Erweitertes Graph-Koevolutionsnetzwerk zur Analyse sozialer Netzwerke unter Verwendung des assimilationsmodifizierten emotionalen Algorithmus

Warum Emotionen in Netzwerken wichtig sind

Soziale Medien und Online-Communities sind nicht nur Netze von Verbindungen; sie sind Ströme von Emotionen. Plattformen wie Facebook, X oder Foren pulsieren beständig vor Freude, Ärger, Angst und mehr. Zu verstehen, wie sich diese Gefühle verbreiten und bündeln, kann helfen, Empfehlungssysteme zu verbessern, schädliche Inhalte zu erkennen oder die öffentliche Stimmung in Krisen zu verfolgen. Dieses Papier stellt eine neue Methode vor, emotionale Muster in sozialen Netzwerken zu modellieren, mit dem Ziel nicht nur abzubilden, wer mit wem verbunden ist, sondern wie komplexe Emotionen in Online-Communities fließen und sich niederschlagen.

Von einfachen Labels zu reichhaltigen emotionalen Profilen

Die meisten bestehenden Werkzeuge zur Analyse von Gemeinschaften in Netzwerken beruhen auf sogenannter Labelpropagation: einer Methode, die Gruppenmitgliedschaft dadurch erschließt, dass Labels entlang der Verbindungen von Knoten zu Knoten verbreitet werden. Üblicherweise erhält jede Person (oder jeder Knoten) ein einziges Label, etwa „glücklich“ oder „traurig“, basierend auf der höchsten Emotionenbewertung eines Machine-Learning-Modells. Diese Ein-Label-pro-Person-Perspektive verwirft wertvolle Nuancen. Zwei Nutzer können etwa beide als „glücklich“ gekennzeichnet sein, obwohl der eine eher leicht positiv und der andere fast ekstatisch ist. Der neue Assimilation Modified Emotional (AME)-Algorithmus behält für jeden Nutzer die vollständige Wahrscheinlichkeitsverteilung der Emotionen, statt alles in ein einzelnes Etikett zu pressen, und bewahrt so subtile Unterschiede im emotionalen Ton.

Emotionen sich wie ein Random Walk entwickeln lassen

AME modelliert emotionale Veränderungen mithilfe einer mathematischen Idee, die als Markov-Kette bekannt ist und beschreibt, wie etwas Schritt für Schritt gemäß Wahrscheinlichkeiten zwischen Zuständen wechselt. Hier sind die „Zustände“ emotionale Profile. Innerhalb jeder Community im Netzwerk wählt AME einige besonders einflussreiche Mitglieder aus und nutzt deren Emotionswahrscheinlichkeiten, um ein gemeinsames „Übergangs“-Muster zu konstruieren: wie wahrscheinlich Emotionen sich im Laufe der Zeit verschieben, wenn Menschen interagieren. Dieser Prozess ahmt den psychologischen Assimilationseffekt nach, bei dem sich Einstellungen der Menschen an die der Umgebung angleichen. Anstatt Labels als fest angenommen zu werden, aktualisiert AME wiederholt die emotionale Verteilung jeder Community, sodass sich die Gruppenstimmung stabilisiert und besser reale soziale Einflussprozesse widerspiegelt.

Das Netzwerk verkleinern und wieder verbinden

Sobald die emotionalen Einflüsse innerhalb jeder Community simuliert wurden, vereinfacht AME das Netzwerk durch ein Verfahren namens Graph Coarsening. Im Alltag bedeutet das, eng verflochtene Teile des Netzwerks zu kompakteren, repräsentativen Einheiten zusammenzuführen, ohne ihre wesentliche Struktur zu verlieren. Nach dieser Kompression verwendet AME Link-Prediction — die Abschätzung, welche Knotenpaare wahrscheinlich verbunden sind — um Verbindungen zwischen diesen kompakten Communities wiederherzustellen. Das Endergebnis ist eine bereinigte Version des ursprünglichen Netzwerks, in der Gemeinschaften schärfer definiert und emotionale Muster konsistenter sind, wodurch die Struktur für nachgelagerte KI-Modelle leichter zu erlernen ist.

Den Algorithmus auf die Probe stellen

Die Autoren haben AME einer Reihe von Experimenten auf sowohl simulierten als auch realen sozialen Netzwerken unterzogen. Zunächst nutzten sie große Textdatensätze mit emotionalen Nachrichten und verarbeiteten diese mit einem vortrainierten Transformer-Modell, um Emotionswahrscheinlichkeiten jeder Nachricht und des entsprechenden Netzwerk-Knotens zuzuweisen. Anschließend verglichen sie AME mit mehreren bekannten Methoden zur Gemeinschaftserkennung an drei Graf-Typen: zufällig verbundenen Netzwerken, Netzwerken mit wenigen hochgradig vernetzten Hubs und realen Facebook- und E-Mail-Netzwerken. In allen Versuchssettings erzeugte AME Communities, aus denen ein graphbasiertes neuronales Netzwerk leichter lernen konnte, und erzielte konstant höhere Genauigkeit und geringere Fehler als die Vergleichsverfahren. Weitere Tests zeigten, dass das Beibehalten vollständiger Wahrscheinlichkeitsverteilungen und die Anwendung von Graph Coarsening jeweils unabhängig die Leistung verbesserten.

Was das für alltägliche Technik bedeutet

Einfach gesagt bietet der AME-Algorithmus eine intelligentere Methode, um Emotionen zu verfolgen und zu verstehen, wie sie sich durch Online-Communities bewegen. Indem er emotionale Nuancen bewahrt statt Menschen auf ein einzelnes Label zu reduzieren und nachahmt, wie Gruppendynamiken über die Zeit konvergieren, liefert er sauberere, aussagekräftigere Netzwerkstrukturen für KI-Systeme zur Analyse. Das könnte zu sensitivieren, stimmungsbewussten Tools führen — etwa Systemen, die aufkommende Feindseligkeit besser erkennen, unterstützende Gemeinschaften identifizieren oder Inhalte an den emotionalen Kontext der Nutzer anpassen. Die Ergebnisse der Studie deuten darauf hin, dass AME als robuste Basis für künftige emotionsbewusste KI in sozialen Netzwerken und anderen komplexen, vernetzten Systemen dienen kann.

Zitation: Li, HH., Chang, PC. & Liao, YH. Enhanced graph coevolution network for social network analysis using assimilation modified emotional algorithm. Sci Rep 16, 7936 (2026). https://doi.org/10.1038/s41598-025-18482-0

Schlüsselwörter: Analyse sozialer Netzwerke, Emotionserkennung, Graphalgorithmen, Gemeinschaftserkennung, Labelpropagation