知識網絡情緒互信息熵檢測*

涂 坤， 孫 彬， 王 東

(1. 新疆財經大學 計算機科學與技術學院， 烏魯木齊 830012； 2. 新疆教育學院 新疆教育云重點實驗室， 烏魯木齊 830033)

情感交流滲透于網絡認知活動中，影響著認知者的心智狀態和行為趨向，基于情感互信息的情緒熵檢測算法顯示出非常重要的效用價值.

知識網絡與情緒疏導的關聯性研究及與本文緊密相關的典型成果梳理如下：

1) 關于認知活動中情緒觸動效用的研究廣泛，但知識資源層次結構與情緒關聯的研究不足.利用Relieff算法進行特征選擇[1]，篩選出最主要的特征指標，并由此找出有效助學的情緒特征，幾乎不涉及知識網絡資源結構；PCA算法[2]使用實時情緒觸動結果進行情感效能定位，提升情緒聯動效果，不涉及資源網絡結構問題；文獻[3]將網民個體視為一個智能體建立情緒傳播模型，較好地實現認知者的情感瓶頸問題，但關于知識資源結構本身的特征涉及的很少；基于多種社交憑證的社交認證模型[4]應用記錄采集算法、社交憑證生成算法和社交認證算法等，實現了情緒促動的多層次因子，但所涉及知識網絡結構問題很薄弱；文獻[5]基于深度學習目標模型進行了細粒度的情感分析，達到對人類情感表達的深度理解，卻完全不涉及知識網絡的資源結構特征；采用卷積神經網絡[6]可發現任務中的情感特征，但知識網絡資源結構特征考慮的不夠充分.雖然應用計算機進行情緒測算的成果豐富，但情感過程與網絡知識結構相融合的研究較少，知識網絡結構與情感促學的適用度研究有待改進.

2) 情感信息熵的情感演化測算體現出高聚集特征，情感檢測適用度不足現象始終存在.信息墑改進TOPSIS算法[7]能彌補指標體系受主觀偏好影響過大的缺陷，較好地體現情感評價的客觀性、公正性和時效性，但是情感檢測適用性不足；依托情感測算的信息熵算法模式[8]注重認知者的內在情感體驗與人格的全面考察，更能貼近認知過程的“自我實現”，但沒有結合知識網絡的資源結構，使得應用難以推廣；基于LDA微博用戶關系的主題情感模型SRTSM[9]在資源結構基礎上，加入情緒熵關系參數和情感極性，涉及知識層次結構，但深度有限；智能情感信息熵導引模型[10]可大幅度提高認知過程與情感傾向的關聯作用，但關聯深度不足；基于概率圖模型的情感分析方法[11-12]能夠有效運用“評價對象”和“評價詞”二元特性的情感判定，但是適用范圍有限.關于情緒在智慧活動中的效能檢測，由于沒有結合知識層次結構特征，適用度有限.用信息熵測量方法提高適用度是值得關注的研究方向.

3) 情熵理念被廣泛應用于情緒檢測工程中，往往成為其它分類算法的關鍵支撐，而在知識網絡的情感切合方面需要進一步加深探究.文獻[13]將信息熵定律應用到穩定系統的測算過程中，層次結構知識熵被應用到多個方面的聚類；文獻[14-15]提出了情感強度和知識結構之間的關系熵測評理念，在情感數據分類挖掘的特定背景下，計算不同資源標識符屬性，建立智能分類樹，對本研究有重要的理性支持和啟示.

總結上述觀點可知，情感信息熵及知識資源層次結構的結合問題成為了認知效能研究的突破點，網絡認知活動中情感信息熵理念和情感測算模型應該被賦予更高的關注度.從認知技術的角度來看，情緒測算是一項復雜的系統工程，涉及到知識資源自身的結構層次復雜性、情感疏導的廣泛性及適用性.

1 情熵與效能測算法

知識認知過程是建立在一定情感積累基礎上的，為使知識認知過程更加科學有效，貼合實際，情商診斷過程與認知效能測評環節尤為重要.需要實現知識結構合理布局與情感疏導的關聯性測量，使當代認知引導觀念獲得有益的啟示.

