基于社交網(wǎng)絡(luò)的輿情多信息交互傳播機(jī)制研究

摘要： 為分析社交網(wǎng)絡(luò)中同一輿情事件多信息的交互式傳播機(jī)制，將多種信息之間的互動分為合作、獨(dú)立和競爭三種類型，依據(jù)多種信息傳播的交互情況構(gòu)建信息傳播模型。研究發(fā)現(xiàn)信息屬性、信息相互作用因子和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)對輿情多信息傳播具有不同影響，且多信息交互傳播時不同個體狀態(tài)變化特征不同。研究結(jié)果可以幫助學(xué)者更好地理解社交網(wǎng)絡(luò)中輿情多信息交互傳播機(jī)制，為輿情信息的最大化傳播或控制信息傳播提供一定的理論指導(dǎo)。

關(guān)鍵詞： 多信息；社交網(wǎng)絡(luò)；相互作用；交互傳播

中圖分類號： G206；N94文獻(xiàn)標(biāo)識碼： A

Research on Multi Information Interactive Communication

Mechanism of Public Opinion Based on Social Network

WANG Xiaoli， ZHANG Jing， CHEN Shuqin，QIAN Mengdi

（School of Management， Shanghai University of Engineering Science， Shanghai 201620，China）

Abstract：To analyze the interactive dissemination mechanism of multiple information on the same public opinion event in social networks， this article divides the interaction between multiple information into three types： cooperation， independence， and competition. Based on the interaction situation of multiple information dissemination， an information dissemination model is constructed. Research has found that information attributes， information interaction factors， and network topology have different impacts on the dissemination of public opinion multi information， and different individuals have different characteristics of state changes during the interactive dissemination of multi information. The research results can help scholars better understand the mechanism of multi information interaction and dissemination of public opinion in social networks， and provide certain theoretical guidance for maximizing or controlling the dissemination of public opinion information.

Keywords： multi information; social networks; interaction; interactive communication

隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，信息傳播途徑發(fā)生了巨大改變。以互聯(lián)網(wǎng)為主要媒介的信息傳播突破了時空限制，輿情事件在引起人們關(guān)注后得到快速傳播。尤其是近幾年，社交網(wǎng)絡(luò)平臺中涌現(xiàn)出大量同一輿情事件多個信息同時擴(kuò)散的現(xiàn)象，且很多信息在傳播中存在不同的相互作用關(guān)系，如合作、競爭和獨(dú)立。多信息之間的交互傳播對網(wǎng)絡(luò)環(huán)境及相關(guān)當(dāng)事人有著巨大的影響。由于輿情多種信息在社交網(wǎng)絡(luò)中交互傳播的復(fù)雜性，探索多信息交互傳播時的相互作用影響及多信息傳播機(jī)制是十分必要的。

目前，以復(fù)雜網(wǎng)絡(luò)理論為基礎(chǔ)，利用傳播動力學(xué)相關(guān)方法進(jìn)行研究是網(wǎng)絡(luò)輿情傳播領(lǐng)域的主流研究趨勢之一。由于在線社交網(wǎng)絡(luò)中的信息傳播機(jī)制與傳染病傳播機(jī)制相似，大多數(shù)網(wǎng)絡(luò)傳播動力學(xué)研究主要基于經(jīng)典的傳染病傳播模型，如Kermack[1]提出的SIR模型（將模型中的人劃分為三類：S（易感染者）、I（傳播者）、R（免疫者））和Daley和Kendal[2]提出的DK謠言模型。隨著復(fù)雜網(wǎng)絡(luò)理論研究的發(fā)展[3-4]，傳播動力學(xué)的研究迎來新契機(jī)，部分學(xué)者開始嘗試結(jié)合復(fù)雜網(wǎng)絡(luò)模型研究傳播動力學(xué)問題。Zanette[5]首次將謠言模型應(yīng)用在小世界網(wǎng)絡(luò)中對傳播過程進(jìn)行分析，發(fā)現(xiàn)小世界網(wǎng)絡(luò)中的謠言傳播存在傳播閾值，傳播參數(shù)低于傳播閾值時，謠言會自動消亡，并指出復(fù)雜網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)對謠言傳播過程具有非常大的影響。之后，不少學(xué)者基于不同網(wǎng)絡(luò)結(jié)構(gòu)對輿情信息傳播影響進(jìn)行研究[6-7]。隨著網(wǎng)絡(luò)輿情研究不斷深入，基于單層網(wǎng)絡(luò)的輿情傳播研究已經(jīng)不能滿足當(dāng)今的輿情傳播現(xiàn)象，許多學(xué)者在多層網(wǎng)絡(luò)中對輿情傳播進(jìn)行分析與研究。王家坤等[8]考慮到線上、線下活動的相互依賴性，基于復(fù)雜網(wǎng)絡(luò)理論和傳播動力學(xué)等方法，構(gòu)建雙層社交網(wǎng)絡(luò)中的輿情傳播模型。Xian等[9]提出以一種社交平臺為一層網(wǎng)絡(luò)，基于輿情信息在多種社交平臺中的跨平臺傳播，構(gòu)建開放式和封閉式雙層社交網(wǎng)絡(luò)輿情信息傳播模型。

