🤖 machine learning

Opinion de-polarization in social networks with GNNs

यह शोध पत्र एक ग्राफ न्यूरल नेटवर्क-आधारित एल्गोरिदम का प्रस्ताव करता है जो उन K उपयोगकर्ताओं के एक इष्टतम सेट की पहचान करने के लिए है, जिनका मध्यम विचारों को अपनाना इको चैंबर संरचनाओं में नेटवर्क ध्रुवीकरण को प्रभावी ढंग से कम कर सकता है।

मूल लेखक: Konstantinos Mylonas, Thrasyvoulos Spyropoulos

प्रकाशित 2026-04-22

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Konstantinos Mylonas, Thrasyvoulos Spyropoulos

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक विशाल डिजिटल शहर का चौक है जहाँ हर कोई अपनी राय चिल्ला-चिल्ला कर बता रहा है। समय के साथ, यह शहर दो अलग-अलग मोहल्लों में बँट गया है: "रेड ज़ोन" (लाल क्षेत्र) और "ब्लू ज़ोन" (नीला क्षेत्र)। रेड ज़ोन के लोग केवल रेड लोगों से ही बात करते हैं, और ब्लू ज़ोन के साथ भी ऐसा ही होता है। वे शायद ही कभी एक-दूसरे की बात सुनते हैं, और जितनी अधिक वे बात करते हैं, वे उतने ही अधिक क्रोधित और कट्टर होते जाते हैं। यह वह स्थिति है जिसे शोधकर्ता इको चैंबर (echo chamber) कहते हैं, और यह एक अत्यधिक ध्रुवीकृत (polarized) समाज की ओर ले जाता है।

इस शोध पत्र का लक्ष्य इस शहर को शांत करना है। विशेष रूप से, शोधकर्ता यह जानना चाहते हैं कि: यदि हम केवल कुछ लोगों (मान लीजिए शहर के 10%) के दिमाग बदल सकें ताकि वे अधिक मध्यम और तटस्थ हो जाएं, तो हमें किन लोगों को चुनना चाहिए जिससे सबसे बड़ा अंतर आए?

यहाँ उनके समाधान का विवरण सरल भाषा में दिया गया है:

1. पुराना तरीका: "ब्रूट फोर्स" जासूस

इस शोध पत्र से पहले, एक विधि थी जिसे GreedyExt कहा जाता था। कल्पना कीजिए कि आप एक जासूस हैं जो इस समस्या को हल करने की कोशिश कर रहे हैं। किसी को मध्यम मार्ग पर लाने के लिए सबसे अच्छे व्यक्ति को खोजने के लिए, आपको बहुत अधिक काम करना होगा:

आप एक व्यक्ति को चुनते हैं और कल्पना करते हैं कि उनका विचार बदलकर उन्हें तटस्थ बना दिया गया है।
फिर, आप यह देखते हैं कि उस बदलाव के प्रति पूरे शहर की प्रतिक्रिया क्या होती है।
आप गणना करते हैं कि क्या शहर अधिक शांत हुआ है।
फिर आप शहर को वापस पहले जैसा (reset) करते हैं, एक अलग व्यक्ति को चुनते हैं, और वही सिमुलेशन (simulation) फिर से करते हैं।
आप यह जानने के लिए कि कौन सबसे अधिक मदद करता है, इसे हर एक व्यक्ति के लिए दोहराते हैं।

समस्या: यह एक विशाल चाबी के गुच्छे में से हर एक चाबी को एक-एक करके आज़माकर यह देखने जैसा है कि कौन सी चाबी ताले को खोल सकती है। यह काम करता है, लेकिन इसमें बहुत समय लगता है। यदि शहर में 5,000 लोग हैं, तो आपको यह सिमुलेशन हजारों बार चलाना होगा। एक विशाल शहर (जैसे वास्तविक सोशल नेटवर्क जिसमें लाखों उपयोगकर्ता हों) के लिए, इस विधि को पूरा करने में वर्षों लग जाएंगे।

