CN117290433B - 信息网络与社交网络协同驱动的观点输出方法和系统 - Google Patents

信息网络与社交网络协同驱动的观点输出方法和系统 Download PDF

Info

Publication number
CN117290433B
CN117290433B CN202311256382.XA CN202311256382A CN117290433B CN 117290433 B CN117290433 B CN 117290433B CN 202311256382 A CN202311256382 A CN 202311256382A CN 117290433 B CN117290433 B CN 117290433B
Authority
CN
China
Prior art keywords
viewpoint
user
information
social network
value
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
Application number
CN202311256382.XA
Other languages
English (en)
Other versions
CN117290433A (zh
Inventor
刘志中
赵美悦
张晓君
贺琴
孙宇航
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.)
Yantai University
Original Assignee
Yantai University
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 Yantai University filed Critical Yantai University
Priority to CN202311256382.XA priority Critical patent/CN117290433B/zh
Publication of CN117290433A publication Critical patent/CN117290433A/zh
Application granted granted Critical
Publication of CN117290433B publication Critical patent/CN117290433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • 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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及计算机技术领域，具体为信息网络与社交网络协同驱动的观点输出方法和系统，该方法中，在信息网络的驱动下，根据强可靠信息集合和弱可靠信息集中的信息特点，计算出当前个体在信息网络影响下的信息网络观点值；并基于信息网络观点值，然后在社交网络的驱动下，根据用户信任集合中个体认知能力和个体间亲密度，计算出当前个体在社交网络中邻居个体影响下的社交网络观点，同时动态更新社交网络，重复以上步骤，直到社交网络中观点值达到稳定状态后，输出对应观点，该方法具有收敛速度快、离散程度低、观点聚合效果显著，观点输出真实度高的优势。

