CN114663246A - 传播仿真中信息制品的表征建模方法及多智能体仿真方法 - Google Patents

传播仿真中信息制品的表征建模方法及多智能体仿真方法 Download PDF

Info

Publication number
CN114663246A
CN114663246A CN202210566729.XA CN202210566729A CN114663246A CN 114663246 A CN114663246 A CN 114663246A CN 202210566729 A CN202210566729 A CN 202210566729A CN 114663246 A CN114663246 A CN 114663246A
Authority
CN
China
Prior art keywords
information
propagation
information product
product
simulation
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.)
Granted
Application number
CN202210566729.XA
Other languages
English (en)
Other versions
CN114663246B (zh
Inventor
曾曦
廖方圆
魏刚
胡瑞雪
张毅
蒋涛
张麒
刘锟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Rongwei Software Service Co ltd
CETC 30 Research Institute
Original Assignee
Chengdu Rongwei Software Service Co ltd
CETC 30 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Rongwei Software Service Co ltd, CETC 30 Research Institute filed Critical Chengdu Rongwei Software Service Co ltd
Priority to CN202210566729.XA priority Critical patent/CN114663246B/zh
Publication of CN114663246A publication Critical patent/CN114663246A/zh
Application granted granted Critical
Publication of CN114663246B publication Critical patent/CN114663246B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/313—Selection or weighting of terms for indexing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/34—Browsing; Visualisation therefor
    • G06F16/345—Summarisation for human users
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种传播仿真中信息制品的表征建模方法及多智能体仿真方法，属于认知域传播仿真领域，包括步骤：提取信息制品的显式、隐式特征进行多维度建模，解决了传播仿真中信息的表征问题；设计了建模后的信息制品与传播主体的互作用机制；定义了传播判决机制，将信息制品与传播主体的互作用结果作为特征，使用逻辑回归函数对是否传播进行判定；提出信息制品更改判决机制，设计概率模型模拟传播过程中传播主体对信息制品地更改；将信息制品建模方法、互作用机制、传播判决机制、信息制品更改判决机制运用到多智能体仿真中，模拟现实生活中舆情的传播和演化。本发明解决了多智能体传播仿真要素缺失、仿真结果与真实传播结果差异较大的问题。