已有不少學(xué)者考慮到多信息同時傳播的現(xiàn)象[10-11]，如Yan等[12]考慮到群體心理的作用，運(yùn)用動態(tài)系統(tǒng)方法研究正面和負(fù)面信息的競爭傳播。Zhu等[13]基于信息傳播與傳染病傳播的不同，考慮到記憶效應(yīng)、社會增強(qiáng)、非冗余和人類異質(zhì)性的特性從競爭和合作兩方面考慮多信息傳播之間的相互作用。Xiao等[14]基于不同事件信息之間的相互作用和傳播路徑的多樣性提出MM-SIS模型來探討多種網(wǎng)絡(luò)中多信息的詳細(xì)過程和特征。此外，也有許多學(xué)者根據(jù)信息真實(shí)性將傳播者劃分為謠言傳播者與辟謠傳播者或雙謠言傳播者進(jìn)行研究。Yang等[15]通過分析Facebook中真實(shí)和虛假信息競爭傳播的數(shù)據(jù)集，發(fā)現(xiàn)真實(shí)信息傳播者具有關(guān)鍵作用。Vosoughi等[16]收集推特2006—2017年相關(guān)信息，對虛假信息和真實(shí)信息的傳播進(jìn)行研究，發(fā)現(xiàn)虛假信息比真相傳播得更遠(yuǎn)、更快，且虛假信息的影響更明顯。

綜上所述，目前關(guān)于輿情多信息傳播的研究已經(jīng)取得了一定的成果，但對于多信息傳播的研究考慮尚不全面：1）關(guān)于輿情信息傳播的研究主要集中在單層社交網(wǎng)絡(luò)，而如今輿情傳播已呈現(xiàn)出線上線下相連通、多種社交平臺相連通的多重網(wǎng)絡(luò)傳播特點(diǎn)；2）在網(wǎng)絡(luò)輿情傳播過程中，多數(shù)研究采用的狀態(tài)轉(zhuǎn)移概率相對固定，而實(shí)際傳播中狀態(tài)轉(zhuǎn)移概率是變量，且輿情信息對每個人吸引度也不相同；3）針對多信息交互傳播的研究主要集中在信息之間的相互作用方面，而少有研究考慮個體在接受多個信息時不同狀態(tài)之間的交互作用。因此，為更準(zhǔn)確地描述多信息輿情傳播過程，本文首先將多信息之間的相互作用分為合作、獨(dú)立和競爭3種類型，結(jié)合線性閾值理論，定義網(wǎng)絡(luò)傳播過程中個體狀態(tài)的轉(zhuǎn)移概率，以此構(gòu)建不同網(wǎng)絡(luò)結(jié)構(gòu)的多信息交互傳播模型。最后，對構(gòu)建的多信息交互模型的輿情傳播過程進(jìn)行仿真實(shí)驗(yàn)，分析社交網(wǎng)絡(luò)中輿情多信息交互傳播的規(guī)律及特點(diǎn)。

