基于关系强度理论与反馈机制的信息传播动态网络表示

现有多数网络表示学习方法不能很好地贴合真实世界的信息传播网络,且无法对信息传播动态网络的时间特性与动力学演化特征进行有效建模。提出一种新的信息传播动态网络表示模型,基于关系强度将信息传播动态网络划分为关系网络与传播网络,并分别计算变化节点对的概率密度和邻接矩阵。通过更新节点注意力强度矩阵,聚合节点邻域变化信息,并融合节点邻域变化信息、自身历史信息以及外部影响因素,对信息传播动态网络进行归纳式表示学习。引入反馈机制,将最新的节点表示反馈到邻居节点,解决网络表示不及时的问题,提升网络表示性能。实验结果表明,与Know-Evolve、DyRep、LDG等模型相比,该模型的命中率和平均排名提升显著,与LDG模型相比,其时间效率在Social Evolution数据集和Github数据集上分别提升了91.8%、87.2%。     

基于线上-线下超网络模型的舆论演化仿真分析

目前在舆论演化模型及其动力学规则的研究中大多数都没有考虑线下网络,导致其无法真实反映舆论传播过程。为解决上述问题,首先利用线上-线下社交网络映射方法得到线上-线下社交网络拓扑结构;然后构建线上-线下超网络模型,集成舆论事件态势信息形成舆论演化仿真环境;最后,利用传播学原理制定线上-线下超网络模型动力学交互规则,进行舆论动力学仿真。将提出的模型用于事件实例分析,仿真结果与舆论事件实际发展情况之间的余弦相似度达到0.99,平均差值为1%。实验结果表明,所提出的模型取得了比其他方法更好的仿真效果,验证了线上-线下超网络模型和舆论动力学交互规则的正确性和有效性。