רשת קוהבולוציה משופרת על גבי גרפים לניתוח רשתות חברתיות באמצעות אלגוריתם רגשי מותאם אסימילציה

מדוע רגשות ברשתות חשובים

מדיה חברתית וקהילות מקוונות אינן רק רשתות של חיבורים; הן נהרות של רגש. פלטפורמות כמו Facebook, X או פורומים מקוונים זורמות ללא הרף בשמחה, כעס, פחד ועוד. הבנת האופן שבו תחושות אלה מתפשטות ומצטברות יכולה לשפר מערכות המלצה, לזהות תוכן מזיק או לעקוב אחרי מצב הרוח הציבורי בזמן משברים. המאמר מציג שיטה חדשה למידול דפוסי רגשות ברשתות חברתיות, שמטרתה ללכוד לא רק מי מחובר למי, אלא איך רגשות מורכבים זורמים ומתייצבים בקהילות מקוונות.

מתוויות פשוטות לפרופילים רגשיים עשירים

מרבית הכלים הקיימים לניתוח קהילות ברשת מסתמכים על מה שנקרא הפצת תוויות: שיטה שמסיקה חברות בקבוצה על ידי התפשטות תוויות מצומת לצומת לאורך הקשרים. באופן מסורתי, לכל אדם (או צומת) מוקצית תווית יחידה, כגון "שמח" או "עצוב", בהתבסס על איזו רגש קיבל את הניקוד הגבוה ביותר ממודל למידת מכונה. גישה של תווית אחת לאדם מחריבה ניואנסים חשובים. למשל, שני משתמשים עשויים להיות מתויגים כ"שמח" גם אם אחד חיובי במעט והשני כמעט בהתעלות. האלגוריתם החדש Assimilation Modified Emotional (AME) שומר את התמהיל המלא של ההסתברויות הרגשיות עבור כל משתמש במקום לקבץ הכל לתווית אחת, ובכך שומר על הבדלים עדינים בטון הרגשי.

להניח לרגשות להתפתח כמו הליכה אקראית

AME מדמה שינויים רגשיים באמצעות רעיון מתמטי הידוע כשרשרת מרקוב, שמתאר כיצד דבר מה עובר בין מצבים צעד אחרי צעד לפי הסתברויות. כאן, ה"מצבים" הם פרופילים רגשיים. בתוך כל קהילה ברשת, AME בוחר כמה חברים משפיעים במיוחד ומשתמש בהסתברויות הרגשיות שלהם כדי לבנות דפוס "מעבר" משותף: עד כמה סביר שהרגשות ישתנו לאורך זמן כאשר אנשים באים במגע זה עם זה. תהליך זה מחקה את אפקט האסימילציה הפסיכולוגי, שבו עמדות אנשים נוטות להיסחף לכיוון אלה של הסובבים אותם. במקום להניח שהתוויות קבועות, AME מעדכן שוב ושוב את התפלגות הרגשות של כל קהילה, ומאפשר למצב הרוח הקבוצתי להתייצב באופן המשקף טוב יותר השפעה חברתית אמיתית.

כיווץ וחיבור מחדש של הרשת

לאחר הסימולציה של ההשפעות הרגשיות בתוך כל קהילה, AME מפשט את הרשת באמצעות פרוצדורה הנקראת צמצום גרפי (graph coarsening). במילים פשוטות, זה אומר למזג חלקים דחוסים של הרשת ליחידות מייצגות וקומפקטיות יותר מבלי לאבד את המבנה החיוני שלהן. לאחר הכיווץ הזה, AME משתמש בחיזוי קישורים — הערכת אילו זוגות צמתים סביר שיתחברו — כדי לשחזר חיבורים בין הקהילות הקומפקטיות הללו. התוצאה הסופית היא גרסה מנוקית של הרשת המקורית שבה הקהילות מוגדרות בצורה חדה יותר ודפוסי הרגש עקביים יותר, מה שמקל על מודלים של בינה מלאכותית ללמידה מהמבנה.

להעמיד את האלגוריתם למבחן

המחברים בדקו את AME בסדרת ניסויים על רשתות חברתיות מדומות ומציאותיות. הם השתמשו תחילה במאגרי טקסט גדולים של הודעות רגשיות, עיבדו אותן באמצעות מודל טרנספורמר מאומן מראש כדי להקצות הסתברויות רגשיות לכל הודעה ולצומת המתאים ברשת. לאחר מכן הם השוו את AME מול מספר שיטות ידועות לגילוי קהילות בשלושה סוגי גרפים: רשתות מחוברות אקראית, רשתות עם כמה צמתים מרכזיים בעלי חיבורים רבים, ורשתות אמיתיות של Facebook ודוא״ל. בכל התצורות, AME ייצר קהילות שהיו קלות יותר ללמידה עבור רשת עצבית מבוססת גרף, והשיג בעקביות דיוק גבוה יותר ושגיאה נמוכה יותר מאשר השיטות המתחרות. בדיקות נוספות הראו ששמירה על התפלגויות הסתברותיות מלאות ויישום כיווץ גרפי שיפרו את הביצועים כל אחד בנפרד.

מה המשמעות של זה לטכנולוגיה יומיומית

במילים פשוטות, האלגוריתם AME מציע דרך חכמה יותר לעקוב ולהבין רגשות כשהם נעים דרך קהילות מקוונות. על ידי שמירה על הניואנס הרגשי במקום לשטח אנשים לתווית אחת, ועל ידי חיקוי האופן שבו מצבי רוח קבוצתיים מתכנסים לאורך זמן, הוא מייצר מבני רשת נקיים ומיידעים יותר עבור מערכות בינה מלאכותית לניתוח. זה יכול להוליד כלים רגישים יותר למצב רוח — לדוגמה, מערכות שמזהות היטב تصاعد עוינות, מזהות קהילות תומכות, או מתאימות תוכן להקשר הרגשי של המשתמשים. תוצאות המחקר מרמזות כי AME יכול לשמש כתשתית חזקה לבינה מלאכותית מודעת רגש ברשתות חברתיות ובמערכות מורכבות מקושרות אחרות.

ציטוט: 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

מילות מפתח: ניתוח רשתות חברתיות, זיהוי רגשות, אלגוריתמים על גרפים, גילוי קהילות, הפצת תוויות