Description

信息网络与社交网络协同驱动的观点输出方法和系统
技术领域
本发明涉及计算机技术领域，具体为信息网络与社交网络协同驱动的观点输出方法和系统。
背景技术
社会系统中个体受外界环境和周围个体观点的影响而不断发生变化。无论是被动地接受媒体平台的消息推送，还是对相关事件信息的主动检索，都对社会系统中个体观点的形成和发展产生影响进而影响社会整体的舆论和心态。
关于个体观点在网络环境中的演化过程，现有技术使用了人际关系强度和信任程度的观点演化模型来观察它们的变化对群体观点演化的影响，也利用意见领袖或权威个体的影响力和号召力实现对个体观点导向的影响，以及基于噪音以及边界条件分析了环境的随机性和不确定性对观点演化过程的影响等，虽然现有技术已取得过较好成果，但仍然存在一些不足，如下：
(1)现有技术通常基于单一的社交网络研究群体的观点演化过程，即个体观点的更新只受到社交网络中邻居个体的影响。实际上，社会系统中个体在受到社交网络中邻居观点影响的同时，信息网络推送的信息以及个体主动检索的信息都对个体自身观点的形成和发展有巨大的影响。
(2)权威个体对个体观点变化产生影响的模型中，通常根据网络拓扑结构或者个体属性确定权威用户，且权威用户及其数量都是固定不变的。然而，在现实生活中，具有不同教育程度、个人经验的个体对权威用户的需求是不同的，即个体对筛选权威用户的规则以及数量都是不固定的。
发明内容
本发明的目的是提供一种信息网络与社交网络协同驱动的观点输出方法和系统。
本发明技术方案如下：
一种信息网络与社交网络协同驱动的观点输出方法，包括如下操作：
S1、基于观点之间的交互关系，构建信息网络；获取所述信息网络的观点集，根据观点的信息内容和信息来源，对所述观点集进行分类，得到强可靠信息集合和弱可靠信息集合；基于所述强可靠信息集合和弱可靠信息集合中，观点的点赞率、评论率和转发率，得到强可靠观点权重集和弱可靠观点权重集；
S2、基于用户之间的交互关系，构建社交网络；获取所述社交网络的用户集，根据用户的个体认知能力和个体间亲密度，得到用户信任集合；基于所述用户信任集合、个体认知能力和个体间亲密度，得到用户影响权重集；
S3、步骤一：基于所述强可靠观点权重集和弱可靠观点权重集，分别对所述强可靠信息集合和弱可靠信息集合进行第一加权处理后，与用户初始观点结合，得到第一信息网络观点值；基于所述个体影响权重，对所述用户信任集合的对应用户观点进行第二加权处理后，与所述第一轮信息网络观点值结合，得到第一社交网络观点值；
步骤二：所述第一社交网络观点值，与分别经所述第一加权处理的强可靠信息集合和弱可靠信息集合结合，得到第二信息网络观点值；所述第二信息网络观点值，与经所述第二加权处理的用户信任集合的用户观点结合，得到第二社交网络观点值；
S4、判断所述第二社交网络观点值与第一社交网络观点值的相似度是否小于相似度阈值；
若小于，输出第二社交网络观点值对应用户观点；
若不小于，所述第二社交网络观点值代替所述S3中步骤一的第一社交网络观点值，并执行所述S3中步骤二的操作。
所述S3中步骤一和步骤二的操作之间，还包括更新所述社交网络，具体为：基于所述个体认知能力和个体间亲密度，得到用户不信任集合，断开所述用户不信任集合中的第一不信任用户，与对应的个体间亲密度最小的不信任用户之间的边关系；基于所述社交网络中用户的连接关系，得到用户不连接集合，建立所述用户不连接集合中的第一不连接用户，与个体认知能力最大的不连接用户之间的边关系；更新后的社交网络用于执行所述S3中步骤二的操作。
所述S1中得到观点权重集的操作具体为：获取所述强可靠信息集合中，对应观点的点赞率、评论率和转发率，分别与对应的点赞率校正值、评论率校正值和转发率校正值结合，得到初始强可靠观点权重集；获取所述弱可靠信息集合中，对应观点的点赞率、评论率和转发率，分别与对应的点赞率校正值、评论率校正值和转发率校正值结合，得到初始弱可靠观点权重集；所述初始强可靠观点权重集和初始弱可靠观点权重集分别经归一化处理，得到所述观点权重集。
所述S2中得到用户影响权重集的操作具体为：基于所述用户信任集合中，每个用户的个体认知能力和个体间亲密度，得到异质影响度集；获取每个用户的异质影响度，占所述异质影响度集总和的比例，得到所述用户影响权重集。
所述S1中，所述强可靠信息集合中，观点的信息内容有证据支撑，且观点的信息来源可靠；所述弱可靠信息集合中，观点的信息内容有证据支撑，或观点的信息来源可靠。
所述证据包括数据、和/或视频、和/或案例。
所述用户信任集合中，当前用户的个体认知能力小于邻居用户的个体认知能力时；若所述当前用户的个体认知能力与邻居用户的个体认知能力的差值小于认知能力阈值时，所述当前用户与邻居用户的个体亲密度大于亲密度阈值。
一种信息网络与社交网络协同驱动的观点输出系统，包括：
信息网络生成模块，用于基于观点之间的交互关系，构建信息网络；获取所述信息网络的观点集，根据观点的信息内容和信息来源，对所述观点集进行分类，得到强可靠信息集合和弱可靠信息集合；基于所述强可靠信息集合和弱可靠信息集合中，观点的点赞率、评论率和转发率，得到强可靠观点权重集和弱可靠观点权重集；
社交网络生成模块，用于基于用户之间的交互关系，构建社交网络；获取所述社交网络的用户集，根据用户的个体认知能力和个体间亲密度，得到用户信任集合；基于所述用户信任集合、个体认知能力和个体间亲密度，得到用户影响权重集；
信息网络和社交网络观点值生成模块，用于实现，步骤一：基于所述强可靠观点权重集和弱可靠观点权重集，分别对所述强可靠信息集合和弱可靠信息集合进行第一加权处理后，与用户初始观点结合，得到第一信息网络观点值；基于所述个体影响权重，对所述用户信任集合的对应用户观点进行第二加权处理后，与所述第一轮信息网络观点值结合，得到第一社交网络观点值；步骤二：所述第一社交网络观点值，与分别经所述第一加权处理的强可靠信息集合和弱可靠信息集合结合，得到第二信息网络观点值；所述第二信息网络观点值，与经所述第二加权处理的用户信任集合的用户观点结合，得到第二社交网络观点值；
