Rete di coevoluzione dei grafi migliorata per l’analisi delle reti sociali usando l’algoritmo emozionale modificato per assimilazione

Perché le emozioni nelle reti contano

I social media e le comunità online non sono solo trame di connessioni; sono fiumi di emozioni. Piattaforme come Facebook, X o i forum online pulsano costantemente di gioia, rabbia, paura e altro. Capire come questi sentimenti si diffondono e si raggruppano può aiutare a migliorare i sistemi di raccomandazione, a individuare contenuti dannosi o a monitorare l’umore pubblico durante le crisi. Questo articolo presenta un nuovo modo di modellare i pattern emozionali nelle reti sociali, con l’obiettivo di catturare non solo chi è connesso a chi, ma come emozioni complesse fluiscono e si stabilizzano nelle comunità online.

Da semplici etichette a profili emozionali ricchi

La maggior parte degli strumenti esistenti per analizzare le comunità nelle reti si basa su quella che viene chiamata propagazione delle etichette: un metodo che inferisce l’appartenenza ai gruppi lasciando che le etichette si diffondano da nodo a nodo lungo le connessioni. Tradizionalmente, a ogni persona (o nodo) viene assegnata un’unica etichetta, come “felice” o “triste”, in base all’emozione con il punteggio più alto prodotto da un modello di machine learning. Questa visione di una sola etichetta per persona perde sfumature preziose. Per esempio, due utenti potrebbero entrambi essere etichettati come “felici”, pur se uno è solo leggermente positivo e l’altro è quasi estatico. Il nuovo algoritmo Assimilation Modified Emotional (AME) conserva l’intero mix di probabilità emotive per ciascun utente invece di ridurre tutto a un’unica etichetta, preservando differenze sottili nel tono emotivo.

Lasciare che le emozioni evolvano come una passeggiata casuale

AME modella i cambiamenti emozionali usando un’idea matematica nota come catena di Markov, che descrive come qualcosa si sposti tra stati passo dopo passo secondo probabilità. Qui gli “stati” sono profili emozionali. All’interno di ogni comunità nella rete, AME seleziona alcuni membri particolarmente influenti e usa le loro probabilità emotive per costruire un modello di “transizione” condiviso: quanto è probabile che le emozioni cambino nel tempo mentre le persone interagiscono. Questo processo imita l’effetto psicologico di assimilazione, in cui gli atteggiamenti delle persone tendono a spostarsi verso quelli di chi le circonda. Invece di assumere che le etichette siano fisse, AME aggiorna ripetutamente la distribuzione emotiva di ciascuna comunità, permettendo all’umore di gruppo di stabilizzarsi in modo che rispecchi meglio la reale influenza sociale.

Rimpicciolire e riconnettere la rete

Una volta simulate le influenze emotive all’interno di ciascuna comunità, AME semplifica la rete mediante una procedura chiamata graph coarsening. In termini pratici, ciò significa unire parti ben connesse della rete in unità più compatte e rappresentative senza perdere la struttura essenziale. Dopo questa compressione, AME usa la previsione dei collegamenti—stimando quali coppie di nodi sono probabili candidate a essere connesse—per ricostruire le connessioni tra queste comunità compatte. Il risultato finale è una versione ripulita della rete originale in cui le comunità sono più nettamente definite e i pattern emozionali più coerenti, rendendo la struttura più semplice da apprendere per modelli di intelligenza artificiale successivi.

Mettere l’algoritmo alla prova

Gli autori hanno sottoposto AME a una serie di esperimenti sia su reti sociali simulate che reali. Hanno prima usato grandi dataset testuali di messaggi emozionali, processandoli con un modello trasformatore pre-addestrato per assegnare probabilità emotive a ciascun messaggio e al corrispondente nodo di rete. Poi hanno confrontato AME con diversi noti metodi di rilevamento delle comunità su tre tipi di grafi: reti con connessioni casuali, reti con pochi hub altamente connessi e reti reali di Facebook ed email. In tutti i contesti, AME ha prodotto comunità da cui una rete neurale basata su grafi apprendeva più facilmente, ottenendo in modo consistente maggiore accuratezza e minore errore rispetto ai metodi concorrenti. Test aggiuntivi hanno mostrato che mantenere le distribuzioni di probabilità complete e applicare il graph coarsening miglioravano ciascuno in modo indipendente le prestazioni.

Cosa significa per la tecnologia di tutti i giorni

In termini semplici, l’algoritmo AME offre un modo più intelligente per tracciare e comprendere le emozioni mentre si muovono attraverso le comunità online. Conservando le sfumature emotive invece di appiattire le persone in un’unica etichetta, e imitando come gli umori di gruppo convergono nel tempo, produce strutture di rete più pulite e più informative per i sistemi di IA da analizzare. Questo potrebbe portare a strumenti più sensibili al contesto emotivo—per esempio sistemi che rilevano meglio l’aumento di ostilità, identificano comunità di supporto o adattano i contenuti al contesto emotivo degli utenti. I risultati dello studio suggeriscono che AME può fungere da solida base per future IA consapevoli delle emozioni nelle reti sociali e in altri sistemi complessi e interconnessi.

Citazione: 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

Parole chiave: analisi delle reti sociali, riconoscimento delle emozioni, algoritmi su grafi, rilevamento delle comunità, propagazione delle etichette