[发明专利]面向群体压力的网民行为模拟方法、装置和计算机设备

说明书

本申请涉及一种面向群体压力的网民行为模拟方法、装置和计算机设备。所述方法包括：从社交网络中提取社交有向图；根据泊松过程确定社交有向图中节点的发布消息模型，以及对接收到消息的反馈模型；在当前节点根据发布消息模型进行消息发布时，根据关注当前节点的流入邻居节点发布的消息类型和反馈模型，确定当前节点面临的群体压力；根据流入邻居节点的历史消息类型的分布信息和预设的估计概率，得到当前节点面临的预期群体压力；根据群体压力和预期群体压力的差异信息，对估计概率进行更新。采用本方法能够提高网民行为模拟的准确性。

技术领域

本申请涉及计算机技术领域，特别是涉及一种面向群体压力的网民行为模拟方法、装置和计算机设备。

背景技术

面对舆情预测问题，研究人员通过建立舆论动力模型来揭示舆论传播和发展的规律，并结合仿真来分析判断舆情走势。例如，DeGroot模型、Voter 模型、多数原则模型、Sznajd模型等离散观点模型等。由于在某些场景下，离散的观点值不能完全表达个体的观点倾向。Hegselmann和 Krause 提出了基于连续观点值的Hegselmann-Krause（HK）模型。而且，该研究还引入了一个重要的概念：有界置信原则（Bounded Confidence）——当观点值的差异低于某个阈值时，个体观点才会受到其他人的影响。在此基础上，又发展了Deffuant模型以及大量的扩展模型。无论经典舆论动力模型还是其扩展模型，都主要关注个体的观点融合而忽略了观点传播行为的影响。但是，舆情演化是由观点融合和传播行为的交替影响所驱动，所以无法直接利用这些模型进行预测。

尽管观点与行为存在一定一致性，但是不能代表个体的观点传播行为。Martins等提出了连续观点离散动作（Continuous Opinions and Discrete Actions，CODA）模型，解释了人们内在观点与外在选择的对应但不对等的复杂关系，还指出了在观点感知过程中会产生的偏差。在 CODA 模型的基础上，研究人员也根据不同问题需求和应用特征进行拓展。例如， Martins进一步引入了贝叶斯更新规则，分析了观点流动性和极端主义观点对于整体舆情的影响；加入理性人和固执者两种角色，分析了两种角色在 CODA 模型中的影响；为解决个体观点预测问题，引入了信任的概念，即每个 Agent 对其他 Agent 都有一个信任程度的判断。然而，作为舆情的主体，人的行为有一定的智能性，需要根据舆情态势场景进行自主决策。 CODA 模型仅以线性关系来关联观点和行为，不足以解释传播行为与观点之间复杂的映射关系。

除了建模仿真方法外，研究人员利用大数据技术开展了卓有成效的社交网络舆论动力研究。例如， A. Das 等基于推特社交数据研究了用户如何根据社交网络邻居观点的变化而变化的现象。通过设计对照实验，发现“用户的观点演化规律并非一成不变，而是根据话题转变而变化”。基于此规律，构建了 Biased-Voter Model 来揭示个体消息转发行为与邻居观点的映射关系。针对社交网络中传播节点影响力计算问题， DE 等根据观察到的一系列节点观点值，采用线性影响模型来估计个体对于邻居的影响强度，通过实验在多个数据集上证明了模型预测的准确性。Abir De 等构建了一个用于舆论预测的概率模型SLANT，利用真实的细粒度数据预测舆论演化，并在 Twitter 等数据集上验证预测的准确性。陈学刚等提出了一种基于模糊综合评价的网络舆情趋势预测与评价方法，运用粗糙集理论对网络舆情监测指标体系的属性进行了归约，并利用层次分析法确定权重，运用了真实数据进行了舆情预测。 Burghardt 等为预测陪审团决策结果，基于舆论动力学模型，通过数据驱动的方式构建了“初始观点-最终决策”的预测模型，并通过真实的法院记录数据验证了模型具有良好的预测能力。就社交网络舆情预测而言，数据驱动方法可以获取社交网络的拓扑结构、用户行为等外在特征，但因为情绪衡量、遗漏变量等偏误，内在的观点难以被准确地发掘出来。而且，纯粹基于数据驱动的方法容易陷入经验主义的怪圈，既无法解释结果形成的原因，其推广泛化能力也存在疑问。