CN116361568A - 基于行为博弈的社交网络观点演化分析方法、装置和设备 - Google Patents

基于行为博弈的社交网络观点演化分析方法、装置和设备 Download PDF

Info

Publication number
CN116361568A
CN116361568A CN202310650457.6A CN202310650457A CN116361568A CN 116361568 A CN116361568 A CN 116361568A CN 202310650457 A CN202310650457 A CN 202310650457A CN 116361568 A CN116361568 A CN 116361568A
Authority
CN
China
Prior art keywords
value
viewpoint
social network
public
view
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
CN202310650457.6A
Other languages
English (en)
Other versions
CN116361568B (zh
Inventor
唐文杰
姚益平
朱峰
欧丽珍
陈凯
曲庆军
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202310650457.6A priority Critical patent/CN116361568B/zh
Publication of CN116361568A publication Critical patent/CN116361568A/zh
Application granted granted Critical
Publication of CN116361568B publication Critical patent/CN116361568B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/042—Backward inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种基于行为博弈的社交网络观点演化分析方法、装置和计算机设备。所述方法包括：应用行为博弈理论对个体传播行为决策进行分析与建模，构建有限层级智能体认知模型，推断不同理性水平个体的最优传播策略，不但符合真实观点传播博弈中存在大量有限理性参与者这一客观事实，还能够合理解释和准确预测不同理性水平个体的传播行为；另外由智能体根据其关联群体的历史反馈信息对当前内在观点分布进行“准感官”估计，为高理性水平个体提供决策支撑；在此基础上，通过基于有向图的社交网络观点融合模型对社交网络观点进行演化分析，进而能够分析观点态势、关联群体观点分布对不同认知水平个体传播行为的影响规律。

Description

基于行为博弈的社交网络观点演化分析方法、装置和设备
技术领域
本申请涉及计算机技术领域，特别是涉及一种基于行为博弈的社交网络观点演化分析方法、装置和计算机设备。
背景技术
在社交网络中，人们通过发贴、评论、点赞等方式交流观点。一方面，内在想法、认知水平、意见气候等因素，共同决定了个体进行观点传播的行为。另一方面，个体的传播行为，又决定了观点如何通过社交网络进行扩散，进而影响网络中其他个体的观点，形成一个不断发展演化的环路。因此，需要揭示“观点态势-个体观点-传播行为”相互影响的内在机理，构建反映社交网络观点传播及演化的动力学模型，为社交网络观点态势预测研究提供理论基础。
现有观点动力模型忽略了差异化的个体理性水平对传播行为的影响，不能准确反映“观点态势-个体观点-传播行为”的相互作用规律，难以指导对观点演化的预测。因此，现有技术存在适应性不佳的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够从有限理性行为视角开展社交网络观点动力建模研究的基于行为博弈的社交网络观点演化分析方法、装置、计算机设备和存储介质。
一种基于行为博弈的社交网络观点演化分析方法，所述方法包括：
构建社交网络有向图；所述社交网络有向图中的每个节点表示一个智能体，由第一节点指向第二节点的边表示第一节点对应的智能体关注了第二节点对应的智能体；节点属性包括公开观点值和内在观点值；
根据所述社交网络有向图确定社交网络观点融合模型；所述社交网络观点融合模型中节点单个时间步的内在观点值包括当前智能体上一时间步的内在观点值和其他智能体的公开观点值对当前智能体的影响值；
基于行为博弈理论确定智能体表达公开观点时的损耗函数；所述损耗函数包括当前节点公开观点值和内在观点值的差异值，以及当前节点公开观点值与观点信息的综合差异值；所述观点信息为其他智能体表达的公开观点信息；
根据所述损耗函数构建层次认知模型；所述层次认知模型基于所述损耗函数得到不同理性层级的智能体在表达公开观点的策略；所述层次认知模型中高理性水平智能体表达公开观点的最优策略包括其推断的关联群体的内在观点均值和观点态势信息；所述关联群体包括所述智能体的全部关注者；所述观点态势信息为所述关联群体的公开观点值均值；
获取智能体表达公开观点后收到的历史反馈信息，以及预估反馈信息；所述预估反馈信息中包括内在观点值估计概率；
根据所述历史反馈信息与所述预估反馈信息的差异对所述内在观点值估计概率进行修正，得到修正后的内在观点值估计概率；
根据所述修正后的内在观点值估计概率确定所述关联群体的内在观点均值，根据所述关联群体的内在观点均值、预先获取的观点态势信息和所述层次认知模型确定不同理性层级的智能体表达公开观点的最优策略，根据所述不同理性层级的智能体表达公开观点的最优策略和所述社交网络观点融合模型进行社交网络观点演化分析，得到社交网络观点动力演化结果。
在其中一个实施例中，还包括：根据所述社交网络有向图确定社交网络观点融合模型为：
Figure SMS_1
；
其中，
Figure SMS_9
表示所述社交网络有向图中的节点，/>
Figure SMS_6
表示所述第一节点，/>
Figure SMS_14
表示所述第二节点，/>
Figure SMS_7
表示/>
Figure SMS_17
在第/>
Figure SMS_12
步中的内在观点值，/>
Figure SMS_18
表示/>
Figure SMS_5
影响/>
Figure SMS_11
的权重，/>
Figure SMS_4
表示/>
Figure SMS_10
本身的固执程度，/>
Figure SMS_3
表示/>
Figure SMS_15
在第/>
Figure SMS_8
步中的公开观点值，/>
Figure SMS_13
表示第/>
Figure SMS_2
步中影响/>
Figure SMS_16
的个体集合；
Figure SMS_19
接收到态度为/>
Figure SMS_20
的消息后，表达赞同或反对的反馈函数为：
Figure SMS_21
；
其中，
Figure SMS_22
