CN114298009B - 混合信息传播动力学模型及其信息传播分析方法 - Google Patents
混合信息传播动力学模型及其信息传播分析方法 Download PDFInfo
- Publication number
- CN114298009B CN114298009B CN202210218560.9A CN202210218560A CN114298009B CN 114298009 B CN114298009 B CN 114298009B CN 202210218560 A CN202210218560 A CN 202210218560A CN 114298009 B CN114298009 B CN 114298009B
- Authority
- CN
- China
- Prior art keywords
- information
- forwarding
- emotion
- comment
- 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.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于个体情感交互的混合信息传播动力学模型及其信息传播分析方法,沿用结合两种模型的思路,改进原有的SFI模型,考虑评论对事件传播的影响,将传播群体扩展为转发群体和评论群体。同时利用基于情感词典的分析方法对传播用户观点中所蕴含的情感进行识别,将观点动力学延拓至情感动力学并融合信息传播动力学,从而建立了基于个体情感交互的混合信息传播动力学模型,可以有效分析出传播用户情感传播的一般模式,并在一定程度上预测受相关衍生事件影响后用户再度参与信息传播的情感演变态势。
Description
技术领域
本发明涉及模型构建技术领域,更为具体地,涉及一种基于个体情感交互的混合信息传播动力学模型及该模型进行信息传播分析的方法。
背景技术
自传染病模型成功解释生物疾病的传播规律以来,人们不断将传染病模型进行推广,并且在多个领域都取得了良好的成果。在传染病模型的研究中,最为经典的是SIR(Susceptible-Infected-Recovered)模型,在SIR模型中,人群被划分为三类:易感者、感染者和治愈者。在SIR模型基础上发展出的SFI(Susceptible-Forwarding-Immune)模型是SIR模型在信息传播领域的应用,聚焦还未接触事件但对事件可能产生兴趣的易感者、知晓事件信息并产生转发行为的转发者,和对事件已经不感兴趣或失去影响力的免疫者,利用已知的真实信息数据预测事件的传播趋势。
信息传播是用户进行观点交流的过程,而观点是影响用户做出传播行为的重要因素,观点动力学试图从微观个体间的意见交互来解释宏观群体间意见的形成机理。目前主流的观点动力学模型被分成离散模型和连续观点模型。在离散模型中,个体的观点只有赞成和反对两种情况,Sznajd模型是离散模型的典型代表;连续观点动力学中个体的观点值是一定范围内的连续数值,经典模型有DW(Deffuant-Weisbuch)模型和HK(Hegselmann–Krause)模型。
许多学者在将观点动力学与信息传播动力学相结方面进行了研究。例如,Liang等人基于吸收定律和改进的信任传播与聚集方法,结合改进的SIR模型和HK模型调查了网络社区之间的观点对于公共信息传播的影响。中国专利申请CN108540369A公开的一种考虑用户重度传播行为的SNDR信息传播过程描述方法,结合用户重度传播行为将用户分为4类节点,结合上述划分节点,建立SNDR信息传播模型,根据该模型对信息传播过程进行描述,针对感染概率固定,并考虑由于主观或者利益因素导致的在微博社交网络中传播用户群体中进行深度传播、发表评论并转播和多次传播的行为对信息传播的影响。中国专利申请CN106649685A公开的一种考虑带评论转发行为的SEIAR谣言传播过程描述方法,在传统的病毒式感染模型的基础上,考虑了节点属性差异的因素。中国专利申请CN111460679A公开的一种基于动力学的同步交叉信息传播分析方法及系统,将网络用户的状态分为易感状态、转发状态和免疫状态三种用户状态;构建随着两条信息传播,用户在不同用户状态之间转变的交叉信息同步传播动力学模型;采集发布时间间隔小于设定值的两条信息,将它们的网络用户进行用户状态划分,将划分后的两条信息的多个用户状态输入交叉信息同步传播动力学模型,预测随时间变化的不同人群的个体总数。中国专利申请CN112102960A公开的基于动力学的延迟交叉信息传播分析方法及系统,将个体状态划分为易受影响状态、转发状态、超时免疫状态和直接免疫状态;监测个体接触的信息的传播时期并构建传播动力学模型;将各人群的个体总数与信息的转发量相对应,通过对累计转发量的监测根据传播动力学模型信息传播过程中人群的个体总数变化进行预测。中国专利申请 CN110297984B公开的基于微博的信息传播动力系统、构建方法,将微博中用户的状态分为易感状态、转发状态或/和阅读状态以及免疫状态;根据用户状态的变化构建信息传播动力模型;通过对微博的累计转发量或/和累计阅读量的监测根据上述信息传播动力模型对未来的处于各状态的用户数量及变化趋势进行预测。
但是,在上述现有的信息传播动力学模型中,并未有研究曾考虑过拓展信息渠道,考虑信息传播除转发传播以外的传播途径,同时也并未考虑到传播用户的情感演变过程,因此不能满足当今对公共事件的分析,从而导致模型不理想。
发明内容
鉴于上述问题,本发明考虑到两种社交网络上对情感演化和信息传播发挥重要作用的互动机制:转发和评论,根据用户是否存在以上两种交互行为将其区分为“评论群体”和“转发群体”,并将其统称为“传播群体”。结合情感动力学和信息传播动力学,通过参数敏感性分析技术手段研究模型参数对模型指标的影响,预测受衍生信息影响后用户再度参与信息传播时的情感演变态势,从而基于个体情感交互机制制定有效的信息传播引导策略。
根据本发明的一个方面,提供一种信息传播动力学模型,用于在信息传播动力学模型的基础上结合情感动力学模型进行信息的传播分析,在所述信息传播动力学模型中,
假设信息传播在一个封闭稳定的环境中进行,所述环境的总人数不变,将分为易感状态、评论状态、转发状态以及免疫状态四个群体,并且假设在任意时刻,人群中的每个个体所处状态唯一;所述信息传播动力学模型中各状态代表的含义如下:
处于评论或转发状态的个体超过了活跃的曝光期,不再有能力影响其他人,从而转换为免疫状态;以及
