CN110196955B - 信息处理方法、装置及存储介质 - Google Patents
信息处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110196955B CN110196955B CN201810522210.5A CN201810522210A CN110196955B CN 110196955 B CN110196955 B CN 110196955B CN 201810522210 A CN201810522210 A CN 201810522210A CN 110196955 B CN110196955 B CN 110196955B
- Authority
- CN
- China
- Prior art keywords
- attention
- degree
- parameter
- user node
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 25
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 108
- 230000019771 cognition Effects 0.000 claims description 48
- 230000008451 emotion Effects 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 40
- 230000036651 mood Effects 0.000 claims description 15
- 230000002996 emotional effect Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 206010027940 Mood altered Diseases 0.000 claims description 4
- 230000007510 mood change Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 27
- 230000003993 interaction Effects 0.000 description 24
- 238000004088 simulation Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 208000019901 Anxiety disease Diseases 0.000 description 6
- 230000036506 anxiety Effects 0.000 description 6
- 230000006397 emotional response Effects 0.000 description 6
- 230000003542 behavioural effect Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种信息处理方法、装置及存储介质,包括:接收社交网络结构的描述信息;接收所述社交网络结构中每个用户节点的对于所述事件的第一关注度参数;根据各用户节点的第一关注度参数、与各用户节点相连接的第二用户节点的第一关注度参数、权重参数以及接收的媒体发布参数,确定各用户节点的第二关注度参数,根据各用户节点的第二关注度参数确定事件的第三关注度参数,当第三关注度参数收敛时确定第三关注度参数的变化趋势,当第三关注度参数不收敛时,重复执行上述步骤直至第三关注度参数收敛。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及信息处理方法、装置及存储介质。
背景技术
信息传播模式的研究可分为三个方面:内容研究、网络传播动力学研究和用户行为研究。信息内容研究主要是从文本角度研究信息自身的传播特性;网络传播动力学研究考虑网络的拓扑结构对传播模式的影响;用户行为研究则主要研究用户属性(如兴趣度、年龄等)和行为特征对传播模式的影响。在现有技术中,对于信息传播模式的仿真(例如,对于新闻事件的用户关注度的仿真),大多采用定性分析方法,无法通过建模的方法准确、定量地描述信息传播的模式。
发明内容
本申请实施例提供了一种信息处理方法,包括:
接收社交网络结构的描述信息,所述描述信息包括所述社交网络结构中包括的多个用户节点信息、所述多个用户节点之间的连接关系、以及每两个相连接的用户节点之间的权重参数,所述权重参数用以表征相连接的两个用户节点之间的关联程度;
接收所述社交网络结构中每个用户节点的对于所述事件的第一关注度参数;
针对所述社交网络结构中的各第一用户节点执行以下步骤S1-S2:
S1:接收媒体发布参数,根据所述描述信息,确定与所述第一用户节点相连接的一个或多个第二用户节点,确定所述一个或多个第二用户节点中各第二用户节点的所述权重参数和所述第一关注度参数;
S2:根据所述第一用户节点的所述第一关注度参数、各第二用户节点的所述第一关注度参数及所述权重参数和当前确定的所述媒体发布参数,确定所述第一用户节点的第二关注度参数;
S3:根据所述社交网络结构中各第一用户节点的所述第二关注度参数确定各第一用户节点的第二关注度参数的均值,将所述第二关注度参数的均值作为所述事件的第三关注度参数,并记录当前确定的所述第三关注度参数;
S4:当所述第三关注度参数收敛时,根据所记录的各第三关注度参数确定第三关注度参数的变化趋势;
S5:当所述第三关注度参数不收敛时,将所述社交网络结构中各第一用户节点的所述第一关注度参数分别赋值为各第一用户节点的所述第二关注度参数,返回执行步骤S1。
本申请实例还提供了一种信息处理装置,包括:
第一接收单元,用以接收社交网络结构的描述信息,所述描述信息包括所述社交网络结构中包括的多个用户节点信息、所述多个用户节点之间的连接关系、以及每两个相连接的用户节点之间的权重参数,所述权重参数用以表征相连接的两个用户节点之间的关联程度;
第二接收单元,用以接收所述社交网络结构中每个用户节点的对于所述事件的第一关注度参数;
变化趋势确定单元,用以执行以下处理:
针对所述社交网络结构中的各第一用户节点执行以下步骤S1-S2:
S1:接收媒体发布参数,根据所述描述信息,确定与所述第一用户节点相连接的一个或多个第二用户节点,确定所述一个或多个第二用户节点中各第二用户节点的所述权重参数和所述第一关注度参数;
S2:根据所述第一用户节点的所述第一关注度参数、各第二用户节点的所述第一关注度参数及所述权重参数和当前确定的所述媒体发布参数,确定所述第一用户节点的第二关注度参数;
S3:根据所述社交网络结构中各第一用户节点的所述第二关注度参数确定各第一用户节点的第二关注度参数的均值,将所述第二关注度参数的均值作为所述事件的第三关注度参数,并记录当前确定的所述第三关注度参数;