表示赞同区域阈值，/>
Figure SMS_23
表示反对区域阈值。
在其中一个实施例中，还包括：基于行为博弈理论确定智能体表达公开观点时的损耗函数为：
Figure SMS_24
；
其中，等号右侧第一项表示当前节点公开观点值与其内在观点值的差异，第二项表示当前节点公开观点值与观点信息的综合差异值，
Figure SMS_25
表示/>
Figure SMS_26
的公开观点值，
Figure SMS_27
表示其他智能体表达的观点值，/>
Figure SMS_28
表示权重。
在其中一个实施例中，还包括：根据所述损耗函数构建层次认知模型，将智能体分为不同理性层级，
Figure SMS_29
和/>
Figure SMS_30
分别表示第/>
Figure SMS_31
级智能体/>
Figure SMS_32
的公开观点值和权重；
如果
Figure SMS_33
属于第1层，则/>
Figure SMS_34
，/>
Figure SMS_35
；
如果
Figure SMS_36
属于第2层，其他智能体属于第1层，则：
Figure SMS_37
；
如果
Figure SMS_38
属于第/>
Figure SMS_39
层，其他智能体处于/>
Figure SMS_40
层，则：
Figure SMS_41
。
在其中一个实施例中，还包括：当理性层级为3时，所述层次认知模型为：
Figure SMS_42
；
Figure SMS_43
；
Figure SMS_44
；
其中，
Figure SMS_45
表示/>
Figure SMS_46
推断的关联群体的内在观点均值；/>
Figure SMS_47
为所述观点态势信息。
在其中一个实施例中，还包括：获取智能体表达公开观点后收到的历史反馈信息为：
Figure SMS_48
；
其中，公开观点值被划分为
Figure SMS_49
个区间，第/>
Figure SMS_50
个区间/>
Figure SMS_51
记为/>
Figure SMS_52
，公开观点值位于/>
Figure SMS_53
的概率记为/>
Figure SMS_54
，/>
Figure SMS_55
为示性函数；
获取预估反馈信息为：
Figure SMS_56
；
其中，
Figure SMS_57
为内在观点值估计概率。
在其中一个实施例中，还包括：确定所述历史反馈信息与所述预估反馈信息的差异值为：
Figure SMS_58
；
对所述内在观点值估计概率进行修正的规则为：
如果
Figure SMS_59
仅与/>
Figure SMS_60
相交，则/>
Figure SMS_61
；
如果
Figure SMS_62
仅与/>
Figure SMS_63
相交，则/>
Figure SMS_64
；
待更新完成后，对于所有区间的估计概率作全概率和归一化处理，确保
Figure SMS_65
，得到修正后的内在观点值估计概率。
在其中一个实施例中，还包括：所述公开观点值和所述内在观点值的范围为
Figure SMS_66
；其中1 和 0 分别表示极端正面和极端负面的观点。
一种基于行为博弈的社交网络观点演化分析装置，所述装置包括：
社交网络有向图构建模块，用于构建社交网络有向图；所述社交网络有向图中的每个节点表示一个智能体，由第一节点指向第二节点的边表示第一节点对应的智能体关注了第二节点对应的智能体；节点属性包括公开观点值和内在观点值；
社交网络观点融合模型确定模块，用于根据所述社交网络有向图确定社交网络观点融合模型；所述社交网络观点融合模型中节点单个时间步的内在观点值包括当前智能体上一时间步的内在观点值和其他智能体的公开观点值对当前智能体的影响值；
损耗函数确定模块，用于基于行为博弈理论确定智能体表达公开观点时的损耗函数；所述损耗函数包括当前节点公开观点值和内在观点值的差异值，以及当前节点公开观点值与观点信息的综合差异值；所述观点信息为其他智能体表达的公开观点信息；
层次认知模型构建模块，用于根据所述损耗函数构建层次认知模型；所述层次认知模型基于所述损耗函数得到不同理性层级的智能体在表达公开观点的策略；所述层次认知模型中高理性水平智能体表达公开观点的最优策略包括其推断的关联群体的内在观点均值和观点态势信息；所述关联群体包括所述智能体的全部关注者；所述观点态势信息为所述关联群体的公开观点值均值；
反馈信息获取模块，用于获取智能体表达公开观点后收到的历史反馈信息，以及预估反馈信息；所述预估反馈信息中包括内在观点值估计概率；
内在观点值估计概率修正模块，用于根据所述历史反馈信息与所述预估反馈信息的差异对所述内在观点值估计概率进行修正，得到修正后的内在观点值估计概率；
演化分析模块，用于根据所述修正后的内在观点值估计概率确定所述关联群体的内在观点均值，根据所述关联群体的内在观点均值、预先获取的观点态势信息和所述层次认知模型确定不同理性层级的智能体表达公开观点的最优策略，根据所述不同理性层级的智能体表达公开观点的最优策略和所述社交网络观点融合模型进行社交网络观点演化分析，得到社交网络观点动力演化结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
构建社交网络有向图；所述社交网络有向图中的每个节点表示一个智能体，由第一节点指向第二节点的边表示第一节点对应的智能体关注了第二节点对应的智能体；节点属性包括公开观点值和内在观点值；
根据所述社交网络有向图确定社交网络观点融合模型；所述社交网络观点融合模型中节点单个时间步的内在观点值包括当前智能体上一时间步的内在观点值和其他智能体的公开观点值对当前智能体的影响值；
基于行为博弈理论确定智能体表达公开观点时的损耗函数；所述损耗函数包括当前节点公开观点值和内在观点值的差异值，以及当前节点公开观点值与观点信息的综合差异值；所述观点信息为其他智能体表达的公开观点信息；
根据所述损耗函数构建层次认知模型；所述层次认知模型基于所述损耗函数得到不同理性层级的智能体在表达公开观点的策略；所述层次认知模型中高理性水平智能体表达公开观点的最优策略包括其推断的关联群体的内在观点均值和观点态势信息；所述关联群体包括所述智能体的全部关注者；所述观点态势信息为所述关联群体的公开观点值均值；
获取智能体表达公开观点后收到的历史反馈信息，以及预估反馈信息；所述预估反馈信息中包括内在观点值估计概率；
根据所述历史反馈信息与所述预估反馈信息的差异对所述内在观点值估计概率进行修正，得到修正后的内在观点值估计概率；
根据所述修正后的内在观点值估计概率确定所述关联群体的内在观点均值，根据所述关联群体的内在观点均值、预先获取的观点态势信息和所述层次认知模型确定不同理性层级的智能体表达公开观点的最优策略，根据所述不同理性层级的智能体表达公开观点的最优策略和所述社交网络观点融合模型进行社交网络观点演化分析，得到社交网络观点动力演化结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
构建社交网络有向图；所述社交网络有向图中的每个节点表示一个智能体，由第一节点指向第二节点的边表示第一节点对应的智能体关注了第二节点对应的智能体；节点属性包括公开观点值和内在观点值；
