基于确认偏差的社交网络极化多智能体模型

摘要

基于经济学上的estban和Ray极化标准测度，建立了多智能体系统的极化模型。智能体通过基于潜在影响图更新自己的信念(观点)来进化，就像社会学习的标准DeGroot模型，但存在确认偏差;即对持不同意见的代理人的意见打折扣。我们证明，即使在这种偏置情况下，如果影响图是强连接的，极化最终也会消失(收敛到零)。如果影响图是规则对称循环，我们确定所有agent收敛到的唯一信念值。我们更有洞察力的结果表明，在一些自然假设下，如果极化最终没有消失，那么要么存在一个互不关联的代理子群，要么某些代理对其他人的影响大于她受到的影响。我们还证明了在确认偏差下，弱连接图的极化并不一定消失。我们用一系列的案例研究和模拟来说明我们的模型，并说明它如何与社会学习的经典DeGroot模型相关联。

引语

标签：偏差,模型,极化,智能,图是,DeGroot,社交
来源： https://blog.csdn.net/weixin_42689397/article/details/120753203