1 輿情多信息交互模型構(gòu)建

隨著社交平臺的發(fā)展，同一輿情事件信息也呈現(xiàn)出多樣性，輿情傳播過程中人群外在特征表現(xiàn)出“未知、已知、傳播和免疫”4個狀態(tài)，但個體對不同信息的態(tài)度并不完全相同。例如，社交平臺中關(guān)于某輿情事件涌現(xiàn)出兩個話題信息A和B，個體V1對信息A是傳播狀態(tài)，對信息B是未知狀態(tài)；個體V2對信息B是傳播狀態(tài)，對信息A是免疫狀態(tài)。盡管個體V1、V2都是該輿情事件的傳播者，但對信息A、B的態(tài)度是不同的，進(jìn)而個體在輿情信息傳播過程中的狀態(tài)已經(jīng)不能僅僅以單一的“未知、已知、傳播和免疫”狀態(tài)進(jìn)行表示。因此，本文提出更加細(xì)化的多信息交互傳播模型。為了便于理解本文所構(gòu)建模型的傳播機(jī)制，并參考Zhu等[13]研究中的模型傳播可視化，本文以兩個信息為例（本文所構(gòu)建的模型設(shè)計(jì)同樣適用于兩個信息以上的輿情多信息交互），將個體對兩種不同信息交互的態(tài)度細(xì)分為16種狀態(tài)進(jìn)行研究。

顯然，個體在輿情信息傳播過程中的態(tài)度會受到其他信息的影響。人們接收到關(guān)于同一輿情事件的兩個相似話題時，對該話題信息的接受度會高于僅接收到一條信息時的接受度，且在已知（或傳播）一條信息的狀態(tài)下，再接受或拒絕另一條信息的比率會有所不同，即不同信息的傳播之間存在相互作用，且這種相互作用影響著信息的傳播。如以2023年1月29日“失蹤106天，胡鑫宇遺體被發(fā)現(xiàn)”事件為例，該事件多次引起媒體的報(bào)道和網(wǎng)民的評論，僅在2月2日當(dāng)天便出現(xiàn)23個微博熱搜詞條，多條輿情信息在社交平臺中擴(kuò)散傳播，通過收集2月2日微博社交平臺上引起較高熱度且在相同時間范圍傳播擴(kuò)散的熱搜詞條發(fā)現(xiàn)，“胡鑫宇遺體腳掌與地面平行不實(shí)”與“胡鑫宇系自縊死亡”詞條相互聯(lián)系，且詞條討論具有相似內(nèi)容。因此此類信息之間是相互促進(jìn)傳播的關(guān)系，也可以說這些信息之間的關(guān)系是“合作”關(guān)系?！昂斡钍荝h陰性血型”與“警方辟謠胡鑫宇為熊貓血”詞條傳播擴(kuò)散時相互抑制，信息之間屬于“競爭”關(guān)系。而“心理專家解讀胡鑫宇事件”與“央視采訪發(fā)現(xiàn)胡鑫宇尸體的糧庫員工”詞條傳播擴(kuò)散時不存在交互行為（表現(xiàn)為兩個微博熱搜詞條廣場中不存在另一條詞條信息），信息之間屬于“獨(dú)立”關(guān)系。因此，本文根據(jù)當(dāng)前研究基礎(chǔ)和多信息傳播交互的現(xiàn)實(shí)情況，將多信息傳播之間的相互作用分為3類：合作、獨(dú)立和競爭。

同時，輿情在不同網(wǎng)絡(luò)結(jié)構(gòu)中傳播時具有不同的演化機(jī)制，為了探索多信息交互在不同網(wǎng)絡(luò)結(jié)構(gòu)中的傳播過程和傳播機(jī)制，本文以雙層網(wǎng)絡(luò)為例，構(gòu)建輿情多信息交互模型。

