[发明专利]基于人工神经网络的在线社交网络信息传播与舆情演化正向构建方法和系统

摘要

本发明提出了一种基于人工神经网络的在线社交网络信息传播与舆情演化正向构建方法和系统，包括如下步骤：S1，获取在线社交网络信息，形成社交网络信息数据库，通过信息传播神经元模型进行社交网络信息的建立以及传递；S2，将建立和传递之后的社交网络信息通过信息传播神经网络模型所设定的参数进行传递输出；S3，通过信息传播神经网络模型传递的社交网络信息通过正向传播过程进行信息演化，从而构建社交网络信息发展趋势。

主权项

1.一种基于人工神经网络的在线社交网络信息传播与舆情演化正向构建方法，其特征在于，包括如下步骤：S1，获取在线社交网络信息，形成社交网络信息数据库，通过信息传播神经元模型进行社交网络信息的建立以及传递；所述S1包括：S1‑1，输入信息x₁,x₂,...,x_i,..,x_n表示与当前行为人相连接的n个信息输入源，连接权重w₁,w₂,...,w_i,..,w_n表示当前行为人分别与信息输入源x₁,x₂,...,x_i,..,x_n的亲密程度；S1‑2，传播阈值θ表示仅当输入信息x₁,x₂,...,x_i,..,x_n的线性叠加之和大于θ时，神经元才产生输出信息y，传播阈值θ与行为人的受教育程度、社会地位、从事职业、个人性格的设定因素有关，θ∈[0,1]，θ＝0表示行为人接受信息分享，收到信息分享都会向自己的关注者转发；θ＝1表示行为人不愿意在社交网络上进行信息交流，在该状态下不转发、不评论；输出信息y，将向与之相连的信宿进行信息输出；所述S1还包括：S1‑3，信息传播神经元模型的表达式如下：S1‑4，通过计算，神经元接收到来自n个其他神经元传递过来的社交网络输入信息，按连接权重进行线性运算，得到自己的信息总量；然后进行激活运算，f(x,θ)为激活函数，当信息总量大于阈值则产生输出y＝x；当信息总量小于等于阈值时，y＝0无输出；S2，将建立和传递之后的社交网络信息通过信息传播神经网络模型所设定的参数进行传递输出；所述S2包括：S2‑1，信息于t₀时刻出现在第一层神经元上，然后经过若干时间步t₁,t₂,...,t₆的传播才能遍及整个网络，神经元的个数分别为n₁,n₂,n₃,n₄,n₅,n₆,n₇，n₁＜n₂＜n₃＜n₄＜n₅＜n₆＜n₇；表示l层第i个神经元，每一个神经元存在一个信息传播阈值神经网络中θ服从正态分布，即θ～N(μ,σ²)；μ表示行为人主动传播信息意愿的正态分布平均水平、σ²表示行为人传播信息意愿的差异程度；所述S2还包括：S2‑2，开始神经网络构造算法，在线社交网络上节点沿信息传播方向上呈发散状分布，即一个信源节点通常与多个信宿节点相连，神经网络模型中，假设网络总节点数量为N个，节点扩散系数为ρ，其中ρ＞1，神经网络模型中各层神经元数量应满足如下关系式：n₁+n₂+n₃+n₄+n₅+n₆+n₇＝Nn₁(ρ⁰+ρ¹+ρ²+ρ³+ρ⁴+ρ⁵+ρ⁶)＝N得到令其中c代表扩散系数计算的简要表达，由上式得出神经网络各层神经元数量，由表格展示各网络层神经元数量，从左至右为依次递增的网络层次，以及神经元数量，神经网络模型中，相邻两层神经元之间的连接是非均匀的，同时，为了体现网络连接强度和紧密程度，设置连通率α指标，α∈[0,1]，α＝1时表示相邻两个网络层之间全连接，α＝0时表示无任何连接；S2‑3，假设l,l+1层网络神经元数量分别为n_l,n_l+1个，连通率为α，则生成第l和l+1层节点之间连接的算法描述如下，计算需要生成的连接数量L，L＝αn_ln_l+1，在l层中依概率p₁选取一个神经元概率p₁正比于神经元的度，即k_i为节点i的度，在l+1层中依概率p₂选取另一个神经元概率p₂正比于该另一个神经元的度，即k_j为节点j的度，如果k_j等于零则在l+1层中随机选取一个神经元；在神经元和神经元之间建立连接，方向由指向表示信息由第l层传至l+1层；如果建立的连接数小于L，则转S2‑3，否则结束；S2‑4，假设l层上有m_l个神经元与l+1层上第j个神经元相连接，则l层上m_l中第i个神经元与神经元j相连接的权重表示为：其中m为神经元的总和，连接权重是影响信息传播路径的重要因子，它是行为人偏爱和相信连接权重高的信息源传递过来的信息；所述S2还包括：S2‑5，在线社交网络中，网络结构进行动态更新，神经网络随着信息传播活动的进行，网络结构进行更新，神经元间的连接及连接权重从而动态调整，在网络结构动态更新的策略是弱连接关系容易断开，群体内部连接关系得到增强，在相邻两层网络之间，找出节点度大的节点之间的连接予以断开，重新连接到节点度小的节点；S3，通过信息传播神经网络模型传递的社交网络信息通过正向传播过程进行信息演化，从而构建社交网络信息发展趋势；所述S3包括：S3‑1当进行信息正向传播过程时，假设用列向量表示第l层网络神经元的观点值，矩阵W^l其中由l层和l+1层网络神经元之间的连接权重组成，则信息正向传播公式表达如下：P^l+1＝((X^l)^TW^l)^TP^l+1表示正向传播到l+1层网络神经元的观点值，传播完成后l+1层网络神经元的新观点值(X^l+1)'等于自身原观点值X^l+1和刚接收到的观点值P^l+1的算术平均值，即事件信息正向传播过程如下：S3‑2，t₀时刻由外部事件引发的信息注入到神经网络第一层输入层的神经元上，用观点值表示当前行为人对该信息的所持观点，由于各行为人立场不同、情感不同，神经元上的观点值也不相等；S3‑3，经过一个时间步的时滞后，在t₁时刻，第一层神经网络中的神经元将自己观点值与传播阈值进行比较，如果观点值大于传播阈值，则将自己所持意见值信息向与之相连接的第二层神经网络的神经元进行传递；S3‑4，第二层神经网络的神经元根据与之相连接的信息源按连接权重进行线性组合得到自己的观点值，再与自身传播阈值进行比较，大于传播阈值时，在t₂时刻向第三层神经网络中的神经元进行信息传递；S3‑5，类似过程重复进行，事件信息经若干层网络神经元传播，在t₆时刻传至第七层，第七层为信息终结层，该层神经元处于传播网络的边界，信息传播终止于此，不再向其它节点转发信息；所述S3还包括：S3‑6，经过一次完整的信息正向传播后t₀,t₁,...,t₆，神经网络中每个神经元都具有特定的观点值，形成在线社交网络舆情信息值，神经网络第七层远离输入层，与产生信息的事件相关度低，采用第七层网络的舆情熵H来度量网络舆情水平，舆情熵是社交网络系统观点值无序程度的量度，舆情熵大，表示观点值出现的概率大，舆情熵小，表示出现的概率小；所述S3还包括：舆情熵H计算方法如下：H＝‑∑p_ilnp_ip_i表示第七层网络中各神经元所持不同观点值的概率，观点值越离散，舆情熵值越大，反之舆情熵值越小；另一种度量传播舆情的指标是观点值标准差S，表达如下：为神经网络上神经元观点值的算术平均值，N为神经元数量。