平均的敏感性 结果。这种方法的结果处于-1和1之间，如果结果接近1，说明输入参数对公众负面情感指标 的有强烈的正面影响，如果结果接近-1，说明输入参数对公众负面情感指标有强烈的负面 影响。为了探究参数(
Figure 782555DEST_PATH_IMAGE140
,
Figure 170811DEST_PATH_IMAGE144
,
Figure 130676DEST_PATH_IMAGE143
,
Figure 47817DEST_PATH_IMAGE157
,
Figure 857248DEST_PATH_IMAGE158
,
Figure 783615DEST_PATH_IMAGE159
,
Figure 597988DEST_PATH_IMAGE160
,
Figure 217188DEST_PATH_IMAGE161
,
Figure 15379DEST_PATH_IMAGE162
,
Figure 479859DEST_PATH_IMAGE163
,
Figure 148738DEST_PATH_IMAGE164
,
Figure 673260DEST_PATH_IMAGE165
,
Figure 958748DEST_PATH_IMAGE166
,
Figure 961339DEST_PATH_IMAGE167
,
Figure 750303DEST_PATH_IMAGE168
,
Figure 445727DEST_PATH_IMAGE139
)对四种稳定累积转发量的影响，本发明中采用有对应关系 的直方图和散点图直观地表示出PRCC结果。换句话说，当散点图中1000组点的总体趋势向 右时，直方图中的柱形向上发展；当它们的总体趋势向左时，直方图中的柱形向下发展。
从负面情感传播可再生数的推断方程可以看出，MNE-SFI模型中并非所有参数都 与此指标相关。因此，本实施例中选择需要的参数(
Figure 454396DEST_PATH_IMAGE140
,
Figure 260678DEST_PATH_IMAGE144
,
Figure 169728DEST_PATH_IMAGE143
,
Figure 770474DEST_PATH_IMAGE169
,
Figure 30554DEST_PATH_IMAGE166
,
Figure 374948DEST_PATH_IMAGE167
,
Figure 138504DEST_PATH_IMAGE168
) 做PRCC的敏感性分析。如图4所示，平均接触速率
Figure 910151DEST_PATH_IMAGE140
、易受影响用户平均同质转发概率
Figure 391948DEST_PATH_IMAGE144
和初 始易受影响人群总数
Figure 805612DEST_PATH_IMAGE139
均对
Figure 423675DEST_PATH_IMAGE058
有正面影响，其中，前两个参数对
Figure 631803DEST_PATH_IMAGE058
更为有利。随着平均免 疫速率的增加，
Figure 335316DEST_PATH_IMAGE058
趋于减小，这表示它们具有负相关性，其中，恐惧作为动力学系统中含量 最少的情感，其平均免疫速率
Figure 514189DEST_PATH_IMAGE165
对
Figure 517917DEST_PATH_IMAGE058
的影响最弱。特别地，易受影响用户平均异质转 发概率
Figure 631366DEST_PATH_IMAGE143
对
Figure 822176DEST_PATH_IMAGE058
的影响几乎可以忽视。实验结果表明，能够参与信息传播的潜在用户是促使 事件爆发的关键因素。
如图5和图6所示，无论情感类别如何，易受影响用户的平均接触概率
Figure 312063DEST_PATH_IMAGE140
、平均同质 转发概率
Figure 904719DEST_PATH_IMAGE144
和初始易受影响人群
Figure 454649DEST_PATH_IMAGE139
在调整稳态累积量方面都发挥着重要的正面作用。这说 明，主要决定负面情感传染最终规模的是网络密度以及潜在参与者的人数和情感认同。总 的来说，无论平均免疫速率是哪种类型，它们都有一个共同点：对指标产生负面影响，然而 不同的是，同一类型的免疫速率对稳态累积量有更严重的负面影响。例如，
Figure 132755DEST_PATH_IMAGE165
、
Figure 426333DEST_PATH_IMAGE166
、
Figure 873495DEST_PATH_IMAGE167
和
Figure 594326DEST_PATH_IMAGE168
都对
Figure 759728DEST_PATH_IMAGE170
产生负面影响，其中
Figure 856997DEST_PATH_IMAGE165
发挥最负面的作用。平均免疫速率受 用户行为和属性的影响，这导致群体的平均曝光期在一定时间范围内保持稳定，且其几乎 不受外部环境的影响。这类参数不是本发明后续提供传播策略的重点，因为外部干预很难 改变个体固有的特性。PRCCs方法的机制是在参数边界内随机选择1000组样点，因此，当实 验结果显示一些参数对指标的影响十分微弱时，这种结果是随机的、不够准确的。鉴于这一 方法的限制，有必要在参数适当范围内对指标进行单一参数变化实验。
对于易受影响用户来说，平均同质转发概率
