CN114565475B - 一种判断社交网络中的群体舆论情感稳定性的方法和装置 - Google Patents

Abstract

本发明涉及一种判断社交网络中的群体舆论情感稳定性的方法和装置，方法包括通过社交网络数据集建立社交网络图模型；根据社交网络图模型计算节点间引力，得到一步转移概率矩阵和N步转移概率分布向量，根据N步转移概率分布向量获得节点评分矩阵，并根据节点评分矩阵获取初始引力种子集；根据初始引力种子集对应的引力场对节点的作用力计算结果，扩展引力种子集，得到初始重叠引力群集；计算所有初始重叠引力群集的舆情相关属性；根据所有初始重叠引力群集之间的重叠度，进一步优化划分引力群集，得到非重叠引力群集集合，并计算非重叠引力群集集合中所有引力群集的舆情相关属性。与现有技术相比，本发明具有实现了群体舆论情感量化的优点。

Description

一种判断社交网络中的群体舆论情感稳定性的方法和装置

技术领域

本发明涉及社交网络技术领域，尤其是涉及一种判断社交网络中的群体舆论情感稳定性的方法和装置。

背景技术

随着互联网高速发展，网民数量随之增多，社交媒体以其强大的传播力成为了舆论发声与传播的重要阵地。用户的观点、意见经在线社交网络平台的聚集、交互和传播以后，其话语影响力急剧放大，能够激起有相同感受人群的情绪共振，诱发群体舆情，群体意见对事件舆情的指向具有很强的导向作用。近年来网络舆论突发事件频发，民众在获知网络舆情时，情感在网络群体的影响下极易产生极化，从而影响网民个体的行为，影响社会和谐稳定的发展。

现阶段针对舆情传播的研究主要集中于信息传播，缺乏对于情感传播的研究，且局限于个体影响领域，传统集群发现算法中只考虑节点间一对一作用关系的弊端。且现有的舆情传播模型相关研究仅考虑对网络基本的拓扑结构的刻画，并没有对舆情相关属性的量化计算，使得对于群体舆论情感的判断更偏向于经验化，而缺少具体的数据作为理论依据，无法正确判断群体舆论情感的稳定性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种判断社交网络中的群体舆论情感稳定性的方法和装置。

本发明的目的可以通过以下技术方案来实现：

一种判断社交网络中的群体舆论情感稳定性的方法，包括以下步骤：

S1、通过社交网络数据集，获取节点的度、情感倾向值和邻居节点域信息，建立社交网络图模型；

S2、根据社交网络图模型计算节点间引力，得到一步转移概率矩阵和N步转移概率分布向量，根据N步转移概率分布向量获得节点评分矩阵，并根据节点评分矩阵获取初始引力种子集；

S3、根据初始引力种子集对应的引力场对节点的作用力计算结果，扩展引力种子集，得到初始重叠引力群集；

S4、计算所有初始重叠引力群集的舆情相关属性；

S5、根据所有初始重叠引力群集之间的重叠度和舆情相关属性，重新划分引力群集，得到非重叠引力群集集合，并计算非重叠引力群集集合中所有引力群集的舆情相关属性。

根据得到的舆情相关属性，判断对应社交网络数据集的群体舆论情感是否稳定。

进一步地，所述社交网络图模型为无向图，表达式为其中V表示网络中节点的集合，E表示网络的连边集合，表示整个网络的情感向量，情感向量中的每一元素表示相对应节点v_i的情感倾向值。

