Улучшенная сетевая коэволюция графа для анализа социальных сетей с использованием ассимиляционно-модифицированного эмоционального алгоритма

Почему эмоции в сетях имеют значение

Социальные медиа и онлайн‑сообщества — это не просто сети связей; это потоки эмоций. Платформы вроде Facebook, X или форумы постоянно наполнены радостью, гневом, страхом и прочими чувствами. Понимание того, как эти эмоции распространяются и группируются, помогает улучшать рекомендательные системы, обнаруживать вредоносный контент или отслеживать общественное настроение в кризисных ситуациях. В этой работе предложен новый способ моделирования эмоциональных паттернов в социальных сетях, который стремится захватить не только то, кто с кем связан, но и то, как сложные эмоции текут и закрепляются в онлайн‑сообществах.

От простых меток к богатым эмоциональным профилям

Большинство существующих инструментов для анализа сообществ в сетях опираются на так называемое распространение меток: метод, который выводит принадлежность к группам, позволяя меткам распространяться от узла к узлу по связям. Традиционно каждому человеку (или узлу) присваивают одну метку, например «счастлив» или «грустен», исходя из того, какая эмоция получила наивысший балл в модели машинного обучения. Такой подход «одна метка на человека» отбрасывает важные нюансы. Например, двоих пользователей могут пометить как «счастливых», хотя один слегка позитивен, а другой практически в восторге. Новый ассимиляционно‑модифицированный эмоциональный (AME) алгоритм сохраняет полную вероятностную смесь эмоций для каждого пользователя вместо свёртывания всего в одну метку, сохраняя тонкие различия в эмоциональном тоне.

Позволяя эмоциям эволюционировать как случайному блужданию

AME моделирует эмоциональные изменения с помощью математической идеи, известной как марковская цепь, которая описывает, как объект переходит между состояниями шаг за шагом согласно вероятностям. Здесь «состояния» — это эмоциональные профили. Внутри каждого сообщества в сети AME выбирает нескольких особенно влиятельных участников и использует их вероятностные эмоциональные распределения для построения общего «переходного» паттерна: насколько вероятно, что эмоции будут смещаться со временем по мере взаимодействия людей. Этот процесс имитирует психологический эффект ассимиляции, когда установки людей смещаются в сторону установок окружающих. Вместо того чтобы считать метки зафиксированными, AME многократно обновляет эмоциональное распределение каждого сообщества, позволяя групповому настроению стабилизироваться таким образом, который лучше отражает реальное социальное влияние.

Сжатие и повторное сопряжение сети

После моделирования эмоциональных влияний внутри каждого сообщества AME упрощает сеть с помощью процедуры, называемой коарсингом графа. В повседневных терминах это означает объединение плотно связанных участков сети в более компактные представительные единицы без потери их ключевой структуры. После этого сжатия AME использует предсказание связей — оценку того, какие пары узлов вероятно будут связаны — чтобы восстановить соединения между этими компактными сообществами. В результате получается «очищенная» версия исходной сети, в которой сообщества более чётко определены, а эмоциональные паттерны более согласованы, что облегчает их изучение для последующих моделей ИИ.

Испытание алгоритма

Авторы подвергли AME серии экспериментов как на симулированных, так и на реальных социальных сетях. Сначала они использовали большие текстовые наборы данных с эмоциональными сообщениями, обрабатывая их с помощью предварительно обученной трансформер‑модели для назначения вероятностей эмоций каждому сообщению и соответствующему узлу сети. Затем они сравнили AME с несколькими известными методами обнаружения сообществ на трёх типах графов: случайно связных сетях, сетях с несколькими высокосвязанными узлами‑хабами и реальных сетях Facebook и электронной почты. Во всех условиях AME формировал сообщества, с которых графовой нейросети было легче обучаться, последовательно демонстрируя более высокую точность и меньшую ошибку по сравнению с конкурирующими методами. Дополнительные тесты показали, что сохранение полных вероятностных распределений и применение коарсинга графа по отдельности повышают производительность.

Что это означает для повседневных технологий

Проще говоря, алгоритм AME предлагает более умный способ отслеживать и понимать эмоции, как они перемещаются по онлайн‑сообществам. Сохраняя эмоциональную нюансировку вместо того, чтобы упрощать людей до единой метки, и моделируя то, как групповые настроения сходятся со временем, он формирует более чистые и информативные структуры сети для анализа системами ИИ. Это может привести к более чувствительным инструментам, учитывающим настроение — например, системам, которые лучше выявляют нарастающую враждебность, определяют поддерживающие сообщества или адаптируют контент к эмоциональному контексту пользователей. Результаты исследования указывают на то, что AME может служить надёжной основой для будущих эмоцио‑ориентированных ИИ в социальных сетях и других сложных взаимосвязанных системах.

Цитирование: 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

Ключевые слова: анализ социальных сетей, распознавание эмоций, графовые алгоритмы, обнаружение сообществ, распространение меток