董田田 張睿 王姿穎 董學士

摘要：針對突發(fā)事件的傳播過程，采用定性與定量相結(jié)合的方法，提出了突發(fā)事件網(wǎng)絡輿情傳播的“五段六點”模式。根據(jù)貝葉斯概率原理，給出了Agent的決策規(guī)則，以網(wǎng)絡結(jié)構(gòu)的方式體現(xiàn)Agent之間的內(nèi)在聯(lián)系，建立了基于Multiagent分布的突發(fā)事件網(wǎng)絡輿情傳播模型。通過仿真分析Agent情感態(tài)的演化，驗證了該模型的有效性，表明該模型能夠較好地分析網(wǎng)絡用戶對突發(fā)事件網(wǎng)絡輿情傳播的演化趨勢。

關(guān)鍵詞：Multiagent;突發(fā)事件;網(wǎng)絡輿情;輿情仿真;決策規(guī)則

中圖分類號：TP393

文獻標志碼：A

文章編號：1006-1037（2021）01-0013-05

基金項目：山東省自然科學基金 （批準號：ZR2019MF050）資助。

通信作者：董學士，男，博士，講師，主要研究方向為復雜網(wǎng)絡、數(shù)據(jù)挖掘、深度學習。E-mail：937635119@qq.com

在互聯(lián)網(wǎng)的信息海洋中，網(wǎng)絡用戶雖然有選擇信息的自由，但在某一時刻，由于從眾心理，網(wǎng)絡用戶會先關(guān)注熱度較高的事件，造成突發(fā)事件網(wǎng)絡輿情傳播的兩極分化現(xiàn)象。預測網(wǎng)絡輿情話題演化趨勢，可有效消減網(wǎng)絡輿情中的“蝴蝶效應”。Sudbury[1]將Kermack等[2]提出的傳染病模型與網(wǎng)絡輿情傳播聯(lián)系起來，隨后，不少學者還研究了社交網(wǎng)絡中的信息擴散[3]、話題狀態(tài)建模[4]以及創(chuàng)新擴散[5]等問題。梁凱等[6]綜合考慮了網(wǎng)絡輿情擴散的多個環(huán)節(jié)和主要影響因素，建立網(wǎng)絡輿情擴散的系統(tǒng)動力學模型;WANG等[7]構(gòu)建了一個多維網(wǎng)絡輿情網(wǎng)絡模型;賀鵬等[8]根據(jù)用戶個體差異及其強弱關(guān)系，提出了多Agent的微博社交網(wǎng)絡傳播模型;ZHANG等[9]采用期望最大化的方法，推斷信息的傳播速度;孫月明等[10]通過增加兩個新的節(jié)點狀態(tài)來增強信息傳播，建立了耦合網(wǎng)絡中的網(wǎng)絡輿情傳播模型。本文根據(jù)突發(fā)事件的傳播特征，對突發(fā)事件網(wǎng)絡輿情的演化過程按階段進行分解，提出“六點五段”模式?？紤]社交網(wǎng)絡的開放性、交互性，依據(jù)其傳播的方式，對Agent進行分類。在Multiagent分布式技術(shù)基礎上，本文充分利用Agent的自主性、互動性、適應性等多重特性，深度剖析Agent個體之間的自主交互微觀行為，明確Agent決策規(guī)則，以網(wǎng)絡結(jié)構(gòu)的方式體現(xiàn)其內(nèi)在聯(lián)系。通過主體自主性行為，Agent間相互協(xié)商、相互協(xié)作、相互協(xié)調(diào)，使得輿情在社交網(wǎng)絡中的傳播特征與網(wǎng)絡用戶的交互性相關(guān)聯(lián)，描述社交網(wǎng)絡上主體的自主性行為對輿情傳播的影響，從而構(gòu)建了基于Multiagent的突發(fā)事件網(wǎng)絡輿情傳播模型。

1 突發(fā)事件網(wǎng)絡輿情的演化過程分析

根據(jù)突發(fā)事件的傳播特征，對突發(fā)事件網(wǎng)絡輿情的演化過程按階段進行分解，演化過程分為孕育階段、顯現(xiàn)階段、發(fā)展階段、衰退階段、消亡階段五個階段，上一階段可以平穩(wěn)地過渡到下一階段，也可能由于網(wǎng)民、媒體、政府這三個主體的干預，使得輿情演化到下一階段失去穩(wěn)定性。從五個階段具體分析其演化過程如圖1，其中，橫坐標為時間，縱坐標為事件的熱度。