进一步地，步骤S2中节点间引力的计算方法如下：

S21、计算节点的质量m_i，计算表达式如下：

m_i＝α|S_i|+(1-α)Inf(v_i)，

其中，α表示权重系数，Inf(v_i)表示节点v_i的归一化后的影响力大小，计算表达式如下：

其中，NS(v_i)表示节点v_i的邻居节点域；

S22、根据节点的质量计算节点间的引力f_ij，计算表达式如下：

其中，η表示两节点间的作用力的极性；l_ij表示两节点之间的最短路径距离。

进一步地，步骤S3中扩展引力种子集的方法如下：

计算初始引力种子集对应引力场对其近邻节点v_j的作用力，当作用力大于阈值时，将对应的邻居节点加入该引力场中。

进一步地，所述N步转移概率分布向量的计算过程如下：

通过一步转移概率矩阵计算得到一步转移概率向量，根据一步转移概率向量基于概率参数进行迭代计算，得到N步转移概率分布向量。

进一步地，所述N步转移概率分布向量L_N(v_i)的计算表达式如下：

L_N(v_i)＝(1-h)×M×L_N-1+h×m_i

其中，h表示游走器停留在当前节点的概率参数，M表示一步转移概率矩阵，m_i表示节点的质量。

进一步地，重新划分引力群集的方法包括：

当两个引力群集对应引力场的场重叠度大于设定阈值时，将两个引力场进行合并；

当两个引力群集对应引力场的场重叠度小于设定阈值时，基于贪心算法确定两个引力场中重叠场的节点归属。

进一步地，所述场重叠度OL(G_i,G_j)的计算表达式如下：

其中，V(G_i)表示初始重叠引力群集对应的场G_i的节点集。

进一步地，所述舆情相关属性包括情感能量、场质量、场情感熵和场稳定性。

进一步地，所述场情感熵σ_k的计算表达式如下：

其中，C_P和C_N分别表示积极转发和消极转发的信息量，均通过社交网络数据集获取，P_P和P_N分别表示在信息传播阶段出现积极情绪和消极情绪的可能性。

一种判断社交网络中的群体舆论情感稳定性的装置，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现以下方法：

S1、通过社交网络数据集，获取节点的度、情感倾向值和邻居节点域信息，建立社交网络图模型；

S2、根据社交网络图模型计算节点间引力，得到一步转移概率矩阵和N步转移概率分布向量，根据N步转移概率分布向量获得节点评分矩阵，并根据节点评分矩阵获取初始引力种子集；

S3、根据初始引力种子集对应的引力场对节点的作用力计算结果，扩展引力种子集，得到初始重叠引力群集；

S4、计算所有初始重叠引力群集的舆情相关属性；

S5、根据所有初始重叠引力群集之间的重叠度和舆情相关属性，重新划分引力群集，得到非重叠引力群集集合，并计算非重叠引力群集集合中所有引力群集的舆情相关属性；

根据得到的舆情相关属性，判断对应社交网络数据集的群体舆论情感是否稳定。

与现有技术相比，本发明具有以下优点：

本发明提出了一种通过舆情相关属性分析社交网络情感稳定性的方法，主要通过引入了引力群集和引力场的概念，将群集发现视为节点通过相互作用力吸引从而聚集的过程，除了考虑节点间一对一的作用关系外，还考虑了多个节点形成的引力场群集对单个节点的作用力关系，并通过计算重叠度来细化引力场群集，从而提高了群集划分结果的准确性。针对舆情的研究缺乏对群体情感的量化计算以及群集稳定性特征的刻画，本发明通过计算舆情相关属性以及群集的重叠度，其中舆情相关属性包括情感能量、场质量、场情感熵和场稳定性，同时包括拓扑特征和情感属性特征，综合考虑了舆情数据的特点，实现了对群体情感稳定性的量化分析。。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例提供了一种判断社交网络中的群体舆论情感稳定性的方法，如图1所示，具体包括以下步骤：

步骤S1、通过社交网络数据集，获取节点的度、情感倾向值、邻居节点域等信息，建立社交网络图模型。其中，社交网络数据集是具有上述节点的度、情感倾向值、邻居节点域等情感标注信息的数据集，可通过开源的渠道下载得到。

将社交网络数据集抽象成一个无向图其中V表示网络中节点的集合，E表示网络的连边集合，表示整个网络的情感向量，情感向量中的每一元素us_i∈(-1,1)代表相对应节点v_i的情感倾向值。

步骤S2、计算节点之间的引力，并基于随机游走思想，根据节点间引力计算得到一步转移概率矩阵和N步转移概率分布向量，再根据概率转移分布向量得到节点评分矩阵，从而获得引力种子集。