相似度判断和观点输出模块，用于判断所述第二社交网络观点值与第一社交网络观点值的相似度是否小于相似度阈值；若小于，输出第二社交网络观点值对应用户观点；若不小于，所述第二社交网络观点值代替所述信息网络和社交网络观点值生成模块中步骤一的第一社交网络观点值，并执行所述信息网络和社交网络观点值生成模块中步骤二的操作。
一种信息网络与社交网络协同驱动的观点输出设备，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现上述的信息网络与社交网络协同驱动的观点输出方法。
一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现上述的信息网络与社交网络协同驱动的观点输出方法。
本发明的有益效果在于：
本发明提供的一种信息网络与社交网络协同驱动的观点输出方法，在信息网络的驱动下，根据强可靠信息集合和弱可靠信息集中的信息特点，计算出当前个体在信息网络影响下的信息网络观点值；并基于信息网络观点值，然后在社交网络的驱动下，根据用户信任集合中个体认知能力和个体间亲密度，计算出当前个体在社交网络中邻居个体影响下的社交网络观点，同时动态更新社交网络，重复以上步骤，直到社交网络中观点值达到稳定状态后，输出对应观点，该方法具有收敛速度快、离散程度低、观点聚合效果显著，观点输出真实度高的优势。
附图说明
通过阅读下文优选实施方式的详细描述，本申请的方案和优点对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
在附图中：
图1为实施例中由信息网络与社交网络组成的协同网络的结构示意图；
图2为实施例中独立网络与协同网络的观点演化趋势图，a图为独立信息网络的观点演化趋势图，b图为独立社交网络的观点演化趋势图，c图为协同网络的观点演化趋势图，d图为独立信息网络、独立社交网络与协同网络的离散程度对比图；
图3为实施例中独立网络与协同网络的观点分布图，a图为独立信息网络的观点分布图，b图为独立社交网络的观点分布图，c图为协同网络的观点分布图；
图4为实施例中不同初始观点分布下的协同网络的观点演化示意图；
图5为实施例中认知能力阈值和亲密度阈值分别对独立社交网络与协同网络的观点演化影响图，a图为认知能力阈值和亲密度阈值对独立社交网络的观点演化影响图，b图为认知能力阈值和亲密度阈值对协同网络的观点演化影响图。
具体实施方式
下面将结合附图更详细地描述本公开的示例性实施方式。
本实施例提供了信息网络与社交网络协同驱动的观点输出方法，包括如下操作：
S1、基于观点之间的交互关系，构建信息网络；获取所述信息网络的观点集，根据观点的信息内容和信息来源，对所述观点集进行分类，得到强可靠信息集合和弱可靠信息集合；基于所述强可靠信息集合和弱可靠信息集合中，观点的点赞率、评论率和转发率，得到强可靠观点权重集和弱可靠观点权重集；
S2、构建社交网络，所述社交网络用于用户之间的交互；获取所述社交网络的用户集，根据用户的个体认知能力和个体间亲密度，得到用户信任集合；基于所述用户信任集合、个体认知能力和个体间亲密度，得到用户影响权重集；
S3、步骤一：基于所述强可靠观点权重集和弱可靠观点权重集，分别对所述强可靠信息集合和弱可靠信息集合进行第一加权处理后，与用户初始观点结合，得到第一信息网络观点值；基于所述个体影响权重，对所述用户信任集合的对应用户观点进行第二加权处理后，与所述第一轮信息网络观点值结合，得到第一社交网络观点值；
步骤二：所述第一社交网络观点值，与分别经所述第一加权处理的强可靠信息集合和弱可靠信息集合结合，得到第二信息网络观点值；所述第二信息网络观点值，与经所述第二加权处理的用户信任集合的用户观点结合，得到第二社交网络观点值；
S4、判断所述第二社交网络观点值与第一社交网络观点值的相似度是否小于相似度阈值；
若小于，输出第二社交网络观点值对应用户观点；
若不小于，所述第二社交网络观点值代替所述S3中步骤一的第一社交网络观点值，并执行所述S3中步骤二的操作。
S1、基于观点之间的交互关系，构建信息网络；获取信息网络的观点集，根据观点的信息内容和信息来源，对观点集进行分类，得到强可靠信息集合和弱可靠信息集合；基于强可靠信息集合和弱可靠信息集合中，观点的点赞率、评论率和转发率，得到强可靠观点权重集和弱可靠观点权重集。
本实施例构建信息网络，参见图1，信息网络用于观点信息之间的交互，信息网络中的节点表示观点，边代表观点信息之间的交互关系。信息网络中的观点集表示为X(t)＝(x1(t),x2(t)…,xn(t))，X(t)表示观点集，其中n表示观点的数量。
接着，根据信息内容、信息来源两个角度对信息的可靠性进行分类，进而构建可信任的信息集合；然后对不同信任程度的观点分配不同的权重，得到观点权重集。
强可靠信息集合中，观点的信息内容有证据支撑，且观点的信息来源可靠；弱可靠信息集合中，观点的信息内容有证据支撑，或观点的信息来源可靠。上述证据包括数据、和/或视频、和/或案例。
具体为，当有相关数据、视频或案例能够支撑观点时，则认为该观点的信息内容是可靠的，用δ表示信息内容的可靠性，δ＝{δ1,δ2,δ,…,δn}，δ＝0/1(1≤i≤n)，δi＝1时，表示信息内容有证据支撑，即信息内容可靠，δi＝0时，表示信息无证据支撑，即信息内容不可靠。当观点是具有相关资质和认证的权威机构、媒体或者专业人士发表的，该观点的信息来源是可靠的，用ε表示信息来源的可靠性,ε＝{ε1,ε2,ε3,…,εn}，εi＝0/1(1≤i≤n)，εi＝1时，表示信息来源可靠，εi＝0时，表示用户的信息来源不可靠。因此，强可靠信息集合(RS)在t时刻可以表示为RSi(t)＝{vj|δj＝1and εj＝1}，弱可靠信息集合(RW)在t时刻可以表示为RWi(t)＝{vj|δj＝1orεj＝1}。