Figure 660130DEST_PATH_IMAGE171
和平均异质转发概率
Figure 551863DEST_PATH_IMAGE171
是反映其个 人特征极其重要的两个相对参数。如图7a所示，参数
Figure 204561DEST_PATH_IMAGE144
以0.2的间隔增加，四个负面情感的 瞬时转发量曲线变陡，峰值变高，峰值到达时间提前。相比之下，
Figure 574363DEST_PATH_IMAGE010
随参数
Figure 996117DEST_PATH_IMAGE144
变化的曲线 差异不太明显，这么说的原因是：在事件发展周期中，三条相关曲线没有交集，其曲线的形 状相似。在
Figure 324330DEST_PATH_IMAGE144
增加的情况下，每个采样点所对应的四类累积转发量在整个事件发展过程中 都得到显著增长。此外，我们可以发现，随着
Figure 198745DEST_PATH_IMAGE144
的增加，
Figure 637816DEST_PATH_IMAGE172
、
Figure 179656DEST_PATH_IMAGE173
和
Figure 413191DEST_PATH_IMAGE174
稳定期的到来 时间会提前，相反，
Figure 774903DEST_PATH_IMAGE175
的将推迟。瞬时转发量和累积转发量密切相关，因此通过观察曲线
Figure 486507DEST_PATH_IMAGE010
的变化，我们可以说明这一有趣的现象。峰值之后，
Figure 148432DEST_PATH_IMAGE010
三条曲线开始走下坡路，并持 续很长时间，但当
Figure 51404DEST_PATH_IMAGE144
较大时，相对而言，在同一时间点下，
Figure 900411DEST_PATH_IMAGE010
的值会得到大幅增长，这就导 致当
Figure 415706DEST_PATH_IMAGE144
被设定为0.6时与设定为0.4和设定为0.2相比，
Figure 666559DEST_PATH_IMAGE010
的稳定期将延迟。然而，如图7b 所示，当
Figure 241897DEST_PATH_IMAGE143
变化时公众负面情感指标的波动情况在某些方面与
Figure 843779DEST_PATH_IMAGE144
变化时不同。当参数
Figure 162765DEST_PATH_IMAGE143
以 0.003的间隔增加时，
Figure 268125DEST_PATH_IMAGE010
的曲线几乎没有波动。在相同的条件下，对于
Figure 14364DEST_PATH_IMAGE007
、
Figure 572384DEST_PATH_IMAGE008
和
Figure 960640DEST_PATH_IMAGE009
来说，曲线的峰值上升，与峰值相对应的时间点稍稍前移，与每一类情感相匹配的曲线 形状相似。特别地，除了
Figure 920506DEST_PATH_IMAGE010
曲线以外，针对其他三类曲线，当离开峰值点并下降值超出一 定范围时，曲线往往会重叠。在负面情感积累的全过程中，我们可以细致地将其分为上升阶 段、过渡阶段和稳定阶段这三个阶段。如图7b所示，
Figure 837646DEST_PATH_IMAGE143
的变化不会影响
Figure 148542DEST_PATH_IMAGE176
、
Figure 310795DEST_PATH_IMAGE173
和
Figure 390747DEST_PATH_IMAGE174
在 上升阶段的累积量。然而，在过渡和稳定阶段，
Figure 744367DEST_PATH_IMAGE143
增加导致各类情感累积量增长。至于
Figure 276980DEST_PATH_IMAGE172
，
Figure 475880DEST_PATH_IMAGE143
的增加对它的三个阶段都有影响，它使得曲线在上升阶段更陡峭，在过渡和稳定阶段更 高。
不同情感的稳定累积转发量作为最终情感传染的体现仍是需要进一步深入分析 的关键指标。对于转发用户来说，平均同质转发概率和平均异质转发概率是反映其情感选 择的一对参数，需要通过热图进行比较分析。每个热图右侧垂直的数值表示目标指标的值。 通过实验可知，本发明使平均同质转发概率和平均异质转发概率在适当的范围内平稳变 化，每个参数的变化范围都包含其通过数据拟合后获得的最佳参数值。从总体上看，每个参 数对指标没有跳跃性影响，即当参数值增加时，对指标的影响总是统一的（呈正相关、或负 相关、或几乎不相关）。转发用户在四种情感状态下的平均异质转发概率和惊讶状态、愤怒 状态下的平均同质转发概率
Figure 675917DEST_PATH_IMAGE177
、
Figure 200440DEST_PATH_IMAGE178
对恐惧情感的最终规模
Figure 954769DEST_PATH_IMAGE179
有显著的正面影 响，而恐惧状态、悲伤状态下的平均同质转发概率
Figure 222939DEST_PATH_IMAGE180
、
Figure 277483DEST_PATH_IMAGE181
都对这一指标有负面影响。 除了转发用户在惊讶状态下的一对参数，其他参数均促进
Figure 707327DEST_PATH_IMAGE182
。虽然
Figure 214532DEST_PATH_IMAGE177
和