其中，节点之间的引力的计算方法如下：

步骤S21、首先计算节点的质量m_i，计算表达式如下：

m_i＝α|S_i|+(1-α)Inf(v_i)，

其中，α表示权重系数，Inf(v_i)表示节点v_i的归一化后的影响力大小，计算表达式如下：

其中，NS(v_i)表示节点v_i的邻居节点域。

步骤S22、根据节点的质量计算节点间的引力f_ij，计算表达式如下：

其中，η表示两节点间的作用力的极性，相同时为1，相异时则为-1；l_ij表示两节点之间的最短路径距离。

一步转移概率矩阵M的计算表达式如下：

得到一步转移概率矩阵后可计算节点v_i的一步转移概率向量，计算表达式如下：

L₀(v_i)＝(f_i1,f_i2...,f_in)^T

根据节点v_i的一步转移概率向量可以迭代计算得到节点v_i的N步转移概率分布向量L_N(v_i)，计算表达式如下：

L_N(v_i)＝(1-h)×M×L_N-1+h×m_i

其中，h表示游走器停留在当前节点的概率参数。

根据N步转移概率分布向量可以得到节点评分矩阵SC，表达式如下：

对节点评分矩阵降序排列，取得分前k的节点对作为初始引力种子集VS-seed。

步骤S3、基于场作用力对初始引力种子集进行引力群集扩展，得到初始重叠引力群集：

将VS-seed中的节点seed_k视为初始引力场G_k，即一个引力群集对应一个引力场，计算场对其近邻节点v_j的作用力F_kj,计算公式如下：

其中，s_kj表示场G_k与节点v_j之间的距离，s_kj＝l_ij(v_i∈G_k∩v_i∈NU(v_j)∩inf(v_i)＝max(NU(v_j)))当作用力F_kj大于阈值时，就将邻居节点加入该引力场中。G_k的质量M_k计算表达式为：其中GS_k表示场G_k所具有的情感能量，计算表达式为：表示场的情感极性，正值代表积极，负值代表消极。

步骤S4、计算初始重叠引力群集的情感能量、场质量、场情感熵和场稳定性。

情感能量和场质量的计算表达式与步骤S3相同，仅需更新引力群集即可。

场情感熵σ_k用于衡量场内部情感混乱程度，值越小越说明场内情感一致性越高，场越稳定。计算表达式如下：

其中，C_P和C_N分别表示积极转发和消极转发的信息量，均可通过社交网络数据集获取，P_P和P_N分别表示在信息传播阶段出现积极情绪和消极情绪的可能性。

场稳定性Φ_k用于衡量场内部连接的紧密程度，组成包括情感熵σ_k和拓扑稳定性计算表达式如下：

其中，β表示权重系数，表示场内部节点之间拓扑连接的紧密程度，越高代表连接越紧密，计算表达式如下：

其中，E_k表示场内部的边，n_k表示场的节点数。

步骤S5、计算所有初始重叠引力群集的场重叠度，并根据场重叠度和场情感熵细化引力群集，场重叠度OL的计算表达式如下：

其中，V(G_i)表示场G_i的节点集。

计算得到场重叠度后，进行场重叠的判断：

若OL(G_i,G_j)≥ω₁且其中ω₁，ω₂分别为场重叠度和场情感熵的阈值。即保证合并后的引力场内部结构稳定性的前提，判定G_i,G_j两场合并为同一引力场。

若OL(G_i,G_j)＜ω₁或则按照下述规则确定处于重叠场中节点的唯一归属

基于贪心思想，若一个场外节点的加入将使得场稳定性增量ΔΦ大于阈值，便认为该节点有利于群集结构的优化，进一步计算该节点的其他归属群集，选定使得场稳定性增量最大的群集作为该节点的最终归属，将所有符合条件的场外节点划入引力场后，得到最终的非重叠引力群集集合G＝{G₁,G₂,…,G_k}，并计算得出各场的情感能量、场质量、场情感熵和场稳定性。

在获取情感能量、场质量、场情感熵和场稳定性等舆情相关属性后，根据上述舆情相关属性对所对应的社交网络数据集的情感稳定性进行量化分析，继而实现对社交网络的管控。

本实施例还提供了一种社交网络中的群体舆论情感引力场计算装置，包括存储器和处理器；存储器，用于存储计算机程序；处理器，用于当执行计算机程序时，实现上述实施例提供的一种判断社交网络中的群体舆论情感稳定性的方法。

本实施例又提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例中提到的社交网络中的群体舆论情感引力场计算方法，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种判断社交网络中的群体舆论情感稳定性的方法，其特征在于，包括以下步骤：

S1、通过社交网络数据集，获取节点的度、情感倾向值和邻居节点域信息，建立社交网络图模型；

S2、根据社交网络图模型计算节点间引力，得到一步转移概率矩阵和N步转移概率分布向量，根据N步转移概率分布向量获得节点评分矩阵，并根据节点评分矩阵获取初始引力种子集；