1.1 認知效能模型

在知識網絡中，認知過程是個由淺入深的漸進過程，認知者圍繞知識網絡，實現認知層次進階過程.知識節點之間能構成一個有向圖拓撲結構，其中每一條有向邊均代表著一條知識探索途徑，捆綁著若干認知參與者的學習屬性特征.假設分布式網絡由眾多的認知結構模型知識節點和知識連接線(認知邊)構成，并定義知識節點為m，構成的知識認知網絡為G(V，L)，且屬于一個有向圖，知識節點構成的節點數據集為V={v1，v2，…，vm}，認知途徑集為L={(vi，vj)vi，vj∈V}.在認知網絡G中，任何一個節點都可以用直接相鄰知識點拓撲分析，獲得節點的前導集合F(vi)和后續集合B(vi).考慮到學習途徑進階的需要，節點vi被疏通的概率分布為

(1)

認知者在認知網絡節點間移動，進行認知活動，受情緒、環境和特殊偏好的影響，表現為各自不同的學習效能.將這些異質的情緒屬性設計為情商基因，表示為D={ξ1，ξ2，…，ξk}，對應于“興趣所致”、“生計壓力”、“群體壓力”、“感悟”、“欣賞”和“自我實現”等情感因子，每種基因假定有5個級別強度：{0-無，1-弱，2-中，3-強，4-極強}.對于認知網絡G的任意節點vi，假設有m個認知節點，每個節點采集k種基因，可形成情緒強度數據矩陣，第i個認知節點的第k個基因ξk的強度記為xik，表示矩陣為

(2)

對于情緒基因ξk而言，基于節點vi的情緒偏離度為

(3)

學習往往是一個反復攻關的過程，所以必須考慮學習行為的重復性，由此在知識邊上，將發生的ξk情緒行為的總強度記為

(4)

則認知者在情感ξk作用下，vi知識節點被疏通的概率分布為

(5)

式中：csk(i)為探求其它知識節點的總情緒強度；ctk(i)為訪問vi節點進行求知活動的總情緒強度.

1.2 情緒與認知效能的互信息

在沒有情緒干擾的情況下，隨機訪問程度趨向于最大程度的無序時，信息熵H(v)趨于最大.對于預定的認知網絡G，知識節點(知識邊)的訪問效能信息熵為

(6)

在知識點(vi)及知識路徑(vi→vj)預先布局的情況下，將情緒量(ξk)變化所產生的熵定義為條件熵，表示為

(7)

隨機變量組(v，ξ)的聯合分布與獨立分布乘積的相對熵被定義為互信息.互信息結構如圖1所示，互信息被看作是一個隨機變量與另一個隨機變量的關聯性，其不確定性的變異程度可表示為

(8)

圖1 互信息結構Fig.1 Mutual information structure

1.2.1 情緒重要度

按照情緒應當適用于認知過程的原則，合理搭配知識節點和知識邊資源，就能把結構層次調整為最優適用性，以獲得高效率的認知效果.衡量知識節點的重要性即是情感認知引導的首要問題.定義節點vi的情商重要度為

τ(vi)=IG-{vi}(v，ξ)-IG(v，ξ)

(9)

定義節點子集s(s={v1，v2，…，vk}，s?V)的重要度為

τ(s)=IG(v，ξ)-IG-s(v，ξ)

(10)

重要度τ(vi)和τ(s)在增補優良知識節點、遴選核心骨干知識點及進行知識節點的擇優挑選等方面具有較高的應用價值.

1.2.2 情商適用度

知識邊情緒如何參與到認知活動中將直接影響到情緒的總強度，進而改變互信息熵.參與角色的情感描述與知識點層次結構的靈活組合構成了認知策略的多樣性.

在知識網絡G中，新認知活動T參與后，形成認知資源G+T，借鑒Jaccard相似原理，定義適用度函數為

(11)

J(T)是新資源T對認知網絡G的適用度評價成績，J(T)成績越高，則G與T相關性程度越高，資源子網T具有較高的優選作用.

