论文部分内容阅读
趋同现象是宇宙中普遍存在的一种规律,它指系统之间通过耦合作用达到同步的过程。这一概念目前已广泛应用于生物学、行为学、社会学和语言学等领。2005年,加拿大西安大略大学的Philippe Rushton和Trudy Ann Bons在《心理科学》杂志撰文指出:相处较久的人会长时间经历相同的情绪。这表明人类的情感也存在趋同现象,并且在亲密关系间体现得尤为明显。 情感趋同现象对于人类社会的诸多方面都起着重要作用。比如,情感趋同有助于挖掘隐藏群体。社会交换理论指出人们的情感会影响其行为,并且这种作用在网络空间中表现的更为明显。因此情感趋同模式能反映更加真实的社会关系,从而有助于在多角色网络中挖掘隐藏群体。又如,情感趋同还有助于社会分层结构的构建。人们的趋同模式会反映其社会地位。通过对趋同模式分级,可以间接实现对社会结构分层。再如,情感趋同还有助于口碑营销策略的制定。跟踪并分析网络空间中的负面口碑和批判情绪,将有助于识别推动负面情感演化的关键因素。通过制定相应的公关策略,可以避免负面情绪在网络空间中的大规模聚集,从而最小化企业在经济和形象上的损失。 尽管如此,情感趋同的作用机制目前尚未被充分理解。已有工作大都是基于小规模实验数据进行的启发式研究分析,大规模真实数据场景下的情感趋同模式尚待研究。近年来,各类社会媒体平台纷纷涌现。这为研究大规模的情感趋同现象提供了数据支持,同时也对传统的建模与分析方法提出了新的挑战。针对这些问题,本文主要从三个方面来研究社会媒体中的情感趋同现象:1)海量真实数据下的情感趋同建模;2)特定情感下的趋同模式分析;3)多模态下的情感趋同建模。其主要贡献归纳如下: 1)提出了一种普适性的情感趋同度量框架 在大规模数据集上对情感趋同现象进行建模是一项具有挑战性的任务。传统的自底向上方法模型计算复杂度较高,而基于网络分析的自顶向下方法难以对趋同过程进行细粒度刻画。为解决这些问题,本文提出一种普适性的情感趋同度量框架。不同于现有工作,这一度量框架建立在信息论基础上,因此可以刻画任意复杂的非线性情感交互过程。此外,现有工作大多未区分情感趋同的方向,而我们的度量框架提供了一种非对称的趋同力度量化标准。这一特性允许我们在研究群体趋同作用的同时,还能深入分析群体内部的趋同细节。基于这一框架,本文揭示了趋同作用与用户情感相似度的内在联系,并发现了在线社交关系建立的三个阶段:以单向趋同开始,随后在双向趋同中发展,最后以单向趋同进行维系。 2)明确了社会媒体用户在不同情感下的趋同模式 基于社会媒体平台上的大规模数据,本文分析了用户在正向、负向、以及中性三种情感下的趋同模式。首先,用户不同情感状态下的趋同力度均服从幂律分布。这一结果表明趋同在促进人际沟通方面与其它在线社交行为是一致的。其次,用户的趋同意愿是受其情感影响的,在不同的情感间表现出不同趋同意愿。基于这些发现,本文构建了一个融合趋同信息的情感预测模型。相较于传统方法,这一模型提供了一种灵活的方式来刻画不同情感下的趋同模式,从而提升了预测准确率。 3)提出了一种对用户情感趋同和行为趋同进行联合建模的框架 过去工作大都是对同一类型的趋同过程进行孤立分析。然而,已有研究表明,有些动态过程是由多个不同趋同过程组成的复合过程。在这些应用场景下,不同模态的趋同过程间具有耦合作用,传统单一模态的趋同分析方法无法对这一过程进行精确刻画。为解决这一问题,本文提出了一种对用户情感趋同和行为趋同进行联合建模的框架。受到结构学习相关研究的启发,在建模过程中引入了一个被用户情感和行为趋同过程所共享的功能结构,以此来刻画两种模态间的作用机制。实验结果表明,比起单一模态的建模方法,融合用户行为信息的趋同模型能更好地刻画情感趋同过程。同时,本模型不仅能在宏观层面量化用户情感和行为趋同之间的作用关系,也能在微观层面解释各用户受两种模态的影响程度。