S4:当所述第三关注度参数收敛时,根据所记录的各第三关注度参数确定第三关注度参数的变化趋势;
S5:当所述第三关注度参数不收敛时,将所述社交网络结构中各第一用户节点的所述第一关注度参数分别赋值为各第一用户节点的所述第二关注度参数,返回执行步骤S1。
本申请实例还提供了一种计算机可读存储介质,存储有计算机可读指令,可以使至少一个处理器执行如上述所述的方法。
采用本申请提供的上述方案,确定事件的关注度参数的变化趋势更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实例信息处理方法的流程示意图;
图2是本申请一实例确定各用户节点的第二关注度参数的流程示意图;
图3是本申请一实例用户对事件的反应的影响因素示意图;
图4是本申请一实例用户自身各因素之间相互影响的结构示意图;
图5是本申请一实例用户自身各因素及外部因素之间相互影响的结构示意图;
图6是本申请一实例信息处理方法的详细流程示意图;
图7(a)展示了2011年日本关东地震事件用户信息交互行为(ib)的仿真值与GoogleTrend和Twitter上的实际值对比图;
图7(b)展示了2011年日本福岛核辐射新闻事件用户信息交互行为仿真值与GoogleTrend和Twitter上的实际值对比图;
图8(a)展示了2011年日本关东地震引发的海啸新闻事件用户情绪反应的仿真值与Twitter中的实际值的对比图;
图8(b)展示了2011年日本福岛核辐射新闻事件用户情绪反应仿真值与Twitter中实际值对比图;
图9是本申请一实例信息处理装置的结构示意图;以及
图10是本申请实施例中的计算设备组成结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
申请人在研究中发现,一方面,人们对信息的交互行为与其自身的认知能力和兴趣有很大关系。例如,如果人们对外部信息感觉到很大的不确定性,其焦虑情绪和压力就会增加,人们进而通过搜索信息等交互行为来释放自身的焦虑情绪和压力。此外,申请人还发现,人们的情绪强度对信息交互行为同样产生影响,情绪强度会促进信息搜索等交互行为,具体来说,对事件有强烈情绪反应的人往往会搜索和分享与事件相关的更多的信息。另一方面,申请人还发现,人们通过大众媒体(例如电视或者报纸)和社交媒体获取与事件主题相关的基本信息。大众媒体对与事件相关信息的覆盖会增加人们信息交互行为,人类行为和情绪还受到他们的空间邻居和社交媒体朋友圈的影响。人群间这种互动以及公共媒体的外部影响在个体决策过程中发挥越来越重要的作用。综上,个人基于心里因素之间的内部相互作用和社交媒体及网络媒体对人们的影响会共同影响个人决策的过程。
基于上述发现,为了准确、定量地描述信息传播的模式,例如,准确刻画新闻事件的关注度的变化趋势,本申请提供了信息处理方法、装置及存储介质。本申请提供的信息处理方法可以由终端设备来执行,也可以由服务器来执行。所述终端设备可以为手机、平板等便携式计算设备、PC机等。
本申请提供的信息处理方法,如图1所示,主要包括以下步骤:
S101:接收社交网络结构的描述信息,所述描述信息包括所述社交网络结构中包括的多个用户节点信息、所述多个用户节点之间的连接关系、以及每两个相连接的用户节点之间的权重参数,所述权重参数用以表征相连接的两个用户节点之间的关联程度。
在该实例中,本申请提供一种模型(也称为仿真模型),该模型通过执行步骤S101-S108仿真事件的发展趋势,例如,事件的关注度参数随时间的变化趋势。其中步骤S101-S102是初始化的过程,即为模型赋初值的过程,在该实例中,对步骤S101-S102的各步骤的顺序不做限定。在初始化的过程中,还可以对媒体发布预测模型r(t)进行初始化,该媒体发布模型表征事件的媒体发布信息随时间的变化趋势。发布预测模型r(t)用以确定下方的步骤S103-S108每次循环中用到的媒体发布参数,该媒体发布参数为媒体发布信息的相关参数。所述社交网络结构是虚拟的,其模拟真实的社交网络的拓扑结构,反应现实生活中人与人在社交网络中的关系。所述描述信息包括社交网络结构中的每一个个体的信息(在这里,个体也称为用户节点)及其所处的环境信息。社交网络结构可以用G=<A,L,R>表示。其中A={ai}是一组网络个体,每个个体拥有自己的朋友圈,这个朋友圈构成了个体的局部环境。个体ai与局部环境中的个体相连。集合L={<ai,aj,wij>|i≠j}包括了用户节点ai(也称为个体)的朋友圈中的用户节点aj,同时还包括用户节点ai与各用户节点aj之间的权重参数,该权重参数表征相连接的两个用户节点之间的关联程度,例如,好友之间的亲密程度。个体ai的局部环境用符号El表示,它包含了个体ai的一组直接邻居或朋友,El(ai)={aj|<ai,aj>∈L}。局部环境为个体之间的行为模仿和情绪扩散提供了平台,进而影响个体的行为决策过程。
S102:接收所述社交网络结构中每个用户节点的对于所述事件的第一关注度参数。
所述第一关注度参数用以表征用户对所述事件的关注程度。所述第一关注度参数可以包括第一参与度、第一情绪度及第一认知度,所述第一参与度、第一情绪度及第一认知度为初始化的过程中,接收的用户设置好的参数。其中,第一参与度ib代表个体可观察的信息交互行为,例如,转发所述事件的媒体的数量,发表与所述事件相关的媒体的数量。第一情绪度ei代表个体在某个主题传播过程中的焦虑情绪程度,第一认知度rp代表个体对主题的感知兴趣与风险认识。在对社交网络结构中的用户节点初始化第一参与度、第一情绪度及第一认知度时,还可以初始化社交网络结构中每个用户节点的用户属性值pc,该用户属性值代表个体性格属性,其中1代表乐观型、0代表悲观性格。在初始化时,用正态分布为各用户节点的用户属性值进行赋初值。为利于仿真计算,所述第一参与度、第一情绪度、第一认知度及所述用户属性值都进行归一化操作。
事件在社交网络中呈现异质化传播特征,即:只有少量事件能够吸引人们的注意并激发大量用户信息交互行为;同时,针对某个事件,对于该事件具有交互行为的用户同样呈现异质性,即:所述事件只能激活特定用户的信息交互行为。在对ib进行初始化时,社交网络结构中的用户节点的ib呈正态分布,根据该整体分布对社交网络结构中的用户节点的ib赋初值。相对应地,各用户节点的ei、rp、以及用户属性值pc也呈正态分布,根据所述正态分布分别对各用户节点的ei、rp、以及用户属性值pc赋初值。在赋初值时,先用一个正态分布产生一组随机数,把这些随机数分配给网络中的每个用户节点。对各用户节点的ib、ei、rp及pc赋予的初值与最终仿真的事件的发展趋势无关,所述正态分布可以以0.5为均值,0.3或0.2为方差。所述正态分布的均值及方差也可以采用其他的参数值。
