使用同化修正情感算法的增强型图协同演化网络用于社交网络分析

为什么网络中的情感很重要

社交媒体和在线社区不仅仅是连接的网络；它们也是情感的河流。像 Facebook、X 或在线论坛这样的平台不断涌动着喜悦、愤怒、恐惧等情绪。理解这些情绪如何传播与聚集，有助于改进推荐系统、检测有害内容或在危机期间追踪公众情绪。本文提出了一种新的方式来建模社交网络中的情感模式，旨在捕捉不仅是谁与谁相连，还要描绘复杂情感如何在在线社区中流动并最终稳定下来的过程。

从简单标签到丰富的情感画像

大多数现有的网络社区分析工具依赖于所谓的标签传播：一种通过让标签沿连接从节点向节点扩散来推断群体归属的方法。传统上，每个人（或节点）被分配一个单一标签，例如“高兴”或“悲伤”，基于机器学习模型给出的最高情感得分。这种每人一个标签的视角丢失了宝贵的细微差别。例如，两位用户可能都被标为“高兴”，但一个只是略微积极，而另一个几乎欣喜若狂。新的同化修正情感（AME）算法保留了每个用户的完整情感概率分布，而不是将所有信息压缩成单一标签，从而保留情感语气上的细微差别。

让情感像随机游走一样演化

AME 使用一种称为马尔可夫链的数学思想来建模情感变化，描述某事物如何根据概率一步步在状态之间移动。在这里，“状态”是情感画像。在每个网络社区内部，AME 选择一些特别有影响力的成员，利用他们的情感概率构建共享的“转移”模式：即随着人们互动，情感随时间迁移的可能性。该过程模拟了心理学中的同化效应，人们的态度会朝周围人的方向漂移。AME 不再假设标签是固定的，而是反复更新每个社区的情感分布，使群体情绪以更能反映真实社会影响的方式稳定下来。

收缩并重新连接网络

在模拟完每个社区内部的情感影响后，AME 通过一种称为图粗化的程序简化网络。通俗来说，这意味着将网络中紧密连接的部分合并为更紧凑的代表单元，同时不丢失其核心结构。经过这种压缩后，AME 使用链接预测——估计哪些节点对可能相连——来重建这些紧凑社区之间的连接。最终结果是一个更为清晰的原始网络版本，其中社区定义得更为明确，情感模式更一致，使下游的 AI 模型更容易学习其结构。

将算法付诸测试

作者对 AME 在模拟和真实社交网络上进行了一系列实验。首先他们使用了大量带有情感信息的文本数据集，并用预训练的变换器模型处理这些文本，为每条消息及其对应的网络节点分配情感概率。随后，他们将 AME 与若干知名的社区检测方法在三类图上进行了比较：随机连接的网络、具有少数高度连接枢纽的网络，以及真实的 Facebook 和电子邮件网络。在所有设置中，AME 产生的社区更易于图神经网络学习，持续表现出更高的准确率和更低的误差。额外的测试表明，保留完整概率分布和应用图粗化各自独立地提升了性能。

这对日常技术意味着什么

简言之，AME 算法提供了一种更智能的方法来追踪和理解情感在在线社区中的流动。通过保留情感的细微差别而不是将人简化为单一标签，并模拟群体情绪随时间趋同的过程，它为 AI 系统生成了更清晰、更具信息性的网络结构。这可能带来更敏感的情绪感知工具——例如，更好地检测上升的敌意、识别互助社区或将内容适配到用户的情绪背景。研究结果表明，AME 可作为未来社交网络及其他复杂互联系统中情绪感知型 AI 的有力支撑。

引用: 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

关键词: 社交网络分析, 情感识别, 图算法, 社区检测, 标签传播