CN116361568B - 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 PDFInfo
- Publication number
- CN116361568B CN116361568B CN202310650457.6A CN202310650457A CN116361568B CN 116361568 B CN116361568 B CN 116361568B CN 202310650457 A CN202310650457 A CN 202310650457A CN 116361568 B CN116361568 B CN 116361568B
- Authority
- CN
- China
- Prior art keywords
- value
- viewpoint
- public
- social network
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 230000006399 behavior Effects 0.000 claims abstract description 48
- 230000001149 cognitive effect Effects 0.000 claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 59
- 238000004590 computer program Methods 0.000 claims description 12
- 208000001613 Gambling Diseases 0.000 claims description 10
- 230000019771 cognition Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims 1
- 239000003795 chemical substances by application Substances 0.000 description 122
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
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:
;
其中,表示所述社交网络有向图中的节点,/>表示所述第一节点,/>表示所述第二节点,/>表示/>在第/>步中的内在观点值,/>表示/>影响/>的权重,/>表示/>本身的固执程度,/>表示/>在第/>步中的公开观点值,/>表示第/>步中影响/>的个体集合;
接收到态度为/>的消息后,表达赞同或反对的反馈函数为:
;
其中,表示赞同区域阈值,/>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:
;
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,表示/>的公开观点值, 表示其他智能体表达的观点值,/>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,和/>分别表示第/>级智能体/>的公开观点值和权重;
如果属于第1层,则/>,/>;
如果属于第2层,其他智能体属于第1层,则:
;
如果属于第/>层,其他智能体处于/>层,则:
。
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:
;
;
;
其中,表示/>推断的关联群体的内在观点均值;/>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:
;
其中,公开观点值被划分为个区间,第/>个区间/>记为/>,公开观点值位于/>的概率记为/>,/>为示性函数;
获取预估反馈信息为:
;
其中,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:
;
对所述内在观点值估计概率进行修正的规则为:
如果仅与/>相交,则/>;
如果仅与/>相交,则/>;
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,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;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,其中/>表示社交网络中的节点集合,/>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/>。如果存在由/>指向/>的边/>,则表示/>关注了(/>是被关注者,/>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/>时间步/>的内在观点由/>表示,公开观点由/>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:
;
其中,表示/>影响/>的权重,/>表示/>本身的固执程度,/>表示/>发布消息中蕴含的观点值,/>表示第/>步中影响/>的个体集合。/>对/>产生影响,不但需要/>能够接收到/>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)。
接收到态度为/>的消息后,会按如下规则反馈以表达赞同或反对:
;
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:
;
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。表示/>表达的消息观点,/>表示其他智能体表达的观点。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,和/>分别表示第/>层智能体/>发布的观点值和权重。
如果/>属于第1层,/>,/>。
如果/>属于第2层,它认为其他智能体属于第1层。此时,/>最优策略可通过对损耗函数公式求偏导取0值可得:
;
;
如果/>属于第/>层,它认为其他智能体处于/>层。此时的最优策略为:
;
此外,当最优策略和个人偏好有较大差异时,可能选择不发声。因此,当时,设定/>发身的概率为/>。其中,/>表示陡度为/>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:
;
;
;
其中,表示/>推断的当前智能体内在观点均值;/>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。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/>个区间,第/>个区间/>记为/>,观点值位于/>的概率记为/>,估计概率为/>,即内在观点值估计概率。/>亦可表示为:
;
智能体发布公开观点的消息后收到的实际反馈可根据反馈规则计算:
;
实际反馈也可近似表示为:
;
预估反馈则按如下公式计算(/>为示性函数),
;
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,然后不断地利用与/>的差异来修正观点分布的估计值。因为:
;
拟按如下规则对进行更新,可减小/>与/>的差异:
如果/>仅与/>相交,则/>;
如果/>仅与/>相交,则/>;
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。
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。当大于/>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/>小于/>,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:
;
其中,表示社交网络有向图中的节点,/>表示第一节点,/>表示第二节点,/>表示/>在第/>步中的内在观点值,/>表示/>影响/>的权重,/>表示/>本身的固执程度,/>表示/>在第/>步中的公开观点值,/>表示第/>步中影响/>的个体集合;
接收到态度为/>的消息后,表达赞同或反对的反馈函数为:
;
其中,表示赞同区域阈值,/>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:
;
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,表示/>的公开观点值, 表示其他智能体表达的观点值,/>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,和/>分别表示第/>级智能体/>的公开观点值和权重;
如果属于第1层,则/>,/>;
如果属于第2层,其他智能体属于第1层,则
;
如果属于第/>层,其他智能体处于/>层,则
。
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:
;
其中,公开观点值被划分为个区间,第/>个区间/>记为/>,公开观点值位于/>的概率记为/>,/>为示性函数;
获取预估反馈信息为:
;
其中,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:
;
对内在观点值估计概率进行修正的规则为:
如果仅与/>相交,则/>;
如果仅与/>相交,则/>;