根据所述社交网络有向图确定社交网络观点融合模型；所述社交网络观点融合模型中节点单个时间步的内在观点值包括当前智能体上一时间步的内在观点值和其他智能体的公开观点值对当前智能体的影响值；
基于行为博弈理论确定智能体表达公开观点时的损耗函数；所述损耗函数包括当前节点公开观点值和内在观点值的差异值，以及当前节点公开观点值与观点信息的综合差异值；所述观点信息为其他智能体表达的公开观点信息；
根据所述损耗函数构建层次认知模型；所述层次认知模型基于所述损耗函数得到不同理性层级的智能体在表达公开观点的策略；所述层次认知模型中高理性水平智能体表达公开观点的最优策略包括其推断的关联群体的内在观点均值和观点态势信息；所述关联群体包括所述智能体的全部关注者；所述观点态势信息为所述关联群体的公开观点值均值；
获取智能体表达公开观点后收到的历史反馈信息，以及预估反馈信息；所述预估反馈信息中包括内在观点值估计概率；
根据所述历史反馈信息与所述预估反馈信息的差异对所述内在观点值估计概率进行修正，得到修正后的内在观点值估计概率；
根据所述修正后的内在观点值估计概率确定所述关联群体的内在观点均值，根据所述关联群体的内在观点均值、预先获取的观点态势信息和所述层次认知模型确定不同理性层级的智能体表达公开观点的最优策略，根据所述不同理性层级的智能体表达公开观点的最优策略和所述社交网络观点融合模型进行社交网络观点演化分析，得到社交网络观点动力演化结果。
上述基于行为博弈的社交网络观点演化分析方法、装置、计算机设备和存储介质，应用行为博弈理论对个体传播行为决策进行分析与建模，构建有限层级智能体认知模型，推断不同理性水平个体的最优传播策略，不但符合真实观点传播博弈中存在大量有限理性参与者这一客观事实，还能够合理解释和准确预测不同理性水平个体的传播行为；另外由智能体根据其关联群体的历史反馈信息对当前内在观点分布进行“准感官”估计，为高理性水平个体提供决策支撑；在此基础上，通过基于有向图的社交网络观点融合模型对社交网络观点进行演化分析，进而能够分析观点态势、关联群体观点分布对不同认知水平个体传播行为的影响规律。
附图说明
图1为一个实施例中基于行为博弈的社交网络观点演化分析方法的流程示意图；
图2为一个实施例中基于行为博弈的社交网络观点演化分析装置的结构框图；
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于行为博弈的社交网络观点演化分析方法，包括以下步骤：
步骤102，构建社交网络有向图。
社交网络有向图中的每个节点表示一个智能体，由第一节点指向第二节点的边表示第一节点对应的智能体关注了第二节点对应的智能体；节点属性包括公开观点值和内在观点值。
具体地，整个社交网络视为一个有向图
Figure SMS_69
，其中/>
Figure SMS_73
表示社交网络中的节点集合，/>
Figure SMS_77
表示网络中节点相连形成的边集。社交网络中的每个节点表示为一个智能体，记为/>
Figure SMS_70
。如果存在由/>
Figure SMS_74
指向/>
Figure SMS_78
的边/>
Figure SMS_81
，则表示/>
Figure SMS_67
关注了
Figure SMS_71
（/>
Figure SMS_75
是被关注者，/>
Figure SMS_79
是关注者）。智能体通过发布消息来表达自己的观点，其关注者会受到这些消息的影响，也可以通过评论、转发等反馈行为反过来影响被关注者的后续决策。智能体的观点可进一步分为表达出来的公开观点和内心所想的内在观点。第/>
Figure SMS_68
时间步/>
Figure SMS_72
的内在观点由/>
Figure SMS_76
表示，公开观点由/>
Figure SMS_80
表示。其中1 和 0 分别表示极端正面和极端负面的观点。例如，在表示对经济形势的看法时，1 说明对经济形势极其乐观，0 意味着极度悲观。公开观点与内在观点存在相关性但不完全相同。个体会不定期地发布公开观点，影响相关联个体的内在观点。
步骤104，根据社交网络有向图确定社交网络观点融合模型。
社交网络观点融合模型中节点单个时间步的内在观点值包括当前智能体上一时间步的内在观点值和其他智能体的公开观点值对当前智能体的影响值。
具体地，单个时间步内智能体观点受影响情况遵循如下规则：
Figure SMS_82
；
其中，
Figure SMS_83
表示/>
Figure SMS_87
影响/>
Figure SMS_91
的权重，/>
Figure SMS_86
表示/>
Figure SMS_89
本身的固执程度，/>
Figure SMS_93
表示/>
Figure SMS_95
发布消息中蕴含的观点值，/>
Figure SMS_84
表示第/>
Figure SMS_90
步中影响/>
Figure SMS_94
的个体集合。/>
Figure SMS_96
对/>
Figure SMS_85
产生影响，不但需要/>
Figure SMS_88
能够接收到
Figure SMS_92
发布的消息，也需要两者之间的观点差异低于某个阈值（有界置信原则）。
Figure SMS_97
接收到态度为/>
Figure SMS_98
的消息后，会按如下规则反馈以表达赞同或反对：
Figure SMS_99
；
显然，公开观点和反馈意见可以被观察到，但内在观点却不可直接观察。本发明需要从可观测的历史行为中挖掘个体真实内在观点，以及表达公开观点的策略，从而获得对观点动力演化的内认知。
步骤106，基于行为博弈理论确定智能体表达公开观点时的损耗函数。
损耗函数包括当前节点公开观点值和内在观点值的差异值，以及当前节点公开观点值与观点信息的综合差异值；观点信息为其他智能体表达的公开观点信息。
社交网络中，人们通常会根据自身立场有计划地进行观点传播，其收益既取决于自身的策略，也受到他人决策的影响，是一个典型的博弈。具体而言，智能体表达公开观点时，既需要表达和宣传自身内在观点，也要在某种程度上迎合当前观点环境以免引发攻击。因此，构建如下损耗函数
Figure SMS_100
：
Figure SMS_101
；
其中，第一项表示公开观点与其内在观点的差异，差异越小越能更好地推广自己的主张；第二项表示公开观点与观点的综合差距，差异越小则不容易成为“网暴”的对象。
Figure SMS_102
表示/>
Figure SMS_103
表达的消息观点，/>
Figure SMS_104
表示其他智能体表达的观点。
Figure SMS_105
表示权重。
步骤108，根据损耗函数构建层次认知模型。
为克服现有技术忽略了差异化的个体理性水平对传播行为的影响的问题，本发明提出了构建层次认知模型，层级认知模型将智能体分为不同理性层级，
Figure SMS_106
和/>
Figure SMS_107
分别表示第/>
Figure SMS_108
层智能体/>
Figure SMS_109
发布的观点值和权重。
Figure SMS_110
如果/>