1.1 模型描述

本文以兩條信息為例進(jìn)行研究，其中未知者S表示不知道輿情信息的人群；已知者E表示知道輿情信息，但并未進(jìn)行傳播的人群；傳播者I表示正在傳播輿情信息的人群；免疫者R表示傳播過輿情信息，或?qū)浨樾畔⒉辉俑信d趣的人群。根據(jù)線性閾值理論，未知者S從正在傳播輿情信息的鄰居節(jié)點(diǎn)中接收信息變?yōu)橐阎逧，若已知者E對信息的興趣屬性達(dá)到信息接受度，直接變?yōu)閭鞑フ逫進(jìn)行傳播。若已知者E的信息興趣屬性較低，則表示對輿情不感興趣，變?yōu)槊庖哒逺。否則，已知者E保持狀態(tài)不變，直至在多次接受鄰居節(jié)點(diǎn)的輿情信息，達(dá)到信息接受閾值后變?yōu)閭鞑フ逫。

輿情事件的兩種信息A和B在傳播過程中，個體對信息A和B的態(tài)度呈現(xiàn)出不同組合，參考楊超等[17]構(gòu)建的雙謠言信息狀態(tài)變化，依據(jù)每一個個體的狀態(tài)都是對兩個信息狀態(tài)的復(fù)合原則，將人群分為16種狀態(tài)，分別是SASB、SAEB、EASB、EAEB、SARB、EARB、RASB、RAEB、SAIB、IASB、EAIB、IAEB、IAIB、IARB、RAIB、RARB。其中，SASB表示個體對信息A和信息B均未知的狀態(tài)，SAEB表示個體對信息A未知，對信息B已知的狀態(tài)，其他狀態(tài)類似。依據(jù)16種狀態(tài)人群的外在特征將其劃分為4類：未知者（SASB）：不知道輿情信息的人群；已知者（SAEB、EASB、EAEB、SARB、EARB、RASB、RAEB）：知道輿情信息但并未傳播或不傳播人群；傳播者（SAIB、IASB、EAIB、IAEB、IAIB、IARB、RAIB）：知道輿情信息且正在傳播的人群；免疫者（RARB）：已經(jīng)傳播過輿情信息或?qū)浨樾畔⒉桓信d趣的人群。16種狀態(tài)人群的劃分如圖1所示，其中，實(shí)線表示個體對信息狀態(tài)的變化，虛線表示個體對不同信息的狀態(tài)交互。

假設(shè)信息A和信息B在網(wǎng)絡(luò)G上傳播，節(jié)點(diǎn)代表個體，邊代表個體間的社會關(guān)系。輿情信息在傳播過程中受到信息因素、環(huán)境因素和個體因素[18]三方面的影響。1）信息因素方面：每個信息包含一個信息屬性，用IL表示；兩條信息之間具有相互作用，用β表示。其中，若β=0時表示兩條信息相互獨(dú)立，若β>0時，表示兩條信息相互合作，若β<0時，表示兩條信息相互競爭。2）環(huán)境因素方面：個體尚未傳播信息時，多次通過鄰居節(jié)點(diǎn)接收輿情信息，用ML（v，t）表示節(jié)點(diǎn)V受到接收信息次數(shù)影響的累計(jì)總量?？紤]到興趣衰減理論[17]，令ML（v，t）=e－d（n－1），其中d為興趣衰減率，n為接受信息次數(shù)。同時，信息在傳播過程中會受到政府、媒體等相關(guān)主體的正向或負(fù)向的干預(yù)，即社會強(qiáng)化，用C表示（C＞0表示正強(qiáng)化，C＜0表示負(fù)強(qiáng)化）。3）個人因素方面：根據(jù)線性閾值理論和人類異質(zhì)性特點(diǎn)可知，每個個體對信息的接受度是不同的，用I′L（V）表示每個節(jié)點(diǎn)初次接收到信息的接受度，將其設(shè)置為服從正態(tài)分布的離散數(shù)值[13]。用Φ表示信息排斥性，個體的信息屬性低于Φ，接收到輿情信息時，直接變?yōu)槊庖哒?，此外，傳播者遇見相同傳播者時也直接變?yōu)槊庖哒?。用表示傳播者活躍度，即信息傳播者峰值。