1.2.3 認知資源聚類算法

1) 將包含部分知識邊(參與的情緒項元素)和部分知識資源的節點子集按照其重要性τ(fi)或適用度J(fi)降序排列成子集序列f={f1，f2，…，fk}，對應的適用度列表為{J(f1)，J(f2)，…，J(fk)}.

2) 資源項消重處理.每重資源項只保留首次出現的子集形式.

3) 構建差值數列{h1，h2，…，hn}，其中，hi=J(fi).

5) 將子序列資源列表按照鄰近且Δγi≤λ決定同類的規則(即Δγi≤λ，那么fi和fi+1屬于同類；否則fi和fi+1分屬于不同類別)進行分類.

6) 對每個子類再進行下一級遞歸分類，實施更多維度的分類，直到組內成員間的適用度差值均低于預定閥值.

1.2.4 情熵距離

本工作采用不同氮含量保護氣氛下熔煉坯料、1 000°C固溶保溫1 h并快速淬火的方式研究了N含量對Fe-21Cr-3Ni-1Mo-N雙相不銹鋼凝固組織的影響,并得出以下結論.

在認知知識資源網絡G上，所有子資源網絡集合為d={d1，d2，…，dn}.針對一個認知項目rx，將d中所有包含rx項目的資源子集合定義為π(rx).對于G的任意兩個資源子集π(rx)、π(ry)情感距離定義為

(12)

以認知項目rx為中心，設定一類閾值τ0，面對G中的任意其它項目均可測算情熵距離.將情熵距離小于τ0的認知項目稱為rx的情感緊密項目.

通過情熵距離和子集資源可以發現最優認知路徑，從而豐富情感疏導在認知活動中的適用性，為認知者提供適用的、具體且行之有效的知識資源咨詢與關愛服務.

2 實踐結果與分析

為驗證情緒熵與認知效能之間的關聯性，本文采集真實數據，并對真實認知數據進行了聚類，抽取典型認知案例，布局成認知知識網絡，對假設觀點進行實踐測試.數據集記錄了認知網絡中的認知數據與情緒數據情況，共包含34個結構各異的數據表，有12 Gbit記錄.實驗中分離出7個認知單元的有效數據集：銷售知識技巧(z1)、物流快送知識(z2)、電商促銷知識(z3)、頁面制作知識(z4)、廣告知識(z5)、包裝工藝知識(z6)和業務推廣知識(z7)，各數據集鄰接概況如表1所示.

表1 數據集鄰接概況Tab.1 Adjacency profiles of data sets

2.1 情緒熵聚類作用

結合認知網絡知識點的布局，計算情緒信息熵重要度指標，并進行節點學習效能特征和情緒基因特征的關聯性測量，測量結果如圖2所示.通過情緒信息熵的聚類實踐可以發現：

1) 情緒聚類數量值可以代表情緒屬性邊的數值量.用情緒聚類數量值進行實際的情緒變化測算可以直接降低相關情緒數據集的規模，達到數據集快速約簡和檢索的目的.

2) 通過認知網絡層次結構的設計，可以設置情緒調整因素的強度，實施有利分類策略，將積極適用的情感因素捆綁在知識邊屬性特征中，從而能限制情緒熵的類別數量，形成適用的網絡認知調節機制.

3) 核心知識節點數與有效情緒邊數量的調整有利于特異情感問題的發現.控制知識學習中的特異型情緒，就是控制情緒子類奇異的過程，有助力于情熵碎片排除工作，能夠及時發現驕傲、孤僻和偏激等情緒傾向，將成為心理健康導引的強力工具.

圖2 數據集聚類對比Fig.2 Comparison in cluster of data sets

2.2 知識點增加效用

對網絡知識活動的情緒熵數據重要度分析過程中，將情緒調節項目保持不變，隨著資源(知識點)的增加，其情緒適用度變化趨向明顯，結果具有一定的借鑒作用.以z1、z2、z3和z4四類數據集為例，情緒項數據(邊屬性)保持不變，而知識節點由50項逐步擴大到600項，適應度變化過程如圖3所示.不同知識數據集的情緒適用度各異，其中z4數據集伴隨著適用度線性增加，且一直保持最高；z2和z3數據集也基本保持增函數特征；而z1數據集發生明顯的互信息熵適應度遞減的想象.