2. नया तरीका: "सहज ज्ञान युक्त" AI कोच

लेखकों, कॉन्स्टेंटिनोस और थ्रासीवुलोस ने महसूस किया कि हर व्यक्ति को टेस्ट करने के बजाय, हम एक ग्राफ न्यूरल नेटवर्क (GNN)—जो मूल रूप से एक सुपर-स्मार्ट AI कोच है—को शहर को देखने और एक त्वरित अनुमान लगाने के लिए प्रशिक्षित कर सकते हैं।

GNN को एक अनुभवी कोच के रूप में सोचें जिसने हजारों मैच देखे हैं। हर खिलाड़ी के लिए सिमुलेशन चलाने के बजाय, कोच खिलाड़ी की स्थिति, उसके पड़ोसियों और उसके इतिहास को देखता है, और तुरंत कहता है, "यदि हम इस खिलाड़ी को एक शांत खिलाड़ी से बदल दें, तो टीम का स्कोर 20 अंक बढ़ जाएगा।"

उन्होंने कोच को कैसे प्रशिक्षित किया:
चूंकि वे वास्तविक दुनिया के डेटा को "परफेक्ट ओपिनियन स्कोर" के साथ नहीं पा सके, इसलिए उन्होंने कंप्यूटर में नकली शहर (सिंथेटिक ग्राफ) बनाए। उन्होंने दो गुस्से वाले मोहल्ले बनाए, उन्हें आपस में लड़ने दिया, और फिर AI को सिखाया: "जब आप इस तरह के व्यक्ति को देखें, तो उन्हें तटस्थ बनाने से गुस्सा इस हद तक कम हो जाता है।"

3. परिणाम: तेज़ और सटीक

एक बार जब AI प्रशिक्षित हो जाता है, तो यह एक वास्तविक सोशल नेटवर्क को देख सकता है और तुरंत सबसे अच्छे लोगों को चुन सकता है।

सटीकता (Accuracy): AI लगभग उन्हीं लोगों को चुनता है जिन्हें "ब्रूट फोर्स" जासूस चुनता। यह शहर को शांत करने में उतना ही प्रभावी है।
गति (Speed): यही जादू वाला हिस्सा है। क्योंकि AI को हर व्यक्ति के लिए सिमुलेशन चलाने की आवश्यकता नहीं होती है, इसलिए यह मध्यम आकार के नेटवर्क पर 16 गुना तेज़ है। विशाल नेटवर्क पर, गति का अंतर और भी नाटकीय होगा।

उपमा: द फायरफाइटर (दमकलकर्मी)

कल्पना कीजिए कि एक जंगल की आग (ध्रुवीकरण) एक जंगल (सोशल नेटवर्क) में फैल रही है।

पुराना तरीका (Greedy $\text{Ext}$ ): आप हर एक पेड़ के पास एक फायरफाइटर भेजते हैं, यह जांचते हैं कि क्या उस विशिष्ट पेड़ को बुझाने से आग रुक जाएगी, और फिर अगले पेड़ की ओर बढ़ते हैं। आप तब तक ऐसा करते हैं जब तक कि आपको सबसे अच्छा पेड़ न मिल जाए जिसे बचाना है। यह सटीक है, लेकिन जब तक आप इसे पूरा करेंगे, तब तक आप मर चुके होंगे।
नया तरीका (GNN-GreedyExt): आपके पास थर्मल कैमरा वाला एक ड्रोन (AI) है। वह जंगल के ऊपर उड़ता है, हवा, पेड़ों के सूखेपन और लेआउट को देखता है, और तुरंत उस एक पेड़ की ओर इशारा करता है, जिसे बचाने से आग के फैलने को रोका जा सकता है। यह हर पेड़ की जांच करने के लगभग उतना ही सटीक है, लेकिन यह सेकंडों में हो जाता है।