Figure 790788DEST_PATH_IMAGE183
两 者都与目前携带惊讶情感的用户相关，但不同的是，它们反映了相反的个人情感选择，即
Figure 434259DEST_PATH_IMAGE177
是与影响者达成一致的体现，而
Figure 300583DEST_PATH_IMAGE183
则代表分歧。在这种情况下，
Figure 295084DEST_PATH_IMAGE177
的增大抑制 惊讶情感的传播，而
Figure 905057DEST_PATH_IMAGE183
的变化与惊讶在负面情感中的传染没有关系。比较参数对
Figure 668614DEST_PATH_IMAGE182
和
Figure 440261DEST_PATH_IMAGE184
的影响，可以得知：两对相关参数
Figure 922058DEST_PATH_IMAGE180
、
Figure 70142DEST_PATH_IMAGE185
和
Figure 953785DEST_PATH_IMAGE178
、
Figure 896333DEST_PATH_IMAGE186
对它们有相 同的影响，而
Figure 599847DEST_PATH_IMAGE177
、
Figure 551622DEST_PATH_IMAGE183
和
Figure 791236DEST_PATH_IMAGE181
、
Figure 170265DEST_PATH_IMAGE187
对它们有相反的影响。对于
Figure 361075DEST_PATH_IMAGE184
来说，
Figure 850962DEST_PATH_IMAGE183
与
Figure 443617DEST_PATH_IMAGE184
的变化无关，但
Figure 259126DEST_PATH_IMAGE177
表现出明显的正相关性；
Figure 671653DEST_PATH_IMAGE181
和
Figure 965231DEST_PATH_IMAGE187
的减少促进了悲伤情感 的传播。此外，
Figure 412393DEST_PATH_IMAGE181
的变化对指标的影响大于
Figure 133224DEST_PATH_IMAGE187
的变化，这表明在悲伤情感扩散中，
Figure 298626DEST_PATH_IMAGE181
起着相对比较重要的作用；除
Figure 395895DEST_PATH_IMAGE180
外，其他平均同质转发概率占绝对主导地位。也就是说， 随着
Figure 697564DEST_PATH_IMAGE177
、
Figure 589296DEST_PATH_IMAGE181
和
Figure 474951DEST_PATH_IMAGE178
的增大，愤怒情感不断累积，而
Figure 110331DEST_PATH_IMAGE187
和
Figure 532085DEST_PATH_IMAGE186
只是在一定有限的范 围内对指标呈现微弱的负面影响，且
Figure 860299DEST_PATH_IMAGE183
不产生影响效果。特别地，对于在动态时间系统 中愤怒情感的最终规模来说，
Figure 734714DEST_PATH_IMAGE180
和
Figure 908206DEST_PATH_IMAGE185
对该指标的正面影响作用不相上下。
在由负面情感驱动信息传播的复杂动态时序系统中，多对平均转发概率对不同负 面情感的稳定累积转发量具有多样化的影响。总的来说，它们能够共同促进或抑制指标的 发展，也可以在不同条件下对指标产生相反的影响。从另一个角度来看，将每个参数视为一 个独立的元素，而不是与对立的参数绑定，那么某些参数可以实现令人欣喜的特殊效果。这 里存在对指标具有统一影响的参数，例如，
Figure 184467DEST_PATH_IMAGE178
和
Figure 418002DEST_PATH_IMAGE185
有利于累积各种负面情感；而
Figure 779713DEST_PATH_IMAGE183
仅对
Figure 22475DEST_PATH_IMAGE179
具有重大意义，对其他三类情感的稳定累积转发量则不重要。
也可以从上述热图比较分析实验获得推论，累积大量负面情感主要取决于携带同 质情感选择的用户的参与；然而，在动力学系统中较弱的负面情感的发展需要多方力量的 支持，包括携带同质和异质情感选择的用户的参与。上述证据证明，携带不同负面情感下标 的参数
Figure 418822DEST_PATH_IMAGE144
和
Figure 823258DEST_PATH_IMAGE143
作为表示转发用户情感选择的标识，能够在调整负面情感传染方面发挥重要 作用。
通过本发明提供的MNE-SF模型表明，人类的兴趣和社交网络结构与负面情感传染的动态变化密切相关。通过引入与用户情感选择相关的参数构建模型，并基于一个负面事件的真实数据证明了MNE-SFI模型的有效性。良好的数据拟合结果说明本发明考虑了四种负面情感的的动力学模型，充分揭示了负面信息扩散的客观规律，即四种类型的负面情感在事件发展过程中随着时间的流逝不断得到累积，而这四种负面情感在动力学系统中的含量存在差异，也就是情感分布的不均匀性。该MNE-SF模型证明，以群体行为作为纽带，情感信息交互是连续且有针对性的。因此，忽略群体类别和个人情感选择的传统全局参数无法适用于研究用户负面情感的动态演变。所以在本发明中，通过设定专门的参数以揭示不同群体对情感累积的不同贡献，从而探究新型情感演变方式。另外，我实验结果也表明，在复杂的交互机制下，定义的新参数的变化能够极具现实意义地影响公众话题指标。
当下，社交媒体无疑已经成为人际互动、政策沟通和商业宣传的主要渠道，而这些活动是以信息为载体发展起来的。基于此，随着社交媒体的迅速发展，网络信息传播已成为研究的热点，社交媒体也被视为话题的关键战场。负面情感作为主力军引起这场没有硝烟的战争，同时，它们也会被话题所影响而产生波动，这种现象促进了动力学系统中用户之间复杂的交互。广泛地说，从微观角度，本发明提供的MNE-SF模型考虑了与用户情感选择相关联的模型，又从宏观角度反映了随群体状态迁移而产生的整体负面情感传染过程。MNE-SF模型可用于设计两类引导策略，一类用于控制对网络环境有害的负面情感的持续传播，另一种用于利用负面情感来增强公众对重要社会事件的关注。
通过以上实施例的表述可以看出，本发明提供的基于建模的公众话题传播评估方法，通过综合考虑社交平台上用户负面情感传播的现状，利用基于混合多粒度情感词典的分析算法进行社交平台用户情感分类，分析群体负面情感传播机制的一般模式；利用常微分方程构建动力学系统模型研究负面情感在网络上传播的主体规律，厘清群体情感演变态势，同时构建衡量用户情感演变的话题指标体系，根据模型参数敏感性分析方法设计用户情感及话题引导策略。
本发明的上述基于建模的公众话题传播评估方法，可以采用软件实现，也可以采用硬件实现，或采用软件和硬件组合的方式实现。
与上述基于建模的公众话题传播评估方法相对应，本发明还提供一种基于建模的公众话题传播评估系统。图8示出了根据本发明的基于建模的公众话题传播评估系统900的方框示意图。如图8所示，基于建模的公众话题传播评估系统900包括原始信息采集单元910、预处理单元920、累积转发量数据确定单元930、数据拟合单元940以及入参评估单元950。本发明所述单元也可以称之为模块，指的是一种能够被电子设备的处理器所执行，并且能够完成某一固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
原始信息采集单元910，用于通过在预设搜索范围内搜索目标负面事件下的所有话题以及所述话题下的目标信息，以采集所述目标负面事件的原始话题数据；其中的原始话题数据包括转发文本和与所述转发文本对应的转发时间；
预处理单元920，用于通过对所述原始话题数据进行过滤预处理，以获取每条目标信息下无噪声冗余的瞬时转发时间点和对应的转发文本；
累积转发量数据确定单元930，用于根据所述转发时间点和对应的转发文本确定所述目标负面事件的不同类别负面情感的累积转发量数据；
数据拟合单元940，用于对所述累积转发量数据进行拟合处理，以确定预设MNE-SFI模型的入模参数；
入参评估单元950，用于通过MNE-SFI模型以所述入模参数为输入参数确定公众话题传播曲线，并根据所述公众话题传播曲线进行公众话题传播评估。
本发明所提供的上述基于建模的公众话题传播评估系统的更为具体的实现方式，均可以参照上述对基于建模的公众话题传播评估方法的实施例表述，在此不再一一列举。
如上参照附图以示例的方式描述根据本发明的基于建模的公众话题传播评估方法及系统。但是，本领域技术人员应当理解，对于上述本发明所提出的基于建模的公众话题传播评估方法及系统，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。

Claims (10)

1.一种基于建模的公众话题传播评估方法，包括：
通过在预设搜索范围内搜索目标负面事件下的所有话题以及所述话题下的目标信息，以采集所述目标负面事件的原始话题数据；其中，所述原始话题数据包括转发文本和与所述转发文本对应的转发时间；
通过对所述原始话题数据进行过滤预处理，以获取每条目标信息下无噪声冗余的瞬时转发时间点和对应的转发文本；
根据所述转发时间点和对应的转发文本确定所述目标负面事件的不同类别负面情感的累积转发量数据；
基于数据拟合对所述累积转发量数据进行拟合处理，以确定预设MNE-SFI模型的入模参数；
通过所述MNE-SFI模型以所述入模参数为输入参数确定公众话题传播曲线，并根据所述公众话题传播曲线进行公众话题传播评估。
2.如权利要求1所述的基于建模的公众话题传播评估方法，其中，所述过滤预处理包括时间信息过滤、内容信息过滤；其中，
所述时间信息过滤用于滤除所述原始话题数据中因用户生理需求导致的信息停滞的时间段的信息；
所述内容信息过滤用于滤除由于用户转发信息的随机性所产生的与所述目标负面事件不相关的转发文本。
3.如权利要求1或2所述的基于建模的公众话题传播评估方法，其中，所述目标负面事件的不同类别负面情感包括恐惧、惊讶、悲伤和愤怒四类；并且，对所述负面情感进行分类的方法包括：
采用基于混合多粒度情感词典的情感分析算法对所述转发文本进行分类；以及，
将采用人工标注的方法对所述基于混合多粒度情感词典的情感分析算法无法判断转发文本的情感倾向进行分类。
4.如权利要求3所述的基于建模的公众话题传播评估方法，其中，所述MNE-SFI模型的入模参数包括：
Figure 520687DEST_PATH_IMAGE001
，表示易受影响的用户和转发用户可以接触到信息的平均接触速率；
Figure 968986DEST_PATH_IMAGE002
，表示易受影响的用户以与影响他们的转发用户相同的情感转发信息的平均同质转 发概率；
Figure 14303DEST_PATH_IMAGE003
