SAIPN: Semantic-Affective Implicit Propagation Networks for Dynamic Social Sensing

本仓库为论文 SAIPN: Semantic-Affective Implicit Propagation Networks for Dynamic Social Sensing 的代码实现与实验脚本集合，主要用于从社交媒体数据中构建 语义-情感驱动的隐式传播网络（implicit propagation network），并在动态时间窗上进行网络演化分析与消融实验。

Paper Overview

动态社交感知（Dynamic Social Sensing）中，信息扩散并不总是以“显式转发/回复链路”的形式出现；大量传播是 隐式的：内容语义相近、情感倾向相互影响、并在时间上呈现衰减或持续。

SAIPN 的核心思路是：

• 基于 语义相似度（文本向量）与 情感强度/极性（sentiment score）在时间窗内构建隐式边
• 引入 时间衰减（time decay） 与 生命周期截断（hard cutoff），刻画传播影响随时间衰减
• 在动态网络上计算一组结构与传播相关指标（如 PageRank、模块度、同配性、CNLR、DCPRR 等）用于分析与对比
• 提供消融：
  • 无情感（No Sentiment）
  • 无标签/主题信息（No Tags）
  • 无时间衰减（No Time Decay）

注：论文的完整贡献点/公式细节请以论文原文为准；本仓库侧重实现与复现实验流程。

Framework

Repository Structure

• metaverse/
  • 面向（metaverse）数据/实验的脚本
  • gen_sentiment.py：生成情感概率列
  • gen_vectors.py：生成文本向量（SentenceTransformer）
  • full.py：全量 SAIPN（含 time decay + sentiment + network metrics）
  • ablation_no_sentiment.py / ablation_no_tags.py / ablation_no_time_decay.py
  • summary_ablation.py：汇总消融结果
  • count_CNLR.py：基于显式/隐式快照对齐时间轴后计算 CNLR（可选）
• pheme/pheme/
  • 面向 PHEME 数据/实验的同构脚本（流程与 metaverse/ 类似）
• plot/
  • 绘图与指标后处理脚本、图像产物

Environment

本仓库未提供统一的依赖文件，你可以按需安装（建议 Python >= 3.9）：

pip install pandas numpy tqdm networkx torch transformers sentence-transformers

可选（显式加速/图计算加速）：

• 如果你安装了 RAPIDS（cugraph, cudf），部分脚本会自动使用 GPU 图算法；否则会回退到 NetworkX（CPU）。

Data Format

脚本默认读取 CSV，并依赖以下字段（至少包含这些列名之一）：

• ID 列（必需）：优先使用 raw_value.id_str（或 id_str / id 等）
• 时间列（必需）：raw_value.created_at（可被 pandas.to_datetime 解析）
• 文本列（用于情感/向量）：例如 raw_value.text / raw_value.full_text / text 等
• Tags 列（可选）：用于 No Tags/Tags 相关向量生成（不同脚本可能用 Tags 作为文本来源）

Quick Start

下面以 metaverse/ 为例给出最小流程（PHEME 同理，只需替换到 pheme/pheme/ 下对应脚本）。

1) 生成情感文件

python metaverse/gen_sentiment.py \
  --input <YOUR_DATA.csv> \
  --output metaverse/embedding/final_with_sentiment2.csv \
  --text-col raw_value.text \
  --id-col raw_value.id_str \
  --model cardiffnlp/twitter-roberta-base-sentiment-latest \
  --batch 32 \
  --device cuda

2) 生成文本向量（语义表示）

python metaverse/gen_vectors.py \
  --input <YOUR_DATA.csv> \
  --output metaverse/embedding/output_vectors.txt \
  --text-col raw_value.text \
  --id-col raw_value.id_str \
  --model sentence-transformers/all-MiniLM-L6-v2 \
  --batch 128 \
  --device cuda

3) 运行 Full SAIPN（构建隐式网络 + 指标输出）

metaverse/full.py 支持通过参数指定数据/向量/情感文件与输出目录，建议优先用参数覆盖默认路径：

python metaverse/full.py \
  --data-file <YOUR_DATA.csv> \
  --vector-file metaverse/embedding/output_vectors.txt \
  --sentiment-file metaverse/embedding/final_with_sentiment2.csv \
  --output-dir metaverse/outputs/full_run \
  --resample D \
  --decay-unit-hours 360.0 \
  --delete-after-hours 720.0 \
  --score-threshold 0.70

运行完成后会在输出目录生成 index_gpu.csv（每个时间窗一行 + 最后一行全局汇总）。

4) 消融实验与汇总

python metaverse/ablation_no_sentiment.py --resample D --decay-unit-hours 360 --delete-after-hours 720 --score-threshold 0.70 \
  --data-file <YOUR_DATA.csv> --vector-file metaverse/embedding/output_vectors.txt --sentiment-file metaverse/embedding/final_with_sentiment2.csv

python metaverse/ablation_no_tags.py --resample D --decay-unit-hours 360 --delete-after-hours 720 --score-threshold 0.70 \
  --data-file <YOUR_DATA.csv> --vector-file metaverse/embedding/output_vectors_no_tags.txt --sentiment-file metaverse/embedding/final_with_sentiment2.csv

python metaverse/ablation_no_time_decay.py --resample D --decay-unit-hours 360 --delete-after-hours 720 --score-threshold 0.70 \
  --data-file <YOUR_DATA.csv> --vector-file metaverse/embedding/output_vectors.txt --sentiment-file metaverse/embedding/final_with_sentiment2.csv

python metaverse/summary_ablation.py

5) （可选）计算 CNLR（显式 vs 隐式）

如果你有显式网络快照与隐式网络快照（.edgelist），可用：

python metaverse/count_CNLR.py \
  --explicit-dir <EXPLICIT_SNAPSHOT_DIR> \
  --implicit-dir <IMPLICIT_SNAPSHOT_DIR> \
  --metric indegree

Notes

• 仓库中部分脚本包含面向集群/HPC 的默认路径（例如 BASE_DIR=/data_huawei/...、run.sh 为 SLURM 脚本）。在本地运行时：
  • 优先通过命令行参数（如 --data-file/--vector-file/--sentiment-file/--output-dir）覆盖
  • 或者按需修改脚本内的路径常量

License

Apache-2.0