处于易感状态、评论状态的个体,接触到信息后,由于主观上对信息不感兴趣而直接转换为免疫状态;
所述信息传播动力学模型的公式如下:
其中,为评论用户的平均接触速率,表示处于评论状态的个体能够接触到其他个体的平均速率;为转发用户的平均接触速率,表示处于转发状态的个体能够接触到其他个体的平均速率;为易感用户的平均评论概率,表示处于易感状态的个体在接触到信息后以评论的方式参与信息传播的平均评论概率;为易感用户的平均转发概率,表示处于易感状态的个体 在接触到信息后以转发的方式参与信息传播的平均转发概率;为评论用户的平均转发概率,表示处于评论状态的个体由于自身兴趣因素以转发的方式继续参与信息传播的平均转发概率;为评论用户的平均免疫速率,表示处于评论状态的个体在信息的传播中变得不活跃的平均免疫速率;为转发用户的平均免疫速率,表示处于转发状态的个体在信息的传播中变得不活跃的平均免疫速率。
根据本发明的另一方面,提供了一种基于混合信息传播动力学模型进行信息传播分析的方法,用于在信息传播动力学模型的基础上结合情感动力学模型进行信息的传播分析,其中的信息传播动力学模型为前述的信息传播动力学模型;所述方法包括:
利用所述信息传播动力学模型进行信息传播分析;以及,
在信息传播动力学模型的基础上结合情感动力学模型进行信息传播分析;
其中,利用所述信息传播动力学模型进行信息传播分析的方法包括:
基于预设的搜索引擎在预设社交平台搜索并采集待分析事件的原始信息数据,所述信息数据包括用户评论文本、转发文本以及转发时间、评论时间;
对所述原始信息数据进行预处理,以获取每条信息下无噪声冗余的用户评论文本、转发文本以及转发时间、评论时间;
以所述无噪声冗余的用户评论文本、转发文本以及转发时间、评论时间为数据驱动,利用最小二乘法估计所述信息传播动力学模型的参数和初始易感人群总数;
基于所述参数和初始易感人群总数,通过所述信息传播动力学模型确定所述待分析事件的信息传播指标数据。
上述根据本发明的基于个体情感交互的混合信息传播动力学模型及该模型进行信息传播分析方法,通过改进现有的SFI模型,考虑评论用户对事件传播的影响,将传播群体扩展为转发群体和评论群体。同时将观点动力学延拓至情感动力学并融合信息传播动力学,从而建立了基于个体情感交互的混合信息传播动力学模型。
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个体情感交互的混合信息传播动力学模型示意图;
图2为根据本发明实施例的基于混合信息传播动力学模型进行信息传播分析的方法流程示意图;
图3为根据本发明实施例的特定事件相关信息评论及转发结构示意图;
图4为根据本发明实施例的特定事件评论和转发信息传播曲线示意图;
图5为根据本发明实施例的特定事件的情感交互模拟示意图;
图8为根据本发明实施例的单一参数变化引起的信息传播指标波动示意图;
图9示出了根据本发明实施例的情感交互阈值变化引起的用户情感稳态变化示意图;
图10示出了根据本发明实施例的情感固守程度变化引起的用户情感稳态变化示意图。
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。
本发明立足于当下的社会背景,结合情感动力学和信息传播动力学,从宏观和微观两个层面研究网络信息传播及用户情感演变的过程。在宏观层面,考虑两种社交网络上能够助力于信息传播的特有的互动机制,将用户是否存在“转发”、“评论”交互行为而将其区分为“转发群体”和“评论群体”,通过实验进一步研究这两类群体对信息传播的影响以及其在信息传播过程中规模的变化。在微观层面,深入研究两类传播群体中的个体的情感演化机制,将情感敏感度作为个体特征加入到模型中,再现传播个体在社交网络平台上的情感交互动态过程,包括个体间交互关系的建立与断裂、个体的加入与退出。最终,在目标信息传播周期结束之后,预测再次受到相关衍生信息刺激后传播用户情感的演变趋势。
以下将结合附图对本发明的具体实施例进行详细描述。
以信息传播动力学模型(SCFI)结合情感动力学(HK)模型为例,本发明构建出的基于个体情感交互的混合信息传播动力学模型,即HK-SCFI(Hegselmann–KrauseSusceptible-Commanding-Forwarding-Immune)模型示意图如图1所示。
在图1中,下虚线框表示在单一网络信息的传播过程中不同人群状态的动态变化,图1的上虚线框表示在单一网络信息传播过程中传播个体间的情感交互。灰色空心小人代表评论信息的个体;黑色空心小人代表转发信息的个体;黑色实心小人代表不具有传播影响力的个体;双箭头代表个体间在传播信息的同时交换情感,建立情感交互关系。当媒体发布信息后,人们会通过评论、转发两种方式表达自己对该信息的情感态度,并与他人进行讨论,从而产生情感交互。随着信息传播进程的推进,一些用户的情感态度会发生变化,也会与此前未产生交互的用户建立新的交互关系。
本混合信息传播动力学模型中涉及的全部参数及相应解释如下表1所示。
表1 HK-SCFI模型参数表
在宏观层面,本发明使用SCFI模型来观察传播过程中不同人群状态的动态变化。在SCFI模型中,假设信息传播在一个封闭稳定的环境中进行,该环境的总人数()不变。定义、、以及为时刻处于各状态的有效传播个体总数,且。将分为四个群体,即易感状态()、评论状态()、转发状态()以及免疫状态(),并且假设在任意时刻,人群中的每个个体所处状态唯一。模型中各状态代表的含义如下:
a)处于评论或转发状态的个体超过了活跃的曝光期,不再有能力影响其他人,从而转换为免疫状态;
b)处于易感状态、评论状态的个体,接触到信息后,由于主观上对信息不感兴趣而直接转换为免疫状态。
SCFI模型的公式如下:
在动力学系统中,一个处于评论状态的用户在平均单位时间内会接触到个用户,接触到的用户中,处于易感状态的概率为。所以一个处于评论状态的用户会接触到个处于易感状态的用户,他们将以平均评论概率进行评论,因此,有个处于易感状态的用户会受到处于评论状态的活跃用户的影响,其中,有个用户会产生评论行为,有个用户对信息不感兴趣,不参与信息传播。
同理,一个处于转发状态的用户在平均单位时间内会接触到个处于易感状态的用户以及个处于评论状态的用户。接触到的处于易感状态的用户将以平均转发概率进行转发,而接触到的处于评论状态的用户将以评论状态平均转发概率进行转发。