在对第一关注度参数进行赋初值时,按照上述的正态分布对第一关注度参数进行赋初值后,根据所述事件还可以对社交网络结构中的部分用户节点的第一关注度参数进行调整。当社交网络结构中的部分用户节点对所述事件的敏感度区别于其他用户节点时,对这部分用户节点的第一关注度参数进行调整。例如,当要仿真的事件为地震时,则相对于中国,日本对该事件的敏感度较高,对社交网络结构中代表日本的用户节点的ib、ei及rp进行相应调高。
S103:针对所述社交网络结构中的各第一用户节点执行以下步骤S104-S105。
S104:接收媒体发布参数,根据所述描述信息,确定与所述第一用户节点相连接的一个或多个第二用户节点,确定所述一个或多个第二用户节点中各第二用户节点的所述权重参数和所述第一关注度参数。
在初始化的过程中,可以初始化媒体发布预测模型r(t)。可以在上述步骤S101之前初始化媒体发布预测模型,也可以在上述步骤S101与S102之间初始化媒体发布预测模型,还可以在上述步骤S102之后初始化媒体发布预测模型。所述媒体发布预测模型用以表征媒体发布信息随时间的变化趋势。每执行完一遍S103-S108后,根据媒体发布预测模型r(t)确定媒体发布参数。在步骤S104中,直接接收确定的媒体发布参数。其中,在每次S103-S108的循环操作中的媒体发布参数不同,每次的循环操作中的t值不同,确定的媒体发布参数不同,每执行一次S103-S108的循环操作后,t值加1。其中,所述媒体发布参数为事件的媒体发布信息的参数,可以包括所述事件的媒体发布量、发布所述事件的媒体方的数量,所述事件从初始发布到至今的发布时间等。在确定r(t)时,根据所述事件的类型确定对应的媒体发布预测模型,媒体发布预测模型可以包括正态分布模型和衰减指数分布模型,当事件是突发事件时,例如,海啸事件,则对应地采用衰减指数分布模型,当事件是可预知事件时,例如,飓风事件,则对应地采用正态分布模型。正态分布模型以以下公式(1)来表示:
衰减指数分布模型以以下公式(2)来表示:
r(t)=exp(-t)α (2)
用户通过事件的类型确定采用正态分布模型还是采用衰减指数分布模型,与事件对应的媒体发布预测模型与事件的类型有关。用户通过接口输入r(t)时,用户可以确定好r(t)中的参数,之后,将媒体发布预测模型通过接口输入。用户在确定媒体发布预测模型的参数时,可以根据事件的媒体发布数据拟合事件的媒体发布信息(例如,媒体发布量,发送事件的媒体的数量等)随时间的变化趋势,根据拟合得到的趋势来确定媒体发布预测模型中的参数。在该实现方式中,用户确定媒体发布预测模型的参数,接收到的媒体发布预测模型为确定好参数的媒体发布预测模型。在另一中实现方式中,接收的媒体发布预测模型是没有确定参数的媒体发布预测模型,由仿真模型获取事件的媒体发布数据,进而根据媒体发布数据确定媒体发布预测模型的参数。所述媒体发布数据可以包括网站上与所述事件相关的媒体的数量。例如,对于新闻来说,可以利用爬虫等软件爬取新闻网站上所述新闻的报道数量,获取一段时间的新闻的报道数量,根据所述一段时间的新闻报道数量拟合新闻报道数量的趋势,根据该趋势确定新闻发布预测模型的参数。
媒体发布模型用以确定媒体发布参数,该媒体发布参数为所述事件的媒体发布信息的相关参数。对于社交网络结构中的各用户节点,会循环执行步骤S104-S105,直至事件的第三关注度参数收敛。在确定媒体发布参数时,根据当前的循环次数确定媒体发布模型中的时间t,即公式(1)及公式(2)中的t。例如,当前是第一次循环,则t=1,当前是第二次循环时,t=2,依次类推确定每次循环时的t值,进而确定媒体发布参数。社交网络结构的描述信息包括各个体(也称为用户节点)的信息以及各个体的好友圈或邻居。针对一个用户节点,根据所述描述信息确定与该用户节点相连接的一个或多个第二用户节点(确定一个个体的好友或邻居),同时确定与第一用户节点相连接的各第二用户节点对应的权重参数。该权重参数表征相连接的第一用户节点与第二用户节点之间的关联程度,例如,好友之间的亲密程度或相互影响的程度。
S105:根据所述第一用户节点的所述第一关注度参数、各第二用户节点的所述第一关注度参数及所述权重参数和当前确定的所述媒体发布参数,确定所述第一用户节点的第二关注度参数。
人们在信息传播过程中扮演着不同角色,解释人们行为决策过程与信息传播特征规律是一个永恒的话题。人们对不确定事件的反应是基于自身心理因素与外部影响(朋友和大众媒体所)之间的相互作用。其中,对不确定事件的反应包括与所述事件相关的交互行为以及情绪等。所述交互行为包括,例如,转发的与所述事件相关的帖子的数量,发表的与所述事件相关的帖子的数量等,所述交互行为可以用参与度(ib)来表征。所述情绪包括个体对事件的焦虑程度,所述情绪可以用情绪度(ei)来表征。所述自身心理因素包括个体的ib及ei,同时还包括个体对所述事件的认知度(rp)。所述第一关注度参数可以包括所述ib、ei及rp。所述外部影响包括大众媒体的影响,例如,对于一个事件的新闻报道的数量会影响个体对于所述事件的反应,即所述媒体发布参数会影响个体的关注度参数。所述外部影响还包括社交网络,例如,个体的好友对事件的关注对该个体的影响,好友对个体的影响由各好友的关注度参数及各好友对应的权重参数确定。即各第二用户节点的第一关注度参数及权重参数会影响第一用户节点的关注度参数。因而,在该步骤中,根据第一用户节点的第一关注度参数、各第二用户节点的第一关注度参数及权重参数、以及当前确定的所述媒体发布参数,确定所述第一用户节点的第二关注度参数。其中,所述第二关注度参数是在一次循环计算中更新得到的第一用户节点的关注度参数,在将各第一用户节点的关注度参数进行更新后,即得到各第一用户节点的第二关注度参数后,在执行下一次循环计算时,将各第一用户节点的第二关注度参数赋值给各第一用户节点的第一关注度参数。影响个人决策过程的所有因素都会随时间而变化,因而需要循环执行,直至根据各用户节点的关注度参数确定的事件的关注度参数收敛。
S106:根据所述社交网络结构中各第一用户节点的所述第二关注度参数确定各第一用户节点的第二关注度参数的均值,将所述第二关注度参数的均值作为所述事件的第三关注度参数,并记录当前确定的所述第三关注度参数。
在执行了步骤S104-S105后,根据确定的各第一用户节点的第二关注度参数,确定所述事件的第三关注度参数。将各第一用户节点的第二关注度参数的均值作为所述事件的第三关注度参数。当第二关注度参数及第三关注度参数中包括多个参数时,例如,参与度ib及情绪度ei时,将各第一用户节点的ib的均值作为事件的ib,对应地,将各第一用户节点的ei的均值作为事件的ei。
S107:当所述第三关注度参数收敛时,根据所记录的各第三关注度参数确定第三关注度参数的变化趋势。
S108:当所述第三关注度参数不收敛时,将所述社交网络结构中各第一用户节点的所述第一关注度参数分别赋值为各第一用户节点的所述第二关注度参数,返回执行步骤S103。
在该实例中,迭代求解社交网络结构中的用户节点的关注度参数,直至根据各用户节点的关注度参数确定的事件的关注度参数(第三关注度参数)收敛。根据各次循环中确定的第三关注度参数,确定第三关注度参数的变化趋势,该第三关注度参数的变化趋势体现用户对所述事件的关注的变化趋势。