Description

传播仿真中信息制品的表征建模方法及多智能体仿真方法
技术领域
本发明涉及认知域传播仿真技术领域，更为具体的，涉及一种传播仿真中信息制品的表征建模方法及多智能体仿真方法。
背景技术
随着信息技术的不断进步，互联网、5G移动通信等网络实现了全球互联，大大丰富了信息传播的手段，提高了信息传播的速度、广度，对人类社会的生产与生活带来深远影响。信息传播是个人、组织和团体通过符号和媒介交流信息，向其他个人或团体传递观点、态度或情绪，以期发生相应变化的活动。对信息传播进行仿真，能够科学评估传播造成的影响，为正能量宣传、网络空间治理、企业品牌推广等提供决策支持，具有重大意义。
信息传播仿真涉及两个重要因素，一是信息制品，二是目标受众或媒体（及其构成的传播网络），如图1所示。
目前对信息传播仿真的研究主要集中于后者，如公开号为CN106682991A的中国专利公开了一种基于在线社交网络的信息传播模型及其传播方法，基于图论和传播动力学将传播抽象为复杂网络图及网络节点间的交互行为，以SIR疾病传播模型模拟传播过程。另一类研究关注信息中蕴含的要素，如公开号为CN107122416A的中国专利公开了一种中文事件抽取方法，基于NLP技术抽取事件相关的人物、时间、地点等实体要素。以上两类研究成果应用于信息传播领域时，存在以下问题：
（1）传播行为主要依赖社交关系。信息传播本质是由信息制品驱动的，信息制品的内容、形式是触发受众传播决定的先决条件，社交关系是传播决策链中的后置条件及次要因素，传播仿真中忽视信息本身的驱动力，造成因果倒置。
（2）信息制品在传播过程中一成不变。信息制品与目标受众或媒体会相互作用，每经过一次传播都可能对信息进行加工，即作为传播主体的输入和输出按照一定概率发生改变，多级传播后制品变化累积易造成较大偏差。
（3）受众认知能力固化。不同目标受众或媒体能够认知信息制品的能力存在差异，受到教育水平、生活习惯、兴趣爱好等多种因素影响，忽视该因素则传播驱动力区分度差。
发明内容
本发明的目的在于克服现有技术的不足，提供一种传播仿真中信息制品的表征建模方法及多智能体仿真方法，解决现有多智能体传播仿真要素缺失、仿真结果与真实传播结果差异较大的技术问题。
本发明的目的是通过以下方案实现的：
一种传播仿真中信息制品的表征建模方法，包括以下步骤：将影响信息制品传播扩散的因素分类为显式因素、隐式因素两类因素并进行相应处理后分别得到显式特征、隐式特征，再将得到的显式特征、隐式特征封装成信息制品表征模型。
进一步地，所述显式因素包括：语种，和/或格式，和/或篇幅，和/或命名实体，且对显式因素进行处理包括子步骤：
对语种处理：信息制品的语种用于判断信息是否能被传播主体所理解，并提取文 本、图片、音频、视频中的语种统一用标准进行表示，形成信息制品语种集合
Figure 109471DEST_PATH_IMAGE001
；
和/或，
对格式处理：将信息制品的格式分为纯文本、纯图片、文本和图片、纯音频、文本和音频、纯视频、文本和视频，遍历所有格式类别并对其进行离散化编码表示；对于包含图片、视频类别的信息制品，采用颜色直方图来描述图像的颜色特征信息，表示图像的特征分布；对于包含音频、视频的信息制品，提取其音色特征，训练音色分类器对信息制品中的音色进行分类；
和/或，
对篇幅处理：记录信息制品文本的字符长度，音频、视频的时长，根据历史舆情传播数据设置分级阈值，对信息制品篇幅进行分级，多模态信息制品的篇幅表示为其涵盖的每一类模态篇幅等级最高级；
和/或，
对命名实体处理：从两方面去捕捉信息制品的命名实体特征：第一方面，提取信息制品中的提及人，按符号@分割成提及人列表；提取信息制品发布时间，作为衡量新鲜度的标准；第二方面，利用命名实体识别算法提取信息制品文本中蕴含的人名、地名和时间。
进一步地，所述隐式因素包括：主题，和/或热度，和/或信度，和/或新鲜度，和/或情感倾向，和/或易爆性，且对隐式因素处理包括子步骤：
对主题处理：使用三维特征描述信息制品的主题，其中第一维提取信息制品中文本中的标签，标签包括社交平台文本的摘要，并分割成标签列表；第二维使用关键词提取算法提取信息制品关键词，描述信息制品内容；第三维使用事件抽取算法提取信息制品提及事件，生成四元组；
和/或，
对热度处理：对点赞、转发、评论互动数据进行加权求和来描述其热度，第i条信息 制品的热度
Figure 281827DEST_PATH_IMAGE002
表示如下：
Figure 420553DEST_PATH_IMAGE003
其中
Figure 158702DEST_PATH_IMAGE004
为第i条制品的点赞数，
Figure 678676DEST_PATH_IMAGE005
为点赞数权重，
Figure 869486DEST_PATH_IMAGE006
为第i条制品的转发 数，
Figure 749586DEST_PATH_IMAGE007
为转发数权重，
Figure 607821DEST_PATH_IMAGE008
为第i条制品的评论数，
Figure 33117DEST_PATH_IMAGE009
为评论数权重；
和/或，
对信度处理：信息制品的信度即发送方权威度，用其原创信息的转发量来衡量，对舆情传播仿真场景中每一位发送方人工配置初始权威度，发送方权威度的计算公式表示为：
发送方权威度 = （初始权威度 * 总原创信息转发量） / 原创信息条数
和/或，
对新鲜度处理：新鲜度随着信息制品发布天数的增加而衰减，新鲜度使用衰减函数表示为：
Figure 898174DEST_PATH_IMAGE010
其中d表示信息发布的天数，η表示衰减系数，可根据实际仿真情况设置；
和/或，
对情感倾向处理：采用七类情感分析法将信息制品表达的情感分为喜、怒、忧、思、悲、恐、惊；
和/或，
对易爆性处理：信息制品的易爆性由与当前网络热点的关联性和与易爆话题的相 似性组成；对舆情传播数据进行聚类分析，取其中热度属性排名设定值的话题形成网络已 有热点话题列表，信息制品与当前网络热点的关联性为每一个热点话题与信息制品主题的 关联性之和
Figure 457331DEST_PATH_IMAGE011
；整理现实生活中易吸引人关注的话题，形成热点话题词组，信息制品与 易爆话题的相似性为每一个热点话题与当前信息制品主题的相似度之和
Figure 45438DEST_PATH_IMAGE012
；将信息制 品的易爆性表示为：
Figure 31849DEST_PATH_IMAGE013
其中
Figure 342393DEST_PATH_IMAGE014
与
Figure 174082DEST_PATH_IMAGE015
分别为加权系数。
进一步地，所述信息制品表征模型，能够针对不同的舆情仿真场景对模型中的显式特征、隐式特征做定制化修改。
一种多智能体仿真方法，包括以下步骤：
按照如上任一所述建模方法得到的信息制品表征模型对仿真环境中的信息建模，并初始化传播主体，配置传播主体间关系，传播主体为有独立记忆单元的智能体；