圖3 情緒適應度變化曲線Fig.3 Change curve of emotional fitness

由圖3分析可知：

1) 同樣的情緒調控措施不能應用于所有的知識學習布局結構中.在一種知識布局結構中，表現良好的情緒調控項目在另一種知識數據布局結構中就可能完全不適用.

2) 在知識點規模不同的認知網絡中，同樣的情緒調控措施可能出現不同的控制效果.

2.3 激勵效用

網絡認知的知識節點保持不變，將各種情緒調整因素進行等量激勵加強(如“關注”、“突出顯示”、“獎勵”、“表揚”和“定級”等情緒激勵活動)，動態測算情緒信息熵的變化特征.以z1、z2、z3和z4數據集為例，圍繞固定不變的知識點布局結構，設計情緒調節項目等量遞增，僅使用積極性激勵調整手段，情緒激勵項目由0項增加到50項，再逐步降低到0項.情緒互信息熵在情緒調整項目加入后，情感適用度變化趨勢如圖4所示.

圖4 情緒適應度趨勢Fig.4 Emotional fitness trend

由圖4變化曲線可以發現：

1) 初期的表揚激勵(10～20項)對情緒信息熵適用度的作用較大，隨著激勵表揚項目的逐步增多，情緒適用度的增加效應基本喪失.

2) 不同數據集對激勵表揚措施的情緒適用度總趨勢是一樣的，表揚激勵項目超過30項之后，激勵的作用就大大降低.

2.4 情熵距離效用

情熵距離用于表示情緒事件前后的差異程度.以關注、肯定、獎勵和懲罰項目的平均基因強度為參照，觀察情熵距離的變化情況如圖5所示.

圖5 情熵距離變化曲線Fig.5 Change curve of emotional entropy distance

獎勵項目的情緒變動能使情緒熵產生較大值，但存在最佳刺激強度區間，該項激勵容易發生過度無效；懲罰項目帶來的情緒變動最直接，但是有效強度界于0.3～1.8之間；關注項目給認知參與者帶來的情緒變化比較緩慢，但持續有效刺激區間較寬；肯定項目給認知參與者帶來的情緒變化最為緩慢，持續有效刺激區間最寬.

3 結 論

在知識資源網絡中，知識布局結構與情緒過程有顯著關聯.情緒互信息熵能有效地詮釋網絡環境下情緒資源的優擇問題，通過對情緒效益指標的測量，把網絡認知過程中的有益情緒提取出來，及時準確地發現認知過程中的優勢因素和干預因素，使學習行為在知識網絡布局結構上進行優化，實現積極情緒與認知資源的有益融合.

參考文獻(References)：

[1] 劉群，張振.基于智能移動終端觸屏行為的情緒識別 [J].微電子學與計算機，2016，33(6)：44-48.

(LIU Qun，ZHANG Zhen.Emotional state detection from touch-based behavior on touch-screen device [J].Microelectronics & Computer，2016，33(6)：44-48.)

[2] 王萬森，溫紹潔，郭鳳英.基于人工情緒的智能情感網絡認知系統研究 [J].小型微型計算機系統，2016(3)：569-572.

(WANG Wan-sen，WEN Shao-jie，GUO Feng-ying.Study of intelligent affective network tutoring system based on artificial emotion [J].Journal of Chinese Computer Systems，2016(3)：569-572.)

[3] 趙衛東，趙旭東，戴偉輝.突發事件的網絡情緒傳播機制及仿真研究 [J].系統工程理論與實踐，2015，35(10)：2573-2581.

(ZHAO Wei-dong，ZHAO Xu-dong，DAI Wei-hui.Emotion propagation mechanism of emergency events in cyber space and simulation [J].Systems Engineering-Theory & Practice，2015，35(10)：2573-2581.)

[4] 周煒，牛連強，王斌.面向社交網絡的認證模型 [J].沈陽工業大學學報，2016，38(5)：545-550.