Figure SMS_111
属于第1层，/>
Figure SMS_112
，/>
Figure SMS_113
。
Figure SMS_114
如果/>
Figure SMS_115
属于第2层，它认为其他智能体属于第1层。此时，/>
Figure SMS_116
最优策略可通过对损耗函数公式求偏导取0值可得：
Figure SMS_117
；
Figure SMS_118
；
Figure SMS_119
如果/>
Figure SMS_120
属于第/>
Figure SMS_121
层，它认为其他智能体处于/>
Figure SMS_122
层。此时的最优策略为：
Figure SMS_123
；
此外，当最优策略和个人偏好有较大差异时，
Figure SMS_124
可能选择不发声。因此，当
Figure SMS_125
时，设定/>
Figure SMS_126
发身的概率为/>
Figure SMS_127
。其中，/>
Figure SMS_128
表示陡度为/>
Figure SMS_129
的sigmoid函数。
在一个具体实施例中，思考层级为3，则最优策略可简化为：
Figure SMS_130
；
Figure SMS_131
；
Figure SMS_132
；
其中，
Figure SMS_133
表示/>
Figure SMS_134
推断的当前智能体内在观点均值；/>
Figure SMS_135
表示当前观点态势，即所有公开观点的均值。
思考推理的难度（计算复杂性）会随着层次的提升而呈指数级增长。事实上，大量行为科学的实证研究表明，大部份人在日常生活中会采用较低的认知层级。此时，如果过度思考（或者说过高估计其他人的认知水平），反而会造成收益的减少。
上述策略表明：第 1 层智能体会直接地表达内在观点；第 2 层智能体除了自身观点外，还会结合当前公开的观点态势进行表达；第 3 层智能体则进一步推断其他人的真实想法，并综合观点态势和自身观点进行表态。因此，上述模型很好地表现了人们在观点传播博弈中的决策方式。
步骤110，获取智能体表达公开观点后收到的历史反馈信息，以及预估反馈信息。
为了进行传播行为决策，第三层级智能体需要推断真实观点均值，即求
Figure SMS_137
。实际上，人们不会了解所有人的观点，而是从历史经验来近似地感知观点分布。因此，本项目拟由智能体根据前期表达公开观点后收到的反馈意见来推断观点分布。首先，将观点值划分为/>
Figure SMS_139
个区间，第/>
Figure SMS_142
个区间/>
Figure SMS_138
记为/>
Figure SMS_141
，观点值位于/>
Figure SMS_143
的概率记为/>
Figure SMS_144
，估计概率为/>
Figure SMS_136
，即内在观点值估计概率。/>
Figure SMS_140
亦可表示为：
Figure SMS_145
；
智能体发布公开观点
Figure SMS_146
的消息后收到的实际反馈可根据反馈规则计算：
Figure SMS_147
；
实际反馈
Figure SMS_148
也可近似表示为：
Figure SMS_149
；
预估反馈
Figure SMS_150
则按如下公式计算（/>
Figure SMS_151
为示性函数），
Figure SMS_152
；
步骤112，根据历史反馈信息与预估反馈信息的差异对内在观点值估计概率进行修正，得到修正后的内在观点值估计概率。
本发明以观点态势作为的初始先验分布，然后不断地利用
Figure SMS_153
与/>
Figure SMS_154
的差异来修正观点分布的估计值。因为：
Figure SMS_155
；
拟按如下规则对
Figure SMS_156
进行更新，可减小/>
Figure SMS_157
与/>
Figure SMS_158
的差异：
Figure SMS_159
如果/>
Figure SMS_160
仅与/>
Figure SMS_161
相交，则/>
Figure SMS_162
；
Figure SMS_163
如果/>
Figure SMS_164
仅与/>
Figure SMS_165
相交，则/>
Figure SMS_166
；
Figure SMS_167
待更新完成后，对于所有区间的估计概率作全概率和归一化处理，即确保
Figure SMS_168
。
上述规则模拟了智能体在感观层面对观点分布的调整方式。当
Figure SMS_169
大于/>
Figure SMS_170
时，表示智能体低估了观点支持率，则提高支持区间的观点分布概率和减少反对区间的观点分布概率；当/>
Figure SMS_171
小于/>
Figure SMS_172
，表示智能体高估了支持率，则减少支持区间的观点分布概率和提高反对区间的观点分布概率。
步骤114，根据修正后的内在观点值估计概率确定关联群体的内在观点均值，根据关联群体的内在观点均值、预先获取的观点态势信息和层次认知模型确定不同理性层级的智能体表达公开观点的最优策略，根据不同理性层级的智能体表达公开观点的最优策略和社交网络观点融合模型进行社交网络观点演化分析，得到社交网络观点动力演化结果。
不同理性层级的智能体表达公开观点的最优策略能够得到智能体的公开观点值，结合社交网络观点融合模型可以得到智能体下一时间步的内在观点值，实现了从可观测的历史行为中挖掘个体真实内在观点，以及表达公开观点的策略，从而获得对观点动力演化的内认知。
上述基于行为博弈的社交网络观点演化分析方法中，通过构建有限层级智能体认知模型，推断不同理性水平个体的最优传播策略，不但符合真实观点传播博弈中存在大量有限理性参与者这一客观事实，还能够合理解释和准确预测不同理性水平个体的传播行为；另外由智能体根据其关联群体的历史反馈信息对当前内在观点分布进行“准感官”估计，为高理性水平个体提供决策支撑；在此基础上，通过基于有向图的社交网络观点融合模型对社交网络观点进行演化分析。本发明应用行为博弈理论对个体传播行为决策进行分析与建模，通过构建层级认知模型描述个体的理性水平，根据“优化引导效果和避免成为公敌”目标推断不同理性水平下个体的最优传播策略，进而分析观点态势、关联群体观点分布对不同认知水平个体传播行为的影响规律。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图2所示，提供了一种基于行为博弈的社交网络观点演化分析装置，包括：社交网络有向图构建模块202、社交网络观点融合模型确定模块204、损耗函数确定模块206、层次认知模型构建模块208、反馈信息获取模块210、内在观点值估计概率修正模块212和演化分析模块214，其中：
社交网络有向图构建模块202，用于构建社交网络有向图；社交网络有向图中的每个节点表示一个智能体，由第一节点指向第二节点的边表示第一节点对应的智能体关注了第二节点对应的智能体；节点属性包括公开观点值和内在观点值；
社交网络观点融合模型确定模块204，用于根据社交网络有向图确定社交网络观点融合模型；社交网络观点融合模型中节点单个时间步的内在观点值包括当前智能体上一时间步的内在观点值和其他智能体的公开观点值对当前智能体的影响值；