因此,有个处于易感状态的用户受到处于状态活跃用户的影响,其中,有个用户会产生转发行为,有个用户对信息不感兴趣,不参与信息传播;有个处于评论状态的用户受到处于转发状态的用户的影响,其中,有个用户会产生转发行为,有个用户选择不转发信息,不再参与信息传播。随着时间的推移,有个用户超过了曝光期,不再有能力影响他人。
在研究微观层面个体情感特征时,本发明受到原始HK(Hegselmann-Krause)模型的启发,基于SCFI模型得到各时刻评论用户有效传播人数和转发用户有效传播人数,同时引入意大利经济学家维尔弗雷多·帕累托提出的意大利社会财富分配的研究结论帕累托定则(Pareto principle),提出一种新的基于信息传播的个体情感演化模型。帕累托定则原指社会中有20%的人口掌握着80%的社会财富,在这里认为参与传播的用户中有20%的个体具有情感固守的特性,其情感不易受外界影响轻易改变,而80%的个体对外界情感接受程度大,其下一时刻的情感近似平均地由当前时刻的自身情感和外界情感共同组成。
为了进一步研究个体情感的演化规律,本发明基于情感词典,对用户观点中所蕴含的情感进行识别,利用情感极性词将情感划分正面情感、中立情感和负面情感三种情感,并分别将其量化为(0,1)区间的连续数值,情感值越接近0表明用户对事件持有的负面情感越强烈,情感值越接近1表明用户对事件持有的正面情感越强烈。最终划分的情感区间为,负面情感区间(0,0.4),中立情感值区间(0.4,0.7),以及正面情感值区间(0.7,1)。最后将量化后的情感值带入情感交互模型,观察个体间的情感交互过程。根据本发明的情感动力学模型,只有当两个个体间情感值之差小于设定的情感交互阈值,这两个个体之间才能产生情感交互,从而有可能使自己的情感值发生改变。反之,如果两个个体的情感值之差大于情感交互阈值,则这两个个体无法产生情感交互。
其中,以个体为例,表示t时刻个体的情感值,表示时刻个体的情感值,表示时刻与个体情感值之差小于设定情感交互阈值的评论和转发个体集合,表示集合的总人数,表示集合中所有个体的平均情感值,表示个体在时刻对自身时刻情感的保留值,表示个体在时刻对时刻其他个体情感的接受值。
对于80%的大部分个体,表征情感固守程度的参数,这表示传播个体在情感更新时没有特定倾向,不会固守原来的情感,也不会因受外界情感影响而产生较大情感波动,即个体对自身情感态度的坚持程度与对他人情感态度的接受程度相同。对于20%的情感固守个体,表征情感固守程度的参数,这表示传播个体更倾向于保持自身情感不变,对外界的情感刺激有一定的抵抗作用。
利用本发明提供的HK-SCFI模型,可以分析出用户情感传播的一般模式,并在一定程度上预测受信息衍生事件影响后用户再度参与信息传播的情感演变态势。针对有关部门对于不同信息的传播需求,可以通过调整本模型参数的大小,做到增大或减小信息传播规模以及信息传播强度。例如,可以通过适当与主流媒体合作,调整转发用户的平均接触速率;在信息中增加问题或添加用户互动模块,调节用户的平均转发概率或平均评论概率;通过控制网络中偏激极端传播者,从而调节用户的情感交互阈值;通过引入拥有大量信息参与者的特定用户,增大初始易感人群总数,利用特定用户对信息参与者的影响,改变用户对不同情感的接受程度,从而调节情感固守程度。同时也可以通过模型预测的用户再度参与信息传播的情感演变态趋势,提前做好网络信息治理和情绪引导工作,避免信息衍生事件导致的负面网络情绪累积,从而营造风清气正的网络环境。
为了更好的说明上述基于混合信息传播动力学模型,本发明还提供一种基于上述混合信息传播动力学模型进行信息传播的方法,用于在信息传播动力学模型的基础上结合情感动力学模型进行信息的传播分析。该方法包括:方法包括:利用所述信息传播动力学模型进行信息传播分析;以及,在信息传播动力学模型的基础上结合情感动力学模型进行信息传播分析。
图2示出了根据本发明实施例的利用信息传播动力学模型进行信息传播分析的方法流程图。
如图2所示,本实施例提供的利用信息传播动力学模型进行信息传播分析的方法包括如下步骤:
S210:基于预设的搜索引擎在预设社交平台搜索并采集待分析事件的原始信息数据,信息数据包括用户评论文本、转发文本以及转发时间、评论时间;其中的待分析事件为信息的某一具体例子,用户评论文本为传播群体中所有评论个体所评论的文本,用户转发文本为传播群体中所有转发个体转发的文本。
S220:对原始信息数据进行预处理,以获取每条信息下无噪声冗余的用户评论文本、转发文本以及转发时间、评论时间;
S230:以所述无噪声冗余的用户评论文本、转发文本以及转发时间、评论时间为数据驱动,利用最小二乘法估计所述信息传播动力学模型的参数和初始易感人群总数;
S240:基于所述参数和初始易感人群总数,通过所述信息传播动力学模型确定所述待分析事件的信息传播指标数据。
此外,在信息传播动力学模型的基础上结合情感动力学模型进行信息传播分析之前,还包括:
基于预设的情感词典,对所述无噪声冗余的用户评论文本、转发文本中蕴含的情感进行识别;
基于预设的情感量化规则,将所识别的情感进行量化分类;
具体的,在信息传播动力学模型的基础上结合情感动力学模型进行信息传播分析的方法包括:基于所述情感动力学模型分析和预测传播用户的情感演变过程;以及,在所述信息传播动力学模型的基础上结合所述情感演变过程进行信息传播分析。该传播用户包括所有的评论用户和转发用户。
用户在互联网中通过评论和转发两种方式表达自己的观点,观点中含有情绪,携带情绪的观点不断交互最终形成网络信息。
为了对信息传播进行定性定量的分析,本发明中定义了信息传播指标数据,用于表述信息在信息传播过程中的发展状况。该信息传播指标数据包括信息传播可再生数、信息传播峰值、信息传播最终规模以及信息传播高潮时间。其中,信息传播可再生数用于判断信息是否可能爆发传播;信息传播峰值用于表示信息传播的强度,包括信息评论峰值和信息转发峰值;信息传播最终规模包括通过评论行为传播的最终规模和通过转发行为传播的最终规模;信息传播高潮时间包括到达信息评论峰值的时间和到达信息转发峰值的时间。
下面将对本发明中的信息传播指标数据的获取方法做进一步详细说明。
在传染病模型中,为基本可再生数,表示在排除外力干预且所有人都易感的情况下,每一例新病例所造成继发感染数量的平均值。类似地,在本发明的HK-SCFI模型中,对基本可再生数进行拓展,用来表示在排除外力干预且所有用户都易感的情况下,每一个传播用户所引起的继发传播者的平均值,可通过判断信息是否可能爆发传播。在本发明的HK-SCFI模型中,信息传播可再生数可通过以下式子进行计算:
