Rede de coevolução de grafos aprimorada para análise de redes sociais usando algoritmo emocional assimilação modificado

Por que as emoções importam nas redes

Mídias sociais e comunidades online não são apenas teias de conexões; são rios de emoção. Plataformas como Facebook, X ou fóruns online pulssam constantemente com alegria, raiva, medo e muito mais. Entender como esses sentimentos se espalham e se agrupam pode ajudar a melhorar sistemas de recomendação, detectar conteúdo nocivo ou acompanhar o humor público em crises. Este artigo apresenta uma nova forma de modelar padrões emocionais em redes sociais, com o objetivo de capturar não apenas quem está conectado a quem, mas como emoções complexas fluem e se assentam em comunidades online.

De rótulos simples a perfis emocionais ricos

A maioria das ferramentas existentes para analisar comunidades em redes depende do chamado label propagation (propagação de rótulos): um método que infere a filiação a grupos deixando rótulos se espalharem de nó para nó ao longo das conexões. Tradicionalmente, cada pessoa (ou nó) recebe um único rótulo, como “feliz” ou “triste”, com base na emoção que obteve a maior pontuação em um modelo de aprendizado de máquina. Essa visão de um rótulo por pessoa descarta nuances valiosas. Por exemplo, dois usuários podem ser ambos rotulados como “felizes”, mesmo que um esteja levemente positivo e o outro quase eufórico. O novo algoritmo Assimilation Modified Emotional (AME) mantém a mistura completa de probabilidades emocionais para cada usuário em vez de colapsar tudo em uma única etiqueta, preservando diferenças sutis no tom emocional.

Deixando as emoções evoluírem como uma caminhada aleatória

O AME modela mudanças emocionais usando uma ideia matemática conhecida como cadeia de Markov, que descreve como algo se move entre estados passo a passo de acordo com probabilidades. Aqui, os “estados” são perfis emocionais. Dentro de cada comunidade na rede, o AME seleciona alguns membros especialmente influentes e usa suas probabilidades emocionais para construir um padrão compartilhado de “transição”: quão provável é que as emoções mudem ao longo do tempo conforme as pessoas interagem. Esse processo imita o efeito psicológico de assimilação, em que atitudes tendem a convergir para as das pessoas ao redor. Em vez de assumir que os rótulos são fixos, o AME atualiza repetidamente a distribuição emocional de cada comunidade, permitindo que o humor grupal se estabilize de uma forma que reflita melhor a influência social real.

Encolhendo e reconectando a rede

Depois que as influências emocionais dentro de cada comunidade são simuladas, o AME simplifica a rede por meio de um procedimento chamado graph coarsening (compactação de grafo). Em termos práticos, isso significa fundir partes fortemente conectadas da rede em unidades mais compactas e representativas sem perder sua estrutura essencial. Após essa compressão, o AME usa previsão de links—estimar quais pares de nós provavelmente estarão conectados—para reconstruir conexões entre essas comunidades compactas. O resultado final é uma versão depurada da rede original em que as comunidades ficam mais nítidas e os padrões emocionais mais consistentes, tornando a estrutura mais fácil para modelos de IA downstream aprenderem.

Colocando o algoritmo à prova

Os autores submeteram o AME a uma série de experimentos em redes sociais simuladas e reais. Primeiro, usaram grandes conjuntos de textos com mensagens emocionais, processando-os com um modelo transformer pré-treinado para atribuir probabilidades emocionais a cada mensagem e ao nó correspondente na rede. Em seguida, compararam o AME com vários métodos conhecidos de detecção de comunidades em três tipos de grafos: redes aleatórias, redes com alguns hubs altamente conectados e redes reais do Facebook e de e-mail. Em todos os cenários, o AME produziu comunidades que eram mais fáceis para uma rede neural baseada em grafos aprender, alcançando consistentemente maior precisão e menor erro do que os métodos concorrentes. Testes adicionais mostraram que manter distribuições completas de probabilidade e aplicar a compactação de grafo melhoraram o desempenho de forma independente.

O que isso significa para a tecnologia do dia a dia

Em termos simples, o algoritmo AME oferece uma forma mais inteligente de rastrear e entender emoções à medida que se movem por comunidades online. Ao preservar a nuance emocional em vez de achatar as pessoas em um único rótulo, e ao imitar como humores de grupo convergem ao longo do tempo, ele gera estruturas de rede mais limpas e informativas para sistemas de IA analisarem. Isso pode levar a ferramentas mais sensíveis ao humor—por exemplo, sistemas que detectam melhor a escalada de hostilidade, identificam comunidades de apoio ou adaptam conteúdo ao contexto emocional dos usuários. Os resultados do estudo sugerem que o AME pode servir como uma base robusta para futuras IAs conscientes de emoções em redes sociais e outros sistemas complexos e interconectados.

Citação: 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

Palavras-chave: análise de redes sociais, reconhecimento de emoções, algoritmos de grafos, detecção de comunidades, propagação de rótulos