發(fā)生點表示現(xiàn)實社會中突發(fā)事件發(fā)生的時刻，也是網(wǎng)絡輿情發(fā)生的時刻，傳播點表示網(wǎng)絡輿情熱度緩慢上升的點，兩點之間稱為孕育階段，此階段持續(xù)時間普遍較短，幾乎沒有熱度，參與討論的網(wǎng)絡用戶數(shù)量較少，幾乎沒有轉(zhuǎn)發(fā)數(shù)量。

發(fā)展點表示網(wǎng)絡輿情熱度迅速上升的點，傳播點和發(fā)展點之間稱為顯現(xiàn)階段，持續(xù)時間普遍較短，熱度會比前者略高，參與討論的網(wǎng)絡用戶數(shù)量緩慢增加，跟帖數(shù)量也在緩慢提升。隨著突發(fā)事件的蔓延，網(wǎng)絡媒體對此事件進行報道，關(guān)注事件的用戶逐漸增多，突發(fā)事件的網(wǎng)絡輿情轉(zhuǎn)發(fā)數(shù)量整體呈上升的趨勢。

高潮點是網(wǎng)絡輿情發(fā)展的頂點，發(fā)展點和高潮點之間稱為發(fā)展階段，此階段持續(xù)時間較長，熱度會隨著時間達到最高點，參與討論的網(wǎng)絡用戶數(shù)量迅速增加，跟帖數(shù)量也在快速提升，由于網(wǎng)絡用戶數(shù)量變化率和跟帖數(shù)量變化率隨時間的變化整體呈正增長趨勢。在這一階段，由于網(wǎng)絡用戶之間的互動、部分網(wǎng)絡推動者、意見領袖的介入以及網(wǎng)絡媒體的不斷報道，使得突發(fā)事件從小規(guī)模傳播向大規(guī)模擴散轉(zhuǎn)變。

衰退點是網(wǎng)絡輿情快速下降的尾點，高潮點和衰退點之間稱為衰退階段，此階段持續(xù)時間普遍較長，熱度會從最高值逐漸下降，參與討論的網(wǎng)絡用戶數(shù)量快速減少，跟帖數(shù)量也在迅速下降，網(wǎng)絡用戶數(shù)量變化率和跟帖數(shù)量變化率隨時間的變化整體呈負增長趨勢。這是由于新聞媒體報道減少，且網(wǎng)絡用戶對已知的事物評論減少，使得網(wǎng)絡輿情逐漸下降。

消亡點表示突發(fā)事件網(wǎng)絡輿情的熱度接近于0，衰退點和消亡點之間稱為消亡階段，此階段持續(xù)時間普遍較長，熱度逐漸的消散，參與討論的網(wǎng)絡用戶數(shù)量，跟帖數(shù)量緩慢減少直至接近于零。隨著時間的推移，媒體關(guān)于事件不再報道，網(wǎng)絡用戶對事件不再感興趣等，突發(fā)事件逐漸消失。

2 基于Multiagent的突發(fā)事件網(wǎng)絡輿情傳播模型

2.1 Agent類型及其屬性

在突發(fā)事件網(wǎng)絡輿情傳播中，通過剖析Agent個體之間的交互行為，將Agent分為三類：意見領袖Agent;網(wǎng)絡用戶Agent，保持自身特性，如信念度（尋求事件的真相和支持或懷疑政府的行為），從眾性等來對網(wǎng)絡輿情進行轉(zhuǎn)發(fā)傳播;政府Agent，根據(jù)政府公信力、政府傳播力、政府議程設置引導力等屬性，對網(wǎng)絡輿情信息傳播進行干預。

2.2 Agent決策過程分析

從網(wǎng)絡用戶Agent的認知推理角度出發(fā)，將網(wǎng)絡用戶Agent對信息處理過程分為三個階段：信息接收階段、信息認知階段和信息傳播階段。首先，網(wǎng)絡用戶通過關(guān)系網(wǎng)判斷是否能接收到信息，若是能接收信息，獲知信息后對信息進行認知，否則，將會不轉(zhuǎn)發(fā);其次，判斷對此信息是否給網(wǎng)絡用戶帶來情感上的表達和收益，進入下一判斷;最后，網(wǎng)絡用戶Agent在處理信息之后考慮是否傳播信息。依此不斷執(zhí)行，網(wǎng)絡用戶Agent對網(wǎng)絡輿情信息處理流程圖如圖2。

2.3 Agent決策規(guī)則

在社交網(wǎng)絡輿情傳播過程中，{Positive，Opposite，Neutral}分別表示Agent對該信息的觀點是積極的，消極的還是中性的，若在傳播過程中Agent沒有干預，則表示Agent的觀點處于中立態(tài);{True，F(xiàn)alse}分別表示Agent是否干預輿情信息的傳播;{Stable，Diffusion，Dissipate}分別表示該輿情信息走勢處于平穩(wěn)、擴散和消退。政府是否干預的概率用P（S）表示，輿情走勢概率用P（H）表示，意見領袖概率用P（O）表示[11]。依據(jù)貝葉斯概率原理