其中,,为列向量,数学符号表示向量的转置,表示具有传播能力的群体。是列向量中的第一个元素,表示时刻有效评论用户总数;是列向量中的第二个元素,表示时刻有效转发用户总数。其中,有效评论用户总数为根据SCFI模型计算得到的t时刻评论用户人数,指截止到t时刻为止,动力学系统中还能够有效影响易感者的评论者数量;有效转发用户总数为是根据SCFI模型计算得到的t时刻转发用户人数,指截止到t时刻为止,动力学系统中还能够有效影响易感者和评论者的转发者数量。表示对向量中的各元素求导。包含两个元素,其中第一个元素为t时刻成为评论用户的用户人数,第二个元素为t时刻成为转发用户的用户人数;同样包含两个元素,其中第一个元素为t时刻不再是评论用户的用户人数,第二个元素为t时刻不再是转发用户的用户人数;
根据前述HK-SCFI模型的公式(1),可得:
则可以得到特征方程如下:
其中,为特征方程的第一个特征根,为特征方程的第二个特征根,取两个特征值中的最大值。意味着在信息发布之初,评论和转发群体总数呈现下降趋势,信息不会爆发传播;则表示在信息发布之初,评论和转发群体总数呈现指数增长,信息必然爆发传播,并且越大,信息爆发传播的速度越快。
信息传播峰值、信息传播最终规模以及信息传播高潮时间:
在信息传播过程中,累积量可用于表征信息的传播规模。其中,累积评论量可用于表征评论群体的规模,累积转发量可用于表征转发群体的规模。由前述HK-SCFI模型的公式(1)进一步推导,可以得出两种累积转发量的方程:
为了将真实数据与模型进行拟合,在本发明的一个具体实施例中,通过最小二乘法估计模型参数和初始易感人群总数。设置参数矢量为,用表示时刻累积转发量的模拟值,用表示时刻累积评论量的模拟值,用表示时刻累积转发量的真实值,用表示时刻累积评论量的真实值。由此,可以得到最小二乘误差函数:
信息的累积转发量和累积评论量均为随时间变化的曲线,总体趋势先快速上升,后平稳上升,最终趋于稳定。有效评论量和有效转发量均为随时间增加先上升后下降的钟形曲线。本实施例中,将表征有效评论量的钟形曲线的最大值定义为信息评论峰值,将表征有效转发量的钟形曲线的最大值定义为信息转发峰值,用表示信息通过评论行为传播的强度,用表示信息通过转发行为传播的强度。同时将累积评论量的稳态值定义为信息通过评论行为传播的最终规模,将累积转发量的稳态值定义为信息通过转发行为传播的最终规模,用表示信息通过评论行为传播的广度,用表示信息通过转发行为传播的广度。通过和能够表示信息传播的最终规模。
本发明将到达信息评论峰值的时间定义为,将到达信息转发峰值的时间定义为,信息传播高潮时间包括到达信息评论峰值的时间和到达信息转发峰值的时间,利用信息传播高潮时间衡量信息传播过程中用户分别通过评论行为和转发行为到达信息评论峰值和信息转发峰值的快慢。
以下,将结合一个应用本发明进行网络信息传播及用户情感演的演变过程的研究实施例,对本发明做更为详细的说明。
本发明在社交平台上对最近发生的信息事件进行广泛搜索,在基于预设的社交平台(本实施例采用的是微博平台),发现在某话题下,某账号的报道占据了话题榜单的榜首,其微博评论量、转发量在话题均排名第一。通过对该条微博采集用户评论文本、转发文本以及转发时间、评论时间的真实信息数据,获取该事件的评论及转发结构示例图如图3所示。
由于用户转发文本、评论文本存在随机性,因此需要对采集的数进行过滤,以滤除与原博文不相关和毫无意义的转发文本、评论文本。在对数据进行预处理后,可以获得每条信息下无噪声无冗余的转发时间、评论时间及转发文本、评论文本。接着,为了得到最佳的拟合结果,本实施例中,以用户的真实评论、转发量为数据驱动,利用最小二乘法估计模型参数和初始易感人群总数。图4示出了根据本实施例的特定事件评论和转发信息传播曲线。
如图4所示,其中的星号表示真实累积评论量,菱形表示真实累积转发量,粗实线表示通过模型计算得到的累积评论量的模拟值,细实线表示通过模型计算得到的累积转发量的模拟值,虚线表示通过模型计算得到的有效评论量的模拟值,点横线表示通过模型计算得到的有效转发量的模拟值。从数值模拟结果来看,利用本发明的模型的拟合曲线几乎和真实数据点重合,证明本发明的模型能够充分表示信息的传播过程,从而验证了本发明的模型的有效性。
以实际用户真实评论量、转发量为数据驱动得到的参数估计值如下表2所示。
表2 HK-SCFI模型中SCFI模型的参数结果
用户的平均接触速率与网络密度有关,获得的模型参数中评论用户平均接触速率和转发用户平均接触速率数值大致相等,说明评论和转发群体的网络密度差异较小。易感用户的平均评论概率小于易感用户的平均转发概率,表明相比于评论行为,易感用户更愿意通过转发行为表达自己的情感。用户的平均免疫速率与其自身行为规律有关,而评论用户的平均免疫速率小于转发用户的免疫速率,说明评论用户活跃的曝光期较长,影响信息传播的时间也较长。利用模型数值拟合结果,可以计算出该事件信息传播指标的具体数值,其数值具体如下表3所示。
表3 特定事件的信息传播指标结果
该事件的信息传播可再生数,表明在事件信息发布之初,评论和转发群体总数呈现指数增长,因此信息必然爆发。信息评论峰值大于信息转发峰值,表明在信息传播过程中评论信息传播强度大于转发信息传播强度。到达信息评论峰值所需的时间大于到达信息转发峰值所需的时间,结合信息评论峰值和信息转发峰值,说明信息传播过程中通过转发行为到达信息转发峰值的时间比通过评论行为到达信息评论峰值的时间更早。信息评论最终规模大于信息转发最终规模,说明相较转发行为,信息通过评论行为传播的范围更广。
同时,在本实施例中,还在上述信息传播动力学模型的基础上对传播用户的情感进行量化,以划分不同的情感区间。具体的,作为示例,本发明基于预设的情感词典,对用户观点中所蕴含的情感进行识别,将用户情感划分为正面情感、中立情感和负面情感三种情感,并分别将其量化为(0,1)区间的连续数值。情感值越接近0表明用户对事件持有的负面情感越强烈,情感值越接近1表明用户对事件持有的正面情感越强烈。为了确保算法判断标注的情感倾向准确,在本发明的一个具体实施例中,最后将所有标注的结果进行人工审核,对算法判断不准确的数值进行矫正。当用户仅转发信息但没有发表看法时,假设他们与其转发的信息具有相同情感。在量化情感区间之后,就可以结合情感动力学模型分析传播用户的情感演变过程,进而实现对信息传播的分析。