得到观点权重集的操作为：获取强可靠信息集合中，对应观点的点赞率、评论率和转发率，分别与对应的点赞率校正值、评论率校正值和转发率校正值结合，得到初始强可靠观点权重集；获取弱可靠信息集合中，对应观点的点赞率、评论率和转发率，分别与对应的点赞率校正值、评论率校正值和转发率校正值结合，得到初始弱可靠观点权重集；初始强可靠观点权重集和初始弱可靠观点权重集分别经归一化处理，得到强可靠观点权重集和弱可靠观点权重集。
得到某一观点的观点权重可通过如下公式实现：
W0(t)＝αNlike+βNcomment+γNtransmit，
W0(t)为t时刻某一观点的初始观点权重，Nlike、Ncomment、Ntransmit分别为某一观点的点赞率、评论率、转发率，α、β、γ分别表示为点赞率校正值、评论率校正值和转发率校正值，α、β、γ∈[0,1],α+β+γ＝1。
因不同观点之间观点权重差距较大，可能不能直接进行线性相加计算，因此，需要对观点权重集进行归一化处理，使每条观点信息的权威度映射到[0,1]之间。归一化公式如下：
其中，W(t)表示归一化之后的观点权重，Wmin表示观点权重最小值，Wmax表示观点权重最大值。
S2、基于用户之间的交互关系，构建社交网络；获取社交网络的用户集，根据用户的个体认知能力和个体间亲密度，得到用户信任集合；基于用户信任集合、个体认知能力和个体间亲密度，得到用户影响权重集。
本实施例构建的社交网络用于用户之间的交互，参见图1，社交网络中的节点表示用户，边代表用户间的交互关系，社交网络位于信息网络的上层，社交网络与信息网络之间的边代表用户与观点信息的交互，社交网络中每个用户都能在信息网络中找到对应观点。社交网络的用户集可以表示为U＝{u1,u2,…un}，其中n表示用户的数量，每个用户至少拥有一个观点。
个体认知能力包括用户的知识水平、个人经验、事物认知深度和识别能力，个体认知能力集合记为C，C＝{c1,c2,c3,…,cn}，ci∈[0,1](1≤i≤n)。ci越趋近于1时，表示用户i的个体认知能力越高，个体权威度越高，ci越趋近于0时，表示用户i的个体认知能力越低，个体权威性越低。
个体间亲密度为用户之间的亲密度、融洽性和协调性，记个体j对个体i的亲密度为Rij，Rij∈[0,1]，Rij越大表示个体j对i的亲密度越大，相对来说i对j的影响强度也就越大。
RN×N为亲密度矩阵，服从随机均匀分布，本实施例假设个体i对j的亲密度与个体j对i的亲密度是相等的，即RN×N是对称矩阵，因此，若当前时刻，用户i的观点xi与用户j的观点xj之间的差异性，小于之前的差异性，则个体j对个体i的亲密度为Rij不变，否则，Rij和Rji分布随交互网络更新的更新中间值和/>以及最终值/>和/>可通过如下公式得到：
用户信任集合中，当前用户的个体认知能力小于邻居用户的个体认知能力时，若当前用户的个体认知能力与邻居用户的个体认知能力的差值小于认知能力阈值时，当前用户与邻居用户的个体亲密度大于亲密度阈值。
具体为，在t时刻，如果邻居j的个体认知能力大于当前个体i的个体认知能力，且之间的差值超过认知能力阈值c'，即j对于i来说是权威用户，此时i直接信任j，这体现了个体“慕强”的特点；当j和i的个体认知能力差距小于认知能力阈值c'，但个体亲密度超过亲密度阈值r，即二者处于平等的地位，此时邻居j也为当前个体i信任的邻居。所以，用户信任集合可以表示为：Ii(t)＝{(cj-ci＞c')∪(|cj-ci|<c′,Rij>r)}。
得到用户影响权重集的操作为：基于用户信任集合中，每个用户的个体认知能力和个体间亲密度，得到异质影响度集；获取每个用户的异质影响度，占异质影响度集总和的比例，得到用户影响权重集。
得到用户影响权重可通过如下公式实现：
wij(t)为用户j对当前用户i的影响权重，impi为当前用户i的异质影响度，impi＝acj+bRij，a、b∈[0,1],a+b＝1，a、b分别表示在计算当前个体i的可信任邻居的影响度时，用户j的个体认知能力cj和用户i的个体间亲密度Rij所占的比例。
S3、步骤一：基于强可靠观点权重集和弱可靠观点权重集，分别对强可靠信息集合和弱可靠信息集合进行第一加权处理后，与用户初始观点结合，得到第一信息网络观点值；基于个体影响权重，对用户信任集合的对应用户观点进行第二加权处理后，与第一轮信息网络观点值结合，得到第一社交网络观点值；步骤二：第一社交网络观点值，与分别经第一加权处理的强可靠信息集合和弱可靠信息集合结合，得到第二信息网络观点值；第二信息网络观点值，与经第二加权处理的用户信任集合的用户观点结合，得到第二社交网络观点值。
S4、判断第二社交网络观点值与第一社交网络观点值的相似度是否小于相似度阈值；若小于，输出第二社交网络观点值对应用户观点；若不小于，第二社交网络观点值代替S3中步骤一的第一社交网络观点值，并执行S3中步骤二的操作。
得到第二社交网络观点值的操作可通过如下公式实现：
a为信息网络固执参数，a∈[0,0.5]，b为社交网络固执参数b，b∈[0,1]，NRS为强可靠信息集合，NRW为弱可靠信息集合，为用户信任集合。
用户首轮(t＝1)参与信息网络中的观点演化过程时，给定的用户初始观点会与经第一加权处理后的强可靠信息集合和弱可靠信息集合中的观点结合，得到的第一信息网络观点值/>会作为社交网络的输入，并与社交网络中经第二加权处理后的用户信任集合内的用户观点进行结合，得到第一社交网络观点值/>会作为第二轮迭代过程中信息网络的输入/>会与经第一加权处理后的强可靠信息集合和弱可靠信息集合中的观点结合，得到的第二信息网络观点值，第二信息网络观点值则会作为第二轮迭代过程中社交网络的输入，与社交网络中经第二加权处理后的用户信任集合内的用户观点进行结合，得到第二社交网络观点值。