1.2 雙層網(wǎng)絡(luò)輿情多信息交互傳播模型

在當(dāng)今社會化媒體時代的背景下，輿情信息之間的傳播已經(jīng)不僅僅局限于單層網(wǎng)絡(luò)之間的傳播。人們可利用線上和線下不同渠道進(jìn)行互通，并在微博和微信等不同社交平臺進(jìn)行轉(zhuǎn)換，多層網(wǎng)絡(luò)之間的信息擴(kuò)散已經(jīng)占據(jù)主流。因此，本節(jié)構(gòu)建雙層網(wǎng)絡(luò)對輿情多信息交互傳播模型進(jìn)行研究。

考慮到當(dāng)今互聯(lián)網(wǎng)普及率的不斷增長，參與到輿情信息傳播的人群大多有多個獲取信息的方式，在一個社交平臺中度較高的節(jié)點(diǎn)往往在其他社交平臺中也是如此，因此本文在構(gòu)建雙層社交網(wǎng)絡(luò)結(jié)構(gòu)時假設(shè)兩層網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)相同，并選擇同配方式連接兩層網(wǎng)絡(luò)的節(jié)點(diǎn)。雙層網(wǎng)絡(luò)中輿情信息在層內(nèi)傳播時與單層網(wǎng)絡(luò)傳播的規(guī)則相同，在層間傳播時規(guī)則設(shè)置如下：在T時刻，若兩個網(wǎng)絡(luò)層中相對應(yīng)的節(jié)點(diǎn)狀態(tài)不一致，參考當(dāng)前關(guān)于信息在雙層網(wǎng)絡(luò)研究中的節(jié)點(diǎn)轉(zhuǎn)換設(shè)置[19]，結(jié)合各節(jié)點(diǎn)狀態(tài)的含義，根據(jù)“R>I>E>S”的規(guī)則進(jìn)行轉(zhuǎn)換。如兩個網(wǎng)絡(luò)層中同一節(jié)點(diǎn)的狀態(tài)分別為RASB與RAEB，則此節(jié)點(diǎn)在兩個網(wǎng)絡(luò)層中同時變?yōu)闋顟B(tài)RAEB，類似地狀態(tài)RASB與狀態(tài)SAEB變?yōu)闋顟B(tài)RAEB、狀態(tài)EASB與狀態(tài)SAEB變?yōu)闋顟B(tài)EAEB，狀態(tài)IASB與狀態(tài)SAIB變?yōu)闋顟B(tài)IAIB、狀態(tài)IAEB與狀態(tài)EAIB變?yōu)闋顟B(tài)IAIB、狀態(tài)RASB與狀態(tài)SARB變?yōu)闋顟B(tài)RARB、狀態(tài)RAEB與狀態(tài)EARB變?yōu)闋顟B(tài)RARB、狀態(tài)IARB與狀態(tài)RAIB變?yōu)闋顟B(tài)為RARB。

在信息傳播開始時，在一個網(wǎng)絡(luò)層中隨機(jī)選擇兩個節(jié)點(diǎn)作為傳播源，其他節(jié)點(diǎn)處于“未知”狀態(tài)。

第1步：這兩個傳播源將信息傳播給他們的所有鄰居，然后成為“免疫”狀態(tài)。

第2步：判斷每個節(jié)點(diǎn)在兩個網(wǎng)絡(luò)層中的狀態(tài)是否一致，若不一致，按照上述層間傳播規(guī)則進(jìn)行狀態(tài)轉(zhuǎn)換。如果在T步（T≥1）中任意一個網(wǎng)絡(luò)層有新的個體接受信息，信息將繼續(xù)傳播，即在（T+1）步中將信息同時傳播給他們的鄰居；否則，整個傳播過程就結(jié)束了。