具体的,作为示例,若一个信息从开始传播到结束传播共经历18个小时,以1小时为时间间隔,将信息传播周期划分为0,1,2,… ,18,共19个时刻。为确定时刻能够进行情感交互的转发、评论用户人数及对应的情感值,分别计算时刻累积转发用户和评论用户中携带正面情感、中立情感、负面情感的比例,基于SCFI模型得到的时刻有效评论用户总数与时刻有效转发用户总数并结合各情感比例确定时刻携带各情感的用户人数后,对时刻累积转发用户和评论用户进行分层抽样。
以确定时刻能够进行情感交互的评论用户人数及对应的情感值为例,本发明用表示时刻累积评论用户,、、分别表示中持正面情感、中立情感、负面情感用户所占的比例,表示时刻有效评论用户人数。将中的用户按负面情感区间(0,0.4),中立情感值区间(0.4,0.7),以及正面情感值区间(0.7,1)划分,接着从正面情感用户中抽取个持正面情感的用户,从中立情感用户中抽取个持中立情感的用户,从负面情感用户中抽取个持负面情感的用户,抽出的用户总数等于时刻有效评论用户人数,他们在时刻产生情感交互。采取相同的方式确定时刻能够进行情感交互的转发用户人数及对应的情感值,最终确定时刻能够产生情感交互的总传播用户。
在图5中,白色区域所示的0~18轮次表示当前信息传播过程中用户的真实情感交互情况;灰色区域所示的19~44轮次表示当前信息的情感交互结束后,在无新增评论、转发用户的情况下,考虑信息衍生信息对用户情感的影响,预测用户情感的演化趋势及最终的情感状态。
观察0~18轮次情感交互情况,可以得出以下结论:在0~11轮次,每一次新增传播者加入进行情感交互后,用户情感值的所在区间范围大致呈现出逐渐减小的趋势;在11~12轮次,用户情感值出现聚集现象,大多数用户的情感值聚集在0.5附近;而在12~18轮次阶段,用户情感值所在的区间范围增大,此时情感交互更加剧烈。在0~18轮次的情感演化阶段,促使用户情感值改变的是不断加入的新增传播者,同时由于个体情感交互阈值和情感固守程度的存在,每一次新加入的新增传播者的情感值不同,对正在进行交互的传播用户的影响也各不相同。在每一次新加入的传播者情感值中,持中立情感用户的占比最大,情感占比超过50%,负面情感用户次之,正面情感用户占比最少。
通过观察第19~44轮次无新增传播者下的情感交互情况,可以发现,受到信息衍生信息的影响,用户在第19轮次再次产生情感交互,同时因为情感固守程度的影响,在每一轮交互过程中,有少部分个体对不同个体情感的接受程度较小,导致用户情感达成稳态的时间较长,本实施例中预测最终一共需要经历25轮次情感交互,用户情感才能达到稳态。在现实社会中,如果个体间进行充分交流,所有个体经过情感交互后,情感值几乎不再变化,此时可以认为用户的情感演化已经进入稳定状态。对于该事件,用户受信息衍生信息影响的情感最终趋于统一,表现为中立情感,情感值处于(0.45,0.5)区间。
偏秩相关系数法通过调整输入的参数和阈值条件,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。这里可以设置重复性实验次数为1000次,并且在直方图下方以散点图的形式给出各参数对指标的影响结果。参数相关性影响结果落入[-1,1]之间,结果大于0,表明该参数与对应指标呈正相关;结果小于0,则表明该参数与对应指标呈负相关,且结果的绝对值越接近于1,参数对指标的相关性影响作用越强。同时,可将显著性水平P值设定为0.01,作为判断参数与指标之间的偏秩相关性结论是否成立的标准。若P值大于,则说明参数与指标之间的偏秩相关性结论需要进一步确认。
本实施例中使用偏秩相关系数PRCCs法对影响的相关参数进行敏感性分析,结果如图6所示。通过观察图6中所示的直方图和散点图,可以清楚地看出评论用户平均接触速率、平均评论概率、初始易感人群总数均与信息传播可再生数呈正相关关系。其中,和对具有强影响,对具有弱影响;而评论用户平均免疫速率对信息传播可再生数具有负向一般影响。结果表明,个体间情感交互是否能产生、信息是否能爆发传播,重点受、三个因子的影响。
接下来对模型中的其他重要指标:信息评论峰值、信息转发峰值、信息评论传播最终规模以及信息转发传播最终规模,进行参数敏感性分析。在本模型中,、用于表征信息传播强度,、用于表征信息传播的最终规模。参数的敏感性分析结果如图7所示。
通过观察图7可以看出,评论用户的平均接触速率、转发用户的平均接触速率、平均免疫速率、易感用户的平均评论概率、平均转发概率和初始易感人群总数对各指标的显著性水平和评论用户平均免疫速率对评论组指标的显著性水平均远小于0.01,这说明对于这些参数,本发明针对相应指标用偏秩相关系数法所表征的相关性关系结果非常显著,结果具有统计学意义。而评论用户的平均转发概率对大多数指标的显著性水平和评论用户的平均免疫速率对转发组指标的显著性水平均大于0.01,这说明参数对大多数指标、参数对转发组指标用偏秩相关系数法所表征的相关性关系不显著。
对于评论组指标,评论用户的平均接触速率、易感用户的平均评论概率、转发用户的平均免疫速率和初始易感人群总数对评论组指标均具有正相关影响,其中,和对评论组指标具有强影响,和对评论组指标具有弱影响。而转发用户的平均接触速率、易感用户的平均转发概率和评论用户的平均免疫速率,则对评论组指标均具有一般负相关影响。说明增大、、和,同时减小、和能有效增强评论信息的传播影响力、增大评论群体规模。
对于转发组指标,转发用户的平均接触速率、易感用户的平均转发概率和初始易感人群总数均具有正相关影响。其中,和对转发组指标具有强影响,对转发组指标具有一般影响。而评论用户的平均接触速率和易感用户的平均评论概率对转发组指标具有弱负相关影响,转发用户的平均免疫速率对转发组指标具有一般负相关影响。说明可以通过增大和,减小、和来提高转发信息的传播强度,扩大转发信息的影响力,同时扩大转发群体规模。
以上结果表明,增大有利于扩大信息传播的规模,增大参数、和同时减小、和有利于扩大评论信息传播的强度与广度,减小参数、和同时增大、和有利于扩大转发信息传播的强度与广度。因此,可以有机地调整这些参数的大小来影响评论、转发信息的强度与广度,进而影响信息传播规模,达到调控信息传播的目的。
此外,易感用户的平均评论概率、平均转发概率和评论用户的平均转发概率也是本模型非常重要的参数,体现了模型中评论和转发群体的影响力,是影响信息传播规模的重要因素。除了明确他们对、、、指标的相关性影响之外,还需进一步研究它们对表征传播趋势的各变量(有效评论用户人数、有效转发用户人数、累积评论量和累积转发量)的具体影响。为此,在本发明的一个应用实施例中,使用单个参数变化的方法,对、、进行参数敏感性分析,结果如图8所示。
