【技术实现步骤摘要】
本专利技术属于网络信息处理，尤其涉及一种基于社交网络舆论动力学模型的舆论传播预测方法及系统。
技术介绍
1、连续意见动力学deffuant模型是一种用于研究社交网络中意见形成和演化的数学模型，旨在描述个体之间通过相互交流和对话来调整自己的意见。在deffuant模型中，每个个体都被赋予一个初始的意见值(通常是一个在[0,1]范围内的随机值)。个体之间通过随机选择的方式进行交流。当两个个体之间的意见差异小于某个预设的阈值时，它们会相互接触并尝试通过交流来调整彼此的意见。交流过程中，个体会根据一定的规则来更新自己的意见值。deffuant模型中的意见更新规则可以用以下公式表示：
2、xi(t+1)＝xi(t)+μ·(xj(t)-xi(t))
3、其中，xi(t)表示个体i在时刻t的意见值，xj(t)表示与个体i随机选择的邻居j的意见值。μ是一个控制参数，表示个体接受其他个体意见的程度。通过模拟多次交流和更新过程，deffuant模型可以展示出个体意见之间的动态演化过程。在模型中，当个体之间的意见差异较大时，交流可以促使个体意见彼此靠近；而当个体之间的意见差异较小时，交流对意见的调整作用较弱。连续意见动力学deffuant模型虽然具有一定的应用和研究价值，但也存在一些问题和缺陷。以下是一些常见的问题和缺陷：
4、(1)缺乏现实性：deffuant模型假设个体之间的意见交流是基于随机选择的邻居，而且每次交流后意见会直接调整为对方的意见或者取平均值。这种简化假设很难完全反映真实社交网络中的复杂性和多样性
5、(2)缺乏异质性：deffuant模型中所有个体的行为规则和接受程度参数μ是相同的，缺乏个体之间的差异性。然而，在现实中，人们的意见形成和接受程度存在很大的差异，一些人更加固执己见，而另一些人更加开放和容易受到他人影响。忽略个体的异质性可能导致对意见动态演化的深入理解的缺失。
6、(3)对初始条件敏感：deffuant模型对初始意见值的设定非常敏感。初始条件的微小变化可能会导致最终结果的巨大差异。这意味着模型的结果可能具有很大的不确定性，且难以预测。
7、(4)缺乏时间维度：deffuant模型中的意见更新是基于瞬时的交流，没有考虑到时间的延续性。然而，在真实社交网络中，意见的形成和演化是一个漫长的过程，个体的意见可能会因为时间的推移而发生变化。忽略时间维度可能无法完全描述意见动态演化的复杂性。
8、(5)没有考虑外部影响：deffuant模型没有考虑外部因素对意见形成和演化的影响。现实中，人们的意见往往受到媒体、政治、文化等外部环境的影响，这些因素可能会对个体的意见产生重要影响。忽略外部影响可能导致模型与实际情况存在较大偏差。
9、总结来说，连续意见动力学deffuant模型在研究社交网络中的意见形成和演化方面提供了一种简化的框架，但其存在的问题和缺陷使得它不能完全准确地描述真实社交网络中的意见动态演化过程。为了更好地理解和预测现实世界中的意见形成，需要进一步改进和拓展这样的模型，并结合更多的因素和现实情境进行研究。
10、通过上述分析，现有技术存在的问题及缺陷为：舆论动力学模型没有对不同话题、不同节点进行差异性处理，导致任何话题在任何节点上的传播规律一样，不符合实际情况。
技术实现思路