此时判断第二社交网络观点值与第一社交网络观点值的相似度是否小于相似度阈值，若小于，则证明第二社交网络观点值对应的观点，与第一社交网络观点值对应的观点对被评事件的支持度相近，因此可以输出此时第二社交网络观点值对应的观点；若不小于，则第二社交网络观点值则替换掉步骤一得到的第一社交网络观点值，作为步骤二的输入，执行步骤二当中的操作，得到第三社交网络观点值；以此类推，若当前轮次的社交网络观点值与上一轮次的社交网络观点值的相似度小于相似度阈值，则证明社交网络和信息网络已达到稳定状态，此时可输出随着的观点。
为使输出的观点更加接近真实值，更加准确，所述S3中步骤一和步骤二的操作之间，还包括更新社交网络，参见表1，具体为：基于个体认知能力和个体间亲密度，得到用户不信任集合，断开用户不信任集合中的第一不信任用户，与对应个体间亲密度最小的不信任用户之间的边关系；基于社交网络中用户的连接关系，得到用户不连接集合，建立用户不连接集合中的第一不连接用户，与个体认知能力为最大值的不连接用户之间的边关系；更新后的社交网络用于执行所述S3中步骤二的操作。
表1更新社交网络拓扑结构的流程表
其中，不信任集合中，当前用户的个体认知能力大于邻居用户的个体认知能力，且当前用户与邻居用户的个体亲密度小于亲密度阈值。因此，不信任集合可以表示为Ji(t)＝{cj<ci,Rij<r}。
不连接集合中，当前用户与其他用户没有连边，当前用户不接受其他用户观点，即当前用户的个体接受度差，不愿意接受他人的观点。个体接受度可衡量个体对他人观点的接受程度，记为A，A＝{a1,a2,a3,…,an}，ai∈[0,1](1≤i≤n)，ai越大表示个体开放程度越高，更容易接受他人的观点；ai越小表示个体顽固程度越高，不愿意接受他人的观点。因此，不连接集合可以表示为Ki(t)＝{vj|aij＝0}。
本实施例提供的观点输出方法的整体流程，参见表2，输入双层网络(信息网络和社交网络的组合)的图结构M＝(g,L)，g代表信息网络和社交网络结构；L代表信息网络层和社交网络层之间的连接关系，C、R、c'、r、eps分别为个体认知能力、个体亲密度、认知能力阈值、亲密度阈值、相似度阈值，times,clusters、opinions分别为轮次、簇、观点。
表2协同驱动的观点输出方法流程表
为验证本实施例提供的观点输出方法的效果，做了如下实验。
通过专业版PyCharm运行环境对本实施例提供的方法(以下简称为ISOE，OpinionEvolution Model Driven by Information Networks and Social Networks，信息网络与社交网络协同驱动的观点输出方法，也可称为协同网络)进行了模拟仿真，观察协同网络-ISOE中信息网络的存在对观点演化的影响以及各参数和初始观点分布对ISOE的影响。
实验参数设定及演化步骤。定义一个网络节点数量为60的WS小世界网络A和一个网络节点数量为100的ER随机网络B来验证ISOE的科学性和可靠性。个体的初始观点在[-1,1]之间随机生成；每个个体的个体认知能力C、初始个体间亲密度R和个体接受度ai均是异质的，在[0,1]之间随机生成。为了消除观点的变化对实验结果的干扰，经过多次反复实验且所有结果均在方法模型收敛后获得。
为了保证实验的正确性和有效性，对各参数设置了默认值，相关参数如表3所示：
表3 ISOE的相关参数表
独立网络与ISOE的对比。以演化步数和观点离散程度为验证指标，以独立网络为基线模型，验证ISOE的优势。分别在由单独的社交网络组成的独立社交网络，和由单独的信息网络组成的独立信息网络上进行独立仿真实验，然后进行ISOE的仿真实验，观察它们演化的特征和规律，总结ISOE与独立网络的区别。实验时个体认知能力阈值和个体间亲密度阈值保持默认值。为避免参数的随机性，各情况下均进行百次重复实验以统计结果。其实验结果如图2所示，其中，图2a、图2b和图2c的X轴是观点演化达到稳定状态的时间，Y轴是个体的观点值，图2d的X轴是观点演化达到稳定状态的时间，Y轴是群体观点的方差。图2a表示独立信息网络的观点演化结果，从中可以看出：群体观点在30轮附近达到稳定状态，观点演化收敛时间较短，观点离散程度较高；图2b表示独立社交网络的演化结果，从中可以看出：群体观点在600轮附近达到稳定状态，观点演化收敛时间较长、观点离散程度较低；图2c表示ISOE的观点演化结果，从中可以看出：群体观点在60轮附近达到稳定状态，观点演化收敛时间最短、离散程度最低。图2d表示群体观点方差曲线图，从中可以更直观地看出三种网络在收敛时间、观点离散程度上的区别。其中，独立社交网络观点演化的收敛时间长、离散程度低，独立信息网络模型观点演化的收敛时间较短、观点离散程度较高，而ISOE中群体观点达到稳定状态的时间缩短了、速度增加了、观点的离散程度降低了。
ISOE与独立网络的观点分布对比。不同的网络表示群体间不同的交互规则以及观点更新规则，作为变量，其余参数作为常量保持默认值，其实验结果如图3所示，其中X轴是群体观点的个数，Y轴表示观点值。图3展示了独立信息网络(图3a)、独立社交网络(图3b)和ISOE(图3c)的初始观点分布与群体观点达到稳定状态的观点分布对比情况，从中可以看出：群体的初始观点分布是随机的、无序的，经过有限步数演化之后，观点分布是有序的且达到了基本的共识。从图3a中可以看出：独立信息网络的群体观点虽然达到了稳定状态，但离散程度较大，没有达到理想状态的共识；从图3b中可以看出：独立社交网络群体观点的离散程度次之；从图3c中可以看出：ISOE的群体观点达到稳定状态时的离散程度最小，达到了理想状态的共识。因此，ISOE对群众观点的聚合有积极的作用，并且聚合效果显著。