假設(shè)至少有一個個體接受（T-1）步（T≥2）中的信息，且個體V是其狀態(tài)為“未知”或“已知”的鄰居之一，則根據(jù)下述方法判斷是否接受該信息：

1）如果IA′≤Ф，則以一定的比例轉(zhuǎn)化為免疫者。如果IA′>Ф，并且IA<IA′［C（MA（V，T）+βMB（V，T））］，個體V將接受第T步的信息A，并在（T+1）步傳播給所有鄰居，個體V處于“免疫”狀態(tài)；否則，無論接收到多少次信息，個體V始終保持在“已知”狀態(tài)。

2）如果IB′≤Ф，則以一定的比例轉(zhuǎn)化為免疫者。如果IB′>Ф，并且IB<IB′［C（MB（V，T）+βMA（V，T））］，個體V將接受第T步的信息B，并在（T+1）步傳播給所有鄰居，個體V處于“免疫”狀態(tài)；否則，無論個人收到多少次信息，個體V始終保持在“已知”狀態(tài)。

但是，如果個體V在第T步中沒有接收到信息A和B，個體V將在（T+1）步中不做任何事情。

2 不同影響因素對輿情傳播的影響分析

為分析多信息交互的網(wǎng)絡(luò)輿情在不同社交網(wǎng)絡(luò)中的傳播過程，本節(jié)對具有不同網(wǎng)絡(luò)結(jié)構(gòu)的輿情傳播模型進(jìn)行仿真模擬。其中選取了當(dāng)前研究較為普遍且具有代表性的NW小世界網(wǎng)絡(luò)、BA無標(biāo)度網(wǎng)絡(luò)和斯坦福網(wǎng)絡(luò)分析項(xiàng)目分享的真實(shí)社交網(wǎng)絡(luò)Facebook網(wǎng)絡(luò)（http：//snap.stanford.edu/data/ego-Facebook.html）為研究對象。為保證研究結(jié)果的可比性，NW小世界網(wǎng)絡(luò)與BA無標(biāo)度網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)和平均度與Facebook網(wǎng)絡(luò)保持一致。3種網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)參數(shù)見表1。同時，為了降低實(shí)驗(yàn)結(jié)果的隨機(jī)性導(dǎo)致的誤差，采用100次實(shí)驗(yàn)結(jié)果的平均值作為最終結(jié)果進(jìn)行分析。本文進(jìn)行仿真模擬時，參考已有研究的參數(shù)設(shè)置[13]，除特殊說明外，參數(shù)設(shè)置為：IA=IB=0.8，IA′（V）～N（0.4，0.152），IB′（V）～N（0.4，0.152），C=1，d=0.5，Ф=0.1，初始傳播源為隨機(jī)選擇的節(jié)點(diǎn)數(shù)為平均度的節(jié)點(diǎn)。

2.1 接受次數(shù)和信息吸引度對輿情傳播的影響

只考慮信息屬性A時，由1.1節(jié)可知，IA（V）=I′A（V）*（C*∑e－d（n－1）），表示個體V最終轉(zhuǎn)發(fā)信息率，若其大于信息屬性IA，則個體轉(zhuǎn)發(fā)信息A，變?yōu)閭鞑フ?，否則為已知者。圖2展示了個體V對信息A的初始興趣值I′A（V）和接受信息次數(shù)n的變化對傳播信息A的影響。其他參數(shù)取值參考Zhu等[13]的研究，社會強(qiáng)化C取值為-0.5，興趣衰減率d取值為5，信息A的轉(zhuǎn)發(fā)屬性IA取值為0.8，可認(rèn)為是信息傳播閾值（紫色平面），即信息被個體轉(zhuǎn)發(fā)的臨界值。由圖2可知，隨著I′A（V）的增加，個體最終轉(zhuǎn)發(fā)信息A的比率明顯增大，隨著接受信息次數(shù)n的增加，前期個體最終轉(zhuǎn)發(fā)信息A的比率明顯增大，而后期變化不明顯，這是由于個人多次接受信息時具有興趣衰減的現(xiàn)象[14]，當(dāng)IA（V）的取值隨著n和I′A（V）的增長達(dá)到信息傳播閾值IA時，即取值在紫色平面上方時，則個體V將傳播信息成為傳播者。