运行仿真环境，在T 0 时刻将信息制品随机输入到部分传播主体中，单一传播主体根据传播判决机制计算是否对当前输入信息制品进行传播，若传播，则进一步根据信息制品更改判决机制判决是否更改信息制品，若更改，则根据一定概率选择特征进行更改，否则，直接将原始信息在关系链中传播；若不传播，则遗弃本条信息；
T 1 时刻，接收到信息制品的传播主体开始判决是否传播信息，是否更改信息，并执行传播行为；通过N轮迭代模拟真实环境中的舆情传播与演化。
进一步地，所述单一传播主体根据传播判决机制计算是否对当前输入信息制品进行传播，包括子步骤：
当单一信息制品作用于单一传播主体时，其传播判决流程如下：首先判断传播主 体对信息制品的理解度，通过判断信息制品语种集合
Figure 882275DEST_PATH_IMAGE001
与传播主体的语种集合
Figure 39587DEST_PATH_IMAGE016
是 否存在交集来决定是否传播；若为空集，则判决结果为不传播；若不为空集，即
Figure 816919DEST_PATH_IMAGE017
，则计算传播主体对信息制品的互作用然后更新传播主体认知，所述传 播主体对信息制品的互作用包括形式偏好度
Figure 389983DEST_PATH_IMAGE018
、兴趣度
Figure 811737DEST_PATH_IMAGE019
、亲疏度
Figure 264584DEST_PATH_IMAGE020
；根据所述信息制品 与传播主体的互作用结果设计传播判决机制对应模型为：
Figure 404578DEST_PATH_IMAGE021
Figure 515754DEST_PATH_IMAGE022
当p小于0.5时，传播主体不向下传播信息制品，当p大于等于0.5时，传播主体向下 传播信息制品；模型参数
Figure 182227DEST_PATH_IMAGE023
通过历史舆情传播数据作为训练数据训练得到；
Figure 415763DEST_PATH_IMAGE024
为传播意 愿。
进一步地，所述根据信息制品更改判决机制判决是否更改信息制品，包括子步骤：设计概率模型模拟传播主体改变信息制品的现象，并根据实际传播仿真环境设置信息制品被更改的概率为q；
在传播过程中，首先判决传播主体是否会对信息制品进行传播，若是，传播主体有 概率q会对信息制品进行更改，更改体现在信息制品的语种、篇幅、格式、主题、命名实体、情 感倾向中的一种或多种，每一类特征对应被更改概率
Figure 183998DEST_PATH_IMAGE025
，按照如下表对应选择更改：
Figure 161182DEST_PATH_IMAGE026
改变后的信息制品由传播主体向下传播，继续在仿真环境中流通。
进一步地，计算传播主体对信息制品的形式偏好度
Figure 685091DEST_PATH_IMAGE027
包括子步骤：将信息制品的 格式、篇幅、色彩、音色量化特征转换成特征向量，计算与传播主体内置的形式偏好特征向 量的匹配度。
进一步地，计算传播主体对信息制品的兴趣度
Figure 355107DEST_PATH_IMAGE028
包括子步骤：计算传播主体的用 户兴趣标签与信息制品主题特征向量的余弦相似度，表征传播主体对信息制品的感兴趣程 度；
不论是否传播，传播主体在接收到信息制品后，当传播主体对信息制品的兴趣度 超过阈值
Figure 141798DEST_PATH_IMAGE029
，传播主体将信息制品的主题，添加到自身兴趣标签中，对自身“认知”进行更 新。
进一步地，计算传播主体对信息制品的亲疏度
Figure 312885DEST_PATH_IMAGE030
包括子步骤：将信息制品的命名 实体列表与传播主体的姓名、网名、归属地、现居地属性碰撞，用累计重叠次数来表示亲疏 度。
本发明的有益效果包括：
本发明提供一种传播仿真中信息制品的表征建模方法，没有采用现有方案依赖社交关系的方案，而是根据舆情传播学和认知心理学知识，推导了影响信息制品传播扩散的因素，革新了信息制品的内容、形式，并通过显式、隐式特征抽象处理手段，实现对信息制品显、隐性特征的自动化表征，相比基于社交关系的模型，能够充分表征信息制品本身在传播过程中的驱动力。
本发明内容通过属性概率变化设计，建立认知能力与信息制品表征模型互作用机制，解决现有多智能体传播仿真要素缺失、仿真结果与真实传播结果差异较大的技术问题。
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为信息传播两大要素关系示意图；
图2为信息制品模型；
图3为基于信息制品模型的传播判决流程图。
具体实施方式
下面结合附图和实施例对发明进一步说明。本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。
认知域信息传播评估是对信息化社会中的信息影响力的量化分析，主要有三种方法，即调查统计、传播动力学分析和多智能体仿真。其中调查统计、传播动力学分析是从宏观角度进行分析，而多智能体仿真是从微观角度，以个体-群体之间的交互驱动仿真整体传播情况，具有更强的推演能力，特别是对传播中的酝酿、涌现、聚集、衰减等现象可进行有效模拟。但现有的智能体构建模型及表征方法存在不足，针对上述问题，本发明实施例通过显式、隐式特征抽象，内容属性概率变化设计，建立认知能力与信息制品表征模型互作用机制，以解决现有多智能体传播仿真要素缺失、仿真结果与真实传播结果差异较大的技术问题。
实施例中，本发明实施例提出了一种传播仿真中信息制品的表征建模方法及多智能体仿真方法。以认知域传播仿真为例，详述该发明方法。实时例中主要讨论信息制品的表征、信息制品与传播主体的互作用机制、传播判决机制、信息制品更改判决机制和多智能体传播行为仿真等。
一、信息制品的表征
为充分表征信息制品本身在传播过程中的驱动力，结合舆情传播学和认知心理学相关知识，推导影响信息制品传播扩散的因素，并将其分类为显式、隐式两类特征进行抽取，信息制品模型如图2。利用自然语言处理、计算机视觉等相关算法针对每一类特征实现特征抽取算子，封装成信息制品表征模型，实现对信息制品显、隐性特征的自动化表征。
（1）信息制品的显式特征：包括信息制品的语种、格式、篇幅、命名实体等。
1）语种：信息制品的语种用于判断信息是否能被传播主体所理解。提取文本、图 片、音频、视频中的语种统一用ISO 639-1标准进行表示，形成信息制品语种集合
Figure 563738DEST_PATH_IMAGE001
。
2）格式：将信息制品的格式分为纯文本、纯图片、文本+图片、纯音频、文本+音频、纯视频、文本+视频等，遍历所有格式类别并对其进行离散化编码表示。
对于包含图片、视频类别的信息制品，其图片色彩、视频色彩特征也是影响传播的因素之一。采用颜色直方图来描述图像的颜色特征信息，表示图像的特征分布。
对于包含音频、视频的信息制品，提取其音色特征，通常信息制品中的音色包含人声、乐声、噪声，人声又分为男声、女声、童声，训练音色分类器对信息制品中的音色进行分类。
3）篇幅：记录信息制品文本的字符长度，音频、视频的时长，根据历史舆情传播数据设置分级阈值，对信息制品篇幅进行分级，多模态信息制品的篇幅表示为其涵盖的每一类模态篇幅等级最高级。
4）命名实体：从两方面去捕捉信息制品的命名实体特征。浅层地，提取信息制品中形如“@xxx”的提及人，按符号@分割成提及人列表；提取信息制品发布时间，作为衡量新鲜度的标准。深层地，利用命名实体识别算法提取信息制品文本中蕴含的人名、地名、时间等。
（2）信息制品的隐式特征：包括信息制品的主题、热度、信度、新鲜度、情感倾向、易爆度。
1）主题：使用三维特征来描述信息制品的主题，第一维是提取信息制品中文本中形如“#xxx#”的标签，这类标签通常是对社交平台文本的摘要，按符号#分割成标签列表；第二维是使用关键词提取算法提取信息制品关键词，描述信息制品主要内容；第三维是使用事件抽取算法提取信息制品提及事件，生成形如<事件类型、事件触发词、事件要素、要素角色>四元组。
2）热度：对点赞、转发、评论等互动数据进行加权求和来描述其热度，第i条信息制 品的热度
Figure 280021DEST_PATH_IMAGE002
表示如下：
Figure 616324DEST_PATH_IMAGE003
其中
Figure 591102DEST_PATH_IMAGE004
为第i条制品的点赞数，
Figure 696462DEST_PATH_IMAGE005
为点赞数权重，
Figure 36176DEST_PATH_IMAGE006
为第i条制品的转发 数，
Figure 125355DEST_PATH_IMAGE007
为转发数权重，
Figure 123398DEST_PATH_IMAGE008
为第i条制品的评论数，
Figure 348843DEST_PATH_IMAGE009
为评论数权重。
3）信度：信息制品的信度即发送方权威度，用其原创信息的转发量来衡量，对舆情传播仿真场景中每一位发送方人工配置初始权威度，发送方权威度的计算公式可以表示为：
发送方权威度 = （初始权威度 * 总原创信息转发量） / 原创信息条数
4）新鲜度：新鲜度随着信息制品发布天数的增加而衰减，新鲜度可使用衰减函数表示为：
Figure 653267DEST_PATH_IMAGE010
其中d表示信息发布的天数，η表示衰减系数，可根据实际仿真情况设置。
5）情感倾向：采用七类情感分析法将信息制品表达的情感分为喜、怒、忧、思、悲、恐、惊。
6）易爆性：信息制品的易爆性由与当前网络热点的关联性和与易爆话题的相似性 组成。对舆情传播数据进行聚类分析，取其中热度属性排名前十的话题形成网络已有热点 话题列表，信息制品与当前网络热点的关联性为每一个热点话题与信息制品主题的关联性 之和
Figure 964162DEST_PATH_IMAGE011
。整理现实生活中易吸引人关注的话题，形成热点话题词组，如“炫富”、“明星” 等，信息制品与易爆话题的相似性为每一个热点话题与当前信息制品主题的相似度之和
Figure 765896DEST_PATH_IMAGE012
。信息制品的易爆性可表示为：
Figure 111427DEST_PATH_IMAGE013
其中
Figure 386419DEST_PATH_IMAGE014
与
Figure 59977DEST_PATH_IMAGE015
分别为加权系数。
本发明列举出的信息制品表征模型为一般通用版本，针对不同的舆情仿真场景可以对表征模型做定制化修改。
二、信息制品与传播主体的互作用机制
信息制品与传播主体之间的互作用由传播主体对信息的理解度、形式偏好度，兴趣度、亲疏度构成。
1）传播主体对信息制品的理解度：
判定传播主体的语种集与信息制品抽取出的语种集是否有交集，需满足下式描述的条件，信息制品才能被理解，进而被传播。
Figure 790036DEST_PATH_IMAGE031
其中，
Figure 114707DEST_PATH_IMAGE001
表示信息制品中涵盖的语种集合，
Figure 373650DEST_PATH_IMAGE033
表示传播主体的语种集合。
2）传播主体对信息制品的形式偏好度：
将信息制品的格式、篇幅、色彩、音色量化特征转换成特征向量，计算与传播主体 内置的形式偏好特征向量的匹配度，用
Figure 534504DEST_PATH_IMAGE018
表示。
3）传播主体对信息制品的兴趣度：
计算传播主体的用户兴趣标签与信息制品主题特征向量的余弦相似度，表征传播 主体对信息制品的感兴趣程度，用
Figure 802674DEST_PATH_IMAGE019
表示。
4）传播主体对信息制品的亲疏度：
将信息制品的命名实体列表与传播主体的姓名、网名、归属地、现居地等属性碰 撞，用累计重叠次数来表示亲疏度
Figure 981852DEST_PATH_IMAGE020
。
三、传播判决机制
传播主体的传播策略集合如下表所示：
主体 策略集合
A {传播、不传播}
B {传播、不传播}
传播主体的传播意愿
Figure 942854DEST_PATH_IMAGE024
可用传播主体历史记录中转发数占其全部信息数据的比 值来表示。
Figure 387742DEST_PATH_IMAGE034
当单一信息制品作用于单一传播主体时，其传播判决流程如下：首先判断传播主 体对信息制品的理解度，即
Figure 321588DEST_PATH_IMAGE017
是否为空集。若为空集，则判决结果为不传 播，若不为空集，则计算传播主体对信息制品的形式偏好度、兴趣度、亲疏度。根据上述信息 制品与传播主体的互作用结果，传播判决机制对应模型为：
Figure 496217DEST_PATH_IMAGE021
Figure 237908DEST_PATH_IMAGE022
当p小于0.5时，传播主体不向下传播信息制品，当p大于等于0.5时，传播主体向下 传播信息制品。模型参数
Figure 232409DEST_PATH_IMAGE023
通过历史舆情传播数据作为训练数据训练得到。
四、信息制品更改判决机制
传播主体对信息制品的更改策略集合如下表所示：
主体 策略集合
A {更改、不更改}
B {更改、不更改}
为使舆情传播仿真更贴近现实情况，设计概率模型模拟传播主体改变信息制品的 现象。根据实际传播仿真环境设置信息制品被更改的概率为q。在传播过程中，首先判决传 播主体是否会对信息制品进行传播，若是，传播主体有概率q会对信息制品进行更改。更改 主要体现在以下特征，包括信息制品的语种、篇幅、格式、主题、命名实体、情感倾向等，每一 类特征对应被更改概率
Figure 967016DEST_PATH_IMAGE025
。
Figure 996151DEST_PATH_IMAGE035
改变后的信息制品由传播主体向下传播，继续在仿真环境中流通，避免了多级传播后制品一成不变造成的传播误差。
五、多智能体传播行为仿真
结合上述模型、机制，采用多智能体建模技术模拟现实生活中舆情传播场景。按照信息制品表征模型对仿真环境中的信息建模，初始化传播主体，配置传播主体间关系，传播主体为有独立记忆单元的智能体。运行仿真环境，T 0 时刻，将信息制品随机输入到部分传播主体中，单一传播主体根据传播判决机制计算是否对当前输入信息制品进行传播，若传播，则进一步根据信息制品更改判决机制判决是否更改信息制品，若更改，则根据一定概率选择特征进行更改，否则，直接将原始信息在关系链中传播，若不传播，则遗弃本条信息。T 1 时刻，接收到信息制品的传播主体开始判决是否传播信息，是否更改信息，并执行传播行为。通过N轮迭代模拟真实环境中的舆情传播与演化。
不论是否传播，传播主体在接收到信息制品后，当传播主体对信息制品的兴趣度 超过阈值
Figure 971061DEST_PATH_IMAGE029
，传播主体将信息制品的主题，添加到自身兴趣标签中，对自身“认知”进行更 新，一轮传播判决流程如图3所示。
本发明提取信息制品的显式、隐式特征进行多维度建模，解决了传播仿真中信息的表征问题，充分考虑仿真中信息制品本身的驱动力；设计了一种建模后的信息制品与传播主体的互作用机制；进一步地，定义了传播判决机制，将信息制品与传播主体的互作用结果作为特征，使用逻辑回归函数对是否传播进行判定；创新性地提出信息制品更改判决机制，设计概率模型模拟传播过程中传播主体对信息制品地更改；进一步地，将信息制品建模方法、互作用机制、传播判决机制、信息制品更改判决机制运用到多智能体仿真中，模拟现实生活中舆情的传播和演化。
实施例1：一种传播仿真中信息制品的表征建模方法，包括以下步骤：将影响信息制品传播扩散的因素分类为显式因素、隐式因素两类因素并进行相应处理后分别得到显式特征、隐式特征，再将得到的显式特征、隐式特征封装成信息制品表征模型。
实施例2：在实施例1的基础上，所述显式因素包括：语种，和/或格式，和/或篇幅，和/或命名实体，且对显式因素进行处理包括子步骤：
对语种处理：信息制品的语种用于判断信息是否能被传播主体所理解，并提取文 本、图片、音频、视频中的语种统一用标准进行表示，形成信息制品语种集合
Figure 577491DEST_PATH_IMAGE001
；
和/或，
对格式处理：将信息制品的格式分为纯文本、纯图片、文本和图片、纯音频、文本和音频、纯视频、文本和视频，遍历所有格式类别并对其进行离散化编码表示；对于包含图片、视频类别的信息制品，采用颜色直方图来描述图像的颜色特征信息，表示图像的特征分布；对于包含音频、视频的信息制品，提取其音色特征，训练音色分类器对信息制品中的音色进行分类；
和/或，
对篇幅处理：记录信息制品文本的字符长度，音频、视频的时长，根据历史舆情传播数据设置分级阈值，对信息制品篇幅进行分级，多模态信息制品的篇幅表示为其涵盖的每一类模态篇幅等级最高级；
和/或，
对命名实体处理：从两方面去捕捉信息制品的命名实体特征：第一方面，提取信息制品中的提及人，按符号@分割成提及人列表；提取信息制品发布时间，作为衡量新鲜度的标准；第二方面，利用命名实体识别算法提取信息制品文本中蕴含的人名、地名和时间。
实施例3：在实施例1的基础上，所述隐式因素包括：主题，和/或热度，和/或信度，和/或新鲜度，和/或情感倾向，和/或易爆性，且对隐式因素处理包括子步骤：
对主题处理：使用三维特征描述信息制品的主题，其中第一维提取信息制品中文本中的标签，标签包括社交平台文本的摘要，并分割成标签列表；第二维使用关键词提取算法提取信息制品关键词，描述信息制品内容；第三维使用事件抽取算法提取信息制品提及事件，生成四元组；
和/或，
对热度处理：对点赞、转发、评论互动数据进行加权求和来描述其热度，第i条信息 制品的热度
Figure 725576DEST_PATH_IMAGE002
表示如下：
Figure 750164DEST_PATH_IMAGE003
其中
Figure 958291DEST_PATH_IMAGE004
为第i条制品的点赞数，
Figure 52018DEST_PATH_IMAGE005
为点赞数权重，
Figure 675897DEST_PATH_IMAGE006
为第i条制品的转发 数，
Figure 679625DEST_PATH_IMAGE007
为转发数权重，
Figure 445938DEST_PATH_IMAGE008
为第i条制品的评论数，
Figure 636747DEST_PATH_IMAGE009
为评论数权重；
和/或，
对信度处理：信息制品的信度即发送方权威度，用其原创信息的转发量来衡量，对舆情传播仿真场景中每一位发送方人工配置初始权威度，发送方权威度的计算公式表示为：
发送方权威度 = （初始权威度 * 总原创信息转发量） / 原创信息条数
和/或，
对新鲜度处理：新鲜度随着信息制品发布天数的增加而衰减，新鲜度使用衰减函数表示为：
Figure 267580DEST_PATH_IMAGE010
其中d表示信息发布的天数，η表示衰减系数，可根据实际仿真情况设置；
和/或，
对情感倾向处理：采用七类情感分析法将信息制品表达的情感分为喜、怒、忧、思、悲、恐、惊；
和/或，
对易爆性处理：信息制品的易爆性由与当前网络热点的关联性和与易爆话题的相 似性组成；对舆情传播数据进行聚类分析，取其中热度属性排名设定值的话题形成网络已 有热点话题列表，信息制品与当前网络热点的关联性为每一个热点话题与信息制品主题的 关联性之和
Figure 860235DEST_PATH_IMAGE011
；整理现实生活中易吸引人关注的话题，形成热点话题词组，信息制品与 易爆话题的相似性为每一个热点话题与当前信息制品主题的相似度之和
Figure 597116DEST_PATH_IMAGE012
；将信息制 品的易爆性表示为：
Figure 416168DEST_PATH_IMAGE013
其中
Figure 975325DEST_PATH_IMAGE014
与
Figure 812700DEST_PATH_IMAGE015
分别为加权系数。
实施例4：在实施例1的基础上，所述信息制品表征模型，能够针对不同的舆情仿真场景对模型中的显式特征、隐式特征做定制化修改。
实施例5：一种多智能体仿真方法，包括以下步骤：
按照实施例1~实施例3任一所述建模方法得到的信息制品表征模型对仿真环境中的信息建模，并初始化传播主体，配置传播主体间关系，传播主体为有独立记忆单元的智能体；
运行仿真环境，在T 0 时刻将信息制品随机输入到部分传播主体中，单一传播主体根据传播判决机制计算是否对当前输入信息制品进行传播，若传播，则进一步根据信息制品更改判决机制判决是否更改信息制品，若更改，则根据一定概率选择特征进行更改，否则，直接将原始信息在关系链中传播；若不传播，则遗弃本条信息；
T 1 时刻，接收到信息制品的传播主体开始判决是否传播信息，是否更改信息，并执行传播行为；通过N轮迭代模拟真实环境中的舆情传播与演化。
实施例6：在实施例5的基础上，所述单一传播主体根据传播判决机制计算是否对当前输入信息制品进行传播，包括子步骤：
当单一信息制品作用于单一传播主体时，其传播判决流程如下：首先判断传播主 体对信息制品的理解度，通过判断信息制品语种集合
Figure 267952DEST_PATH_IMAGE001
与传播主体的语种集合
Figure 574299DEST_PATH_IMAGE016
是 否存在交集来决定是否传播；若为空集，则判决结果为不传播；若不为空集，即
Figure 671568DEST_PATH_IMAGE017
，则计算传播主体对信息制品的互作用然后更新传播主体认知，所述传 播主体对信息制品的互作用包括形式偏好度
Figure 629029DEST_PATH_IMAGE018
、兴趣度
Figure 520762DEST_PATH_IMAGE019
、亲疏度
Figure 111143DEST_PATH_IMAGE020
；根据所述信息制品 与传播主体的互作用结果设计传播判决机制对应模型为：
Figure 139666DEST_PATH_IMAGE021
Figure 561420DEST_PATH_IMAGE022
当p小于0.5时，传播主体不向下传播信息制品，当p大于等于0.5时，传播主体向下 传播信息制品；模型参数
Figure 765000DEST_PATH_IMAGE023
通过历史舆情传播数据作为训练数据训练得到；
Figure 904994DEST_PATH_IMAGE024
为传播意 愿。
实施例7：在实施例5的基础上，所述根据信息制品更改判决机制判决是否更改信息制品，包括子步骤：设计概率模型模拟传播主体改变信息制品的现象，并根据实际传播仿真环境设置信息制品被更改的概率为q；
在传播过程中，首先判决传播主体是否会对信息制品进行传播，若是，传播主体有 概率q会对信息制品进行更改，更改体现在信息制品的语种、篇幅、格式、主题、命名实体、情 感倾向中的一种或多种，每一类特征对应被更改概率
Figure 734279DEST_PATH_IMAGE025
，按照如下表对应选择更改：
Figure 276118DEST_PATH_IMAGE036
改变后的信息制品由传播主体向下传播，继续在仿真环境中流通。
实施例8：在实施例6的基础上，计算传播主体对信息制品的形式偏好度
Figure 385020DEST_PATH_IMAGE027
包括子 步骤：将信息制品的格式、篇幅、色彩、音色量化特征转换成特征向量，计算与传播主体内置 的形式偏好特征向量的匹配度。
实施例9：在实施例6的基础上，计算传播主体对信息制品的兴趣度
Figure 12310DEST_PATH_IMAGE028
包括子步骤： 计算传播主体的用户兴趣标签与信息制品主题特征向量的余弦相似度，表征传播主体对信 息制品的感兴趣程度；
不论是否传播，传播主体在接收到信息制品后，当传播主体对信息制品的兴趣度 超过阈值
Figure 379707DEST_PATH_IMAGE029
，传播主体将信息制品的主题，添加到自身兴趣标签中，对自身“认知”进行更 新。
实施例10：在实施例6的基础上，计算传播主体对信息制品的亲疏度
Figure 776053DEST_PATH_IMAGE030
包括子步 骤：将信息制品的命名实体列表与传播主体的姓名、网名、归属地、现居地属性碰撞，用累计 重叠次数来表示亲疏度。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。
除以上实例以外，本领域技术人员根据上述公开内容获得启示或利用相关领域的知识或技术进行改动获得其他实施例，各个实施例的特征可以互换或替换，本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种传播仿真中信息制品的表征建模方法，其特征在于，包括以下步骤：将影响信息制品传播扩散的因素分类为显式因素、隐式因素两类因素并进行相应处理后分别得到显式特征、隐式特征，再将得到的显式特征、隐式特征封装成信息制品表征模型。
2.根据权利要求1所述的传播仿真中信息制品的表征建模方法，其特征在于，所述显式因素包括：语种，和/或格式，和/或篇幅，和/或命名实体，且对显式因素进行处理包括子步骤：
对语种处理：信息制品的语种用于判断信息是否能被传播主体所理解，并提取文本、图 片、音频、视频中的语种统一用标准进行表示，形成信息制品语种集合
Figure 180993DEST_PATH_IMAGE001
；
和/或，
对格式处理：将信息制品的格式分为纯文本、纯图片、文本和图片、纯音频、文本和音频、纯视频、文本和视频，遍历所有格式类别并对其进行离散化编码表示；对于包含图片、视频类别的信息制品，采用颜色直方图来描述图像的颜色特征信息，表示图像的特征分布；对于包含音频、视频的信息制品，提取其音色特征，训练音色分类器对信息制品中的音色进行分类；
和/或，
对篇幅处理：记录信息制品文本的字符长度，音频、视频的时长，根据历史舆情传播数据设置分级阈值，对信息制品篇幅进行分级，多模态信息制品的篇幅表示为其涵盖的每一类模态篇幅等级最高级；
和/或，
对命名实体处理：从两方面去捕捉信息制品的命名实体特征：第一方面，提取信息制品中的提及人，按符号@分割成提及人列表；提取信息制品发布时间，作为衡量新鲜度的标准；第二方面，利用命名实体识别算法提取信息制品文本中蕴含的人名、地名和时间。
3.根据权利要求1所述的传播仿真中信息制品的表征建模方法，其特征在于，所述隐式因素包括：主题，和/或热度，和/或信度，和/或新鲜度，和/或情感倾向，和/或易爆性，且对隐式因素处理包括子步骤：
对主题处理：使用三维特征描述信息制品的主题，其中第一维提取信息制品中文本中的标签，标签包括社交平台文本的摘要，并分割成标签列表；第二维使用关键词提取算法提取信息制品关键词，描述信息制品内容；第三维使用事件抽取算法提取信息制品提及事件，生成四元组；
和/或，
对热度处理：对点赞、转发、评论互动数据进行加权求和来描述其热度，第i条信息制品 的热度
Figure 498842DEST_PATH_IMAGE002
表示如下：
Figure 138771DEST_PATH_IMAGE003
其中
Figure 655203DEST_PATH_IMAGE004
为第i条制品的点赞数，
Figure 371486DEST_PATH_IMAGE005
为点赞数权重，
Figure 894740DEST_PATH_IMAGE006
为第i条制品的转发数，
Figure 479305DEST_PATH_IMAGE007
为转发数权重，
Figure 725610DEST_PATH_IMAGE008
为第i条制品的评论数，
Figure 737428DEST_PATH_IMAGE009
为评论数权重；
和/或，
对信度处理：信息制品的信度即发送方权威度，用其原创信息的转发量来衡量，对舆情传播仿真场景中每一位发送方人工配置初始权威度，发送方权威度的计算公式表示为：
发送方权威度 = （初始权威度 * 总原创信息转发量） / 原创信息条数
和/或，
对新鲜度处理：新鲜度随着信息制品发布天数的增加而衰减，新鲜度使用衰减函数表示为：
Figure 417152DEST_PATH_IMAGE010
其中d表示信息发布的天数，η表示衰减系数，可根据实际仿真情况设置；
和/或，
对情感倾向处理：采用七类情感分析法将信息制品表达的情感分为喜、怒、忧、思、悲、恐、惊；
和/或，
对易爆性处理：信息制品的易爆性由与当前网络热点的关联性和与易爆话题的相似性 组成；对舆情传播数据进行聚类分析，取其中热度属性排名设定值的话题形成网络已有热 点话题列表，信息制品与当前网络热点的关联性为每一个热点话题与信息制品主题的关联 性之和
Figure 805408DEST_PATH_IMAGE011
；整理现实生活中易吸引人关注的话题，形成热点话题词组，信息制品与易爆 话题的相似性为每一个热点话题与当前信息制品主题的相似度之和
Figure 702957DEST_PATH_IMAGE012
；将信息制品的 易爆性表示为：
Figure 88939DEST_PATH_IMAGE013
其中
Figure 586786DEST_PATH_IMAGE014
与
Figure 122940DEST_PATH_IMAGE015
分别为加权系数。
4.根据权利要求1所述的传播仿真中信息制品的表征建模方法，其特征在于，所述信息制品表征模型，能够针对不同的舆情仿真场景对模型中的显式特征、隐式特征做定制化修改。
5.一种多智能体仿真方法，其特征在于，包括以下步骤：
按照权利要求1~3任一所述建模方法得到的信息制品表征模型对仿真环境中的信息建模，并初始化传播主体，配置传播主体间关系，传播主体为有独立记忆单元的智能体；
运行仿真环境，在T 0 时刻将信息制品随机输入到部分传播主体中，单一传播主体根据传播判决机制计算是否对当前输入信息制品进行传播，若传播，则进一步根据信息制品更改判决机制判决是否更改信息制品，若更改，则根据一定概率选择特征进行更改，否则，直接将原始信息在关系链中传播；若不传播，则遗弃本条信息；
T 1 时刻，接收到信息制品的传播主体开始判决是否传播信息，是否更改信息，并执行传播行为；通过N轮迭代模拟真实环境中的舆情传播与演化。
6.根据权利要求5所述的多智能体仿真方法，其特征在于，所述单一传播主体根据传播判决机制计算是否对当前输入信息制品进行传播，包括子步骤：
当单一信息制品作用于单一传播主体时，其传播判决流程如下：首先判断传播主体对 信息制品的理解度，通过判断信息制品语种集合
Figure 202892DEST_PATH_IMAGE001
与传播主体的语种集合
Figure 946726DEST_PATH_IMAGE016
是否存 在交集来决定是否传播；若为空集，则判决结果为不传播；若不为空集，即
Figure 417021DEST_PATH_IMAGE017
，计算传播主体对信息制品的互作用然后更新传播主体认知，所述传播 主体对信息制品的互作用包括形式偏好度
Figure 147080DEST_PATH_IMAGE018
、兴趣度
Figure 206172DEST_PATH_IMAGE019
、亲疏度
Figure 996273DEST_PATH_IMAGE020
；根据所述信息制品与 传播主体的互作用结果设计传播判决机制对应模型为：
Figure 157127DEST_PATH_IMAGE021
Figure 159718DEST_PATH_IMAGE022
当p小于0.5时，传播主体不向下传播信息制品，当p大于等于0.5时，传播主体向下传播 信息制品；模型参数
Figure 341825DEST_PATH_IMAGE023
通过历史舆情传播数据作为训练数据训练得到；
Figure 974932DEST_PATH_IMAGE024
为传播意愿。
7.根据权利要求5所述的多智能体仿真方法，其特征在于，所述根据信息制品更改判决机制判决是否更改信息制品，包括子步骤：设计概率模型模拟传播主体改变信息制品的现象，并根据实际传播仿真环境设置信息制品被更改的概率为q；
在传播过程中，首先判决传播主体是否会对信息制品进行传播，若是，传播主体有概率q会对信息制品进行更改，更改体现在信息制品的语种、篇幅、格式、主题、命名实体、情感倾 向中的一种或多种，每一类特征对应被更改概率
Figure 482137DEST_PATH_IMAGE025
，按照如下表对应选择更改：
Figure 678632DEST_PATH_IMAGE026
改变后的信息制品由传播主体向下传播，继续在仿真环境中流通。
8.根据权利要求6所述的多智能体仿真方法，其特征在于，计算传播主体对信息制品的 形式偏好度
Figure 853261DEST_PATH_IMAGE027
包括子步骤：将信息制品的格式、篇幅、色彩、音色量化特征转换成特征向 量，计算与传播主体内置的形式偏好特征向量的匹配度。
9.根据权利要求6所述的多智能体仿真方法，其特征在于，计算传播主体对信息制品的 兴趣度
Figure 329373DEST_PATH_IMAGE028
包括子步骤：计算传播主体的用户兴趣标签与信息制品主题特征向量的余弦相似 度，表征传播主体对信息制品的感兴趣程度；
不论是否传播，传播主体在接收到信息制品后，当传播主体对信息制品的兴趣度超过 阈值
Figure 589453DEST_PATH_IMAGE029
，传播主体将信息制品的主题，添加到自身兴趣标签中，对自身“认知”进行更新。
10.根据权利要求6所述的多智能体仿真方法，其特征在于，计算传播主体对信息制品 的亲疏度
Figure 324060DEST_PATH_IMAGE030
包括子步骤：将信息制品的命名实体列表与传播主体的姓名、网名、归属地、现 居地属性碰撞，用累计重叠次数来表示亲疏度。
CN202210566729.XA 2022-05-24 2022-05-24 传播仿真中信息制品的表征建模方法及多智能体仿真方法 Active CN114663246B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210566729.XA CN114663246B (zh) 2022-05-24 2022-05-24 传播仿真中信息制品的表征建模方法及多智能体仿真方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210566729.XA CN114663246B (zh) 2022-05-24 2022-05-24 传播仿真中信息制品的表征建模方法及多智能体仿真方法