यह क्यों महत्वपूर्ण है

सोशल मीडिया एल्गोरिदम अक्सर हमें चरम विचारों की ओर धकेलते हैं क्योंकि इससे जुड़ाव (engagement) बना रहता है। यह शोध पत्र प्लेटफॉर्म डिजाइनरों या नीति निर्माताओं के लिए एक उपकरण प्रदान करता है। सभी के विचार बदलने की कोशिश करने के बजाय (जो कि असंभव है), वे इस AI का उपयोग उन कुछ प्रमुख प्रभावशाली लोगों (influencers) की पहचान करने के लिए कर सकते हैं, जिन्हें यदि मध्यम मार्ग की ओर प्रेरित किया जाए, तो पूरे नेटवर्क में तनाव को कम किया जा सकता है।

संक्षेप में: उन्होंने एक धीमी, थकाऊ मैन्युअल गणना को एक तेज़, स्मार्ट AI भविष्यवाणी से बदल दिया, जिससे विशाल नेटवर्क में ध्रुवीकरण को ठीक करना संभव हो गया है जो पहले बहुत बड़े और असाध्य थे।

यहाँ मयोनस और स्पायरोपोलोस के शोध पत्र "Opinion Depolarization in Social Networks using GNNs" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या की परिभाषा: ModerateExpressed समस्या

यह शोध पत्र सामाजिक नेटवर्क में ध्रुवीकरण (polarization) को कम करने की चुनौती को संबोधित करता है, विशेष रूप से "इको चैंबर्स" (echo chambers) के संदर्भ में जहाँ उपयोगकर्ता मुख्य रूप से अपने जैसे विचारों वाले व्यक्तियों के साथ जुड़ते हैं।

संदर्भ: सोशल मीडिया एल्गोरिदम और होमोफिली (homophily) अक्सर अत्यधिक ध्रुवीकृत नेटवर्क की ओर ले जाते हैं। लक्ष्य उन उपयोगकर्ताओं के एक छोटे समूह ( $K$ ) की पहचान करना है जिनके विचारों को यदि "मध्यस्थता" (neutral stance की ओर बदलाव) दी जाए, तो पूरे नेटवर्क के समग्र ध्रुवीकरण को न्यूनतम किया जा सके।
औपचारिक मॉडल: लेखक Friedkin-Johnsen (FJ) ओपिनियन डायनेमिक्स मॉडल का उपयोग करते हैं।
- प्रत्येक नोड $i$ के पास एक आंतरिक विचार ( $s_i$ ) होता है जो दृढ़, गहरे विश्वासों का प्रतिनिधित्व करता है।
- प्रत्येक नोड के पास एक व्यक्त विचार ( $z_i$ ) होता है जो पड़ोसियों के साथ बातचीत के आधार पर विकसित होता है।
- सिस्टम एक स्थिर अवस्था संतुलन वेक्टर $\mathbf{z}^{eq}$ पर अभिसरित (converge) होता है।
उद्देश्य: ModerateExpressed समस्या एक बाइनरी वेक्टर $\mathbf{x}$ (जहाँ $x_i=0$ का अर्थ है कि नोड $i$ को मॉडरेट किया गया है) की खोज करती है ताकि ठीक $K$ नोड्स का चयन किया जा सके जिससे ध्रुवीकरण सूचकांक $\pi(\mathbf{z}^{eq}) = \frac{\|\mathbf{z}^{eq}\|_2^2}{|V|}$ को न्यूनतम किया जा सके।
गणना संबंधी चुनौती: यह समस्या NP-hard है। मौजूदा अत्याधुनिक समाधान, GreedyExt, एक इटरेटिव ग्रीडी एल्गोरिदम है। प्रत्येक $K$ $K$ स्टेप पर, यह प्रत्येक अन-सेलेक्टेड नोड के मॉडरेशन का अनुकरण (simulate) करता है, स्थिर अवस्था संतुलन को पुन: गणना करता है (एक लीनियर सिस्टम को हल करता है), और उस नोड को चुनता है जो अधिकतम ध्रुवीकरण कमी लाता है।
- जटिलता (Complexity): GreedyExt की जटिलता लगभग $O(K \cdot n^2)$ या $O(K \cdot n^3)$ है (सॉल्वर के आधार पर), जो बड़े पैमाने के नेटवर्क (जैसे, $n=5000$ ) के लिए अत्यधिक धीमी हो जाती है।