其中，hi表示第i種事件，ui 表示該事件發(fā)生時，傳播輿情信息給Agent帶來的收益，c表示該事件發(fā)生時，傳播輿情信息給Agent帶來的成本。

總效用U的期望值

其中，α表示情感表達和傳播收益的相對權(quán)重系數(shù)。

在網(wǎng)民Agent做出期望預判后，起始時Agent對于該信息通常處于觀望狀態(tài)，不會即刻對該信息進行轉(zhuǎn)發(fā)，針對這一問題，本文設置一個決策意愿R，概率P（W）決定最終的執(zhí)行策略，Agent傳播信息的概率

其中，E（u（0））為Agent傳播輿情時的總期望值，若R≤P（W），則Agent轉(zhuǎn)發(fā)該輿情信息，否則不轉(zhuǎn)發(fā)。

3 仿真實驗與分析

仿真實驗在Netlogo建模與仿真軟件平臺上進行。在Netlogo平臺上，Agent之間的交互作用是一個Agent從其他Agent獲取信息，然后根據(jù)自身的信息積累、狀態(tài)和決策規(guī)則，修改自身的原始狀態(tài)，并將信息傳播給其他Agent進行交互的過程，通過這些形式的交互，突出顯示系統(tǒng)環(huán)境所具有的和單個Agent所不具備的整體行為。

3.1 數(shù)據(jù)來源

仿真實驗數(shù)據(jù)來源于慧科數(shù)據(jù)平臺檢索關(guān)鍵字“女網(wǎng)紅進入機長駕駛艙”（ 2019年11月3日爆料）的相關(guān)微博，該微博被轉(zhuǎn)發(fā)7 000+以上，最多轉(zhuǎn)發(fā)達12級層次，前后擁有30個以上分級關(guān)鍵傳播節(jié)點轉(zhuǎn)發(fā)。

考慮到實驗的方便性和快捷性，在仿真環(huán)境中，嵌塊集是由43×43的patch構(gòu)成，嵌塊大小為11像素，正常速度下每秒的幀數(shù)為30。其中，政府Agent、意見領袖Agent、網(wǎng)絡用戶Agent分別有1個、1個、300個，社交網(wǎng)絡中有一個傳播者，為簡化仿真實驗，本文中的權(quán)重系數(shù)設為同樣重要，均等取值。

3.2 無政府的干預

網(wǎng)絡輿情發(fā)生后，在沒有政府干預的情況下，根據(jù)相關(guān)政府官方內(nèi)容在事件過程中的分析，網(wǎng)絡用戶Agent的情感趨勢性變化趨勢如圖3?？芍?，當無政府干預時，積極情緒和負面情緒的網(wǎng)絡用戶Agent隨著時間的推移而增加，當?shù)竭_一定數(shù)量時，網(wǎng)絡用戶數(shù)在小范圍內(nèi)震蕩變化，發(fā)帖數(shù)量不斷增加，中立情緒化的網(wǎng)絡用戶Agent不斷轉(zhuǎn)變成積極或負面的網(wǎng)絡用戶Agent。當網(wǎng)絡用戶在網(wǎng)絡輿情事件下處于焦慮情緒且政府仍處于被動處理狀態(tài)時，網(wǎng)絡用戶往往不相信政府的行為，Agent希望查明事件的真相，以及網(wǎng)絡用戶Agent對負面發(fā)展的情感傾向，此時，Agent有意反饋公眾意見，督促政府積極應對網(wǎng)絡輿情事件。

3.3 有政府的干預

其他條件不變，當政府Agent開始干預介入時，網(wǎng)絡用戶的情感趨勢性變化趨勢如圖4?？梢钥闯觯S著政府對突發(fā)網(wǎng)絡輿情事件的態(tài)度由負面轉(zhuǎn)變?yōu)榉e極時，網(wǎng)絡用戶的情感性變化趨勢向著積極的方向發(fā)展。在前期不變的狀態(tài)下，隨著時間的推移，積極情緒化的網(wǎng)絡用戶數(shù)快速增加，對應的負面情緒化網(wǎng)絡用戶數(shù)直線下降。處于中立態(tài)是網(wǎng)絡用戶不斷的轉(zhuǎn)變?yōu)榉e極網(wǎng)絡用戶。