损耗函数确定模块206，用于基于行为博弈理论确定智能体表达公开观点时的损耗函数；损耗函数包括当前节点公开观点值和内在观点值的差异值，以及当前节点公开观点值与观点信息的综合差异值；观点信息为其他智能体表达的公开观点信息；
层次认知模型构建模块208，用于根据损耗函数构建层次认知模型；层次认知模型基于损耗函数得到不同理性层级的智能体在表达公开观点的策略；层次认知模型中高理性水平智能体表达公开观点的最优策略包括其推断的关联群体的内在观点均值和观点态势信息；关联群体包括智能体的全部关注者；观点态势信息为关联群体的公开观点值均值；
反馈信息获取模块210，用于获取智能体表达公开观点后收到的历史反馈信息，以及预估反馈信息；预估反馈信息中包括内在观点值估计概率；
内在观点值估计概率修正模块212，用于根据历史反馈信息与预估反馈信息的差异对内在观点值估计概率进行修正，得到修正后的内在观点值估计概率；
演化分析模块214，用于根据修正后的内在观点值估计概率确定关联群体的内在观点均值，根据关联群体的内在观点均值、预先获取的观点态势信息和层次认知模型确定不同理性层级的智能体表达公开观点的最优策略，根据不同理性层级的智能体表达公开观点的最优策略和社交网络观点融合模型进行社交网络观点演化分析，得到社交网络观点动力演化结果。
社交网络观点融合模型确定模块204还用于根据社交网络有向图确定社交网络观点融合模型为：
Figure SMS_173
；
其中，
Figure SMS_181
表示社交网络有向图中的节点，/>
Figure SMS_176
表示第一节点，/>
Figure SMS_185
表示第二节点，/>
Figure SMS_177
表示/>
Figure SMS_183
在第/>
Figure SMS_180
步中的内在观点值，/>
Figure SMS_188
表示/>
Figure SMS_186
影响/>
Figure SMS_190
的权重，/>
Figure SMS_178
表示/>
Figure SMS_189
本身的固执程度，/>
Figure SMS_174
表示/>
Figure SMS_184
在第/>
Figure SMS_179
步中的公开观点值，/>
Figure SMS_187
表示第/>
Figure SMS_175
步中影响/>
Figure SMS_182
的个体集合；
Figure SMS_191
接收到态度为/>
Figure SMS_192
的消息后，表达赞同或反对的反馈函数为：
Figure SMS_193
；
其中，
Figure SMS_194
表示赞同区域阈值，/>
Figure SMS_195
表示反对区域阈值。
损耗函数确定模块206还用于基于行为博弈理论确定智能体表达公开观点时的损耗函数为：
Figure SMS_196
；
其中，等号右侧第一项表示当前节点公开观点值与其内在观点值的差异，第二项表示当前节点公开观点值与观点信息的综合差异值，
Figure SMS_197
表示/>
Figure SMS_198
的公开观点值，
Figure SMS_199
表示其他智能体表达的观点值，/>
Figure SMS_200
表示权重。/>
层次认知模型构建模块208还用于根据损耗函数构建层次认知模型，将智能体分为不同理性层级，
Figure SMS_201
和/>
Figure SMS_202
分别表示第/>
Figure SMS_203
级智能体/>
Figure SMS_204
的公开观点值和权重；
如果
Figure SMS_205
属于第1层，则/>
Figure SMS_206
，/>
Figure SMS_207
；
如果
Figure SMS_208
属于第2层，其他智能体属于第1层，则
Figure SMS_209
；
如果
Figure SMS_210
属于第/>
Figure SMS_211
层，其他智能体处于/>
Figure SMS_212
层，则
Figure SMS_213
。
反馈信息获取模块210获取智能体表达公开观点后收到的历史反馈信息为：
Figure SMS_214
；
其中，公开观点值被划分为
Figure SMS_215
个区间，第/>
Figure SMS_216
个区间/>
Figure SMS_217
记为/>
Figure SMS_218
，公开观点值位于/>
Figure SMS_219
的概率记为/>
Figure SMS_220
，/>
Figure SMS_221
为示性函数；
获取预估反馈信息为：
Figure SMS_222
；
其中，
Figure SMS_223
为内在观点值估计概率。
内在观点值估计概率修正模块212还用于确定历史反馈信息与预估反馈信息的差异值为：
Figure SMS_224
；
对内在观点值估计概率进行修正的规则为：
如果
Figure SMS_225
仅与/>
Figure SMS_226
相交，则/>
Figure SMS_227
；
如果
Figure SMS_228
仅与/>
Figure SMS_229
相交，则/>
Figure SMS_230
；
待更新完成后，对于所有区间的估计概率作全概率和归一化处理，确保
Figure SMS_231
，得到修正后的内在观点值估计概率。
关于基于行为博弈的社交网络观点演化分析装置的具体限定可以参见上文中对于基于行为博弈的社交网络观点演化分析方法的限定，在此不再赘述。上述基于行为博弈的社交网络观点演化分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于行为博弈的社交网络观点演化分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于行为博弈的社交网络观点演化分析方法，其特征在于，所述方法包括：
构建社交网络有向图；所述社交网络有向图中的每个节点表示一个智能体，由第一节点指向第二节点的边表示第一节点对应的智能体关注了第二节点对应的智能体；节点属性包括公开观点值和内在观点值；
根据所述社交网络有向图确定社交网络观点融合模型；所述社交网络观点融合模型中节点单个时间步的内在观点值包括当前智能体上一时间步的内在观点值和其他智能体的公开观点值对当前智能体的影响值；
基于行为博弈理论确定智能体表达公开观点时的损耗函数；所述损耗函数包括当前节点公开观点值和内在观点值的差异值，以及当前节点公开观点值与观点信息的综合差异值；所述观点信息为其他智能体表达的公开观点信息；
根据所述损耗函数构建层次认知模型；所述层次认知模型基于所述损耗函数得到不同理性层级的智能体在表达公开观点的策略；所述层次认知模型中高理性水平智能体表达公开观点的最优策略包括其推断的关联群体的内在观点均值和观点态势信息；所述关联群体包括所述智能体的全部关注者；所述观点态势信息为所述关联群体的公开观点值均值；
获取智能体表达公开观点后收到的历史反馈信息，以及预估反馈信息；所述预估反馈信息中包括内在观点值估计概率；
