Sosyyal ağ analizi için asimilasyonla değiştirilmiş duygusal algoritma kullanan geliştirilmiş grafik eş-evrim ağı

Ağlardaki Duygular Neden Önemli?

Sosyal medya ve çevrimiçi topluluklar sadece bağlantı ağları değildir; duyguların aktığı nehirlerdir. Facebook, X veya forumlar gibi platformlar sürekli olarak sevinç, öfke, korku ve daha fazlasıyla çalkalanır. Bu duyguların nasıl yayıldığını ve kümelendiğini anlamak, öneri sistemlerini geliştirmeye, zararlı içeriği tespit etmeye veya krizler sırasında kamu ruh halini izlemeye yardımcı olabilir. Bu makale, sosyal ağlarda duygusal desenleri modellemenin yeni bir yolunu sunuyor; amaç sadece kimin kiminle bağlı olduğunu değil, karmaşık duyguların çevrimiçi topluluklarda nasıl aktığını ve yerleştiğini yakalamak.

Basit Etiketlerden Zengin Duygusal Profillere

Ağlardaki toplulukları analiz etmek için var olan araçların çoğu etiket yayılımı adı verilen yaklaşıma dayanır: etiketlerin düğümden düğüme bağlantılar boyunca yayılmasına izin vererek grup üyeliğini çıkaran bir yöntem. Geleneksel olarak, her kişiye (veya düğüme) makine öğrenmesi modelinin en yüksek puan verdiği duyguya göre “mutlu” veya “üzgün” gibi tek bir etiket atanır. Kişi başına bir etiketlik bu bakış açısı değerli nüansları yok sayar. Örneğin, iki kullanıcı ikisi de “mutlu” olarak etiketlenebilir; ancak biri ılımlı pozitifken diğeri neredeyse ekstazik olabilir. Yeni Asimilasyonla Değiştirilmiş Duygusal (AME) algoritması, her kullanıcı için duyguların tam olasılık karışımını tutar; her şeyi tek bir etikete indirgemek yerine duygusal tonlardaki ince farkları korur.

Duyguların Rastgele Yürüyüş Gibi Evrilmesine İzin Vermek

AME, duygusal değişimleri Markov zinciri olarak bilinen matematiksel bir fikirle modelleyerek bir şeyin durumlar arasında adım adım olasılıklara göre nasıl hareket ettiğini tanımlar. Burada “durumlar” duygusal profillerdir. Ağdaki her topluluk içinde AME, özellikle etkili birkaç üyeyi seçer ve onların duygusal olasılıklarını paylaşılan bir “geçiş” desenini oluşturmak için kullanır: insanlar etkileştikçe duyguların zaman içinde nasıl değişme olasılığının olduğu. Bu süreç, insanların tutumlarının çevrelerindeki diğerlerininkine doğru kaydığı psikolojik asimilasyon etkisini taklit eder. Etiketlerin sabit olduğunu varsaymak yerine AME, her topluluğun duygusal dağılımını tekrar tekrar günceller ve grup ruh halinin sosyal etkinin daha gerçekçi bir yansımasını sağlayacak şekilde istikrar kazanmasına izin verir.

Ağı Küçültme ve Yeniden Bağlama

Her topluluk içindeki duygusal etkiler simüle edildikten sonra AME, grafik küçültme adı verilen bir prosedürle ağı basitleştirir. Günlük ifadeyle bu, ağın sıkı sıkıya bağlı parçalarını özünü kaybetmeden daha kompakt, temsil edici birimlere birleştirmek demektir. Bu sıkıştırmadan sonra AME, bu kompakt topluluklar arasındaki bağlantıları yeniden kurmak için bağlantı tahmini—hangi düğüm çiftlerinin bağlanma olasılığının yüksek olduğunu tahmin etme—kullanır. Sonuç, toplulukların daha keskin tanımlandığı ve duygusal desenlerin daha tutarlı olduğu, böylece altına alan AI modellerinin öğrenmesini kolaylaştıran orijinal ağın temizlenmiş bir versiyonudur.

Algoritmayı Teste Sokmak

Yazarlar AME’yi hem simüle edilmiş hem de gerçek sosyal ağlarda bir dizi denemeden geçirdiler. Önce duygusal mesajlardan oluşan büyük metin veri setleri kullandılar ve bunları önceden eğitilmiş bir dönüştürücü (transformer) modelle işleyerek her mesaja ve karşılık gelen ağ düğümüne duygu olasılıkları atadılar. Ardından AME’yi üç tür grafikte birkaç tanınmış topluluk tespiti yöntemiyle karşılaştırdılar: rastgele bağlantılı ağlar, birkaç yüksek dereceli merkez düğüme (hub) sahip ağlar ve gerçek dünya Facebook ile e-posta ağları. Tüm koşullarda AME, grafik tabanlı bir sinir ağının öğrenmesi için daha uygun topluluklar üretti; rekabetçi yöntemlere göre tutarlı şekilde daha yüksek doğruluk ve daha düşük hata elde etti. Ek testler, tam olasılık dağılımlarının korunmasının ve grafik küçültmenin her birinin tek başına performansı iyileştirdiğini gösterdi.

Günlük Teknoloji İçin Anlamı

Basitçe söylemek gerekirse, AME algoritması çevrimiçi topluluklarda duyguların nasıl hareket ettiğini izlemek ve anlamak için daha akıllı bir yol sunuyor. İnsanları tek bir etikete indirgemek yerine duygusal nüansı koruyarak ve grup ruh hallerinin zaman içinde nasıl yakınsadığını taklit ederek, AI sistemlerinin analiz etmesi için daha temiz, daha bilgilendirici ağ yapıları üretiyor. Bu, yükselen düşmanlığı daha iyi tespit eden, destekleyici toplulukları belirleyen veya içeriği kullanıcıların duygusal bağlamına uyarlayan daha duyarlı ruh hali farkındalıklı araçlara yol açabilir. Çalışmanın sonuçları, AME’nin sosyal ağlarda ve diğer karmaşık, birbirine bağlı sistemlerde geleceğin duygu farkındalıklı AI’sı için sağlam bir dayanak sağlayabileceğini öne sürüyor.

Atıf: 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

Anahtar kelimeler: sosyal ağ analizi, duygu tanıma, graf algoritmaları, topluluk tespiti, etiket yayılımı