Förbättrad graf‑koevolutionsnätverk för analys av sociala nätverk med Assimilation Modified Emotional‑algoritm

Varför känslor i nätverk spelar roll

Sociala medier och nätgemenskaper är inte bara nätverk av förbindelser; de är flöden av känslor. Plattformar som Facebook, X eller forum pulserar ständigt av glädje, ilska, rädsla och mer. Att förstå hur dessa känslor sprider sig och klustras kan hjälpa till att förbättra rekommendationssystem, upptäcka skadligt innehåll eller följa folkets stämning vid kriser. Denna artikel introducerar ett nytt sätt att modellera emotionella mönster i sociala nätverk, med målet att fånga inte bara vem som är kopplad till vem, utan hur komplexa känslor rör sig och stabiliserar sig i onlinemiljöer.

Från enkla etiketter till rika emotionella profiler

De flesta befintliga verktyg för att analysera gemenskaper i nätverk förlitar sig på det som kallas etikettpropagering: en metod som härleder gruppmedlemskap genom att låta etiketter spridas från nod till nod längs förbindelser. Traditionellt tilldelas varje person (eller nod) en enda etikett, såsom ”glad” eller ”ledsen”, baserat på vilken känsla som fått högst poäng av en maskininlärningsmodell. Denna en‑etikett‑per‑person‑syn kastar bort värdefulla nyanser. Till exempel kan två användare båda märkas som ”glada”, även om den ena är svagt positiv och den andra nästan euforisk. Den nya Assimilation Modified Emotional (AME)-algoritmen behåller hela sannolikhetsfördelningen av känslor för varje användare istället för att koka ner allt till en enda tagg, och bevarar därigenom subtila skillnader i emotionell ton.

Låta känslor utvecklas som en slumpvandring

AME modellerar emotionella förändringar med en matematisk idé känd som en Markovkedja, som beskriver hur något rör sig mellan tillstånd steg för steg enligt sannolikheter. Här är ”tillstånden” emotionella profiler. Inom varje gemenskap i nätverket väljer AME några särskilt inflytelserika medlemmar och använder deras känslosannolikheter för att bygga ett delat ”övergångs”-mönster: hur sannolikt det är att känslor skiftar över tid när människor interagerar. Denna process efterliknar den psykologiska assimileringseffekten, där människors attityder driver mot dem omkring dem. Istället för att anta att etiketter är fasta uppdaterar AME upprepade gånger varje gemenskaps emotionella fördelning, vilket tillåter gruppstämningen att stabiliseras på ett sätt som bättre speglar verkligt socialt inflytande.

Krympa och återknyta nätverket

När de emotionella influenserna inom varje gemenskap har simulerats förenklar AME nätverket genom en procedur som kallas graf‑förstoring (graph coarsening). I vardagliga termer innebär detta att sammanfoga tätt sammanknutna delar av nätverket till kompaktare, representativa enheter utan att förlora deras väsentliga struktur. Efter denna kompression använder AME länkprediktion — att uppskatta vilka nodpar som sannolikt är förbundna — för att återbygga förbindelser mellan dessa kompakta gemenskaper. Slutresultatet är en städad version av det ursprungliga nätverket där gemenskaper är skarpare definierade och emotionella mönster mer konsekventa, vilket gör strukturen lättare för efterföljande AI‑modeller att lära sig från.

Att testa algoritmen

Författarna utsatte AME för en serie experiment på både simulerade och verkliga sociala nätverk. De använde först stora textdataset med emotionella meddelanden, bearbetade dem med en förtränad transformer‑modell för att tilldela känslo‑sannolikheter till varje meddelande och motsvarande nätverksnod. Därefter jämförde de AME med flera välkända metoder för gemenskapsupptäckt på tre typer av grafer: slumpmässigt sammanlänkade nätverk, nätverk med ett fåtal högreknutna nav och verkliga Facebook‑ och e‑postnätverk. I samtliga miljöer producerade AME gemenskaper som var enklare för ett grafbaserat neuralt nätverk att lära sig från, och uppnådde konsekvent högre noggrannhet och lägre fel än konkurrerande metoder. Ytterligare tester visade att både att behålla fulla sannolikhetsfördelningar och att tillämpa graf‑förstoring var var för sig förbättrande för prestandan.

Vad detta betyder för vardaglig teknik

Kort sagt erbjuder AME‑algoritmen ett smartare sätt att följa och förstå känslor när de rör sig genom onlinemiljöer. Genom att behålla emotionell nyans istället för att platta till människor till en enda etikett, och genom att efterlikna hur gruppstämningar konvergerar över tid, skapar den renare och mer informativa nätverksstrukturer för AI‑system att analysera. Det kan leda till mer känsliga, stämningsmedvetna verktyg — till exempel system som bättre upptäcker ökande fientlighet, identifierar stödjande gemenskaper eller anpassar innehåll efter användarnas emotionella kontext. Studiens resultat antyder att AME kan utgöra en stark grund för framtida känslo‑medveten AI i sociala nätverk och andra komplexa, sammankopplade system.

Citering: 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

Nyckelord: analys av sociala nätverk, känsloigenkänning, grafalgoritmer, gemenskapsupptäckt, etikettspridning