根据所述历史反馈信息与所述预估反馈信息的差异对所述内在观点值估计概率进行修正，得到修正后的内在观点值估计概率；
根据所述修正后的内在观点值估计概率确定所述关联群体的内在观点均值，根据所述关联群体的内在观点均值、预先获取的观点态势信息和所述层次认知模型确定不同理性层级的智能体表达公开观点的最优策略，根据所述不同理性层级的智能体表达公开观点的最优策略和所述社交网络观点融合模型进行社交网络观点演化分析，得到社交网络观点动力演化结果。
2.根据权利要求1所述的方法，其特征在于，根据所述社交网络有向图确定社交网络观点融合模型；所述社交网络观点融合模型中节点单个时间步的内在观点值包括当前智能体上一时间步的内在观点值和其他智能体的公开观点值对当前智能体的影响值，包括：
根据所述社交网络有向图确定社交网络观点融合模型为：
Figure QLYQS_1
；
其中，
Figure QLYQS_6
表示所述社交网络有向图中的节点，/>
Figure QLYQS_4
表示所述第一节点，/>
Figure QLYQS_18
表示所述第二节点，/>
Figure QLYQS_5
表示/>
Figure QLYQS_14
在第/>
Figure QLYQS_7
步中的内在观点值，/>
Figure QLYQS_15
表示/>
Figure QLYQS_8
影响/>
Figure QLYQS_11
的权重，/>
Figure QLYQS_2
表示/>
Figure QLYQS_16
本身的固执程度，/>
Figure QLYQS_9
表示/>
Figure QLYQS_12
在第/>
Figure QLYQS_10
步中的公开观点值，/>
Figure QLYQS_17
表示第/>
Figure QLYQS_3
步中影响/>
Figure QLYQS_13
的个体集合；
Figure QLYQS_19
接收到态度为/>
Figure QLYQS_20
的消息后，表达赞同或反对的反馈函数为：
Figure QLYQS_21
；
其中，
Figure QLYQS_22
表示赞同区域阈值，/>
Figure QLYQS_23
表示反对区域阈值。
3.根据权利要求2所述的方法，其特征在于，基于行为博弈理论确定智能体表达公开观点时的损耗函数；所述损耗函数包括当前节点公开观点值和内在观点值的差异值，以及当前节点公开观点值与观点信息的综合差异值；所述观点信息为其他智能体表达的公开观点信息，包括：
基于行为博弈理论确定智能体表达公开观点时的损耗函数为：
Figure QLYQS_24
；
其中，等号右侧第一项表示当前节点公开观点值与其内在观点值的差异，第二项表示当前节点公开观点值与观点信息的综合差异值，
Figure QLYQS_25
表示/>
Figure QLYQS_26
的公开观点值，
Figure QLYQS_27
表示其他智能体表达的观点值，/>
Figure QLYQS_28
表示权重。
4.根据权利要求3所述的方法，其特征在于，根据所述损耗函数构建层次认知模型；所述层次认知模型基于所述损耗函数得到不同理性层级的智能体在表达公开观点的策略，包括：
根据所述损耗函数构建层次认知模型，将智能体分为不同理性层级，
Figure QLYQS_29
和/>
Figure QLYQS_30
分别表示第/>
Figure QLYQS_31
级智能体/>
Figure QLYQS_32
的公开观点值和权重；
如果
Figure QLYQS_33
属于第1层，则/>
Figure QLYQS_34
，/>
Figure QLYQS_35
；
如果
Figure QLYQS_36
属于第2层，其他智能体属于第1层，则：
Figure QLYQS_37
；
如果
Figure QLYQS_38
属于第/>
Figure QLYQS_39
层，其他智能体处于/>
Figure QLYQS_40
层，则：
Figure QLYQS_41
。
5.根据权利要求4所述的方法，其特征在于，当理性层级为3时，所述层次认知模型为：
Figure QLYQS_42
；
Figure QLYQS_43
；
Figure QLYQS_44
；
其中，
Figure QLYQS_45
表示/>
Figure QLYQS_46
推断的关联群体的内在观点均值；/>
Figure QLYQS_47
为所述观点态势信息。
6.根据权利要求5所述的方法，其特征在于，获取智能体表达公开观点后收到的历史反馈信息，以及预估反馈信息；所述预估反馈信息中包括内在观点值估计概率，包括：
获取智能体表达公开观点后收到的历史反馈信息为：
Figure QLYQS_48
；
其中，公开观点值被划分为
Figure QLYQS_49
个区间，第/>
Figure QLYQS_50
个区间/>
Figure QLYQS_51
记为/>
Figure QLYQS_52
，公开观点值位于/>
Figure QLYQS_53
的概率记为/>
Figure QLYQS_54
，/>
Figure QLYQS_55
为示性函数；
获取预估反馈信息为：
Figure QLYQS_56
；
其中，
Figure QLYQS_57
为内在观点值估计概率。
7.根据权利要求6所述的方法，其特征在于，根据所述历史反馈信息与所述预估反馈信息的差异对所述内在观点值估计概率进行修正，得到修正后的内在观点值估计概率，包括：
确定所述历史反馈信息与所述预估反馈信息的差异值为：
Figure QLYQS_58
；
对所述内在观点值估计概率进行修正的规则为：
如果
Figure QLYQS_59
仅与/>
Figure QLYQS_60
相交，则/>
Figure QLYQS_61
；
如果
Figure QLYQS_62
仅与/>
Figure QLYQS_63
相交，则/>
Figure QLYQS_64
；
待更新完成后，对于所有区间的估计概率作全概率和归一化处理，确保
Figure QLYQS_65
，得到修正后的内在观点值估计概率。
8.根据权利要求1至7任一项所述的方法，其特征在于，所述公开观点值和所述内在观点值的范围为
Figure QLYQS_66
；其中1 和 0 分别表示极端正面和极端负面的观点。
9.一种基于行为博弈的社交网络观点演化分析装置，其特征在于，所述装置包括：
社交网络有向图构建模块，用于构建社交网络有向图；所述社交网络有向图中的每个节点表示一个智能体，由第一节点指向第二节点的边表示第一节点对应的智能体关注了第二节点对应的智能体；节点属性包括公开观点值和内在观点值；
社交网络观点融合模型确定模块，用于根据所述社交网络有向图确定社交网络观点融合模型；所述社交网络观点融合模型中节点单个时间步的内在观点值包括当前智能体上一时间步的内在观点值和其他智能体的公开观点值对当前智能体的影响值；
损耗函数确定模块，用于基于行为博弈理论确定智能体表达公开观点时的损耗函数；所述损耗函数包括当前节点公开观点值和内在观点值的差异值，以及当前节点公开观点值与观点信息的综合差异值；所述观点信息为其他智能体表达的公开观点信息；