采用本申请提供的上述方案,根据社交网络中个体自身对事件的关注度参数、个体的好友或邻居对事件的关注度参数以及所述事件的媒体发布参数更新个体对事件的关注度参数。根据社交网络中个体的关注度参数确定事件的关注度参数,随着个体的关注度参数的更新确定事件的关注度参数的变化趋势。在确定事件的关注度参数变化趋势时,考虑了个体自身的关注度参数、大众媒体(媒体发布参数)及社交网络中的好友对个体的关注度参数的影响,确定的事件的关注度参数的变化趋势更加准确。
在一些实例中,在执行上述步骤S106时,如图2所示,包括以下步骤:
S201:根据所述各第二用户节点的所述第一关注度参数及所述权重参数、所述第一关注度参数,确定所述各第二用户节点对所述第一用户节点产生的第一关注度参数改变量。
S202:根据所述第一用户节点的所述第一关注度参数及所述媒体发布参数,确定所述第一用户节点的第二关注度参数改变量。
S203:根据所述第一关注度参数、所述第一关注度参数改变量以及所述第二关注度参数改变量,确定所述第二关注度参数。
在上述步骤S201中,根据社交网络结构中个体(第一用户节点)的好友(与第一用户节点相连接的各第二用户节点)的关注度参数确定其好友对第一关注度参数的影响。在上述步骤S202中,确定个体自身的关注度参数及社交媒体对个体的关注度参数的影响,即确定个体的第一关注度参数及媒体发布参数对第一用户节点的关注度的影响,即确定第二关注度参数改变量。在步骤S203中,根据第一关注度参数改变量及第二关注度参数改变量确定关注度参数改变量,进而根据该关注度参数改变量、第一关注度参数确定所述第二关注度参数。
用户对事件的反应,如图3所示,主要受内在因素和外在因素的影响。其中内部因素是指个体的内部因素,而外部因素则指与个体相关联的其他个体和环境。其中,内在因素包括认知度(pr)、交互行为(ib)以及影响强度(ei),外在因素包括大众传播媒体以及社会传播媒体。其中,大众传播媒体包括公共新闻、电视和广播等,社会传播媒体包括个人社交网络。
影响用户对事件的反应的因素之间存在相互作用,例如,在事件的传播过程中,人们会去搜寻与该事件相关信息,例如,人们通过现代通信渠道自发地寻求和分享与事件有关的消息,以此减轻因事件的不确定性而引起的焦虑。影响用户对事件的反应的各因素之间的相互影响关系如表1所示,其中交互行为也称为参与度:
表1
图4展示了在事件的传播过程中个体的内部因素之间的相互关系。在图4中,箭头代表一个因素对另一个因素的影响,这些影响构成了两种反馈环。从可观察的行为角度来看,这两种反馈环可分为顺时针的增强反馈环和逆时针的削弱反馈环。增强反馈环将激发个体做出更多的信息交互行为,而削弱反馈环则通过降低对外界的认知和焦虑情绪,进一步降低个体的信息交互行为。
图5则进一步展示了在事件传播的过程中各因素之间的相互影响。影响用户对事件的反应的外部因素同样发挥着巨大的作用,该外部因素包括大众传播媒体以及个体的好友或邻居。一般来说,人们是通过大众传播媒体(例如电视或者报纸等)获取事件的基本信息,大众传播媒体对事件相关信息的覆盖会增加人类对于所述事件的信息寻求行为。人们对事件的反应同样受到他们的好友或邻居的影响,如图5所示,主要体现在属于好友的个体之间的行为模仿及情绪的扩散。在图5中,针对外部因素对个体的事件反应的影响,首先,大众媒体对事件的报道将直接影响个体的认知,这种认知将作为调节因素进一步影响个体的情绪及参与行为。其次,社交媒体为个体的情绪和参与行为的交流提供一个平台,个体间的情绪和参与行为效仿会在社交媒体中传播扩散,进而在个体之间形成一种外部反馈环。
在一些实例中,所述第一关注度参数包括第一参与度、第一情绪度及第一认知度,所述第一关注度参数改变量包括第一情绪度改变量,所述第二关注度参数改变量包括第二情绪度改变量;
在确定所述第一关注度参数改变量时,包括步骤:
S11:根据所述各第二用户节点的所述第一情绪度及权重参数,所述第一用户节点的所述第一认知度,确定所述各第二用户节点对所述第一用户节点产生的第一情绪度改变量;
在步骤S11中,确定与第一用户节点相连接的各第二用户节点对第一用户节点的情绪度的影响,即导致的第一用户节点的第一情绪度改变量。如图5所示,相互连接的个体(也称为用户节点)之间存在情绪的扩散,根据一个个体的各好友的情绪度及权重参数,确定各好友对个体产生的情绪度改变量。
在确定所述第二关注度参数改变量时,包括步骤:
S12:根据所述第一用户节点的所述第一参与度、所述第一情绪度、所述第一认知度、以及所述媒体发布参数,确定所述第一用户节点的第一参与度及第一认知度对所述第一用户节点的产生的第二情绪度改变量。
在步骤S12中,确定第一用户节点的第一认知度、第一参与度及媒体发布参数对第一用户节点产生的第二情绪度改变量。在图5中,第一情绪度对应情绪,第一参与度对应参与行为,第一认知度对应认知。大众传播媒体(对应媒体发布参数)会影响个体的认知,认知进而影响个体的情绪和参与行为,同时,参与行为也会影响个体的情绪。在该步骤中,确定个体的内部因素对情绪的影响。
在一些实例中,所述第一情绪度改变量按照以下公式(3)来确定:
其中,所述wij为与第一用户节点i相连接的第二用户节点j的权重参数,所述eii为第一用户节点i的第一情绪度,eij为第二用户节点j的第一情绪度,所述rpi为第一用户节点i的第一认知度。
在一些实例中,所述第二情绪度改变量按照以下公式(6)来确定:
FPM(eii)=eii·[1-r(t)·ibi·(1-rpi)] (6)
其中,所述eii为第一用户节点i的第一情绪度,所述ibi为第一用户节点i的第一参与度,所述rpi为第一用户节点i的第一认知度,所述r(t)为所述媒体发布参数。
在一些实例中,所述第一关注度参数包括第一参与度、第一情绪度及第一认知度,所述第一关注度参数改变量包括第一参与度改变量,所述第二关注度参数改变量包括第二参与度改变量;
在确定所述第一关注度参数改变量时,包括步骤:
S21:根据所述各第二用户节点的第一参与度、权重参数,以及所述第一用户节点的第一认知度,确定所述各第二用户节点对所述第一用户节点产生的第一参与度改变量。
在步骤S21中,确定与第一用户节点相连接的各第二用户节点对第一用户节点的参与度的影响,即导致的第一用户节点的第一参与度改变量。如图5所示,相互连接的个体(也称为用户节点)之间存在行为的模仿,根据一个个体的各好友的第一参与度及权重参数,确定各好友对个体产生的参与度改变量。
在确定所述第二关注度参数改变量时,包括步骤:
S22:根据所述第一用户节点的第一参与度、第一情绪度、第一认知度、以及所述媒体发布参数,确定所述第一用户节点的第一情绪度及第一认知度对所述第一用户节点产生的第二参与度改变量。