不同初始观点分布对观点演化的影响。初始观点的不同分布对应着现实中不同事件的表现形式。在初始观点分布上选用均匀分布、双极分布和正态分布三种情况，均匀分布适用于群体对某一具体事件无任何偏见的情况，“各抒己见”；双极分布适用于群体具有两个极端态度的情况，“毁誉参半”；正态分布适用于大多数人处于中立态度的情况，“不偏不倚”。初始观点分布充当变量，其余参数采用默认值。为避免参数的随机性，各情况下均进行百次重复实验以统计结果。实验结果如图4所示，其中X轴是初始观点分布类型，Y轴是演化时间。图4表示不同初始观点分布下的ISOE的观点演化情况，从中可以看出：无论是独立社交网络模型还是ISOE，二者都是在初始观点均匀分布情况下演化步数最少，初始观点正态分布情况下演化步数次之，初始观点极化分布的情况下演化步数最多，并且总体的变化趋势是一致的。因为演化策略的不同，演化步数差异较大，ISOE整体上低于独立社交网络。初始观点极化分布下，个体观点值差距较大，这些个体通常是相互驱离而不是彼此拉近，个体只有在非常信任对方的情况下，才会根据对方观点而更新自己的观点，因此，态度调整往往需要更长的时间。初始观点正态分布情况下，大多数人对事件的态度保持中立态度，即大多数人的观点都很接近，在演化的过程中，人们的观点不断往共识的方向发展，因此，达到稳定状态所用时间最少。初始观点随机分布情况下，群体观点的离散程度很大，个体观点的变化程度也相对较大，所以群体达到收敛条件的时间要比初始观点正态分布达到收敛时间要长，比初始观点极化分布达到收敛时间要短。信息网络上信息传播、更新速度快，演化策略简单，因此，ISOE中由于信息网络的存在，总体上演化过程达到稳定状态的时间更短。
认知能力阈值和亲密度阈值分别对独立社交网络与ISOE的影响。由于独立信息网络中不涉及认知能力阈值和亲密度阈值，因此验证了认知能力阈值和亲密度阈值在独立社交网络，和在ISOE中的影响。本节把认知能力阈值和亲密度阈值作为变量，其余参数作为常量且保持默认值不变。为避免参数的随机性，各情况下均进行百次重复实验以统计结果，实验结果如图5所示，其中，图5a的X轴是个体认知能力参数值和个体间亲密度参数值，Y轴是独立社交网络的演化时间；图5b的X轴是个体认知能力参数和个体间亲密度参数，Y轴是ISOE的演化时间。在实验过程中，当验证认知能力阈值对观点演化的影响时，分别取0.0，0.2，0.4，0.6，0.8，作为常量取0.5且保持不变，观察群体观点演化过程的影响；当验证亲密度阈值对观点演化的影响时，分别取0.0，0.2，0.4，0.6，0.8，作为常量取0.5且保持不变，观察群体观点演化过程的影响。图5a给出了认知能力阈值和亲密度阈值的变化对独立社交网络观点演化影响的仿真结果，从中可以看出：在独立社交网络中，观点演化达到稳定状态的时间都随着认知能力阈值和亲密度阈值的增大而增加。图5b给出了认知能力阈值和亲密度阈值的变化对ISOE观点演化影响的仿真结果，从中可以看出：随着认知能力阈值和亲密度阈值的变化，ISOE达到稳定状态的时间无明显规律。总之，认知能力阈值和亲密度阈值对单独社交网络模型有明显影响，对ISOE无明显影响。
本实施例还提供一种信息网络与社交网络协同驱动的观点输出系统，包括：
信息网络生成模块，用于基于观点之间的交互关系，构建信息网络；获取信息网络的观点集，根据观点的信息内容和信息来源，对观点集进行分类，得到强可靠信息集合和弱可靠信息集合；基于强可靠信息集合和弱可靠信息集合中，观点的点赞率、评论率和转发率，得到强可靠观点权重集和弱可靠观点权重集；
社交网络生成模块，用于基于用户之间的交互关系，构建社交网络；获取社交网络的用户集，根据用户的个体认知能力和个体间亲密度，得到用户信任集合；基于用户信任集合、个体认知能力和个体间亲密度，得到用户影响权重集；
信息网络和社交网络观点值生成模块，用于实现，步骤一：基于强可靠观点权重集和弱可靠观点权重集，分别对强可靠信息集合和弱可靠信息集合进行第一加权处理后，与用户初始观点结合，得到第一信息网络观点值；基于个体影响权重，对用户信任集合的对应用户观点进行第二加权处理后，与第一轮信息网络观点值结合，得到第一社交网络观点值；步骤二：第一社交网络观点值，与分别经第一加权处理的强可靠信息集合和弱可靠信息集合结合，得到第二信息网络观点值；第二信息网络观点值，与经第二加权处理的用户信任集合的用户观点结合，得到第二社交网络观点值；
相似度判断和观点输出模块，用于判断第二社交网络观点值与第一社交网络观点值的相似度是否小于相似度阈值；若小于，输出第二社交网络观点值对应用户观点；若不小于，第二社交网络观点值代替信息网络和社交网络观点值生成模块中步骤一的第一社交网络观点值，并执行信息网络和社交网络观点值生成模块中步骤二的操作。
本实施例还提供一种信息网络与社交网络协同驱动的观点输出设备，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现上述的信息网络与社交网络协同驱动的观点输出方法。
本实施例还提供一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现上述的信息网络与社交网络协同驱动的观点输出方法。
本实施例提供的一种信息网络与社交网络协同驱动的观点输出方法，在信息网络的驱动下，根据强可靠信息集合和弱可靠信息集中的信息特点，计算出当前个体在信息网络影响下的信息网络观点值；并基于信息网络观点值，然后在社交网络的驱动下，根据用户信任集合中个体认知能力和个体间亲密度，计算出当前个体在社交网络中邻居个体影响下的社交网络观点，同时动态更新社交网络，重复以上步骤，直到社交网络中观点值达到稳定状态后，输出对应观点，该方法具有收敛速度快、离散程度低、观点聚合效果显著，观点输出真实度高的优势。