1、为克服相关技术中存在的问题及缺陷，本专利技术公开实施例提供了一种基于社交网络舆论动力学模型的舆论传播预测方法及系统，具体涉及一种基于真实社交网络的舆论动力学模型舆论数据传播预测方法。可应用于人工智能、神经网络、马尔科夫链、传播分析领域。
2、所述技术方案如下：基于社交网络舆论动力学模型的舆论传播预测方法，在舆论传播问题中引入舆论引力场和传播引力两个概念，通过舆论引力场和传播引力对真实社交网络的舆论传播进行刻画，并将不同舆论话题和不同节点影响力作为变量，构建真实的社交网络用于演化舆论传播；该方法具体包括以下步骤：
3、s1，通过采集真实社交网络中的话题传播数据，完成数据预处理；
4、s2，构建马尔科夫链传播模型，设计舆论在当前时刻的社交网络中的传播状态与下一时刻的社交网络传播状态之间的函数关系；
5、s3，将不同的节点影响力向量、不同时刻对话题的传播度作为输入，以下一时刻对话题的传播度作为输出，使用gcn图卷积神经网络模型，训练得到马尔科夫链模型的马尔科夫转移矩阵函数表达式；
6、s4，在真实社交网络的子网络上进行模型性能测试，实现舆情传播的演化过程，以所有节点的舆情传播演化情况和真实情况的拟合效果作为最终的评估指标。
7、在步骤s1中，完成数据预处理，包括：
8、步骤1，计算每个社交账号在不同时刻对话题的传播度；
9、步骤2，构建社交网络结构；
10、步骤3，计算每个节点的pagerank值、介数中心性、度信息；
11、步骤4，获取每个节点的粉丝数量，评估节点的影响力。
12、所述步骤1中，计算每个社交账号在不同时刻对话题的传播度，包括：
13、针对某个舆论话题，通过话题的多级传播分析搜集原帖的评论、分享、转发、点赞关系，对每个涉及到话题互动的多级传播账号信息进行采集，包括话题传播的开端和结束过程中每天账号对该话题的评论、分享、转发情况，并对评论、分享和转发分别赋予不同的传播度权重a、b、c，进而计算出每个账号每天对话题的传播值记作xi(t)，其中，t表示话题开始传播后的第t天，i表示涉及话题传播的第i个账号，使用最大最小值归一化处理，将xi(t)映射到[0,1]的区间上，公式如下：
14、
15、其中，x表示每个账号每天对话题的传播值，x′表示通过最大最小值归一化映射到[0,1]区间的话题传播值，max(x)为每个账号每天对话题的最大传播值，min(x)为每个账号每天对话题的最小传播值；
16、所述步骤2中，构建社交网络结构，包括：将账号作为网络节点，将话题互动行为作为网络的边进行真实社交网络构建，对话题传播过程中所有涉及话题评论、转发、点赞行为的多级传播账号进行采集，将涉及话题互动的账号作为网络节点，评论、转发、点赞互动行为按照不同的权重w1、w2、w3…，构造网络的边。
17、所述步骤3中，计算每个节点的pagerank值、介数中心性、度信息，包括：
18、在构建好话题传播的真实社交网络后，使用图分析算法计算每个账号节点在网络结构中的重要性信息，包括pagerank值，介数中心性、度中心性信息；
19、所述图分析算法包括pagerank值计算的迭代算法、介数中心性的计算算法、度中心性的计算算法；
20、所述pagerank值计算的迭代算法包括：
21、输入：含有n个结点的有向图，转移矩阵为m′，本文档来自技高网...
【技术保护点】
1.一种基于社交网络舆论动力学模型的舆论传播预测方法，其特征在于，在舆论传播问题中引入舆论引力场和传播引力两个概念，通过舆论引力场和传播引力对真实社交网络的舆论传播进行刻画，并将不同舆论话题和不同节点影响力作为变量，构建真实的社交网络用于演化舆论传播；该方法具体包括以下步骤：
2.根据权利要求1所述的基于社交网络舆论动力学模型的舆论传播预测方法，其特征在于，在步骤S1中，完成数据预处理，包括：
3.根据权利要求2所述的基于社交网络舆论动力学模型的舆论传播预测方法，其特征在于，所述步骤1中，计算每个社交账号在不同时刻对话题的传播度，包括：
4.根据权利要求2所述的基于社交网络舆论动力学模型的舆论传播预测方法，其特征在于，所述步骤3中，计算每个节点的pagerank值、介数中心性、度信息，包括：
5.根据权利要求1所述的基于社交网络舆论动力学模型的舆论传播预测方法，其特征在于，在步骤S3中，训练得到马尔科夫链模型的马尔科夫转移矩阵函数表达式，包括：马尔科夫链模型由状态空间、初始概率向量和马尔科夫转移矩阵三部分组成；状态空间表示系统处于的
6.根据权利要求1所述的基于社交网络舆论动力学模型的舆论传播预测方法，其特征在于，在步骤S2中，设计舆论在当前时刻的社交网络中的传播状态与下一时刻的社交网络传播状态之间的函数关系，包括：在马尔科夫链模型中记x(t，i)为t时刻第i个节点的话题传播影响力，[x(t+1，1)…x(t+1，n)]表示所有节点在t+1时刻的话题传播影响力向量；将M记作马尔科夫转移矩阵，M(i，j)表示第i个账号节点和第j个账号节点之间的影响话题传播概率，马尔科夫链模型的表达式为：
7.根据权利要求1所述的基于社交网络舆论动力学模型的舆论传播预测方法，其特征在于，在步骤S3中，GCN图卷积神经网络模型的训练过程包括：
8.根据权利要求1所述的基于社交网络舆论动力学模型的舆论传播预测方法，其特征在于，在步骤S4中，进行模型性能测试后，实现舆情传播的演化过程，以所有节点的舆情传播演化情况和真实情况的拟合效果作为最终的评估指标。
9.一种基于社交网络舆论动力学模型的舆论传播预测系统，其特征在于，该系统实施权利要求1-8任意一项所述的基于社交网络舆论动力学模型的舆论传播预测方法，该系统包括：
10.根据权利要求9所述的基于社交网络舆论动力学模型的舆论传播预测系统，其特征在于，所述数据预处理模块(1)包括：
...【技术特征摘要】
1.一种基于社交网络舆论动力学模型的舆论传播预测方法，其特征在于，在舆论传播问题中引入舆论引力场和传播引力两个概念，通过舆论引力场和传播引力对真实社交网络的舆论传播进行刻画，并将不同舆论话题和不同节点影响力作为变量，构建真实的社交网络用于演化舆论传播；该方法具体包括以下步骤：
2.根据权利要求1所述的基于社交网络舆论动力学模型的舆论传播预测方法，其特征在于，在步骤s1中，完成数据预处理，包括：
3.根据权利要求2所述的基于社交网络舆论动力学模型的舆论传播预测方法，其特征在于，所述步骤1中，计算每个社交账号在不同时刻对话题的传播度，包括：
4.根据权利要求2所述的基于社交网络舆论动力学模型的舆论传播预测方法，其特征在于，所述步骤3中，计算每个节点的pagerank值、介数中心性、度信息，包括：
5.根据权利要求1所述的基于社交网络舆论动力学模型的舆论传播预测方法，其特征在于，在步骤s3中，训练得到马尔科夫链模型的马尔科夫转移矩阵函数表达式，包括：马尔科夫链模型由状态空间、初始概率向量和马尔科夫转移矩阵三部分组成；状态空间表示系统处于的所有状态，初始概率向量表示系统在初始时刻处于各个状态的概率，马尔科夫转移矩阵表示系统从一个状态转移到另一个状态的概率；其中，马尔科夫转移矩阵的每一行代表当前状态，每一列代表下一个状态，马尔科夫转移矩阵中的每个元素表示从当前...
【专利技术属性】
技术研发人员：张立灿，刘汪洋，贾宇，廖伟，曹莉茹，沈宜，周勇林，
申请(专利权)人：深圳市网联安瑞网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。