在步骤S22中,确定第一用户节点的第一认知度、第一情绪度及媒体发布参数对第一用户节点产生的第二参与度改变量。在图5中,第一情绪度对应情绪,第一参与度对应参与行为,第一认知度对应认知。大众传播媒体(对应媒体发布参数)会影响个体的认知,认知进而影响个体的情绪和参与行为,同时,情绪也会影响个体的参与行为。在该步骤中,确定个体的内部因素对参与行为的影响。
在一些实例中,所述第一参与度改变量按照以下公式(7)来确定:
其中,所述wij为与第一用户节点i相连接的第二用户节点j的权重参数,所述ibi为第一用户节点i的第一参与度,ibj为第二用户节点j的第一参与度,所述rpi为第一用户节点i的第一认知度。
在一些实例中,所述第二参与度改变量按照以下公式(10)来确定:
FPM(ibi)=ibi·[1-(1-r(t))·(1-eii)(1-rpi)] (10)
其中,所述ibi为第一用户节点i的第一参与度,所述eii为第一用户节点的第一情绪度,所述rpi为第一用户节点i的第一认知度,所述r(t)为所述媒体发布参数。
在一些实例中,所述方法进一步包括以下步骤:
S31:接收所述事件的属性参数,接收所述社交网络中各用户节点的用户属性值。
其中,所述第一关注度参数包括第一参与度、第一情绪度及第一认知度;
在执行上述步骤S2时,所述方法进一步包括以下步骤:
S32:根据所述第一用户节点的第一情绪度、第一参与度、第一认知度、用户属性值及所述媒体发布参数确定所述第一用户节点的第二认知度。
在步骤S31中,在初始化时,接收事件的属性参数(p),p的值根据事件的级性确定,负面的事件的p值为0,正面的事件的p值为1。其中p是[0,1]之间的一个值。如图5所示,个体的认知会受到外部的因素(例如,大众传播媒体)的影响,同时还受到内部因素的影响(例如,情绪及参与行为)。因而,在该步骤中,确定个体自身的第一情绪度、第一参与度及外部的媒体发布参数对个人认知的影响。
在一些实例中,确定所述第二认知度时,
通过以下公式(11)来确定认知度改变量:
其中,Frp=rpi·[1-ibi·r(t)·(pci·p+(1-pci)·(1-p))] (12)
根据所述第一认知度及所述认知度改变量确定所述第二认知度;
其中,所述eii为第一用户节点的第一情绪度,所述rpi为第一用户节点的第一认知度,所述ibi为第一用户节点的第一参与度,所述r(t)为所述媒体发布参数,所述pci为所述第一用户节点的用户属性值,所述p为所述事件的属性参数。
在一些实例中,本申请提供的信息处理方法进一步包括以下步骤:
接收所述第一关注度参数改变量的权重及所述第二关注度参数改变量的耦合参数;根据所述第一关注度参数改变量、所述第二关注度参数改变量、所述耦合参数,确定关注度参数改变量;根据所述第一关注度参数及所述关注度参数改变量确定所述第二关注度参数。
在该实例中,
Δsi=μFSN(si)+(1-μ)FPM(si) (13)
其中,u为所述耦合参数,表征第一关注度参数改变量与第二关注度参数改变量之间的权重。根据公式(13)确定关注度参数改变量,将第一关注度参数与关注度参数改变量的加和作为所述第二关注度参数。在公式(13)中,所述si指代ei或ib参数。
在一些实例中,在执行上述步骤S109时,本申请提供的信息处理方法进一步包括以下步骤:
响应于对媒体发布参数的更新请求,更新所述媒体发布参数。
在进行下一次循环之前,根据媒体发布模型r(t)对媒体发布参数进行更新。具体地,确定每次循环中的t值,根据确定的t值更新媒体发布参数。此外,当具有突发事件发生时,需要修正媒体发布预测模型r(t),例如,当事件为地震时,地震事件发生后,之后又发生余震,之前的媒体发布预测模型对应没有发生余震的情况,因而需要对媒体发布预测模型进行修正。将修正后的媒体发布预测模型通过相关接口输入,当仿真模型执行下一个循环时,根据新的媒体发布预测模型更新媒体发布参数。
本申请提供的信息处理方法的详细流程,如图6所示,主要包括以下步骤:
S601:初始化各主要参数。在初始化时,接收设置的社交网络结构的描述信息,接收设置的社交网络结构中各用户的ib、ei、rp及pc,同时接收设置的事件的媒体发布预测模型,接收设置的事件的级性p。
S602:根据媒体发布预测模型将当前的循环次数确定媒体发布参数。
S603:更新社交网络结构中第i个用户的情绪度。
S604:更新社交网络结构中第i个用户的认知度。
S605:更新社交网络结构中第i个用户的参与度。
S606:判断用户是否为社交网络结构中的最后一个用户,当为最后一个用户时,执行步骤S607,否则,对社交网络结构中下一个用户执行步骤S603-S605。
S607:确定社交网络结构中各用户的情绪度平均值及参与度平均值,将情绪度平均值及参与度平均值作为事件的情绪度及参与度,并记录确定的事件的情绪度及参与度。
S608:判断事件的情绪度及参与度是否收敛,当不收敛时,执行步骤S609,当收敛时,执行步骤S610。
S609:当媒体发布预测模型被更新了,获取新的媒体发布预测模型。之后执行步骤S611:将循环次数加1,之后返回步骤S602。
S610:根据记录的事件的各情绪度及参与度确定事件的情绪度变化趋势及事件的参与度的变化趋势。
S611:将循环次数加1。
通过真实数据对本申请提出的仿真模型进行验证。例如,以2011年日本关东地震引发的海啸和日本福岛核泄露为实例,通过爬虫爬取新闻网站上的数据爬取的数据包括从GoogleTrend和Twitter上获取的数据,从网站的数据中获取多个用户发表、转发帖子数量的总和,并归一化到0-1区间,以作为所述事件的第三参与度(ib)。同时分析用户发表、转发帖子的文本内容,确定各帖子的情绪度,将各帖子的平均情绪度(ei)作为事件的ei。其中,图7(a)展示了2011年日本关东地震引发的海啸新闻事件中,用户信息交互行为(ib)的仿真值与GoogleTrend和Twitter上的实际值对比图;图7(b)展示了2011年日本福岛核辐射新闻事件中,用户信息交互行为仿真值与GoogleTrend和Twitter上的实际值对比图。图8(a)图8(b)展示了情绪反应(ei)的仿真结果与真实数据的对比,其中,图8(a)展示了2011年日本关东地震引发的海啸新闻事件中,用户情绪反应的仿真值与Twitter中的实际值的对比图;图8(b)展示了2011年日本福岛核辐射新闻事件中,用户情绪反应仿真值与Twitter中实际值对比图。验证结果实验表明,本申请提供的仿真模型具有较好的预测精度。
本申请还提供了一种信息处理装置900,如图9所示,包括:
第一接收单元901,用以接收社交网络结构的描述信息,所述描述信息包括所述社交网络结构中包括的多个用户节点信息、所述多个用户节点之间的连接关系、以及每两个相连接的用户节点之间的权重参数,所述权重参数用以表征相连接的两个用户节点之间的关联程度;
第二接收单元902,用以接收所述社交网络结构中每个用户节点的对于所述事件的第一关注度参数;
变化趋势确定单元903,用以执行以下处理:
针对所述社交网络结构中的各第一用户节点执行以下步骤S1-S2:
S1:接收媒体发布参数,根据所述描述信息,确定与所述第一用户节点相连接的一个或多个第二用户节点,确定所述一个或多个第二用户节点中各第二用户节点的所述权重参数和所述第一关注度参数;
S2:根据所述第一用户节点的所述第一关注度参数、各第二用户节点的所述第一关注度参数及所述权重参数和当前确定的所述媒体发布参数,确定所述第一用户节点的第二关注度参数;
S3:根据所述社交网络结构中各第一用户节点的所述第二关注度参数确定各第一用户节点的第二关注度参数的均值,将所述第二关注度参数的均值作为所述事件的第三关注度参数,并记录当前确定的所述第三关注度参数;
S4:当所述第三关注度参数收敛时,根据所记录的各第三关注度参数确定第三关注度参数的变化趋势;
S5:当所述第三关注度参数不收敛时,将所述社交网络结构中各第一用户节点的所述第一关注度参数分别赋值为各第一用户节点的所述第二关注度参数,返回执行步骤S1。
采用本申请提供的信息处理装置,根据社交网络中个体自身对事件的关注度参数、个体的好友或邻居对事件的关注度参数以及所述事件的媒体发布参数更新个体对事件的关注度参数。根据社交网络中个体的关注度参数确定事件的关注度参数,随着个体的关注度参数的更新确定事件的关注度参数的变化趋势。在确定事件的关注度参数变化趋势时,考虑了个体自身的关注度参数、大众媒体(媒体发布参数)及社交网络中的好友对个体的关注度参数的影响,确定的事件的关注度参数的变化趋势更加准确
在一些实例中,所述变化趋势确定单元903,用以:
根据所述各第二用户节点的所述第一关注度参数及所述权重参数、所述第一关注度参数,确定所述各第二用户节点对所述第一用户节点产生的第一关注度参数改变量;
根据所述第一用户节点的所述第一关注度参数及所述媒体发布参数,确定所述第一用户节点的第二关注度参数改变量;
根据所述第一关注度参数、所述第一关注度参数改变量以及所述第二关注度参数改变量,确定所述第二关注度参数。
本申请实施例还提供了一种计算机可读存储介质,存储有计算机可读指令,可以使至少一个处理器执行如上述所述的方法。
图10示出了信息处理装置900所在的计算设备的组成结构图。如图10所示,该计算设备包括一个或者多个处理器(CPU)1002、通信模块1004、存储器1006、用户接口1010,以及用于互联这些组件的通信总线1008。
处理器1002可通过通信模块1004接收和发送数据以实现网络通信和/或本地通信。
用户接口1010包括一个或多个输出设备1012,其包括一个或多个扬声器和/或一个或多个可视化显示器。用户接口1010也包括一个或多个输入设备1014,其包括诸如,键盘,鼠标,声音命令输入单元或扩音器,触屏显示器,触敏输入板,姿势捕获摄像机或其他输入按钮或控件等。
存储器1006可以是高速随机存取存储器,诸如DRAM、SRAM、DDR RAM、或其他随机存取固态存储设备;或者非易失性存储器,诸如一个或多个磁盘存储设备、光盘存储设备、闪存设备,或其他非易失性固态存储设备。
存储器1006存储处理器1002可执行的指令集,包括:
操作***1016,包括用于处理各种基本***服务和用于执行硬件相关任务的程序;
应用1018,包括信息处理装置900的部分或全部单元或者模块。信息处理装置900中的至少一个单元可以存储有机器可执行指令。处理器1002通过执行存储器1006中各单元中至少一个单元中的机器可执行指令,进而能够实现上述各单元或模块中的至少一个模块的功能。
需要说明的是,上述各流程和各结构图中不是所有的步骤和模块都是必须的,可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的,可以根据需要进行调整。各模块的划分仅仅是为了便于描述采用的功能上的划分,实际实现时,一个模块可以分由多个模块实现,多个模块的功能也可以由同一个模块实现,这些模块可以位于同一个设备中,也可以位于不同的设备中。
各实施例中的硬件模块可以以硬件方式或硬件平台加软件的方式实现。上述软件包括机器可读指令,存储在非易失性存储介质中。因此,各实施例也可以体现为软件产品。
各例中,硬件可以由专门的硬件或执行机器可读指令的硬件实现。例如,硬件可以为专门设计的永久性电路或逻辑器件(如专用处理器,如FPGA或ASIC)用于完成特定的操作。硬件也可以包括由软件临时配置的可编程逻辑器件或电路(如包括通用处理器或其它可编程处理器)用于执行特定操作。
另外,本申请的每个实例可以通过由数据处理设备如计算机执行的数据处理程序来实现。显然,数据处理程序构成了本申请。此外,通常存储在一个存储介质中的数据处理程序通过直接将程序读取出存储介质或者通过将程序安装或复制到数据处理设备的存储设备(如硬盘和或内存)中执行。因此,这样的存储介质也构成了本申请,本申请还提供了一种非易失性存储介质,其中存储有数据处理程序,这种数据处理程序可用于执行本申请上述方法实例中的任何一种实例。
图10模块对应的机器可读指令可以使计算机上操作的操作***等来完成这里描述的部分或者全部操作。非易失性计算机可读存储介质可以是***计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器。安装在扩展板或者扩展单元上的CPU等可以根据指令执行部分和全部实际操作。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (12)
1.一种信息处理方法,其特征在于,包括:
接收社交网络结构的描述信息,所述描述信息包括所述社交网络结构中包括的多个用户节点信息、所述多个用户节点之间的连接关系、以及每两个相连接的用户节点之间的权重参数,所述权重参数用以表征相连接的两个用户节点之间的关联程度;
接收所述社交网络结构中每个用户节点的对于事件的第一关注度参数;
针对所述社交网络结构中的各第一用户节点执行以下步骤S1-S2:
S1:接收媒体发布参数,根据所述描述信息,确定与所述第一用户节点相连接的一个或多个第二用户节点,确定所述一个或多个第二用户节点中各第二用户节点的所述权重参数和所述第一关注度参数;
S2:采用以下步骤确定所述第一用户节点的第二关注度参数:
根据所述各第二用户节点的所述第一关注度参数及所述权重参数、所述第一用户节点的第一关注度参数,确定所述各第二用户节点对所述第一用户节点产生的第一关注度参数改变量;
根据所述第一用户节点的所述第一关注度参数及所述媒体发布参数,确定所述第一用户节点的第二关注度参数改变量;
根据所述第一关注度参数、所述第一关注度参数改变量以及所述第二关注度参数改变量,确定所述第二关注度参数;
S3:根据所述社交网络结构中各第一用户节点的所述第二关注度参数确定各第一用户节点的第二关注度参数的均值,将所述第二关注度参数的均值作为所述事件的第三关注度参数,并记录当前确定的所述第三关注度参数;
S4:当所述第三关注度参数收敛时,根据所记录的各第三关注度参数确定第三关注度参数的变化趋势;