层次认知模型构建模块，用于根据所述损耗函数构建层次认知模型；所述层次认知模型基于所述损耗函数得到不同理性层级的智能体在表达公开观点的策略；所述层次认知模型中高理性水平智能体表达公开观点的最优策略包括其推断的关联群体的内在观点均值和观点态势信息；所述关联群体包括所述智能体的全部关注者；所述观点态势信息为所述关联群体的公开观点值均值；
反馈信息获取模块，用于获取智能体表达公开观点后收到的历史反馈信息，以及预估反馈信息；所述预估反馈信息中包括内在观点值估计概率；
内在观点值估计概率修正模块，用于根据所述历史反馈信息与所述预估反馈信息的差异对所述内在观点值估计概率进行修正，得到修正后的内在观点值估计概率；
演化分析模块，用于根据所述修正后的内在观点值估计概率确定所述关联群体的内在观点均值，根据所述关联群体的内在观点均值、预先获取的观点态势信息和所述层次认知模型确定不同理性层级的智能体表达公开观点的最优策略，根据所述不同理性层级的智能体表达公开观点的最优策略和所述社交网络观点融合模型进行社交网络观点演化分析，得到社交网络观点动力演化结果。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
CN202310650457.6A 2023-06-02 2023-06-02 基于行为博弈的社交网络观点演化分析方法、装置和设备 Active CN116361568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310650457.6A CN116361568B (zh) 2023-06-02 2023-06-02 基于行为博弈的社交网络观点演化分析方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310650457.6A CN116361568B (zh) 2023-06-02 2023-06-02 基于行为博弈的社交网络观点演化分析方法、装置和设备

Publications (2)

Publication Number Publication Date
CN116361568A true CN116361568A (zh) 2023-06-30
CN116361568B CN116361568B (zh) 2023-08-11

Family

ID=86905536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310650457.6A Active CN116361568B (zh) 2023-06-02 2023-06-02 基于行为博弈的社交网络观点演化分析方法、装置和设备

Country Status (1)

Country Link
CN (1) CN116361568B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090132441A1 (en) * 2005-08-23 2009-05-21 Syneola Sa Multilevel semiotic and fuzzy logic user and metadata interface means for interactive multimedia system having cognitive adaptive capability
CN105791026A (zh) * 2016-04-19 2016-07-20 浙江理工大学 一种基于功率和能量优化的势博弈拓扑控制方法
CN106488393A (zh) * 2016-09-30 2017-03-08 天津大学 基于演化博弈机制的分簇无线传感器网络簇头选举模型
CN110035066A (zh) * 2019-03-13 2019-07-19 中国科学院大学 一种基于博弈论的攻防行为量化评估方法及系统
CN110462612A (zh) * 2017-02-17 2019-11-15 凯恩迪股份有限公司 使用在网络节点处具有软件代理的网络进行机器学习并然后对网络节点进行排名的方法和装置
CN111258767A (zh) * 2020-01-22 2020-06-09 中国人民解放军国防科技大学 复杂系统仿真应用的云计算资源智能分配方法与装置
CN112182977A (zh) * 2020-10-12 2021-01-05 中国人民解放军国防科技大学 一种无人集群协同博弈对抗的控制方法及系统
US20220066456A1 (en) * 2016-02-29 2022-03-03 AI Incorporated Obstacle recognition method for autonomous robots
US20220067520A1 (en) * 2020-08-28 2022-03-03 UMNAI Limited Behaviour modeling, verification, and autonomous actions and triggers of ml and ai systems
CN114968227A (zh) * 2022-05-07 2022-08-30 中国人民解放军国防科技大学 智能作战仿真平台以及智能作战仿真平台的数据处理方法
CN115526270A (zh) * 2022-10-24 2022-12-27 复旦大学 开放环境中行为演化的时空融合推理与终身认知学习方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090132441A1 (en) * 2005-08-23 2009-05-21 Syneola Sa Multilevel semiotic and fuzzy logic user and metadata interface means for interactive multimedia system having cognitive adaptive capability
US20220066456A1 (en) * 2016-02-29 2022-03-03 AI Incorporated Obstacle recognition method for autonomous robots
CN105791026A (zh) * 2016-04-19 2016-07-20 浙江理工大学 一种基于功率和能量优化的势博弈拓扑控制方法
CN106488393A (zh) * 2016-09-30 2017-03-08 天津大学 基于演化博弈机制的分簇无线传感器网络簇头选举模型
CN110462612A (zh) * 2017-02-17 2019-11-15 凯恩迪股份有限公司 使用在网络节点处具有软件代理的网络进行机器学习并然后对网络节点进行排名的方法和装置
CN110035066A (zh) * 2019-03-13 2019-07-19 中国科学院大学 一种基于博弈论的攻防行为量化评估方法及系统
CN111258767A (zh) * 2020-01-22 2020-06-09 中国人民解放军国防科技大学 复杂系统仿真应用的云计算资源智能分配方法与装置