(ZHOU Wei，NIU Lian-qian，WANG Bin.Authentication models faced on social networks [J].Journal of Shenyang University of Technology，2016，38(5)：545-550.)

[5] 李陽輝，謝明，易陽.基于深度學習的社交網絡平臺細粒度情感分析 [J].計算機應用研究，2017(3)：743-747.

(LI Yang-hui，XIE Ming，YI Yang.Fine-grained sentiment analysis for social network platform basedon deeplearning model [J].Application Research of Computers，2017(3)：743-747.)

[6] 劉龍飛，楊亮，張紹武.基于卷積神經網絡的微博情感傾向性分析 [J].中文信息學報，2015，29(6)：159-165.

(LIU Long-fei，YANG Liang，ZHANG Shao-wu.Convolutional neural networks for chinese micro-blog sentiment analysis [J].Journal of Chinese Information Processing，2015，29(6)：159-165.)

[7] 劉芳，宮華，許可.基于熵權改進的TOPSIS法的認知質量評價 [J].沈陽工業大學學報，2017，39(5)：540-544.

(LIU Fang，GONG Hua，XU Ke.Teaching quality evaluation for teachers based on TOPSIS method with improvement of entropy weight [J].Journal of Shenyang University of Technology，2017，39(5)：540-544.)

[8] 陳小輝，張功萱.基于信息熵的符號屬性精確賦權聚類方法 [J].重慶郵電大學學報(自然科學版)，2014，26(6)：850-855.

(CHEN Xiao-hui，ZHANG Gong-xuan.Symbol property accurate weight clustering method based on information entropy [J].Journal of Chongqing University of Posts and Telecommunications(Natural Science Edition)，2014，26(6)：850-855.)

[9] 黃發良，于戈，張繼連.基于社交關系的微博主題情感挖掘 [J].軟件學報，2017，28(3)：694-707.

(HUANG Fa-liang，YU Ge，ZHANG Ji-lian.Mining topic sentiment in micro-blogging based on micro-blogger social relation [J].Journal of Software，2017，28(3)：694-707).

[10]孫彬，王東.微信息輿情的主動介入導引模式 [J].沈陽工業大學學報，2016，38(5)：584-589.

(SUN Bin，WANG Dong.Active intervention guidance mode of micro-message public opinion [J].Journal of Shenyang University of Technology，2016，38(5)：584-589.)

[11]吳鈺潔，朱福喜，周競.基于概率圖模型的文本情感分析 [J].小型微型計算機系統，2015，36(7)：1421-1425.

(WU Yu-jie，ZHU Fu-xi，ZHOU Jing.Using probabilistic graphical model for text sentiment analysis [J].Journal of Chinese Computer Systems，2015，36(7)：1421-1425.)

[12]李芮，王萬森.融入性格的E-Learning情緒模型 [J].計算機工程與設計，2016(1)：216-220.

(LI Rui.WANG Wan-sen.Emotional model merged with personality in E-Learning [J].Computer Engineering and Design，2016(1)：216-220.)

[13]潘瑞林，李園沁，張洪亮.基于α信息熵的模糊粗糙屬性約簡方法 [J].控制與決策，2017，32(2)：340-348.

(PAN Rui-lin，LI Yuan-qin，ZHANG Hong-liang.Fuzzy-rough attribute reduction algorithm based on α information entropy [J].Control and Decision，2017，32(2)：340-348.)

[14]彭長根，丁紅發，朱義杰.隱私保護的信息熵模型及其度量方法 [J].軟件學報，2016，27(8)：1891-1903.

(PENG Chang-gen，DING Hong-fa，ZHU Yi-jie.Information entropy models and privacy metrics methods for privacy protection [J].Journal of Software，2016，27(8)：1891-1903.)

[15]廖軍，蔣朝惠，郭春.一種基于權重屬性熵的分類匿名算法 [J].計算機科學，2017，44(7)：42-46.

(LIAO Jun，JIANG Chao-hui，GUO Chun.Classification anonymity algorithm based on weight attributes entropy [J].Computer Science，2017，44(7)：42-46.)