S5:当所述第三关注度参数不收敛时,将所述社交网络结构中各第一用户节点的所述第一关注度参数分别赋值为各第一用户节点的所述第二关注度参数,返回执行步骤S1。
2.根据权利要求1所述的方法,其特征在于,所述第一关注度参数包括第一参与度、第一情绪度及第一认知度,所述第一关注度参数改变量包括第一情绪度改变量,所述第二关注度参数改变量包括第二情绪度改变量;
在确定所述第一关注度参数改变量时,包括:
根据所述各第二用户节点的所述第一情绪度及权重参数,所述第一用户节点的所述第一认知度,确定所述各第二用户节点对所述第一用户节点产生的第一情绪度改变量;
在确定所述第二关注度参数改变量时,包括:
根据所述第一用户节点的所述第一参与度、所述第一情绪度、所述第一认知度、以及所述媒体发布参数,确定所述第一用户节点的第一参与度及第一认知度对所述第一用户节点的产生的第二情绪度改变量。
4.根据权利要求2所述的方法,其特征在于,所述第二情绪度改变量按照以下公式(4)来确定:
FPM(eii)=eii·[1-r(t)·ibi·(1-rpi)] (4)
其中,所述eii为第一用户节点i的第一情绪度,所述ibi为第一用户节点i的第一参与度,所述rpi为第一用户节点i的第一认知度,所述r(t)为所述媒体发布参数。
5.根据权利要求1所述的方法,其特征在于,所述第一关注度参数包括第一参与度、第一情绪度及第一认知度,所述第一关注度参数改变量包括第一参与度改变量,所述第二关注度参数改变量包括第二参与度改变量;
在确定所述第一关注度参数改变量时,包括:
根据所述各第二用户节点的第一参与度、权重参数,以及所述第一用户节点的第一认知度,确定所述各第二用户节点对所述第一用户节点产生的第一参与度改变量;
在确定所述第二关注度参数改变量时,包括:
根据所述第一用户节点的第一参与度、第一情绪度、第一认知度、以及所述媒体发布参数,确定所述第一用户节点的第一情绪度及第一认知度对所述第一用户节点产生的第二参与度改变量。
7.根据权利要求5所述的方法,其特征在于,所述第二参与度改变量按照以下公式(8)来确定:
FPM(ibi)=ibi·[1-(1-r(t))·(1-eii)(1-rpi)] (8)
其中,所述ibi为第一用户节点i的第一参与度,所述eii为第一用户节点的第一情绪度,所述rpi为第一用户节点i的第一认知度,所述r(t)为所述媒体发布参数。
8.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:接收所述事件的属性参数,接收所述社交网络中各用户节点的用户属性值;
其中,所述第一关注度参数包括第一参与度、第一情绪度及第一认知度;
在执行上述步骤S2时,所述方法进一步包括:
根据所述第一用户节点的第一情绪度、第一参与度、第一认知度、用户属性值及所述媒体发布参数确定所述第一用户节点的第二认知度。
9.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
接收所述第一关注度参数改变量的权重及所述第二关注度参数改变量的耦合参数;
其中,所述根据所述第一关注度参数、所述第一关注度参数改变量以及所述第二关注度参数改变量,确定所述第二关注度参数包括:
根据所述第一关注度参数改变量、所述第二关注度参数改变量、所述耦合参数,确定关注度参数改变量;
根据所述第一关注度参数及所述关注度参数改变量确定所述第二关注度参数。
10.根据权利要求1所述的方法,其特征在于,在执行上述步骤S5时,所述方法进一步包括:
响应于对媒体发布参数的更新请求,更新所述媒体发布参数。
11.一种信息处理装置,其特征在于,包括:
第一接收单元,用以接收社交网络结构的描述信息,所述描述信息包括所述社交网络结构中包括的多个用户节点信息、所述多个用户节点之间的连接关系、以及每两个相连接的用户节点之间的权重参数,所述权重参数用以表征相连接的两个用户节点之间的关联程度;
第二接收单元,用以接收所述社交网络结构中每个用户节点的对于事件的第一关注度参数;
变化趋势确定单元,用以执行以下处理:
针对所述社交网络结构中的各第一用户节点执行以下步骤S1-S2:
S1:接收媒体发布参数,根据所述描述信息,确定与所述第一用户节点相连接的一个或多个第二用户节点,确定所述一个或多个第二用户节点中各第二用户节点的所述权重参数和所述第一关注度参数;
S2:采用以下步骤确定所述第一用户节点的第二关注度参数:
根据所述各第二用户节点的所述第一关注度参数及所述权重参数、所述第一用户节点的第一关注度参数,确定所述各第二用户节点对所述第一用户节点产生的第一关注度参数改变量;
根据所述第一用户节点的所述第一关注度参数及所述媒体发布参数,确定所述第一用户节点的第二关注度参数改变量;
根据所述第一关注度参数、所述第一关注度参数改变量以及所述第二关注度参数改变量,确定所述第二关注度参数;
S3:根据所述社交网络结构中各第一用户节点的所述第二关注度参数确定各第一用户节点的第二关注度参数的均值,将所述第二关注度参数的均值作为所述事件的第三关注度参数,并记录当前确定的所述第三关注度参数;
S4:当所述第三关注度参数收敛时,根据所记录的各第三关注度参数确定第三关注度参数的变化趋势;
S5:当所述第三关注度参数不收敛时,将所述社交网络结构中各第一用户节点的所述第一关注度参数分别赋值为各第一用户节点的所述第二关注度参数,返回执行步骤S1。
12.一种计算机可读存储介质,存储有计算机可读指令,可以使至少一个处理器执行如权利要求1-10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810522210.5A CN110196955B (zh) | 2018-05-28 | 2018-05-28 | 信息处理方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810522210.5A CN110196955B (zh) | 2018-05-28 | 2018-05-28 | 信息处理方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110196955A CN110196955A (zh) | 2019-09-03 |
CN110196955B true CN110196955B (zh) | 2023-07-07 |
Family
ID=67751377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810522210.5A Active CN110196955B (zh) | 2018-05-28 | 2018-05-28 | 信息处理方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110196955B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487201B (zh) * | 2020-11-26 | 2022-05-10 | 西北工业大学 | 一种使用共享参数卷积神经网络的知识图谱表示方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021269A (zh) * | 2015-03-27 | 2016-10-12 | 国际商业机器公司 | 用于转化社交媒体重新共享的方法和*** |