，表示易受影响的用户以与影响他们的转发用户不同的情感转发信息的平均异质转 发概率；
Figure 675091DEST_PATH_IMAGE004
/
Figure 20622DEST_PATH_IMAGE005
/
Figure 108663DEST_PATH_IMAGE006
/
Figure 641276DEST_PATH_IMAGE007
，分别表示携带恐惧/惊讶/悲伤/愤怒情感的转发用户以与 影响他们的转发用户相同的情感再次转发信息的平均同质转发概率；
Figure 371335DEST_PATH_IMAGE008
/
Figure 305793DEST_PATH_IMAGE009
/
Figure 564736DEST_PATH_IMAGE010
/
Figure 850223DEST_PATH_IMAGE011
，分别表示携带恐惧/惊讶/悲伤/愤怒情感的转发用户以与 影响他们的转发用户不同的情感再次转发信息的平均异质转发概率；
Figure 354279DEST_PATH_IMAGE012
/
Figure 143244DEST_PATH_IMAGE013
/
Figure 838667DEST_PATH_IMAGE014
/
Figure 345872DEST_PATH_IMAGE015
，分别表示携带恐惧/惊讶/悲伤/愤怒情感的转发用户在转 发中变得不活跃的平均免疫速率，同时，活跃转发期在时间上与平均免疫速率呈反比；
其中，定义
Figure 152154DEST_PATH_IMAGE016
、
Figure 61204DEST_PATH_IMAGE017
、
Figure 661950DEST_PATH_IMAGE018
、
Figure 922030DEST_PATH_IMAGE019
、
Figure 266423DEST_PATH_IMAGE020
以及
Figure 29980DEST_PATH_IMAGE021
为
Figure 332785DEST_PATH_IMAGE022
时刻各状态的瞬 时群体数量，且
Figure 549003DEST_PATH_IMAGE023
在人群 空间中恒定保持不变，N为自然数；所述MNE-SFI模型的主方程为：
Figure 697088DEST_PATH_IMAGE024
根据所述MNE-SFI模型的主方程，一个活跃的转发用户具有每单位时间平均影响
Figure 293252DEST_PATH_IMAGE026
名 用户的能力，在当前时间
Figure 262345DEST_PATH_IMAGE027
下，携带四种负面情感的转发用户在总人数中所占的比例分别为
Figure 948541DEST_PATH_IMAGE028
、
Figure 686690DEST_PATH_IMAGE029
、
Figure 331298DEST_PATH_IMAGE030
和
Figure 522108DEST_PATH_IMAGE031
，因此在
Figure 11995DEST_PATH_IMAGE032
时刻下携带所述四类负 面情感的用户分别会影响
Figure 339071DEST_PATH_IMAGE033
、
Figure 154581DEST_PATH_IMAGE034
、
Figure 832687DEST_PATH_IMAGE035
和
Figure 126265DEST_PATH_IMAGE036
个易受影响用户。
5.如权利要求4所述的基于建模的公众话题传播评估方法，其中，在根据所述公众话题传播曲线进行公众话题传播评估过程中，还包括：
构建公众负面情感关键指标；
根据所述公众话题传播曲线确定所述公众负面情感关键指标的指标信息；
根据所述指标信息进行公众话题传播评估；
其中，所述公众负面情感关键指标包括负面情感的爆发情况、负面情感的转发情况、负面情感的混乱程度、负面情感的关键时间及速度。
6.如权利要求5所述的基于建模的公众话题传播评估方法，所述负面情感的爆发情况 用于通过负面情感传播可再生数来表征公共话题事件在负面情感的驱动下爆发的可能性； 其中，所述负面情感传播可再生数
Figure 340471DEST_PATH_IMAGE037
的计算方法为：
令
Figure 795723DEST_PATH_IMAGE038
其中，
Figure 961125DEST_PATH_IMAGE039
，且
Figure 792815DEST_PATH_IMAGE040
Figure 891221DEST_PATH_IMAGE041
Figure 517374DEST_PATH_IMAGE042
Figure 435652DEST_PATH_IMAGE043
以及
Figure 336612DEST_PATH_IMAGE044
Figure 758366DEST_PATH_IMAGE045
Figure 585114DEST_PATH_IMAGE046
Figure 725108DEST_PATH_IMAGE047
Figure 429759DEST_PATH_IMAGE048
、
Figure 706020DEST_PATH_IMAGE049
、
Figure 939555DEST_PATH_IMAGE050
和
Figure 566845DEST_PATH_IMAGE051
共同构成矩阵
Figure 544029DEST_PATH_IMAGE052
，
Figure 674796DEST_PATH_IMAGE053