2. कार्यप्रणाली: GNN-GreedyExt

लेखक एक स्केलेबल विकल्प के रूप में GNN-GreedyExt का प्रस्ताव करते हैं, जो GreedyExt के महंगे विश्लेणात्मक सिमुलेशन को एक सीखे हुए ग्राफ न्यूरल नेटवर्क (GNN) सन्निकटन (approximation) से बदल देता है।

मुख्य अवधारणा: प्रत्येक चरण में प्रत्येक उम्मीदवार नोड के लिए लीनियर सिस्टम $(L+I)^{-1}s$ को स्पष्ट रूप से हल करने के बजाय, एल्गोरिदम एक विशिष्ट नोड को मॉडरेट करने से जुड़े "गेन" (gain - ध्रुवीकरण में कमी) की भविष्यवाणी करने के लिए एक GNN को प्रशिक्षित करता है।
आर्किटेक्चर:
- मॉडल: एक 2-लेयर ग्राफ कन्वोल्यूशनल नेटवर्क (GCN) के बाद एक लीनियर लेयर।
- इनपुट: ग्राफ संरचना और नोड फीचर्स (आंतरिक विचार $s_i$ और संतुलन विचार $z^{eq}_i$ )।
- आउटपुट: प्रत्येक नोड के लिए एक स्कोर जो उस कमी का प्रतिनिधित्व करता है जो उस नोड के मॉडरेट होने पर ध्रुवीकरण सूचकांक में आएगी।
- चयन: प्रत्येक $K$ टाइमस्टेप पर, एल्गोरिदम सभी नोड्स को स्कोर करने के लिए GNN का एक सिंगल फॉरवर्ड पास करता है, उच्चतम स्कोर वाले नोड को चुनता है, उसे समाधान सेट में जोड़ता है, ग्राफ स्टेट को अपडेट करता है (नोड को आइसोलेट करता है), और दोहराता है।
प्रशिक्षण रणनीति:
- चूंकि वास्तविक दुनिया के डेटासेट जिनमें स्पष्ट "ग्राउंड ट्रुथ" ध्रुवीकरण लाभ होते हैं, दुर्लभ हैं, इसलिए लेखकों ने Degree-Corrected Stochastic Block Model (DCSBM) का उपयोग करके सिंथेटिक ट्रेनिंग डेटा उत्पन्न किया।
- ये सिंथेटिक ग्राफ वास्तविक दुनिया के गुणों (पावर-लॉ डिग्री डिस्ट्रीब्यूशन, दो अलग-अलग इको चैंबर) की नकल करते हैं।
- मॉडल को सुपरवाइज्ड तरीके से प्रशिक्षित किया जाता है: इनपुट ग्राफ स्टेट्स हैं, और लक्ष्य (targets) सिंथेटिक डेटा पर धीमे GreedyExt विधि द्वारा गणना किए गए सटीक ध्रुवीकरण लाभ हैं।

3. प्रमुख योगदान

स्केलेबल एल्गोरिदम: GNN-GreedyExt का परिचय, जो $O(K \cdot n^2)$ अनुकूलन समस्या को कुशल फॉरवर्ड पास की एक श्रृंखला में बदल देता है, जिससे इन्फरेंस समय में भारी कमी आती है।
औपचारिक अनुकूलन फॉर्मूलेशन: शोध पत्र ModerateExpressed समस्या के लिए एक सटीक गणितीय फॉर्मूलेशन (समीकरण 5) प्रदान करता है, जो पहले केवल वैचारिक रूप से वर्णित उद्देश्य कार्य और बाधाओं को स्पष्ट करता है।
Near-Oracle सटीकता: यह प्रदर्शित करता है कि एक हल्का GNN, उच्च निष्ठा (fidelity) के साथ कंप्यूटेशनल रूप से महंगे ग्रीडी ऑरेकल के निर्णयों का अनुमान लगा सकता है।
अनुभवजन्य सत्यापन (Empirical Validation): विभिन्न आकारों (105 से 5,000 नोड्स) के तीन वास्तविक दुनिया के नेटवर्क (Political Books, LiveJournal, Twitter Wiretapping) पर व्यापक मूल्यांकन, जो दिखाता है कि GNN दृष्टिकोण बेसलाइन के लगभग समान डीपोलराइजेशन परिणाम प्राप्त करता है, जबकि वह कई गुना तेज़ है।

