[论文解读] Learning and Forecasting Opinion Dynamics in Social Networks

Abir De, Isabel Valera+3 more|arXiv (Cornell University)|Jun 17, 2015

Opinion Dynamics and Social Influence参考文献 30被引用 24

一句话总结

本文提出 SLANT，一种基于带跳扩散的随机微分方程（SDE）的社交网络中意见动态的概率模型，用于表示用户的潜在意见。通过区分隐藏意见与观测到的情感信息，SLANT 实现了高效、可扩展的预测，其基于似然的参数估计方法和预测公式在真实 Twitter 数据上优于现有方法。

ABSTRACT

Social media and social networking sites have become a global pinboard for exposition and discussion of news, topics, and ideas, where social media users often update their opinions about a particular topic by learning from the opinions shared by their friends. In this context, can we learn a data-driven model of opinion dynamics that is able to accurately forecast opinions from users? In this paper, we introduce SLANT, a probabilistic modeling framework of opinion dynamics, which represents users opinions over time by means of marked jump diffusion stochastic differential equations, and allows for efficient model simulation and parameter estimation from historical fine grained event data. We then leverage our framework to derive a set of efficient predictive formulas for opinion forecasting and identify conditions under which opinions converge to a steady state. Experiments on data gathered from Twitter show that our model provides a good fit to the data and our formulas achieve more accurate forecasting than alternatives.

研究动机与目标

• 开发一种数据驱动模型，通过建模意见随时间的演化，准确预测社交网络中个体用户的意见。
• 通过区分潜在意见与观测到的情感信息（后者是潜在意见的噪声反映），弥补现有意见动态模型的不足。
• 利用真实世界细粒度事件数据（如 Twitter 情感帖子）实现高效参数估计与模拟。
• 推导出可用于准确预测短期与长期意见的预测公式，包括识别共识或极化的条件。
• 克服先前模型的局限性，如假设同步更新，且在拟合真实世界数据时缺乏可扩展性或准确性。

提出的方法

• 将用户的潜在意见建模为由带标记跳跃扩散随机微分方程（SDE）控制的连续时间随机过程，捕捉异步意见更新。
• 将情感信息表示为用户潜在意见的噪声观测，每条信息反映当前意见状态的瞬时估计。
• 利用马尔可夫性质，通过凸规划实现基于似然的高效模型参数估计，利用大规模事件数据。
• 提出一种可扩展的模拟算法，通过高效采样事件时间和意见更新，可在几分钟内生成数百万条情感信息。
• 在模型假设下求解 SDE，推导出意见预测的闭式预测公式，实现实时预测。
• 使用参数 ω 和 ν 的指数衰减核函数，分别建模意见和信息强度的均值回归行为。

实验结果

研究问题

• RQ1 仅使用历史情感信息，数据驱动模型能否准确预测社交网络中个体用户的意见？
• RQ2 与假设同步更新的模型相比，异步意见更新和潜在意见状态如何影响意见预测的准确性？
• RQ3 在何种条件下意见会收敛至共识或极化？能否通过所提模型进行解析识别？
• RQ4 该模型在涵盖政治、娱乐和体育等多样化主题的真实 Twitter 数据上拟合效果如何？
• RQ5 所提出的参数估计与模拟方法能否在保持准确性的前提下，扩展至大规模网络和数百万事件？

主要发现

• SLANT 模型在意见预测方面显著优于现有替代方法，包括基于离散时间更新和仅依赖情感的模型。
• 使用凸规划进行参数估计时，随着更多事件数据输入，均方误差随时间减小，表明学习过程稳健。
• 该模型在五个多样化主题（政治、电影上映、拳击赛、宝莱坞评价、美国总统大选）的真实 Twitter 数据上均表现出良好拟合效果。
• 基于模型推导的预测公式可实现高效且准确的预测，其性能在合成数据和真实世界数据集上均得到验证。
• 该模型可识别意见收敛至稳态（包括共识或极化）的条件，其结果取决于影响力参数与网络结构的相互作用。
• 可在几分钟内实现对数百万条情感信息的可扩展模拟，证明了其在实时意见预测系统中的实际适用性。