由模型的参数拟合结果可知,评论用户的平均接触速率,转发用户的平均接触速率,易感用户的平均评论概率,易感用户的平均转发概率,评论用户的平均转发概率,评论用户的平均免疫速率,转发用户的平均免疫速率,初始易感人群总数。分别改变易感用户的平均评论概率、平均转发概率以及评论用户的平均转发概率,同时保持其他参数不变,研究受单一参数变化引起的信息传播指标变化。例如,图8最左侧的波动示意图中,仅改变参数的值,保持其他参数为默认值不变。
通过观察图8最左侧的波动示意图中转发传播曲线、随易感用户平均评论概率的变化,可以看出,参数几乎不影响其前半程传播,而对其后半程传播起到十分显著的负向影响;与此同时,对于评论传播曲线、,参数则几乎对其全程都有着较为显著的正向影响。参数越大,信息评论峰值越大,信息评论传播最终规模越大,而信息转发峰值越小,信息转发传播最终规模越小。通过增大易感用户的平均评论概率有利于增强评论信息的传播影响力,扩大评论信息传播规模,同时削弱转发信息的传播影响力,减小转发信息传播规模。
通过观察图8中间的波动示意图中评论传播曲线、和转发传播曲线、随易感用户平均转发概率的变化,可以看出,对于评论传播曲线,参数对其前半程传播几乎没有影响,但对后半程传播有着十分显著的负向影响;对于转发传播曲线,参数则几乎对全程都有着较为显著的正向影响。通过观察图8最右侧的波动示意图中评论、转发传播曲线随评论用户平均转发概率的变化,可以发现参数对所有曲线的前半程传播几乎没有影响,而对评论传播曲线的后半程起到负向影响,对转发传播曲线的后半程起到正向影响。分别以0.01、0.45为单位改变参数和的值,对比图8中间和最右侧的波动示意图,可以看出参数对各变量的影响效果明显比参数的大。参数和越大,信息转发峰值越大、信息转发传播最终规模越大,而信息评论峰值越小、信息评论传播最终规模越小。实验结果说明增大参数和,能够增强转发信息的传播影响力、扩大转发信息传播规模,同时削弱评论信息的传播影响力、减小评论信息的传播规模。
上述结论说明,易感用户的平均评论概率、易感用户的平均转发概率和评论用户的平均转发概率对有效评论用户人数、有效转发用户人数、累积评论量和累积转发量都有重要的影响。因此,可以调整参数、和的大小来影响信息传播的趋势,调节信息传播的强度及信息传播的广度,从而有效地调控信息传播。
根据本发明的模型的定义,个体情感交互阈值决定群体不同个体间是否能够产生情感交互。只有当两个个体间情感值之差小于设定的情感交互阈值,这两个个体才能产生情感交互。显然,个体情感交互阈值越大,个体越容易产生情感交互。当两个个体产生情感交互后,情感值的改变程度主要取决于情感固守程度的大小。情感固守程度表示个体对自身原有情感的固执程度,越大,该个体在与其他个体进行情感交互时,越坚持己见,越不容易改变自己的情感,用户的情感也越难达成一致。
以下通过两个相关实验,分别改变HK情感交互模型中个体情感交互阈值和情感固守程度的大小,研究单个参数对传播用户情感最终稳定状态的影响。假设初始时刻各状态用户的情感值与实例事件中用户的情感值保持一致。首先,固定情感固守程度不变,只改变个体情感交互阈值进行实验,设置个体情感交互阈值以0.05为单位逐渐增大,而情感固守程度保持0.6不变。图9示出了根据本发明实施例的情感交互阈值变化引起的用户情感稳态变化示意图。如图9所示,当个体情感交互阈值时,模型预测的最终群体分歧情感束为4个;个体情感交互阈值时,模型预测的最终群体分歧情感束为3个;个体情感交互阈值时,模型预测最终没有群体分歧情感束,不同用户之间情感达成统一。在0~18轮次,不断有新增传播者不断加入,个体情感交互阈值越大,个体间越容易产生情感交互,情感越可能趋于一致。从第19轮次开始,用户情感演化过程中无新增传播者,个体情感交互阈值越大,个体间情感交互的剧烈程度越大,情感交互最终达到稳态时留下的单独情感束越少。上述结果说明,个体情感交互阈值越大,个体越容易受到环境情绪的影响,不同用户的情感也越容易达成一致。
然后固定个体情感交互阈值不变,只改变情感固守程度进行实验,设置情感固守程度以0.1为单位逐渐增大,而个体情感交互阈值保持0.15不变。图10示出了根据本发明实施例的情感固守程度变化引起的用户情感稳态变化示意图。如图10所示,情感固守程度时,用户情感需要交互39次达到稳态;情感固守程度时,用户情感需要交互44次达到稳态;情感固守程度时,用户情感需要交互51次达到稳态。从图中还可以看出,在新增传播者不断加入的情感演化阶段(0~8轮次),情感固守程度越大,个体在与其他个体进行情感交互时,越坚持己见,在新增传播者加入后,用户间情感交互的剧烈程度越小;在无新增传播者的情感演化阶段(第19轮次以后),情感固守程度越大,所需交互成本越高,用户情感达到平稳所需交互次数越多,即需要更长的时间用户情感才能达到稳态。上述结果表明,情感固守程度越大,个体间情感交互的剧烈程度越小,需要更多交互次数才能使用户情感达到稳态。虽然情感固守用户只占20%,但其对用户情感演化的影响较为显著.
通过以上两个对比实验,可以确定情感交互阈值越大,个体间越容易产生情感交互;用户的情感固守程度越小,用户越容易接受其他用户的情感,最终用户情感到达稳态后越容易达成一致。因此,可以通过调整情感交互阈值和情感固守程度的大小来影响个体间情感交互的剧烈程度以及不同用户情感的差异程度,从而影响用户对公众卫生事件讨论的参与度,达到信息传播引导、提示、警醒等作用。
如上参照附图以示例的方式描述根据本发明的基于个体情感交互的混合信息传播动力学模型及应用该模型进行信息传播分析的方法。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个体情感交互的混合信息传播动力学模型及应用该模型进行信息传播分析的方法,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 (9)
1.一种基于混合信息传播动力学模型进行信息传播分析的方法,用于在信息传播动力学模型的基础上结合情感动力学模型进行信息的传播分析,在所述信息传播动力学模型中,
假设信息传播在一个封闭稳定的环境中进行,所述环境的总人数不变,将分为易
感状态、评论状态、转发状态以及免疫状态四个群体,并且假设在任意时刻,人群中
的每个个体所处状态唯一;所述信息传播动力学模型中各状态代表的含义如下:
