Réseau de coévolution de graphe amélioré pour l’analyse des réseaux sociaux utilisant l’algorithme émotionnel modifié d’assimilation

Pourquoi les émotions importent dans les réseaux

Les médias sociaux et les communautés en ligne ne sont pas seulement des réseaux de connexions ; ce sont des flux d’émotions. Des plateformes comme Facebook, X ou les forums en ligne vibrent en permanence de joie, colère, peur et autres sentiments. Comprendre comment ces émotions se propagent et se regroupent peut améliorer les systèmes de recommandation, détecter des contenus nuisibles ou suivre l’humeur publique lors de crises. Cet article présente une nouvelle manière de modéliser les motifs émotionnels dans les réseaux sociaux, visant à capturer non seulement qui est connecté à qui, mais aussi comment des émotions complexes circulent et se stabilisent dans les communautés en ligne.

Des étiquettes simples aux profils émotionnels riches

La plupart des outils existants pour analyser les communautés dans les réseaux reposent sur ce qu’on appelle la propagation d’étiquettes : une méthode qui infère l’appartenance à un groupe en laissant des étiquettes se diffuser de nœud en nœud le long des connexions. Traditionnellement, chaque personne (ou nœud) se voit attribuer une seule étiquette, par exemple « heureux » ou « triste », selon l’émotion ayant le score le plus élevé fourni par un modèle d’apprentissage automatique. Cette vision à une étiquette par personne élimine des nuances précieuses. Par exemple, deux utilisateurs peuvent être tous deux étiquetés « heureux », alors que l’un est légèrement positif et l’autre presque extatique. Le nouvel algorithme Assimilation Modified Emotional (AME) conserve la répartition complète des probabilités d’émotions pour chaque utilisateur au lieu de tout écraser en une seule étiquette, préservant ainsi les différences subtiles de ton émotionnel.

Laisser les émotions évoluer comme une marche aléatoire

AME modélise les changements émotionnels en utilisant une idée mathématique connue sous le nom de chaîne de Markov, qui décrit comment quelque chose passe d’un état à un autre étape par étape selon des probabilités. Ici, les « états » sont des profils émotionnels. À l’intérieur de chaque communauté du réseau, AME sélectionne quelques membres particulièrement influents et utilise leurs probabilités émotionnelles pour construire un modèle de « transition » partagé : la probabilité que les émotions changent au fil du temps lorsque les gens interagissent. Ce processus imite l’effet psychologique d’assimilation, où les attitudes des individus tendent à se rapprocher de celles des personnes qui les entourent. Plutôt que de supposer que les étiquettes sont fixes, AME met à jour de façon répétée la distribution émotionnelle de chaque communauté, permettant à l’humeur de groupe de se stabiliser d’une manière qui reflète mieux l’influence sociale réelle.

Réduire et reconnecter le réseau

Une fois les influences émotionnelles au sein de chaque communauté simulées, AME simplifie le réseau via une procédure appelée coarsening de graphe. En termes simples, cela consiste à fusionner des parties fortement liées du réseau en unités plus compactes et représentatives sans perdre leur structure essentielle. Après cette compression, AME utilise la prédiction de liens — estimer quelles paires de nœuds sont susceptibles d’être connectées — pour reconstruire les connexions entre ces communautés compactes. Le résultat final est une version épurée du réseau d’origine dans laquelle les communautés sont mieux définies et les motifs émotionnels plus cohérents, rendant la structure plus facile à exploiter par des modèles d’IA en aval.

Mettre l’algorithme à l’épreuve

Les auteurs ont soumis AME à une série d’expériences sur des réseaux sociaux simulés et réels. Ils ont d’abord utilisé de grands ensembles de textes de messages émotionnels, les traitant avec un modèle transformer pré-entraîné pour attribuer des probabilités d’émotion à chaque message et au nœud de réseau correspondant. Ensuite, ils ont comparé AME à plusieurs méthodes connues de détection de communautés sur trois types de graphes : des réseaux connectés aléatoirement, des réseaux avec quelques hubs très connectés, et des réseaux réels issus de Facebook et d’échanges de courriels. Dans tous les contextes, AME a produit des communautés plus faciles à apprendre pour un réseau neuronal basé sur des graphes, atteignant systématiquement une plus grande précision et une erreur plus faible que les méthodes concurrentes. Des tests supplémentaires ont montré que conserver les distributions de probabilité complètes et appliquer le coarsening de graphe améliorent chacun indépendamment les performances.

Ce que cela signifie pour la technologie courante

Concrètement, l’algorithme AME offre une manière plus intelligente de suivre et comprendre les émotions qui circulent dans les communautés en ligne. En préservant la nuance émotionnelle plutôt qu’en réduisant les personnes à une seule étiquette, et en mimant la façon dont les humeurs de groupe convergent au fil du temps, il produit des structures de réseau plus propres et plus informatives pour les systèmes d’IA. Cela pourrait conduire à des outils plus sensibles au contexte émotionnel — par exemple des systèmes qui détectent mieux la montée d’hostilité, identifient des communautés de soutien ou adaptent le contenu au contexte émotionnel des utilisateurs. Les résultats de l’étude suggèrent qu’AME peut servir de base solide pour des IA futures sensibles aux émotions dans les réseaux sociaux et d’autres systèmes complexes et interconnectés.

Citation: 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

Mots-clés: analyse des réseaux sociaux, reconnaissance des émotions, algorithmes de graphes, détection de communautés, propagation d’étiquettes