S3、根据初始引力种子集对应的引力场对节点的作用力计算结果，扩展引力种子集，得到初始重叠引力群集；

S4、计算所有初始重叠引力群集的舆情相关属性；

S5、根据所有初始重叠引力群集之间的重叠度和舆情相关属性，重新划分引力群集，得到非重叠引力群集集合，并计算非重叠引力群集集合中所有引力群集的舆情相关属性；

根据得到的舆情相关属性，判断对应社交网络数据集的群体舆论情感是否稳定。

2.根据权利要求1所述的一种判断社交网络中的群体舆论情感稳定性的方法，其特征在于，所述社交网络图模型为无向图，表达式为其中V表示网络中节点的集合，E表示网络的连边集合，表示整个网络的情感向量，情感向量中的每一元素表示相对应节点v_i的情感倾向值。

3.根据权利要求1所述的一种判断社交网络中的群体舆论情感稳定性的方法，其特征在于，步骤S2中节点间引力的计算方法如下：

S21、计算节点的质量m_i，计算表达式如下：

m_i＝α|S_i|+(1-α)Inf(v_i)，

其中，α表示权重系数，Inf(v_i)表示节点v_i的归一化后的影响力大小，计算表达式如下：

其中，NS(v_i)表示节点v_i的邻居节点域；

S22、根据节点的质量计算节点间的引力f_ij，计算表达式如下：

其中，η表示两节点间的作用力的极性；l_ij表示两节点之间的最短路径距离。

4.根据权利要求1所述的一种判断社交网络中的群体舆论情感稳定性的方法，其特征在于，步骤S3中扩展引力种子集的方法如下：

计算初始引力种子集对应引力场对其近邻节点v_j的作用力，当作用力大于阈值时，将对应的邻居节点加入该引力场中。

5.根据权利要求1所述的一种判断社交网络中的群体舆论情感稳定性的方法，其特征在于，所述N步转移概率分布向量L_N(v_i)的计算表达式如下：

L_N(v_i)＝(1-h)×M×L_N-1+h×m_i

其中，h表示游走器停留在当前节点的概率参数，M表示一步转移概率矩阵，m_i表示节点的质量。

6.根据权利要求1所述的一种判断社交网络中的群体舆论情感稳定性的方法，其特征在于，重新划分引力群集的方法包括：

当两个引力群集对应引力场的场重叠度大于设定阈值时，将两个引力场进行合并；

当两个引力群集对应引力场的场重叠度小于设定阈值时，基于贪心算法确定两个引力场中重叠场的节点归属。

7.根据权利要求6所述的一种判断社交网络中的群体舆论情感稳定性的方法，其特征在于，所述场重叠度OL(G_i,G_j)的计算表达式如下：

其中，V(G_i)表示初始重叠引力群集对应的场G_i的节点集。

8.根据权利要求1所述的一种判断社交网络中的群体舆论情感稳定性的方法，其特征在于，所述舆情相关属性包括情感能量、场质量、场情感熵和场稳定性。

9.根据权利要求8所述的一种判断社交网络中的群体舆论情感稳定性的方法，其特征在于，所述场情感熵σ_k的计算表达式如下：

其中，C_P和C_N分别表示积极转发和消极转发的信息量，均通过社交网络数据集获取，P_P和P_N分别表示在信息传播阶段出现积极情绪和消极情绪的可能性。

10.一种判断社交网络中的群体舆论情感稳定性的装置，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现以下方法：

S1、通过社交网络数据集，获取节点的度、情感倾向值和邻居节点域信息，建立社交网络图模型；

S2、根据社交网络图模型计算节点间引力，得到一步转移概率矩阵和N步转移概率分布向量，根据N步转移概率分布向量获得节点评分矩阵，并根据节点评分矩阵获取初始引力种子集；

S3、根据初始引力种子集对应的引力场对节点的作用力计算结果，扩展引力种子集，得到初始重叠引力群集；

S4、计算所有初始重叠引力群集的舆情相关属性；

S5、根据所有初始重叠引力群集之间的重叠度和舆情相关属性，重新划分引力群集，得到非重叠引力群集集合，并计算非重叠引力群集集合中所有引力群集的舆情相关属性；

根据得到的舆情相关属性，判断对应社交网络数据集的群体舆论情感是否稳定。