Claims (10)

1.一种信息网络与社交网络协同驱动的观点输出方法，其特征在于，包括如下操作：
S1、基于观点之间的交互关系，构建信息网络；获取所述信息网络的观点集，根据观点的信息内容和信息来源，对所述观点集进行分类，得到强可靠信息集合和弱可靠信息集合；基于所述强可靠信息集合和弱可靠信息集合中，观点的点赞率、评论率和转发率，得到强可靠观点权重集和弱可靠观点权重集；
S2、基于用户之间的交互关系，构建社交网络；获取所述社交网络的用户集，根据用户的个体认知能力和个体间亲密度，得到用户信任集合；基于所述用户信任集合、个体认知能力和个体间亲密度，得到用户影响权重集；
S3、步骤一：基于所述强可靠观点权重集和弱可靠观点权重集，分别对所述强可靠信息集合和弱可靠信息集合进行第一加权处理后，与用户初始观点结合，得到第一信息网络观点值；基于所述用户影响权重集，对所述用户信任集合的对应用户观点进行第二加权处理后，与所述第一信息网络观点值结合，得到第一社交网络观点值；
步骤二：所述第一社交网络观点值，与分别经所述第一加权处理的强可靠信息集合和弱可靠信息集合结合，得到第二信息网络观点值；所述第二信息网络观点值，与经第二加权处理的用户信任集合的用户观点结合，得到第二社交网络观点值；
S4、判断所述第二社交网络观点值与第一社交网络观点值的相似度是否小于相似度阈值；
若不小于，输出第二社交网络观点值对应用户观点；
若小于，所述第二社交网络观点值代替所述S3中步骤一的第一社交网络观点值，并执行所述S3中步骤二的操作。
2.根据权利要求1所述的观点输出方法，其特征在于，所述S3中，在每次执行步骤二的操作之前，还包括更新社交网络，所述更新社交网络具体为：
基于所述个体认知能力和个体间亲密度，得到用户不信任集合，断开所述用户不信任集合中的第一不信任用户，与对应的个体间亲密度最小的不信任用户之间的边关系；
基于所述社交网络中用户的连接关系，得到用户不连接集合，建立所述用户不连接集合中的第一不连接用户，与个体认知能力最大的不连接用户之间的边关系；
更新后的社交网络用于更新步骤二中经第二加权处理的用户信任集合。
3.根据权利要求1所述的观点输出方法，其特征在于，所述S1中得到观点权重集的操作具体为：
获取所述强可靠信息集合中，对应观点的点赞率、评论率和转发率，分别与对应的点赞率校正值、评论率校正值和转发率校正值结合，得到初始强可靠观点权重集；
获取所述弱可靠信息集合中，对应观点的点赞率、评论率和转发率，分别与对应的点赞率校正值、评论率校正值和转发率校正值结合，得到初始弱可靠观点权重集；
所述初始强可靠观点权重集和初始弱可靠观点权重集分别经归一化处理，得到所述观点权重集。
4.根据权利要求1所述的观点输出方法，其特征在于，所述S2中得到用户影响权重集的操作具体为：
基于所述用户信任集合中，每个用户的个体认知能力和个体间亲密度，得到异质影响度集；
获取每个用户的异质影响度，占所述异质影响度集总和的比例，得到所述用户影响权重集。
5.根据权利要求1所述的观点输出方法，其特征在于，所述S1中，
所述强可靠信息集合中，观点的信息内容有证据支撑，且观点的信息来源可靠；
所述弱可靠信息集合中，观点的信息内容有证据支撑，或观点的信息来源可靠。
6.根据权利要求5所述的观点输出方法，其特征在于，所述证据包括数据、和/或视频、和/或案例。
7.根据权利要求1-6任一项所述的观点输出方法，其特征在于，所述用户信任集合中，当前用户的个体认知能力小于邻居用户的个体认知能力时；
若所述当前用户的个体认知能力与邻居用户的个体认知能力的差值小于认知能力阈值时，所述当前用户与邻居用户的个体亲密度大于亲密度阈值。
8.一种信息网络与社交网络协同驱动的观点输出系统，其特征在于，包括：
信息网络生成模块，用于基于观点之间的交互关系，构建信息网络；获取所述信息网络的观点集，根据观点的信息内容和信息来源，对所述观点集进行分类，得到强可靠信息集合和弱可靠信息集合；基于所述强可靠信息集合和弱可靠信息集合中，观点的点赞率、评论率和转发率，得到强可靠观点权重集和弱可靠观点权重集；
社交网络生成模块，用于基于用户之间的交互关系，构建社交网络；获取所述社交网络的用户集，根据用户的个体认知能力和个体间亲密度，得到用户信任集合；基于所述用户信任集合、个体认知能力和个体间亲密度，得到用户影响权重集；
信息网络和社交网络观点值生成模块，用于实现，步骤一：基于所述强可靠观点权重集和弱可靠观点权重集，分别对所述强可靠信息集合和弱可靠信息集合进行第一加权处理后，与用户初始观点结合，得到第一信息网络观点值；基于所述用户影响权重集，对所述用户信任集合的对应用户观点进行第二加权处理后，与所述第一信息网络观点值结合，得到第一社交网络观点值；步骤二：所述第一社交网络观点值，与分别经所述第一加权处理的强可靠信息集合和弱可靠信息集合结合，得到第二信息网络观点值；所述第二信息网络观点值，与经第二加权处理的用户信任集合的用户观点结合，得到第二社交网络观点值；
相似度判断和观点输出模块，用于判断所述第二社交网络观点值与第一社交网络观点值的相似度是否小于相似度阈值；若不小于，输出第二社交网络观点值对应用户观点；若小于，所述第二社交网络观点值代替所述信息网络和社交网络观点值生成模块中步骤一的第一社交网络观点值，并执行所述信息网络和社交网络观点值生成模块中步骤二的操作。
9.一种信息网络与社交网络协同驱动的观点输出设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1-7任一项所述的信息网络与社交网络协同驱动的观点输出方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的信息网络与社交网络协同驱动的观点输出方法。
CN202311256382.XA 2023-09-27 2023-09-27 信息网络与社交网络协同驱动的观点输出方法和系统 Active CN117290433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311256382.XA CN117290433B (zh) 2023-09-27 2023-09-27 信息网络与社交网络协同驱动的观点输出方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311256382.XA CN117290433B (zh) 2023-09-27 2023-09-27 信息网络与社交网络协同驱动的观点输出方法和系统