处于评论或转发状态的个体超过了活跃的曝光期,不再有能力影响其他人,从而转换为免疫状态;以及
处于易感状态、评论状态的个体,接触到信息后,由于主观上对信息不感兴趣而直接转换为免疫状态;
所述信息传播动力学模型的公式如下:
其中,为评论用户的平均接触速率,表示处于评论状态的个体能够接触到其他个体
的平均速率;为转发用户的平均接触速率,表示处于转发状态的个体能够接触到其他个
体的平均速率;为易感用户的平均评论概率,表示处于易感状态的个体在接触到信息后
以评论的方式参与信息传播的平均评论概率;为易感用户的平均转发概率,表示处于易
感状态的个体在接触到信息后以转发的方式参与信息传播的平均转发概率;为评论用户
的平均转发概率,表示处于评论状态的个体由于自身兴趣因素以转发的方式继续参与信息
传播的平均转发概率;为评论用户的平均免疫速率,表示处于评论状态的个体在信息的
传播中变得不活跃的平均免疫速率;为转发用户的平均免疫速率,表示处于转发状态的
个体在信息的传播中变得不活跃的平均免疫速率;
所述方法包括:
利用所述信息传播动力学模型进行信息传播分析;以及,
在信息传播动力学模型的基础上结合情感动力学模型进行信息传播分析;
其中,利用所述信息传播动力学模型进行信息传播分析的方法包括:
基于预设的搜索引擎在预设社交平台搜索并采集待分析事件的原始信息数据,所述信息数据包括用户评论文本、转发文本以及转发时间、评论时间;
对所述原始信息数据进行预处理,以获取每条信息下无噪声冗余的用户评论文本、转发文本以及转发时间、评论时间;
以所述无噪声冗余的用户评论文本、转发文本以及转发时间、评论时间为数据驱动,利用最小二乘法估计信息传播动力学模型的参数和初始易感人群总数;
基于所述参数和初始易感人群总数,通过所述信息传播动力学模型确定所述待分析事件的信息传播指标数据。
4.如权利要求1-3中任一项所述的基于混合信息传播动力学模型进行信息传播分析的方法,其中,
在信息传播动力学模型的基础上结合情感动力学模型进行信息传播分析之前,还包括:
基于预设的情感词典,对所述无噪声冗余的用户评论文本、转发文本中蕴含的情感进行识别;
基于预设的情感量化规则,将所识别的情感进行量化分类;
所述在信息传播动力学模型的基础上结合情感动力学模型进行信息传播分析的方法包括:基于所述情感动力学模型分析和预测传播用户的情感演变过程;以及,在所述信息传播动力学模型的基础上结合所述情感演变过程进行信息传播分析。
其中,,为列向量,数学符号表示向量的转置,表示具有传播
能力的群体;是列向量中的第一个元素,表示时刻有效评论用户总数;是列向
量中的第二个元素,表示时刻有效转发用户总数;表示对向量中的各元素求导;包含两个元素,其中第一个元素为t时刻成为评论用户的用户人数,第二个元素为t
时刻成为转发用户的用户人数; 同样包含两个元素,其中第一个元素为t时刻不再是
评论用户的用户人数,第二个元素为t时刻不再是转发用户的用户人数;根据所述信息传播
动力学模型的公式,得到:
则得到特征方程如下:
9.如权利要求5~8中任一项所述的基于混合信息传播动力学模型进行信息传播分析的方法,其中,信息的累积转发量和累积评论量均为随时间变化的曲线,总体趋势先快速上升,后平稳上升,最终趋于稳定;有效评论量和有效转发量均为随时间增加先上升后下降的钟形曲线;
将表征有效评论量的钟形曲线的最大值定义为信息评论峰值,所述信息评论峰
值用于表示信息通过评论行为传播的强度;将表征有效转发量的钟形曲线的最大值
定义为信息转发峰值,所述信息转发峰值表示信息通过转发行为传播的强度;
同时,将累积评论量的稳态值定义为信息通过评论行为传播的最终规模,
所述通过评论行为传播的最终规模表示信息通过评论行为传播的广度;将累积转发
量的稳态值定义为信息通过转发行为传播的最终规模,所述通过转发行为传
播的最终规模表示信息通过转发行为传播的广度;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210218560.9A CN114298009B (zh) | 2022-03-08 | 2022-03-08 | 混合信息传播动力学模型及其信息传播分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210218560.9A CN114298009B (zh) | 2022-03-08 | 2022-03-08 | 混合信息传播动力学模型及其信息传播分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114298009A CN114298009A (zh) | 2022-04-08 |
CN114298009B true CN114298009B (zh) | 2022-06-21 |
Family
ID=80978688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210218560.9A Active CN114298009B (zh) | 2022-03-08 | 2022-03-08 | 混合信息传播动力学模型及其信息传播分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298009B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564479A (zh) * | 2017-12-20 | 2018-09-21 | 重庆邮电大学 | 一种基于隐链接分析热点话题传播趋势的系统及方法 |
CN109727154A (zh) * | 2019-01-29 | 2019-05-07 | 重庆理工大学 | 一种基于时变阻尼运动的在线社交网络信息传播分析方法 |
CN111460679A (zh) * | 2020-04-17 | 2020-07-28 | 中国传媒大学 | 基于动力学的同步交叉信息传播分析方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8473437B2 (en) * | 2010-12-17 | 2013-06-25 | Microsoft Corporation | Information propagation probability for a social network |
