Red de coevolución de grafos mejorada para el análisis de redes sociales mediante el algoritmo emocional modificado por asimilación

Por qué importan las emociones en las redes

Las redes sociales y las comunidades en línea no son solo telarañas de conexiones; son ríos de emoción. Plataformas como Facebook, X o foros en línea laten constantemente con alegría, enfado, miedo y otras sensaciones. Comprender cómo se propagan y agrupan esos sentimientos puede ayudar a mejorar sistemas de recomendación, detectar contenido dañino o seguir el estado de ánimo público durante crisis. Este artículo presenta una nueva forma de modelar patrones emocionales en redes sociales, con el objetivo de capturar no solo quién está conectado con quién, sino cómo fluyen y se asientan las emociones complejas en las comunidades en línea.

De etiquetas simples a perfiles emocionales ricos

La mayoría de las herramientas existentes para analizar comunidades en redes se basan en lo que se llama propagación de etiquetas: un método que infiere la pertenencia a grupos dejando que las etiquetas se propaguen de nodo en nodo a lo largo de las conexiones. Tradicionalmente, a cada persona (o nodo) se le asigna una sola etiqueta, como “feliz” o “triste”, en función de qué emoción tiene la puntuación más alta según un modelo de aprendizaje automático. Esta visión de una etiqueta por persona descarta matices valiosos. Por ejemplo, dos usuarios pueden etiquetarse ambos como “felices”, aunque uno sea ligeramente positivo y el otro esté casi eufórico. El nuevo algoritmo Assimilation Modified Emotional (AME) conserva la mezcla completa de probabilidades de emociones para cada usuario en lugar de colapsarlo todo en una sola etiqueta, preservando diferencias sutiles en el tono emocional.

Dejar que las emociones evolucionen como una caminata aleatoria

AME modela los cambios emocionales usando una idea matemática conocida como cadena de Markov, que describe cómo algo se mueve entre estados paso a paso según probabilidades. Aquí, los “estados” son perfiles emocionales. Dentro de cada comunidad en la red, AME selecciona algunos miembros especialmente influyentes y utiliza sus probabilidades emocionales para construir un patrón compartido de “transición”: la probabilidad de que las emociones cambien con el tiempo a medida que las personas interactúan. Este proceso imita el efecto de asimilación psicológica, donde las actitudes de las personas tienden a acercarse a las de quienes les rodean. En lugar de asumir que las etiquetas son fijas, AME actualiza repetidamente la distribución emocional de cada comunidad, permitiendo que el ánimo grupal se estabilice de una forma que refleja mejor la influencia social real.

Reducir y volver a conectar la red

Una vez simuladas las influencias emocionales dentro de cada comunidad, AME simplifica la red mediante un procedimiento llamado compactación de grafos. En términos cotidianos, esto significa fusionar partes muy interconectadas de la red en unidades más compactas y representativas sin perder su estructura esencial. Tras esta compresión, AME utiliza la predicción de enlaces —estimar qué pares de nodos probablemente estén conectados— para reconstruir las conexiones entre estas comunidades compactas. El resultado final es una versión depurada de la red original en la que las comunidades están más nítidamente definidas y los patrones emocionales son más coherentes, lo que facilita que los modelos de IA posteriores aprendan de su estructura.

Poner el algoritmo a prueba

Los autores sometieron a AME a una serie de experimentos en redes sociales tanto simuladas como reales. Primero emplearon grandes conjuntos de texto con mensajes emocionales, procesándolos con un modelo transformer preentrenado para asignar probabilidades de emoción a cada mensaje y al nodo de la red correspondiente. Luego compararon AME con varios métodos bien conocidos de detección de comunidades en tres tipos de grafos: redes conectadas aleatoriamente, redes con unos pocos hubs altamente conectados y redes reales de Facebook y correo electrónico. En todos los escenarios, AME produjo comunidades que resultaron más fáciles de aprender para una red neuronal basada en grafos, alcanzando de forma consistente mayor precisión y menor error que los métodos competidores. Pruebas adicionales mostraron que conservar las distribuciones completas de probabilidad y aplicar la compactación de grafos mejoraban el rendimiento de manera independiente.

Qué significa esto para la tecnología de uso diario

En términos sencillos, el algoritmo AME ofrece una forma más inteligente de rastrear y entender las emociones a medida que se desplazan por las comunidades en línea. Al conservar el matiz emocional en lugar de aplanar a las personas en una única etiqueta, y al emular cómo los estados de ánimo grupales convergen con el tiempo, genera estructuras de red más limpias e informativas para que los sistemas de IA las analicen. Esto podría dar lugar a herramientas con mayor sensibilidad al estado de ánimo: por ejemplo, sistemas que detecten mejor el aumento de hostilidad, identifiquen comunidades de apoyo o adapten el contenido al contexto emocional de los usuarios. Los resultados del estudio sugieren que AME puede servir como una base sólida para futuras IA conscientes de las emociones en redes sociales y otros sistemas complejos e interconectados.

Cita: 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

Palabras clave: análisis de redes sociales, reconocimiento de emociones, algoritmos de grafos, detección de comunidades, propagación de etiquetas