、
Figure 344811DEST_PATH_IMAGE054
、
Figure 193819DEST_PATH_IMAGE055
和
Figure 709114DEST_PATH_IMAGE056
共同构成 矩阵
Figure 727010DEST_PATH_IMAGE057
，假设无信息传播的平衡态
Figure 567927DEST_PATH_IMAGE058
，则根据
Figure 904231DEST_PATH_IMAGE059
从而可以得到结果
Figure 488796DEST_PATH_IMAGE060
其中，当
Figure 859734DEST_PATH_IMAGE061
时，转发用户数量的变化呈递减趋势，公众的负面情感不会滋生；当
Figure 605974DEST_PATH_IMAGE062
时，转发用户的数量在开始时就呈指数级增长，公众的负面情感将会迅速扩散，
Figure 163994DEST_PATH_IMAGE037
的值越大，公众负面情感的爆发速度就越快。
7.如权利要求6所述的基于建模的公众话题传播评估方法，所述负面情感的转发情况用于通过最大瞬时转发量和稳定累积转发量来表征所述公共话题的转发情况；其中，
所述最大瞬时转发量是负面情感的瞬时转发量曲线中所对应的最大值，用于体现所述公共话题事件发展过程中的情感传播热度；
所述稳定累积转发量是负面情感的累积转发量曲线中所对应的终值，用于体现所述公共话题事件发展过程中的情感传播广度。
8.如权利要求7所述的基于建模的公众话题传播评估方法，所述负面情感的混乱程度用于通过在某时刻的瞬时情感熵和累积情感熵分别表示所述MNE-SFI模型在某个时间点和一段时间内的负面情感混乱程度；其中，
所述瞬时情感熵的计算公式为：
Figure 286671DEST_PATH_IMAGE063
其中
Figure 512116DEST_PATH_IMAGE064
所述累积情感熵的计算公式为：
Figure 429256DEST_PATH_IMAGE065
其中
Figure 740152DEST_PATH_IMAGE066
其中，
Figure 400940DEST_PATH_IMAGE067
为四个负面情感的集合，
Figure 973567DEST_PATH_IMAGE068
代表集合中的任意一种负面情感，
Figure 327188DEST_PATH_IMAGE069
是情感为
Figure 125380DEST_PATH_IMAGE070
的 用户占瞬时转发人群的比例，
Figure 589859DEST_PATH_IMAGE071
是情感为
Figure 258738DEST_PATH_IMAGE068
的用户占累积转发人口的比例。
9.如权利要求8所述的基于建模的公众话题传播评估方法，其中，
所述负面情感的关键时间包括最大瞬时情感熵
Figure 783260DEST_PATH_IMAGE072
所对应的时间
Figure 68748DEST_PATH_IMAGE073
，累积 稳定情感熵
Figure 71339DEST_PATH_IMAGE074
所对应的时间
Figure 860304DEST_PATH_IMAGE075
；
将情感传播峰值
Figure 821307DEST_PATH_IMAGE076
对应的时间点定义为负面情感
Figure 62932DEST_PATH_IMAGE068
的传播高潮时间
Figure 869214DEST_PATH_IMAGE077
，将
Figure 279729DEST_PATH_IMAGE078
的值设置为阈值
Figure 146054DEST_PATH_IMAGE079
；与
Figure 406134DEST_PATH_IMAGE080
对应的时间分别定义为情感传播爆发时间
Figure 750528DEST_PATH_IMAGE081
和情感传播结束时间
Figure 514084DEST_PATH_IMAGE082
，
Figure 551310DEST_PATH_IMAGE083
；
则，情感传播持续时间
Figure 33107DEST_PATH_IMAGE084
等于
Figure 181192DEST_PATH_IMAGE085
，且
Figure 799255DEST_PATH_IMAGE086
；
负面情感
Figure 272962DEST_PATH_IMAGE070
的情感传播爆发速率定义为
Figure 976476DEST_PATH_IMAGE087
，等于
Figure 662672DEST_PATH_IMAGE088
。
10.一种基于建模的公众话题传播评估系统，其特征在于，包括：
原始信息采集单元，用于通过在预设搜索范围内搜索目标负面事件下的所有话题以及所述话题下的目标信息，以采集所述目标负面事件的原始话题数据；其中的原始话题数据包括转发文本和与所述转发文本对应的转发时间；
预处理单元，用于通过对所述原始话题数据进行过滤预处理，以获取每条目标信息下无噪声冗余的瞬时转发时间点和对应的转发文本；
累积转发量数据确定单元，用于根据所述转发时间点和对应的转发文本确定所述目标负面事件的不同类别负面情感的累积转发量数据；
数据拟合单元，用于对所述累积转发量数据进行拟合处理，以确定预设MNE-SFI模型的入模参数；
入参评估单元，用于通过MNE-SFI模型以所述入模参数为输入参数确定公众话题传播曲线，并根据所述公众话题传播曲线进行公众话题传播评估。