CN106156030A (zh) * | 2014-09-18 | 2016-11-23 | 华为技术有限公司 | 社交网络中预测信息传播的方法及设备 |
CN108540369A (zh) * | 2018-03-06 | 2018-09-14 | 南京邮电大学 | 考虑用户重度传播行为的sndr信息传播过程描述方法 |
-
2022
- 2022-03-08 CN CN202210218560.9A patent/CN114298009B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564479A (zh) * | 2017-12-20 | 2018-09-21 | 重庆邮电大学 | 一种基于隐链接分析热点话题传播趋势的系统及方法 |
CN109727154A (zh) * | 2019-01-29 | 2019-05-07 | 重庆理工大学 | 一种基于时变阻尼运动的在线社交网络信息传播分析方法 |
CN111460679A (zh) * | 2020-04-17 | 2020-07-28 | 中国传媒大学 | 基于动力学的同步交叉信息传播分析方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于信息形式的微博舆情传播模型研究;吴谦等;《通信技术》;20180110(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114298009A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Werner et al. | Expert judgement for dependence in probabilistic modelling: A systematic literature review and future research directions | |
Seker | Computerized argument Delphi technique | |
Zhao et al. | Automatically learning topics and difficulty levels of problems in online judge systems | |
Hix-Small et al. | A multivariate associative finite growth mixture modeling approach examining adolescent alcohol and marijuana use | |
Kotte et al. | Intergenerational transmission of fertility intentions and behaviour in Germany: The role of contagion | |
CN113282841B (zh) | 基于建模的公众话题传播评估方法及系统 | |
CN102075352A (zh) | 一种网络用户行为预测的方法和装置 | |
CN110781411B (zh) | 一种基于辟谣消息的谣言传播控制方法 | |
CN104182457B (zh) | 在社交网络中基于泊松过程模型的事件流行度预测方法 | |
CN113254719B (zh) | 一种基于地位理论的在线社交网络信息传播方法 | |
CN114298009B (zh) | 混合信息传播动力学模型及其信息传播分析方法 | |
Wang et al. | Modeling information diffusion in online social networks with partial differential equations | |
CN107566249A (zh) | 一种训练用于预测社交网络用户转发消息的模型的方法 | |
CN111460679B (zh) | 基于动力学的同步交叉信息传播分析方法及系统 | |
CN107784387B (zh) | 一种微博事件信息传播的连续动态预测方法 | |
Janssens et al. | Predicting the next Pogačar: a data analytical approach to detect young professional cycling talents | |
CN113517030A (zh) | 基于病毒传播网络的基因序列表示学习方法 | |
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 | |
CN115470991A (zh) | 基于用户短时情感和演化博弈的网络谣言传播预测方法 | |
CN112269945B (zh) | 基于谣言辟谣促谣和三方认知博弈的信息传播预测方法 | |
van den Berg et al. | Dynamic risk factors in adult men who committed sexual offenses: Replication and comparison of networks found in two independent samples. | |
Song et al. | Research on public opinion guidance of converging media based on AHP and transmission dynamics | |
Becatti et al. | Collaboration and followership: a stochastic model for activities in bipartite social networks | |
Fontaine et al. | Developmental trajectories of psychopathology: An overview of approaches and applications | |
CN115132369B (zh) | 基于社交媒体拟态环境建模的信息传播分析方法及系统 |
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 |