Tender 是一个的群体情绪认知时空动态分析框架。它整合了拓扑数据分析与时间因果推断技术，能够揭示集体情绪状态的"形状"和流动规律，将隐性的群体动态模式转化为可量化、可推理、可干预的结构化信息。
它核心设计是"拥抱异质性"。我们认为，一个健康的群体并非由完全同构的个体组成，而是在承认并尊重差异的前提下，由不同类型成员共同维持的动态平衡系统。本框架的目的不是在群体内部强制共识，而是去理解这种复杂性，并帮助管理者在异质性中找到促进群体健康发展的最佳策略。
- 多维度分析：从情绪、认知、拓扑、因果四个维度量化群体状态。
- 异质性优先：内置异质性分析模块，识别离群者、不匹配模式，并设计针对性的协调策略。
- 可插拔引擎：核心分析模块均支持通过配置文件动态切换不同的算法实现（如多种因果推断、融合策略）。
- 全链路管道：提供从原始消息输入到策略输出的完整、自动化分析流程。
- 可解释性：神经符号架构与结构因果模型等技术让AI分析过程透明、可审计。
Tender 采用分层插件架构，自上而下分为：
- 策略推理模块 (strategy/)：基于分析结果，输出风险等级与干预策略。
- 异质性协调层 (Heterogeneity Coordination Layer)：在策略中加入对群体异质性的考量，生成多目标优化策略。
- 情绪向量化 (emotion_vectorizer/)：将文本消息转换为连续的三维情绪向量（愉悦度、唤醒度、专注度）。
- 空间拓扑分析 (topology_analysis/)：分析群体情绪在空间上的聚类、环状结构及离群点。
- 时间因果分析 (causal_analysis/)：分析成员间情绪影响的因果网络，识别"超级传播者"。
- 时空融合 (fusion/)：将拓扑与因果分析结果融合，预测群体情绪未来走势。
- 认知状态分析 (cognition/)：推断成员的认知负荷、理解水平与认知阶段。
- 情绪-认知协同 (synergy/)：分析群体情绪状态与认知发展阶段的匹配度。
- 异质性分析 (heterogeneity/)：量化群体在拓扑、因果、行为、认知维度的差异。
- 个人-群体匹配检测 (mismatch/)：识别个体的行为、情绪或认知是否与群体主流模式存在系统性差异。
- 配置管理 (config_loader.py)：加载并验证YAML配置文件。
- 通用工具 (utils/)：提供通用功能支持。
- Python: >= 3.11
- 依赖: 使用 pip 安装。
git clone git clone https://github.com/MK60DN/Tender
cd tenderTender 的依赖分为核心依赖和新功能可选依赖，安装方式如下：
仅安装核心依赖（用于基础分析）：
pip install -r requirements.txt安装所有依赖（包含深度学习、LLM、可视化等）：
pip install -e ".[dev,dl,llm,vis]"
# 或等效于完整安装
pip install -e .可选依赖组包括：dev (开发)、dl (深度学习)、llm (大语言模型)、tda (拓扑数据分析)、vis (可视化)。
所有核心模块的配置参数都在 config.yaml 中管理。你可以根据需求修改此文件以切换各个分析模块的引擎和参数。
仓库提供多种使用场景的示例脚本，位于 examples/ 目录下：
# 基础分析管道
python examples/basic_pipeline.py
# 全链路分析示例
python examples/full_pipeline.py
# 异质性分析示例
python examples/heterogeneity_analysis.py
# 不匹配检测示例
python examples/mismatch_detection.py
# 自愿隔离者案例分析
python examples/voluntary_isolate.pyTender 框架包含12个功能模块，每个模块都提供了清晰的公共接口。我们建议你查阅 /docs/api_reference.md 以获取详细的API文档（包括类、函数、参数与返回值说明）。
| 模块 | 文档 | 核心功能 |
|---|---|---|
| pipeline | /docs/api_reference.md | 管道编排，配置加载与验证 |
| emotion_vectorizer | /docs/api_reference.md | 文本消息到情绪向量的转换 |
| topology_analysis | /docs/api_reference.md | 群体情绪的空间结构分析（聚类、环状结构） |
| causal_analysis | /docs/api_reference.md | 情绪影响的因果网络构建与关键角色识别 |
| fusion | /docs/api_reference.md | 时空特征融合与未来情绪预测 |
| cognition | /docs/api_reference.md | 群体认知状态分析（认知负荷、理解水平等） |
| synergy | /docs/api_reference.md | 情绪-认知协同状态分析 |
| heterogeneity | /docs/api_reference.md | 多维度异质性量化分析，离群者分类 |
| mismatch | /docs/api_reference.md | 个人-群体不匹配检测与自洽性评估 |
| strategy | /docs/api_reference.md | 风险等级评估与策略推理 |
| visualization | /docs/api_reference.md | 数据可视化功能 |
| config | /docs/api_reference.md | 通用的配置加载与合并工具 |
在深入使用 Tender 之前，请理解其核心设计原则。这有助于你更好地解读分析结果并做出决策。
- 异质性是一种信息，而非噪音：每一种偏离主流的模式都在讲述一个独特的故事。
- 自洽性压倒融入度：一个自洽的、自愿不融入的个体不应被视为问题，其独特性可能是群体的宝贵资源。
- 先理解，再干预：在做出任何决策前，请先从拓扑、行为、认知等多个角度去理解"为什么会这样"。
- 并行策略：针对异质性高的群体，放弃寻找"一刀切"的策略，设计多条策略并行实施。
详细的哲学讨论请阅读 /docs/philosophy.md。异质性分析的具体策略请参考 /docs/heterogeneity_guide.md。策略推理的详细说明请参考 /docs/strategy_guide.md。情绪-认知协同的方法论请参考 /docs/synergy_guide.md。
本项目使用 pytest 进行测试。测试用例按模块组织在 tests/ 目录下。
# 运行所有测试
pytest
# 运行特定模块测试
pytest tests/test_emotion_vectorizer.py- 格式化：项目使用 black 与 isort 进行代码格式化。
- 命名：遵循 PEP 8 规范。
我们欢迎任何形式的贡献，包括但不限于：
- 报告 Bug 或提出 Feature Request
- 提交 Pull Request 修复 Bug 或添加新功能
- 完善文档和测试用例
如果你有兴趣为 Tender 贡献代码，请先阅读 CONTRIBUTING.md（若存在）。
本项目的开发基于多项优秀的研究成果，包括但不限于：持续同调（Persistent Homology）、结构因果模型（SCM）、图卷积网络（GCN）、收敛交叉映射（CCM）等。向所有为该领域做出贡献的研究者表示感谢。
Tender 遵循 Apache License Version 2.0 许可证。