《中国人工智能学会通讯》——3.12 用户层-阿里云开发者社区

开发者社区> 人工智能> 正文

《中国人工智能学会通讯》——3.12 用户层

简介: 本节书摘来自CCAI《中国人工智能学会通讯》一书中的第3章,第3.12节, 更多章节内容可以访问云栖社区“CCAI”公众号查看。

3.12 用户层

从用户层看,社会媒体情感是用户情感观点的形成(opinion forming)过程。一些研究建模了社区中用户观点伴随着周围用户交流的演变,分别针对观点的传播过程,即一个观点如何从一个用户扩散到另一个用户,以及观点的形成过程进行研究。前者主要着眼于用户的社会影响力的研究,后者则关注通过与已持有某观点的用户交流所形成的观点。文献 [21-22] 分别在 LiveJournal 和 Facebook上的实验,证实了用户的观点或情绪受其社交网络中周围用户的影响。

传播模型方面,Suchecki 等[23]在构建的无尺度网络(scale-free network)、小世界无尺度网络和随机网络上研究投票正、负观点的传播。文献 [24] 将连续观点模型 Sznajd(用连续数值表示观点)扩展到复杂网络上,假设两个持有相同观点的关联用户会把观点传播给他们所有的邻居。文献 [25] 发现在 Sznajd 模型中,观点传播个体的聚集系数(clustering coefficient)会导致观点的完全统一。Deffuant 模型中从网络中每次随机选择两个用户,并根据他们连续观点的差值,进行观点变化[26] 。而 Hegselmann-Krause 模型假设网络中的用户观点值会转变为周围持有相似观点用户的均值[27] 。Fortunato 等 [28]将 Hegselmann-Krause 模型扩展为多维的观点向量。然而,Bindel 等[29]指出传统模型,包括 DeGroot 模型[30]往往最终会使得互连用户的观点(用数值表示)达到一个共同的值,而实际的经验告诉我们,即使联系紧密的用户,也不一定会最终达到同样的观点数值。因此,提出带有个人固有信念的博弈模型,证明了纳什平衡后关联用户观点的多样性,以及增加社会网络连边会使平衡后的观点差异程度降低。

观点传播的各种理论模型丰富了在线社会媒体用户观点传播的建模手段。但以上工作,一是基于理想的构造的网络,而非真实的传播网络;二是每个用户节点都属于激活状态,只是观点的极性或强弱有所不同。 在研究信息传播的激活变化时,基于有向图的传播的模型——线性阈值和独立级联模型[31] ,刻画了用户激活状态的变化。对于传播的动因,一个有争议的观点是“影响者推动”假设,即有影响力的个体促使了观点、行为、创新和产品在社会中的散播[32] 。 尽管这是一个广泛接受的观点,但 Aral 等[33]将用户影响划分为影响力(influence)和易感性(susceptiblity)两个属性维度,通过对Facebook 的数据研究发现,在线社交网络中的传播行为是由在局部网络中用户的影响力、易感性,以及他们自发传播的似然所共同决定的。在此基础上,假设用户具有隐式影响力和易感性的分布式表达,通过观测历史传播轨迹的似然和机器学习方法,估计出新浪微博用户影响力和易感性的隐式表达[34] ,如图 3 所示,表达的各个维度具有一定不相关性和区分度(浅色块)。该方法改变了传统模型主要基于用户对的方式,即对 n 个用户间的传播关系设定大小为 n 2 的传播参数建模,降低了模型参数,可以有效缓解机器学习的过拟合问题。尽管如此,这些建模激活状态的传播模型,实际又无法刻画激活用户的观点变化情况。

image

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
人工智能
使用钉钉扫一扫加入圈子
+ 订阅

了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

其他文章