CN202110812031.7A 2021-07-19 2021-07-19 基于建模的公众话题传播评估方法及系统 Active CN113282841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110812031.7A CN113282841B (zh) 2021-07-19 2021-07-19 基于建模的公众话题传播评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110812031.7A CN113282841B (zh) 2021-07-19 2021-07-19 基于建模的公众话题传播评估方法及系统

Publications (2)

Publication Number Publication Date
CN113282841A true CN113282841A (zh) 2021-08-20
CN113282841B CN113282841B (zh) 2022-03-22

Family

ID=77286653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110812031.7A Active CN113282841B (zh) 2021-07-19 2021-07-19 基于建模的公众话题传播评估方法及系统

Country Status (1)

Country Link
CN (1) CN113282841B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887584A (zh) * 2021-09-16 2022-01-04 同济大学 一种基于社交媒体数据的应急交通策略评估方法
CN115132369A (zh) * 2022-06-09 2022-09-30 中国传媒大学 基于社交媒体拟态环境建模的信息传播分析方法及系统
CN117611374A (zh) * 2024-01-23 2024-02-27 深圳博十强志科技有限公司 一种基于多元化大数据分析的信息传播分析方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140052753A1 (en) * 2010-12-21 2014-02-20 Peking University Founder Group Co., Ltd. Method, device and system for processing public opinion topics
CN107943800A (zh) * 2016-10-09 2018-04-20 郑州大学 一种微博话题舆情计算与分析的方法
CN110705288A (zh) * 2019-09-29 2020-01-17 武汉海昌信息技术有限公司 一种基于大数据的舆情分析系统
CN111461553A (zh) * 2020-04-02 2020-07-28 上饶市中科院云计算中心大数据研究院 景区舆情监测分析系统和方法
CN112860902A (zh) * 2021-04-02 2021-05-28 中国工商银行股份有限公司 舆情情感热度计算方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140052753A1 (en) * 2010-12-21 2014-02-20 Peking University Founder Group Co., Ltd. Method, device and system for processing public opinion topics
CN107943800A (zh) * 2016-10-09 2018-04-20 郑州大学 一种微博话题舆情计算与分析的方法
CN110705288A (zh) * 2019-09-29 2020-01-17 武汉海昌信息技术有限公司 一种基于大数据的舆情分析系统
CN111461553A (zh) * 2020-04-02 2020-07-28 上饶市中科院云计算中心大数据研究院 景区舆情监测分析系统和方法
CN112860902A (zh) * 2021-04-02 2021-05-28 中国工商银行股份有限公司 舆情情感热度计算方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887584A (zh) * 2021-09-16 2022-01-04 同济大学 一种基于社交媒体数据的应急交通策略评估方法
CN113887584B (zh) * 2021-09-16 2022-07-05 同济大学 一种基于社交媒体数据的应急交通策略评估方法
CN115132369A (zh) * 2022-06-09 2022-09-30 中国传媒大学 基于社交媒体拟态环境建模的信息传播分析方法及系统
CN115132369B (zh) * 2022-06-09 2023-05-02 中国传媒大学 基于社交媒体拟态环境建模的信息传播分析方法及系统
CN117611374A (zh) * 2024-01-23 2024-02-27 深圳博十强志科技有限公司 一种基于多元化大数据分析的信息传播分析方法及系统