US20220067520A1 (en) * 2020-08-28 2022-03-03 UMNAI Limited Behaviour modeling, verification, and autonomous actions and triggers of ml and ai systems
CN112182977A (zh) * 2020-10-12 2021-01-05 中国人民解放军国防科技大学 一种无人集群协同博弈对抗的控制方法及系统
CN114968227A (zh) * 2022-05-07 2022-08-30 中国人民解放军国防科技大学 智能作战仿真平台以及智能作战仿真平台的数据处理方法
CN115526270A (zh) * 2022-10-24 2022-12-27 复旦大学 开放环境中行为演化的时空融合推理与终身认知学习方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAOMING ZHANG，WENJIE TANG。ETC.AL: "An Opinion Dynamics Model with Cross-Link Interaction", 《2022 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS (SMC)》 *
HAOMING ZHANG，YIPING YAO，WENJIE TANG: ""A Hegselmann-Krause Model with Social Influence-aware Bounded Confidence Threshold in Social Networks"", 《2022 5TH INTERNATIONAL CONFERENCE ON DATA SCIENCE AND INFORMATION TECHNOLOGY》 *
刘锦德;刘咏梅: "基于不完全信息演化博弈模型的网络舆情传播羊群行为", 国防科技大学学报, vol. 35, no. 005 *
宾宁;张成科;庄佳弟;李广杰: "突发事件网络舆情演变过程中的演化博弈行为分析", 情报探索, no. 007 *

Also Published As

Publication number Publication date
CN116361568B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN113496315B (zh) 基于分位数梯度提升决策树的负荷区间预测方法及系统
Das et al. FB-STEP: a fuzzy Bayesian network based data-driven framework for spatio-temporal prediction of climatological time series data
Si et al. Mobility prediction in cellular network using hidden markov model
Agami et al. A fuzzy logic based trend impact analysis method
CN105869022B (zh) 一种应用流行度预测方法和装置
Wan et al. Multi-objective model-based reinforcement learning for infectious disease control
CN116541106B (zh) 计算任务卸载方法、计算设备及存储介质
Fragkos et al. Artificial intelligent multi-access edge computing servers management
Phelps Emergence of social networks via direct and indirect reciprocity
CN115766104A (zh) 一种基于改进的Q-learning网络安全决策自适应生成方法
Štula et al. Continuously self-adjusting fuzzy cognitive map with semi-autonomous concepts
CN116669068A (zh) 一种基于gcn的时延业务端到端切片部署方法及系统
CN116582349A (zh) 基于网络攻击图的攻击路径预测模型生成方法及装置
Mohammed et al. Improving forecasts of the EGARCH model using artificial neural network and fuzzy inference system
CN116361568B (zh) 基于行为博弈的社交网络观点演化分析方法、装置和设备
Tran Modeling sustainability transitions on complex networks
Geller et al. Learning health state transition probabilities via wireless body area networks
Polich et al. Interactive dynamic influence diagrams
Liang et al. A bayesian approach to online learning for contextual restless bandits with applications to public health
Fei et al. Efficient solution selection for two-stage stochastic programs
Herlihy et al. Networked restless bandits with positive externalities
Koka et al. Theoretical simulation in health economics: An application to Grossman’s model of investment in health capital
Pitarch et al. Application of a stochastic compartmental model to approach the spread of environmental events with climatic bias
Tembine et al. Noisy mean field stochastic games with network applications
Gao et al. Recurrent dynamic message passing with loops for epidemics on networks

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