[發明專利]面向群體壓力的網民行為模擬方法、裝置和計算機設備

有效

• 申請號: 202011573818.4
• 申請日: 2020-12-28
• 公開（公告）號: CN112307359B
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 趙宇亮
• 申請（專利權）人: 湖南星河云程信息科技有限公司
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06Q50/00
• 代理公司: 長沙國科天河知識產權代理有限公司 43225
• 代理人: 邱軼

本申請涉及一種面向群體壓力的網民行為模擬方法、裝置和計算機設備。所述方法包括：從社交網絡中提取社交有向圖；根據泊松過程確定社交有向圖中節點的發布消息模型，以及對接收到消息的反饋模型；在當前節點根據發布消息模型進行消息發布時，根據關注當前節點的流入鄰居節點發布的消息類型和反饋模型，確定當前節點面臨的群體壓力；根據流入鄰居節點的歷史消息類型的分布信息和預設的估計概率，得到當前節點面臨的預期群體壓力；根據群體壓力和預期群體壓力的差異信息，對估計概率進行更新。采用本方法能夠提高網民行為模擬的準確性。

技術領域

本申請涉及計算機技術領域，特別是涉及一種面向群體壓力的網民行為模擬方法、裝置和計算機設備。

背景技術

面對輿情預測問題，研究人員通過建立輿論動力模型來揭示輿論傳播和發展的規律，并結合仿真來分析判斷輿情走勢。例如，DeGroot模型、Voter 模型、多數原則模型、Sznajd模型等離散觀點模型等。由于在某些場景下，離散的觀點值不能完全表達個體的觀點傾向。Hegselmann和 Krause 提出了基于連續觀點值的Hegselmann-Krause（HK）模型。而且，該研究還引入了一個重要的概念：有界置信原則（Bounded Confidence）——當觀點值的差異低于某個閾值時，個體觀點才會受到其他人的影響。在此基礎上，又發展了Deffuant模型以及大量的擴展模型。無論經典輿論動力模型還是其擴展模型，都主要關注個體的觀點融合而忽略了觀點傳播行為的影響。但是，輿情演化是由觀點融合和傳播行為的交替影響所驅動，所以無法直接利用這些模型進行預測。

盡管觀點與行為存在一定一致性，但是不能代表個體的觀點傳播行為。Martins等提出了連續觀點離散動作（Continuous Opinions and Discrete Actions，CODA）模型，解釋了人們內在觀點與外在選擇的對應但不對等的復雜關系，還指出了在觀點感知過程中會產生的偏差。在 CODA 模型的基礎上，研究人員也根據不同問題需求和應用特征進行拓展。例如， Martins進一步引入了貝葉斯更新規則，分析了觀點流動性和極端主義觀點對于整體輿情的影響；加入理性人和固執者兩種角色，分析了兩種角色在 CODA 模型中的影響；為解決個體觀點預測問題，引入了信任的概念，即每個 Agent 對其他 Agent 都有一個信任程度的判斷。然而，作為輿情的主體，人的行為有一定的智能性，需要根據輿情態勢場景進行自主決策。 CODA 模型僅以線性關系來關聯觀點和行為，不足以解釋傳播行為與觀點之間復雜的映射關系。

除了建模仿真方法外，研究人員利用大數據技術開展了卓有成效的社交網絡輿論動力研究。例如， A. Das 等基于推特社交數據研究了用戶如何根據社交網絡鄰居觀點的變化而變化的現象。通過設計對照實驗，發現“用戶的觀點演化規律并非一成不變，而是根據話題轉變而變化”。基于此規律，構建了 Biased-Voter Model 來揭示個體消息轉發行為與鄰居觀點的映射關系。針對社交網絡中傳播節點影響力計算問題， DE 等根據觀察到的一系列節點觀點值，采用線性影響模型來估計個體對于鄰居的影響強度，通過實驗在多個數據集上證明了模型預測的準確性。Abir De 等構建了一個用于輿論預測的概率模型SLANT，利用真實的細粒度數據預測輿論演化，并在 Twitter 等數據集上驗證預測的準確性。陳學剛等提出了一種基于模糊綜合評價的網絡輿情趨勢預測與評價方法，運用粗糙集理論對網絡輿情監測指標體系的屬性進行了歸約，并利用層次分析法確定權重，運用了真實數據進行了輿情預測。 Burghardt 等為預測陪審團決策結果，基于輿論動力學模型，通過數據驅動的方式構建了“初始觀點-最終決策”的預測模型，并通過真實的法院記錄數據驗證了模型具有良好的預測能力。就社交網絡輿情預測而言，數據驅動方法可以獲取社交網絡的拓撲結構、用戶行為等外在特征，但因為情緒衡量、遺漏變量等偏誤，內在的觀點難以被準確地發掘出來。而且，純粹基于數據驅動的方法容易陷入經驗主義的怪圈，既無法解釋結果形成的原因，其推廣泛化能力也存在疑問。