Ulepszona sieć współewolucji grafu do analizy sieci społecznych z wykorzystaniem zmodyfikowanego algorytmu asymilacji emocji

Dlaczego emocje w sieciach mają znaczenie

Media społecznościowe i społeczności internetowe to nie tylko sieci połączeń; to rzeki emocji. Platformy takie jak Facebook, X czy fora internetowe nieustannie pulsują radością, złością, strachem i innymi uczuciami. Zrozumienie, jak te emocje się rozprzestrzeniają i skupiają, może pomóc ulepszyć systemy rekomendacyjne, wykrywać szkodliwe treści lub śledzić nastroje społeczne w sytuacjach kryzysowych. W artykule przedstawiono nowy sposób modelowania wzorców emocjonalnych w sieciach społecznych, którego celem jest uchwycenie nie tylko tego, kto jest z kim połączony, ale też jak złożone emocje przepływają i osadzają się w społecznościach online.

Od prostych etykiet do bogatych profili emocjonalnych

Większość istniejących narzędzi do analizy społeczności w sieciach opiera się na tzw. propagacji etykiet: metodzie, która wnioskuje przynależność do grup, pozwalając etykietom rozprzestrzeniać się między węzłami wzdłuż połączeń. Tradycyjnie każdej osobie (lub węzłowi) przypisuje się jedną etykietę, taką jak „szczęśliwy” lub „smutny”, na podstawie tego, która emocja ma najwyższy wynik w modelu uczenia maszynowego. Taki jeden-znak-na-osobę sposób przedstawiania danych traci cenne niuanse. Na przykład dwóch użytkowników może być oznaczonych jako „szczęśliwi”, choć jeden jest lekko pozytywny, a drugi niemal euforyczny. Nowy algorytm Assimilation Modified Emotional (AME) zachowuje pełny rozkład prawdopodobieństw emocji dla każdego użytkownika zamiast redukować wszystko do pojedynczej etykiety, zachowując subtelne różnice w tonie emocjonalnym.

Pozwalanie emocjom ewoluować jak przypadkowy spacer

AME modeluje zmiany emocjonalne z użyciem pojęcia matematycznego znanego jako łańcuch Markowa, który opisuje, jak coś przechodzi między stanami krok po kroku zgodnie z prawdopodobieństwami. Tutaj „stanami” są profile emocjonalne. W obrębie każdej społeczności w sieci AME wybiera kilku szczególnie wpływowych członków i wykorzystuje ich prawdopodobieństwa emocji do zbudowania wspólnego wzorca „przejścia”: jak prawdopodobne jest przechodzenie emocji w czasie wraz z interakcjami ludzi. Proces ten naśladuje efekt asymilacji psychologicznej, w którym postawy ludzi zbliżają się do postaw otaczających ich osób. Zamiast zakładać, że etykiety są stałe, AME wielokrotnie aktualizuje rozkład emocji w każdej społeczności, pozwalając nastrojom grupowym stabilizować się w sposób lepiej odzwierciedlający rzeczywisty wpływ społeczny.

Zagęszczanie i ponowne łączenie sieci

Po zasymulowaniu wpływów emocjonalnych w każdej społeczności AME upraszcza sieć za pomocą procedury zwanej redukcją grafu (graph coarsening). W prostych słowach oznacza to łączenie silnie powiązanych fragmentów sieci w bardziej zwarte, reprezentatywne jednostki bez utraty ich zasadniczej struktury. Po tym skompresowaniu AME wykorzystuje prognozowanie połączeń (link prediction) — ocenę, które pary węzłów prawdopodobnie będą połączone — aby odbudować powiązania między tymi zwartymi społecznościami. Efektem końcowym jest oczyszczona wersja oryginalnej sieci, w której społeczności są wyraźniej zdefiniowane, a wzorce emocjonalne bardziej spójne, co ułatwia modelom AI dalsze uczenie się z tej struktury.

Testowanie algorytmu

Autorzy przetestowali AME w serii eksperymentów na sieciach symulowanych i rzeczywistych. Najpierw użyli dużych zbiorów tekstów z emocjonalnymi wiadomościami, przetwarzając je za pomocą uprzednio wytrenowanego modelu transformera, by przypisać prawdopodobieństwa emocji każdej wiadomości i odpowiadającego jej węzła sieci. Następnie porównali AME z kilkoma znanymi metodami wykrywania społeczności na trzech typach grafów: losowo połączonych sieciach, sieciach z kilkoma wysoko połączonymi węzłami-hubami oraz rzeczywistych sieciach Facebooka i poczty elektronicznej. We wszystkich ustawieniach AME wytwarzał społeczności, z których sieciowy sieciowy sieciowy... [Note: the previous sentence had repetition — corrected below in translation] Across all settings, AME produced communities that were easier for a graph-based neural network to learn from, consistently achieving higher accuracy and lower error than the competing methods. Additional tests showed that keeping full probability distributions and applying graph coarsening each independently improved performance.

Co to oznacza dla codziennej technologii

Mówiąc wprost, algorytm AME oferuje inteligentniejszy sposób śledzenia i rozumienia emocji, gdy przemieszczają się przez społeczności online. Zachowując emocjonalne niuanse zamiast spłaszczać ludzi do jednej etykiety oraz naśladując sposób, w jaki nastrój grupy zbiega się w czasie, generuje czyściejsze, bardziej informacyjne struktury sieciowe do analizowania przez systemy AI. Może to prowadzić do bardziej wyczulonych narzędzi uwzględniających nastrój — na przykład systemów lepiej wykrywających narastającą wrogość, identyfikujących wspierające społeczności lub dopasowujących treści do emocjonalnego kontekstu użytkowników. Wyniki badań sugerują, że AME może stanowić solidne fundamenty dla przyszłych rozwiązań AI uwzględniających emocje w sieciach społecznych i innych złożonych, powiązanych systemach.

Cytowanie: 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

Słowa kluczowe: analiza sieci społecznych, rozpoznawanie emocji, algorytmy grafowe, wykrywanie społeczności, propagacja etykiet