CN117611374B (zh) * 2024-01-23 2024-05-07 深圳博十强志科技有限公司 一种基于多元化大数据分析的信息传播分析方法及系统

Also Published As

Publication number Publication date
CN113282841B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN113282841B (zh) 基于建模的公众话题传播评估方法及系统
Bauckhage Insights into internet memes
Chmiel et al. Negative emotions boost user activity at BBC forum
Myneni et al. Finding meaning in social media: content-based social network analysis of QuitNet to identify new opportunities for health promotion
Cao et al. Evolutionary information diffusion over heterogeneous social networks
CN113254719B (zh) 一种基于地位理论的在线社交网络信息传播方法
Berndt et al. Social contagion of fertility: An agent-based simulation study
Li et al. An information dissemination model based on the rumor & anti-rumor & stimulate-rumor and tripartite cognitive game
Rechavi et al. Not all is gold that glitters: Response time & satisfaction rates in yahoo! answers
CN114298009B (zh) 混合信息传播动力学模型及其信息传播分析方法
Li et al. Predicting teenager's future stress level from micro-blog
CN113850446B (zh) 融合时空注意力和异构图卷积网络的信息扩散预测方法
Greetham et al. Interventions in social networks: impact on mood and network dynamics
Lymperopoulos et al. Micro-level dynamics of the online information propagation: A user behavior model based on noisy spiking neurons
Bhattacharya A Multi-Agent Model to Study the Effects of Crowdsourcing on the Spread of Misinformation in Social Networks
Hammer et al. The role of community structure in opinion cluster formation
Guo et al. Long-term memory of rating behaviors for the online trust formation
Lee et al. Tracing the mechanisms of cultural diversity through 2.5 million individuals’ music listening patterns
Darling et al. How does cross‐sectional sampling bias our understanding of adolescent romantic relationships?: An agent‐based simulation
Jabłońska et al. Narcissism as a Determinant of Deviant Online Behaviours among Digital Natives
Yin et al. I-SFI model of propagation dynamic based on user’s interest intensity and considering birth and death rate
Asatani et al. Prosperity and decline of online communities
McIntosh et al. Incorporating fractal concepts into equations of attrition for military conflicts
CN114169738A (zh) 一种基于价值驱动的平台算法进行行为分析系统
Sayed et al. Social Networking Sites (SNS) and Digital Communication Across Nations

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