情感同质性主导在线冲突话语网络：基于图注意力网络的计算社会学诊断

本研究针对国际冲突背景下社交媒体极化加剧的挑战，开发了基于图注意力网络（GATv2）的诊断框架，通过链路预测任务解析网络形成机制。研究发现，情感同质性（affective homophily）是冲突话语网络的主导组织原则，模型学习过程中系统性忽略用户结构声望（structural prestige），形成以情感为壁垒的“情感堡垒”（emotional fortresses）。通过分析预测失败案例，研究首次识别出“涌现型经纪人”（emergent brokers），他们通过低中心性和情感中性桥接极化群体。该研究为理解极化环境下的网络动力学提供了新理论视角和方法工具。

　　

2025年，印度-巴基斯坦、伊朗-以色列、俄罗斯-乌克兰等多场国际冲突同时升级，全球目光聚焦于地缘政治博弈。然而，与以往危机不同的是，这场冲突的主战场悄然转移至数字公共领域。在中国，微博等社交媒体平台迅速成为公众构建认知、表达立场的主阵地。海量帖子、转发和评论交织成复杂的话语网络，实时映射并影响着公众对国际冲突的情绪与态度。这一现象揭示了一个关键科学挑战：在国际危机等高不确定性情境下，数字公共领域如何演变为信息、情感与影响力复杂互动的生态系统？尤其值得注意的是，基于推特等西方平台的研究结论可能难以直接适用于微博等非西方平台，亟需开展针对特定文化语境的计算社会学研究。

传统研究面临三大局限：孤立探讨同质性与影响力、情感在传播中的作用以及经纪人功能；过度依赖西方平台数据；采用传统统计方法难以捕捉结构、语义与情感因素的非线性交互。为解决这些问题，研究者开发了基于图神经网络（GNNs）的整合分析框架，通过链路预测任务揭示网络形成机制。该方法的核心创新在于从分散的统计分析转向集成表征学习，使模型能够端到端学习用户表征，捕捉多维度因素的复杂交互。

研究设计涵盖数据采集、网络构建、情感分析及模型训练四大环节。数据来源于2025年4月22日至7月1日的新浪微博，聚焦三大国际冲突话题，采用双活动度采样策略，最终获取4,176条高互动帖子及141,732条回复。网络构建中，用户节点包含1024维文本嵌入向量（由bge-large-zh-v1.5模型生成）、情感分布比例及传统结构特征；边关系包括评论边（评论者→帖子作者）和回复边（次级评论者→主评论者）。情感分析采用双模型互补策略：Erlangshen-Roberta-110M-Sentiment和GISchat-weibo-100k-fine-tuned-bert量化情感极性，Johnson8187-Chinese-Emotion模型进行八类情绪分类（中性、关切、快乐、愤怒、悲伤、质疑、惊讶、厌恶）。模型训练采用渐进式课程学习框架，动态调整负样本难度，并对比GCN、GraphSAGE、GATv2等多类图神经网络性能。结果显示，GATv2在困难场景下F1分数达0.85，显著优于基线模型。

RQ1：同质性对结构声望的计算优先性

通过分析GATv2两层注意力权重与网络特征的斯皮尔曼等级相关性，发现模型从第一层到第二层逐渐强化对同质性信号的关注：社区共成员相关性从ρ=0.298升至ρ=0.626，而PageRank等结构声望指标始终呈弱负相关（ρ≈-0.09）。这表明模型在链路预测中优先学习局部同质模式，而非全局结构优势。

RQ2：社区结构的情感内核

线性可解码性分析显示，从GAT嵌入中解码8类情绪的F1分数达0.571，显著高于社区成员预测的F1分数0.193（提升247.5%）。UMAP可视化进一步证实，嵌入空间按情感类别呈现清晰聚类，而社区边界高度分散。证明情感同质性是网络连接的主导维度，社区结构被情感拓扑重构。

RQ3：涌现型反同质经纪人的发现

通过分析模型预测失败案例（概率<0.205），识别出1,139名“涌现型经纪人”。与传统高介数中心性经纪人相比，他们介数中心性低66.7%，情感分布更接近中性。这类用户通过情感定位（而非结构优势）桥接极化群体，挑战了传统经纪人理论，揭示了网络碎片化环境中的隐形桥梁机制。

研究结论表明，高极化危机语境下，社交网络演化为“情感堡垒”，情感同质性压倒结构原则成为网络形成的主导力量。然而，这一现象存在边界条件：在金融、科技等低情感卷入领域，结构声望重新成为注意力分配的主导因素。研究提出的GNN诊断框架不仅推进了计算社会科学方法，还为理解极化环境中情感与结构的动态博弈提供了新理论视角。未来研究需拓展跨文化比较、因果验证及时序动力学分析，进一步揭示情感堡垒的形成机制与干预路径。