3.4 模型有效性驗證

為了驗證本文提出的Multiagent體社交網(wǎng)絡輿情傳播模型的有效性，將本文提出的Multiagent社交網(wǎng)絡輿情傳播模型與真實的數(shù)據(jù)進行對比，真實數(shù)據(jù)網(wǎng)民情緒占比如圖5所示，圖5（a）表示各媒體進行轉(zhuǎn)發(fā)后，航空公司未進行聲明網(wǎng)民情緒占比，圖5（b）表示航空公司發(fā)出聲明后的網(wǎng)民情緒占比。

Multiagent社交網(wǎng)絡輿情傳播模型仿真結(jié)果圖3與真實數(shù)據(jù)圖5（a）比較，4日上午無官方聲明和無政府參與，二者的情緒占比具有一致性，Multiagent社交網(wǎng)絡輿情傳播模型仿真結(jié)果圖4與真實數(shù)據(jù)圖5（b）比較，4日上午官方發(fā)出聲明，網(wǎng)名的積極情緒快速上升，負面情緒下降，加上政府正面引導，網(wǎng)絡用戶的情感向著積極的方向發(fā)展，積極情緒的占比會超越實際情況占比，由此驗證了本文提出的Multiagent社交網(wǎng)絡輿情傳播模型的有效性。

4 結(jié)論

針對突發(fā)事件網(wǎng)絡輿情傳播問題，在分析當前研究現(xiàn)狀的基礎上，根據(jù)仿真實驗結(jié)果可知，在突發(fā)事件網(wǎng)絡輿情傳播初期，網(wǎng)絡中各Agent的密度不斷增加，當達到一定的演化時間后，網(wǎng)絡中各Agent的密度慢慢趨于穩(wěn)定，該過程與突發(fā)事件網(wǎng)絡輿情實際變化特點相吻合;根據(jù)突發(fā)事件網(wǎng)絡輿情傳播模型參數(shù)的變化情況可知，由于社交網(wǎng)絡的連通性較強，當政府Agent干預時，網(wǎng)絡用戶Agent接收到政府Agent的正面引導，中立態(tài)向積極態(tài)轉(zhuǎn)變，此時積極情緒占比大于負面情緒占比，該突發(fā)事件網(wǎng)絡輿情的信息在網(wǎng)絡中的傳播速度就快，反之輿情話題的信息傳播速度相對較慢。對比官方通告前后網(wǎng)絡情感傾向，網(wǎng)絡用戶在通告后對某航空的正面評價明顯上升，某網(wǎng)絡用戶Agent對某一突發(fā)事件處于積極情感下時，則有利于信息的傳播。

參考文獻

[1]SUDBURY A. The proportion of the population never hearing a rumour[J]. Journal of Applied Probability， 1985， 22（2）： 443-446.

[2]KERMACK W O， MCKENDRICK A G. A contribution to the mathematical theory of epidemics[J]. Bulletin of Mathematical Biology，1991，53（1-2）：57-87.

[3]LUCERI L， BRAUN T， SILVIA G. Analyzing and inferring human real-life behavior through online social networks with social influence deep learning[J].Applied Network Science， 2019， 4（1）： 1-25.

[4]XU J， ZHANG L， MIAO A. Bayesian network-based static topic tracking model[J].Data Analysis and Knowledge Discovery， 2020，4（Z1）： 200-206.

[5]朱江，包崇明，王崇云，等.基于圖結(jié)構(gòu)特征分析的Top-k結(jié)構(gòu)洞發(fā)現(xiàn)算法[J].計算機工程，2020，46（5）： 94-101+108.

[6]梁凱，孫夢嬌，崔玲. 網(wǎng)絡輿情擴散的系統(tǒng)動力學仿真[J].青島大學學報（自然科學版），2013，26（1）：96-101.

[7]WANG G， CHI Y. Studies on a multidimensional public opinion network model and its topic detection algorithm[J]. Information Processing & Management， 2019， 56（3）： 584-608.

[8]賀鵬，李軍，董田田，等.基于多Agent的微博社交網(wǎng)絡信息傳播模型[J].青島大學學報（工程技術(shù)版），2020，35（2）： 43-47+56.

[9]ZHANG L F， SU C. Cross-network dissemination model of public opinion in coupled networks[J]. Information Sciences， 2018， s：（451-452）： 240-252.

[10] 孫月明， 張運加， 顏錢，等. 無需感染時間信息的傳播網(wǎng)絡快速推斷算法[J]. 計算機科學與探索， 2019， 13（4）： 541-553.

[11] 繆秋云. 基于MAS的移動社交網(wǎng)絡輿情演化模型構(gòu)建與仿真研究[D].南京： 南京航空航天大學，2017.