CN107808067A (zh) * | 2017-10-19 | 2018-03-16 | 重庆邮电大学 | 基于网络结构与用户心理特质的信息传播预测***及方法 |
CN107908673A (zh) * | 2017-10-25 | 2018-04-13 | 平安科技(深圳)有限公司 | 社交平台用户的现实关系匹配方法、装置及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180018709A1 (en) * | 2016-05-31 | 2018-01-18 | Ramot At Tel-Aviv University Ltd. | Information spread in social networks through scheduling seeding methods |
-
2018
- 2018-05-28 CN CN201810522210.5A patent/CN110196955B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021269A (zh) * | 2015-03-27 | 2016-10-12 | 国际商业机器公司 | 用于转化社交媒体重新共享的方法和*** |
CN107808067A (zh) * | 2017-10-19 | 2018-03-16 | 重庆邮电大学 | 基于网络结构与用户心理特质的信息传播预测***及方法 |
CN107908673A (zh) * | 2017-10-25 | 2018-04-13 | 平安科技(深圳)有限公司 | 社交平台用户的现实关系匹配方法、装置及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
结合时间因子的社交网络用户影响力分析;王晓彤;《中国优秀硕士学位论文全文数据库(信息科技辑)》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110196955A (zh) | 2019-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lai et al. | Fedscale: Benchmarking model and system performance of federated learning at scale | |
JP5221369B2 (ja) | 資源制約デバイスのための学習装置 | |
EP3424045A1 (en) | Developer voice actions system | |
Balietti | nodeGame: Real-time, synchronous, online experiments in the browser | |
JP5296013B2 (ja) | コンピュータ装置間での動的なコンテンツ・プレファレンス及び動作の共有 | |
US11423090B2 (en) | People relevance platform | |
US20190141068A1 (en) | Online service abuser detection | |
US20180165180A1 (en) | Batch File Creation Service | |
CN110196955B (zh) | 信息处理方法、装置及存储介质 | |
Stoyanov et al. | Intelligent distributed eLearning architecture | |
Chunpir et al. | Using soft systems methodology (SSM) in understanding current user-support scenario in the climate science domain of cyber-infrastructures | |
CN107403352B (zh) | 对根据产品评估确定的感兴趣主题进行优先级排序 | |
CN107807940B (zh) | 信息推荐方法和装置 | |
US9075597B2 (en) | Modeled communication between deployment units | |
CN116822375A (zh) | 一种电芯的膨胀力预测模型的训练方法及装置 | |
US9661491B1 (en) | Communicating information about an update of an application | |
Imteaj et al. | Exploiting federated learning technique to recognize human activities in resource-constrained environment | |
JP2020042607A (ja) | 情報処理装置、サーバ、情報処理方法及び情報処理プログラム | |
RU2783782C1 (ru) | Система и способ управления оповещениями | |
JP2014228934A (ja) | 出力装置、出力方法及び出力プログラム | |
US20230128296A1 (en) | Conditional save of draft enabled business objects | |
US20240160558A1 (en) | Automatic testing of interrelated components of a software application | |
Martín et al. | Situation-Driven development: a methodology for the development of context-aware systems | |
CN112352224B (zh) | 具有模型生命周期管理的聊天机器人*** | |
Berri | Context reasoning for mobile systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |