一种基于社会学信息神经网络的观点预测改进方法

本发明涉及，尤其涉及一种基于社会学信息神经网络的观点预测改进方法。

背景技术：

1、随着社交网络的兴起和普及，人们在网络上分享和交流观点的情况日益频繁。社交网络不仅是信息传播的平台，还是个体观点形成和演化的重要载体。因此，对社交网络中个体观点的动态变化进行建模和预测具有重要意义。

2、传统上，人们使用基于数学模型的方法来研究观点动态。这些模型通常基于差分方程，并试图描述个体之间的相互作用如何影响观点的演变。然而，这些模型往往需要大量的参数调整和对真实数据的拟合，且难以完全捕捉复杂的社交网络结构和人类行为。

3、随着深度学习技术的发展，神经网络被广泛应用于各种领域，包括自然语言处理、计算机视觉等。然而，在社交网络观点动态建模方面，传统的神经网络方法往往忽视了社会科学领域的理论知识，无法很好地结合社会学和社会心理学的观点。

4、因此，为了更好地建模和预测社交网络中的观点动态，需要一种能够集成社会科学知识和数据驱动框架的新方法；该方法不仅能够利用大规模社交网络数据，还能够考虑个体之间的社会互动和心理因素，从而更准确地捕捉观点的演变过程。

技术实现思路

1、本发明的目的在于提供一种基于社会学信息神经网络的观点预测改进方法，可以有效利用小样本进行分析，从而训练出能准确预测观点的模型，提高准确率。

2、为了实现上述发明目的，本发明采用技术方案具体为：包括以下步骤：

3、步骤1：收集社交网络中某个话题的评论数据集，进行预处理，并分为训练集与测试集；所述步骤1中，包括以下步骤：

4、步骤1.1：收集社交网络中某个话题的评论数据集包括用户、评论文本和评论时间，对收集到的评论进行预处理，去除评论文本中的无意义文本，并通过预训练的bert语言模型将评论文本转换成观点值xi，xi在-1到1的范围内；

5、步骤1.2：对每个用户的索引u赋予唯一用户标识，即one-hot编码eu，一个独热编码向量，表示用户在网络中的位置；

6、步骤1.3：对评论时间进行归一化操作，使时间转化为0到1范围内的数值，表示相对顺序，并按照时间顺序进行排序，根据时间顺序，前70％为训练集，后30％为测试集；

7、步骤2：构建fnn神经网络模型，用于近似观点的演变，并预测用户的观点；

8、所述步骤2中，具体为：

9、构建全连接前馈神经网络，包含多个隐藏层，每层包含一组节点，每层节点使用线性变换以及非线性的激活函数，其中激活函数使用tanh函数，将输出限制在-1到1的范围内，与意见动态模型的输出范围相匹配，对于整个神经网络将用户编码与时间作为输入值，输出该用户的观点值作为预测的观点；

10、步骤3：将观点动力学模型转化为常微分方程(odes)，并计算ode损失函数值odeloss，并在这个约束下进行训练神经网络模型，并计算总损失值；

11、所述步骤3中，包括以下步骤：

12、步骤3.1：将使用的观点动力学模型转化为普通微分方程(odes)的形式

13、所使用的观点动力学模型公式为：

14、

15、其中xu(t)为用户u在t时刻的观点值，nu(t)＝{v∈u∶|xu(t)–xv(t)|≤δ}为与用户u的观点值之差小于某个阈值δ的用户集合，|nu(t)|为集合nu(t)内所含用户的个数，p为群体压力系数，xavg(t)为该时刻的所有用户的观点均值；

16、将公式转换为普通微分方程(odes)的形式为：

17、

18、其中σ(x)为sigmoid函数，其函数为：

19、

20、步骤3.2：训练神经网络模型计算损失函数，对数据本身计算损失函数衡量神经网络输出与实际意见标签之间的差异，使用交叉熵损失函数来计算；

21、计算公式为：

22、

23、其中n是样本数量，c是观点类别数量，yic为观点的真实标签，为模型预测值；

24、步骤3.3：用常微分方程额外约束神经网络的训练，确保神经网络输出满足由odes表示的社会学和心理学理论模型的约束并计算损失函数

25、计算公式为：

26、

27、其中n是样本数量，为模型输出预测值时的自动微分值，为常微分方程的右侧函数所求出的值。

28、步骤4：将测试数据集中的每个用户输入到该模型中进行分析，从而得出每个用户样本的预测观点；

29、与现有技术相比，本发明的有益效果为：

30、本发明根据物理学神经网络pinn提出的基于社会学信息神经网络的观点预测改进方法，相对于传统模型，该方法能更加精准地预测观点。本发明使用微分方程作为额外的约束条件相对于仅仅使用神经网络模型，该方法也能更加精准地预测观点，本发明使用了更加准确的观点动力学公式作为额外约束条件，相对于使用简单的观点动力学公式来说，该方法也能更加精准地预测观点。

技术特征：

1.一种基于社会学信息神经网络的观点预测改进方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于社会学信息神经网络的观点预测改进方法，其特征在于，所述步骤1中，包括以下步骤：

3.根据权利要求1所述的基于社会学信息神经网络的观点预测改进方法，其特征在于，所述步骤2中，具体为：

4.根据权利要求1所述的基于社会学信息神经网络的观点预测改进方法，其特征在于，所述步骤3中，包括以下步骤：

技术总结
本发明提供了基于社会学信息神经网络的观点预测改进方法，属于观点动力学技术领域。本发明在预测观点的精度更高。其技术方案为：收集社交网络中某一话题的评论数据集，将评论数据集进行预处理，并分为训练集与测试集；构建FNN神经网络模型，输入时间和用户，输出观点值，将其用于近似观点的演变；将观点动力学模型重新表述为普通微分方程，并计算损失函数值ode loss，并在这个约束下进行训练神经网络模型；将测试数据集中的每个用户输入到该模型中进行分析，从而得出每个用户样本的预测观点。本发明的有益效果：利用小样本进行分析，从而训练出能准确预测观点的模型，提高准确率。

技术研发人员：程纯,顾家豪,丁卫平,黄嘉爽,鞠恒荣,曹金鑫,姜舒,陆思燕
受保护的技术使用者：南通大学
技术研发日：
技术公布日：2024/7/15