Publications (2)

Publication Number Publication Date
CN117290433A CN117290433A (zh) 2023-12-26
CN117290433B true CN117290433B (zh) 2024-02-23

Family

ID=89238508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311256382.XA Active CN117290433B (zh) 2023-09-27 2023-09-27 信息网络与社交网络协同驱动的观点输出方法和系统

Country Status (1)

Country Link
CN (1) CN117290433B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982236A (zh) * 2012-11-07 2013-03-20 北京交通大学 一种通过网络用户建模的观点预测方法
KR20180127853A (ko) * 2017-05-22 2018-11-30 충북대학교 산학협력단 사용자 영향력 계산 방법
CN109299808A (zh) * 2018-06-04 2019-02-01 西安电子科技大学 基于群体劝说力建模的网民观点演化趋势预测方法
CN111523046A (zh) * 2020-04-11 2020-08-11 西安电子科技大学 基于演化博弈的舆论信息与观点的协同演化模型构建方法
CN116484113A (zh) * 2023-04-12 2023-07-25 烟台大学 一种基于动态信任感知的群体观点预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982236A (zh) * 2012-11-07 2013-03-20 北京交通大学 一种通过网络用户建模的观点预测方法
KR20180127853A (ko) * 2017-05-22 2018-11-30 충북대학교 산학협력단 사용자 영향력 계산 방법
CN109299808A (zh) * 2018-06-04 2019-02-01 西安电子科技大学 基于群体劝说力建模的网民观点演化趋势预测方法
CN111523046A (zh) * 2020-04-11 2020-08-11 西安电子科技大学 基于演化博弈的舆论信息与观点的协同演化模型构建方法
CN116484113A (zh) * 2023-04-12 2023-07-25 烟台大学 一种基于动态信任感知的群体观点预测方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Modeling Group Opinion Evolution on Online Social Networks: A Gravitational Field Perspective;Meizi Li, Xinyi Zhang等;《IEEE TRANSACTIONS ON COMPUTATIONAL SOCIAL SYSTEMS》;20230331;全文 *
动态自适应网络中有界信任舆论演化算法;王彦本;蔡皖东;卢光跃;白菊蓉;冯景瑜;;西北工业大学学报;20170615(第03期);全文 *
基于节点亲密度和影响力的社交网络舆论形成模型;张亚楠;孙士保;张京山;尹立航;闫晓龙;;计算机应用;20170410(04);全文 *
基于观点动力学的社交网络观点共识达成研究;马振、贾保先;《中国传媒大学学报》;20230430;第30卷(第2期);全文 *

Also Published As

Publication number Publication date
CN117290433A (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
Roberts Evolution of direct and indirect reciprocity
Chen et al. Trust-based service management for social internet of things systems
Jehiel et al. Revisiting games of incomplete information with analogy-based expectations
Yu et al. An evidential model of distributed reputation management
Apesteguia et al. Imitation and the evolution of Walrasian behavior: Theoretically fragile but behaviorally robust
Cao et al. Evolutionary information diffusion over heterogeneous social networks
Diaz et al. On the impact of social network profiling on anonymity
Zinoviev et al. A game theoretical approach to broadcast information diffusion in social networks
Zinoviev et al. A game theoretical approach to modeling information dissemination in social networks
Bi et al. A Privacy‐Preserving Personalized Service Framework through Bayesian Game in Social IoT
Feng et al. Voting systems with trust mechanisms in cyberspace: Vulnerabilities and defenses
CN117290433B (zh) 信息网络与社交网络协同驱动的观点输出方法和系统
Haque et al. Understanding dynamics of polarization via multiagent social simulation
Zong et al. A broker-assisting trust and reputation system based on artificial neural network
Wang et al. Towards fair and personalized federated recommendation
Su et al. Modelling and estimation for optimal treatment decision with interference
US20160225103A1 (en) Methods, systems, and computer readable media for determining social compatibility using a selected group
Uz Zaman et al. PreDiKT‐OnOff: A complex adaptive approach to study the impact of digital social networks on Pakistani students' personal and social life
CN116980281A (zh) 节点选取方法、装置、第一节点、存储介质及程序产品
CN107067329B (zh) 一种活动社交网络中节点可信度的计算方法及装置
Nguyen et al. Security games with decision and observation errors
CN107203515B (zh) 话题生成方法及装置
CN112044082B (zh) 一种信息检测方法、装置及计算机可读存储介质
Maddocks et al. Who Is Invited to the Metaverse? Analyzing Media Coverage of an Emerging Virtual World
Raja et al. Disease classification in health care systems with game theory approach

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