4. प्रयोगात्मक परिणाम

लेखकों ने अपने तरीके का मूल्यांकन तीन वास्तविक दुनिया के नेटवर्क पर किया।

डीपोलराइजेशन प्रभावशीलता:
- GNN-GreedyExt ने सभी डेटासेट्स में GreedyExt बेसलाइन के लगभग अभिन्न (indistinguishable) ध्रुवीकरण कमी वक्र (reduction curves) प्राप्त किए।
- दोनों विधियों ने ExtremeExpressed (सबसे चरम नोड्स को चुनना) और Random चयन जैसे सरल ह्यूरिस्टिक्स से काफी बेहतर प्रदर्शन किया, जो यह सिद्ध करता है कि इस समस्या के लिए केवल विचार की तीव्रता नहीं, बल्कि नेटवर्क टोपोलॉजी के आधार पर रणनीतिक चयन की आवश्यकता है।
रनटाइम प्रदर्शन:
- LiveJournal (2,766 नोड्स): GNN-GreedyExt ~9.6x तेज़ था (31s बनाम 297s)।
- WireTaping (5,000 नोड्स): GNN-GreedyExt ~16.7x तेज़ था (154s बनाम 2,571s)।
- स्केलेबिलिटी: जैसे-जैसे ग्राफ का आकार बढ़ता है, समय का अंतर काफी बढ़ जाता है। जबकि GreedyExt का समय $n$ के साथ द्विघातीय/त्रिघातीय (quadratically/cubically) बढ़ता है, GNN-GreedyExt बहुत अधिक रैखिक (linearly) रूप से स्केल करता है।

5. महत्व और निष्कर्ष

यह शोध पत्र सामाजिक नेटवर्क हस्तक्षेप में एक महत्वपूर्ण बाधा को संबोधित करता है: कंप्यूटेशनल लागत के कारण बड़े पैमाने के नेटवर्क पर इष्टतम डीपोलराइजेशन रणनीतियों को लागू करने में असमर्थता।

व्यावहारिक प्रभाव: GNNs का लाभ उठाकर, लेखक दसियों हज़ार नोड्स वाले नेटवर्क पर इष्टतम डीपोलराइजेशन रणनीतियों को लागू करने में सक्षम बनाते हैं, जो पहले अव्यावहारिक था।
पद्धतिगत बदलाव (Methodological Shift): यह कार्य "इटरेटिव एनालिटिकल सिमुलेशन" से "लर्नड एप्रोक्सिमेशन" की ओर प्रतिमान (paradigm) को बदलता है, जो सुझाव देता है कि मशीन लर्निंग जटिल नेटवर्क अनुकूलन समस्याओं में महंगे संख्यात्मक सॉल्वर (numerical solvers) को प्रभावी ढंग से बदल सकती है।
भावी कार्य: लेखक नोट करते हैं कि समस्या की सबमॉड्यूलरिटी (submodularity) को सिद्ध करना (जो ग्रीडी दृष्टिकोण की इष्टतमता की गारंटी देगा) एक खुला सैद्धांतिक प्रश्न बना हुआ है, और वे इसकी आगे जांच करने की योजना बना रहे हैं।

संक्षेप में, GNN-GreedyExt इको चैंबर्स को तोड़ने के लिए मॉडरेट किए जाने वाले प्रमुख प्रभावशाली लोगों (influencers) की पहचान करने के लिए एक अत्यधिक कुशल, स्केलेबल और सटीक समाधान प्रदान करता है, जो इसे वास्तविक दुनिया के सोशल नेटवर्क प्रबंधन के लिए एक व्यवहार्य उपकरण बनाता है।