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,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:
;
其中,表示所述社交网络有向图中的节点,/>表示所述第一节点,/>表示所述第二节点,/>表示/>在第/>步中的内在观点值,/>表示/>影响/>的权重,/>表示/>本身的固执程度,/>表示/>在第/>步中的公开观点值,/>表示第/>步中影响/>的个体集合;
接收到态度为/>的消息后,表达赞同或反对的反馈函数为:
;
其中,表示赞同区域阈值,/>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:
;
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,表示/>的公开观点值, 表示其他智能体表达的观点值,/>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,和/>分别表示第/>级智能体/>的公开观点值和权重;
如果属于第1层,则/>,/>;
如果属于第2层,其他智能体属于第1层,则:
;
如果属于第/>层,其他智能体处于/>层,则:
。
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:
;
;
;
其中,表示/>推断的关联群体的内在观点均值;/>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:
;
其中,公开观点值被划分为个区间,第/>个区间/>记为/>,公开观点值位于/>的概率记为/>,/>为示性函数;
获取预估反馈信息为:
;
其中,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:
;
对所述内在观点值估计概率进行修正的规则为:
如果仅与/>相交,则/>;
如果仅与/>相交,则/>;
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,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;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。
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 CN116361568A (zh) | 2023-06-30 |
CN116361568B true 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 (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1758398A1 (en) * | 2005-08-23 | 2007-02-28 | Syneola SA | Multilevel semiotic and fuzzy logic user and metadata interface means for interactive multimedia system having cognitive adaptive capability |
US11927965B2 (en) * | 2016-02-29 | 2024-03-12 | AI Incorporated | Obstacle recognition method for autonomous robots |
EP4205046A1 (en) * | 2020-08-28 | 2023-07-05 | Umnai Limited | Behavior modeling, verification, and autonomous actions and triggers of ml and ai systems |
-
2023
- 2023-06-02 CN CN202310650457.6A patent/CN116361568B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 (1)
Title |
---|
突发事件网络舆情演变过程中的演化博弈行为分析;宾宁;张成科;庄佳弟;李广杰;情报探索(第007期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116361568A (zh) | 2023-06-30 |
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 | |
Fang et al. | An estimation of distribution algorithm and new computational results for the stochastic resource-constrained project scheduling problem | |
KR102178633B1 (ko) | 사용자 신용 평가 방법 및 장치, 그리고 저장 매체 | |
Garg et al. | Bi-objective optimization of the reliability-redundancy allocation problem for series-parallel system | |
Das et al. | FB-STEP: a fuzzy Bayesian network based data-driven framework for spatio-temporal prediction of climatological time series data | |
Ke | A genetic algorithm-based optimizing approach for project time-cost trade-off with uncertain measure | |
Agami et al. | A fuzzy logic based trend impact analysis method | |
Phelps | Emergence of social networks via direct and indirect reciprocity | |
Tian et al. | A DS evidence theory based fuzzy trust model in file-sharing P2P networks | |
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 | |
Maghsudi et al. | Computational models of human decision-making with application to the Internet of everything | |
Tran | Modeling sustainability transitions on complex networks | |
Teng et al. | Multi-objective ordinal optimization for simulation optimization problems | |
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 | |
Alali et al. | Deep reinforcement learning sensor scheduling for effective monitoring of dynamical systems | |
CN110717537A (zh) | 训练用户分类模型、执行用户分类预测的方法及装置 | |
Fei et al. | Efficient solution selection for two-stage stochastic programs | |
CN112307359A (zh) | 面向群体压力的网民行为模拟方法、装置和计算机设备 | |
Gao et al. | Recurrent dynamic message passing with loops for epidemics on networks | |
Liang et al. | A bayesian approach to online learning for contextual restless bandits with applications to public health | |
Boulaares et al. | A hybrid approach: Uncertain configurable QoT-IoT composition based on fuzzy logic and genetic algorithm | |
Herlihy et al. | Networked restless bandits with positive externalities | |
CN111368412B (zh) | 用于护理需求预测的仿真模型构建方法和装置 | |
CN111598390B (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
JP6557613B2 (ja) | 推論モデル構築システム及び推論モデル構築方法 |
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 |