Publications (2)

Publication Number Publication Date
CN114663246A true CN114663246A (zh) 2022-06-24
CN114663246B CN114663246B (zh) 2022-09-23

Family

ID=82037619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210566729.XA Active CN114663246B (zh) 2022-05-24 2022-05-24 传播仿真中信息制品的表征建模方法及多智能体仿真方法

Country Status (1)

Country Link
CN (1) CN114663246B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976231A (zh) * 2010-08-25 2011-02-16 孙强国 一种多语种短信息的网络监管方法
CN102262624A (zh) * 2011-08-08 2011-11-30 中国科学院自动化研究所 基于多模态辅助的实现跨语言沟通***及方法
CN102929918A (zh) * 2012-09-20 2013-02-13 西北工业大学 虚假网络舆情识别方法
CN102945268A (zh) * 2012-10-25 2013-02-27 北京腾逸科技发展有限公司 产品特征评论挖掘方法及***
CN104834632A (zh) * 2015-05-13 2015-08-12 北京工业大学 一种基于语义扩充的微博话题检测和热度评估方法
CN105303998A (zh) * 2014-07-24 2016-02-03 北京三星通信技术研究有限公司 基于观众之间的关联信息播放广告的方法、装置和设备
CN106682991A (zh) * 2016-12-21 2017-05-17 重庆邮电大学 一种基于在线社交网络的信息传播模型及其传播方法
CN109064347A (zh) * 2017-06-11 2018-12-21 南京理工大学 基于多智能体的信息传播与舆情演化仿真方法
CN109299808A (zh) * 2018-06-04 2019-02-01 西安电子科技大学 基于群体劝说力建模的网民观点演化趋势预测方法
CN109657330A (zh) * 2018-12-14 2019-04-19 中国人民解放军国防科技大学 基于分布式平台的大规模网络信息传播计算方法及装置
CN112395417A (zh) * 2020-11-18 2021-02-23 长沙学院 基于深度学习的网络舆情演化仿真方法及***
US20210089579A1 (en) * 2019-09-23 2021-03-25 Arizona Board Of Regents On Behalf Of Arizona State University Method and apparatus for collecting, detecting and visualizing fake news

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976231A (zh) * 2010-08-25 2011-02-16 孙强国 一种多语种短信息的网络监管方法
CN102262624A (zh) * 2011-08-08 2011-11-30 中国科学院自动化研究所 基于多模态辅助的实现跨语言沟通***及方法
CN102929918A (zh) * 2012-09-20 2013-02-13 西北工业大学 虚假网络舆情识别方法
CN102945268A (zh) * 2012-10-25 2013-02-27 北京腾逸科技发展有限公司 产品特征评论挖掘方法及***
CN105303998A (zh) * 2014-07-24 2016-02-03 北京三星通信技术研究有限公司 基于观众之间的关联信息播放广告的方法、装置和设备
CN104834632A (zh) * 2015-05-13 2015-08-12 北京工业大学 一种基于语义扩充的微博话题检测和热度评估方法
CN106682991A (zh) * 2016-12-21 2017-05-17 重庆邮电大学 一种基于在线社交网络的信息传播模型及其传播方法
CN109064347A (zh) * 2017-06-11 2018-12-21 南京理工大学 基于多智能体的信息传播与舆情演化仿真方法
CN109299808A (zh) * 2018-06-04 2019-02-01 西安电子科技大学 基于群体劝说力建模的网民观点演化趋势预测方法
CN109657330A (zh) * 2018-12-14 2019-04-19 中国人民解放军国防科技大学 基于分布式平台的大规模网络信息传播计算方法及装置
US20210089579A1 (en) * 2019-09-23 2021-03-25 Arizona Board Of Regents On Behalf Of Arizona State University Method and apparatus for collecting, detecting and visualizing fake news
CN112395417A (zh) * 2020-11-18 2021-02-23 长沙学院 基于深度学习的网络舆情演化仿真方法及***

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
万晓红等: "新传播生态下体育赛事网络舆论特征及治理——基于结构分析与情感分析的双重视角", 《体育科学》 *
刘德寰等: "国内新闻传播领域人工智能技术研究综述", 《中国记者》 *
周娜等: "基于潜在主题的知识组合分析研究――以传播学为例", 《农业图书情报学刊》 *
崔宁: "传播主体实现本体知识建构与思维创新的认知机制", 《现代传播(中国传媒大学学报)》 *
曾润喜等: "网络舆情信息传播动力机制的比较研究", 《图书情报工作》 *
朱毅华等: "网络舆情研究中的仿真方法应用综述", 《情报杂志》 *
李洋等: "微博信息传播预测研究综述", 《软件学报》 *
陈晓鸥等: "音乐情感识别研究进展", 《复旦学报(自然科学版)》 *

Also Published As

Publication number Publication date
CN114663246B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN111008278B (zh) 内容推荐方法及装置
CN111858960B (zh) 面向本质计算的跨dikw图谱的虚拟社区资源处理方法及组件
Preotiuc-Pietro et al. Studying the Dark Triad of personality through Twitter behavior
CN110737783B (zh) 一种推荐多媒体内容的方法、装置及计算设备
CN107357889A (zh) 一种基于内容或情感相似性的跨社交平台图片推荐算法
CN111814982B (zh) 面向多跳问答的动态推理网络***及方法
US20130066823A1 (en) Knowledge representation systems and methods incorporating customization
CN109844741A (zh) 在自动聊天中生成响应
US20130046723A1 (en) Knowledge representation systems and methods incorporating customization
CN101770487A (zh) 社交网络中用户影响力的计算方法和***
US12020267B2 (en) Method, apparatus, storage medium, and device for generating user profile
CN110309114A (zh) 媒体信息的处理方法、装置、存储介质和电子装置
CN112633690A (zh) 服务人员信息分配方法、装置、计算机设备和存储介质
EP3340073A1 (en) Systems and methods for processing of user content interaction
Van Haeringen et al. Emotion contagion in agent-based simulations of crowds: a systematic review
CN110991742A (zh) 一种社交网络信息转发概率预测方法及***
CN115659008A (zh) 大数据信息反馈的信息推送***、方法、电子设备及介质
WO2019242453A1 (zh) 信息处理方法及装置、存储介质、电子装置
Li et al. Configurational patterns for COVID-19 related social media rumor refutation effectiveness enhancement based on machine learning and fsQCA
CN114357204A (zh) 媒体信息的处理方法及相关设备
CN117875501A (zh) 一种基于大数据的社交媒体用户行为预测***及方法
CN111680505B (zh) 一种Markdown特征感知的无监督关键词提取方法
CN114663246B (zh) 传播仿真中信息制品的表征建模方法及多智能体仿真方法
Tarwani et al. Survey of Cyberbulling Detection on Social Media Big-Data.
CN111079084A (zh) 一种基于长短时记忆网络的信息转发概率预测方法及***

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