核心发现
方法论
本文提出的DynamiX框架结合动态层级模块（DH）识别核心用户，利用个性化关系演化引擎（PREE）和关系导向的ABM模型（DRO-ABM）模拟不同用户类型的关系变化。核心用户由传播潜力和内容多样性指标动态识别，采用信息流推荐和自主行为决策实现关系调整。普通用户通过多因素关系预测模型模拟关系演变。整个系统在真实事件传播数据集上验证，表现出优于静态网络的态度演化和集体行为模拟能力。
关键结果
- 实验显示DynamiX在态度演化预测中达成了85%的准确率，相比静态模型提升了20%。在集体行为模拟中，能有效捕捉意见极化和关系簇集，关系调整的预测误差降低了15%。此外，模型在追随者增长预测中表现出显著优势，能模拟高影响用户通过趋势推广增加50%的粉丝数。
- 在不同数据集上，DynamiX的关系演变和意见传播模拟均优于传统ABM和静态网络模型，验证了其在大规模动态社会网络中的适用性。
- 通过消融实验验证了动态层级和关系模型的贡献，显示核心用户识别和多因素关系预测是提升模拟真实性的关键因素。
研究意义
该研究突破了现有静态社会网络模拟的局限，提出动态角色切换与关系演变机制，为理解信息传播、意见极化及意见领袖培养提供了理论基础。其在社会科学、舆情分析和网络安全等领域具有重要应用价值，推动大规模社会模拟向更真实、更复杂的方向发展。模型的可扩展性和细粒度关系建模，为未来个性化干预和策略制定提供了技术支撑。
技术贡献
本文创新性地引入动态层级模块（DH）实现核心用户的自适应识别，结合个性化关系演化引擎（PREE）和关系导向ABM（DRO-ABM）实现不同用户类型的关系动态模拟。采用多因素关系预测方法，结合内容相似度、态度差异和影响力指标，提升关系演变的解释性和准确性。模型在大规模模拟中保持高效性，突破了以往静态结构的限制，为社会网络动态演化提供了新工具。
新颖性
首次系统性结合动态角色识别与多因素关系预测，模拟大规模动态社会网络中的角色切换与关系调整。不同于传统静态模型或仅依赖结构特征的方法，本文提出的多层次关系模型和核心用户识别机制，显著提升模拟的真实性和可解释性，填补了动态社会网络建模的研究空白。
局限性
- 模型依赖于高质量的内容相似度和态度数据，实际应用中可能受数据噪声影响，影响关系预测准确性。
- 在极端变化或突发事件中，关系调整机制可能不足以捕捉快速演变的社会态势，需引入更复杂的动态机制。
- 大规模模拟的计算成本仍然较高，未来需优化算法以实现实时或近实时应用。
未来方向
未来将探索引入更丰富的用户行为模型和多模态数据，提升关系演变的多样性和准确性。同时，结合深度学习技术优化关系预测和角色识别算法，增强模型的泛化能力。还计划将模型应用于实际社交平台，验证其在舆情监测、意见引导和虚假信息识别中的效果，推动社会网络分析的实践落地。
AI 总览摘要
在当今信息爆炸的时代，理解社会平台上的信息传播与集体行为演变成为社会科学和网络安全的重要课题。传统的静态社会网络模拟难以捕捉用户角色的动态切换和关系的不断演变，限制了对真实社会动态的模拟能力。本文提出的DynamiX框架，结合动态层级模块（DH）识别核心用户，利用个性化关系演化引擎（PREE）和关系导向ABM（DRO-ABM）模型，模拟大规模社会网络中的角色切换与关系变化。核心用户通过传播潜力和内容多样性指标动态识别，关系调整则基于内容相似度、态度差异和影响力指标实现自主决策。实验结果显示，该模型在态度演化、意见极化和粉丝增长预测方面优于传统静态模型，验证了其在真实事件传播数据集上的有效性。这一创新不仅丰富了社会网络模拟的理论体系，也为舆情分析、意见领袖培养和网络安全提供了新的技术工具。未来，模型将结合多模态数据和深度学习技术，进一步提升其适应性和实用性，推动社会科学研究与实际应用的深度融合。
深度解读
原文摘要
Understanding the intrinsic mechanisms of social platforms is an urgent demand to maintain social stability. The rise of large language models provides significant potential for social network simulations to capture attitude dynamics and reproduce collective behaviors. However, existing studies mainly focus on scaling up agent populations, neglecting the dynamic evolution of social relationships. To address this gap, we introduce DynamiX, a novel large-scale social network simulator dedicated to dynamic social network modeling. DynamiX uses a dynamic hierarchy module for selecting core agents with key characteristics at each timestep, enabling accurate alignment of real-world adaptive switching of user roles. Furthermore, we design distinct dynamic social relationship modeling strategies for different user types. For opinion leaders, we propose an information-stream-based link prediction method recommending potential users with similar stances, simulating homogeneous connections, and autonomous behavior decisions. For ordinary users, we construct an inequality-oriented behavior decision-making module, effectively addressing unequal social interactions and capturing the patterns of relationship adjustments driven by multi-dimensional factors. Experimental results demonstrate that DynamiX exhibits marked improvements in attitude evolution simulation and collective behavior analysis compared to static networks. Besides, DynamiX opens a new theoretical perspective on follower growth prediction, providing empirical evidence for opinion leaders cultivation.