2.2 信息相互作用因子對輿情傳播的影響

信息之間相互作用的大小對個體在接觸輿情信息時的狀態(tài)變化有重要影響，也決定了不同輿情信息在傳播過程中的走向。因此，本文選取真實(shí)社交網(wǎng)絡(luò)Facebook數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，探索信息之間相關(guān)作用因子β的大小對個體狀態(tài)變化的影響。

圖3展示了β取不同值時個體在輿情多信息傳播過程中的狀態(tài)變化。由圖3可知，當(dāng)信息之間具有合作關(guān)系（β>0）時，隨著合作關(guān)系的加強(qiáng)，未知者人數(shù)下降，已知者人數(shù)減少，傳播者人數(shù)增加?？梢钥闯龊献麝P(guān)系促進(jìn)了信息傳播，提高了輿情傳播峰值，個體進(jìn)行傳播后最終停留在免疫狀態(tài)。當(dāng)信息之間具有獨(dú)立關(guān)系（β=0）時，個體先由未知者轉(zhuǎn)化為已知者，之后逐漸由已知者和傳播者轉(zhuǎn)化為免疫者，即前期人群主要停留在已知狀態(tài)，后期人群主要停留在免疫狀態(tài)。當(dāng)信息之間具有競爭關(guān)系（β<0）時，隨著競爭關(guān)系的加強(qiáng)，個體對信息的傳播有明顯下降，大多個體最終停留在已知狀態(tài)，此時輿論場并不是穩(wěn)定的，一旦某個信息傳播人數(shù)得到上漲，會快速進(jìn)行擴(kuò)散，再次引起輿情的傳播，即二次傳播現(xiàn)象。

圖4展示了β分別取0，-0.5，0.5時，輿情傳播過程中傳播者的比例變化?？芍?0.5時傳播者人數(shù)最多，且傳播過程早于β=0和β=-0.5時。β=-0.5時傳播者人數(shù)最少，說明多信息傳播之間相互競爭時，傳播者人數(shù)明顯下降。

此外，為了深入分析輿情信息之間相互競爭時的二次傳播現(xiàn)象，對β=-0.5時輿情信息競爭導(dǎo)致的二次傳播現(xiàn)象進(jìn)行模擬，仿真結(jié)果如圖5所示。由圖5a可知，當(dāng)信息之間相互競爭時，輿情傳播在t=6和t=10時達(dá)到傳播峰值，整個傳播過程呈現(xiàn)明顯的二次傳播趨勢。圖5b展示了將傳播者細(xì)分為兩種相互競爭的信息傳播者后，在輿情傳播過程中的變化趨勢。由圖5b可知，當(dāng)兩種信息相互競爭傳播時，一種信息占上風(fēng)后進(jìn)行快速擴(kuò)散，達(dá)到傳播峰值后有明顯下降趨勢，傳播者轉(zhuǎn)化為免疫狀態(tài)。當(dāng)?shù)?種信息傳播人群進(jìn)入免疫狀態(tài)達(dá)到較高比例后，第2種話題信息開始占據(jù)上風(fēng)進(jìn)行傳播，進(jìn)而再次引起兩種信息的競爭，并最終進(jìn)入免疫狀態(tài)。且由圖4可知，兩種信息屬性值相同時，雖然出現(xiàn)二次傳播的現(xiàn)象，但傳播峰值較低，說明相互競爭關(guān)系的多信息交互抑制了輿情傳播。

2.3 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)對輿情傳播的影響

為了分析社交網(wǎng)絡(luò)的不同拓?fù)浣Y(jié)構(gòu)對輿情多信息交互傳播過程的影響，分別在單層網(wǎng)絡(luò)和雙層網(wǎng)絡(luò)中進(jìn)行多信息交互傳播過程的仿真模擬。其中單層網(wǎng)絡(luò)選擇NW小世界網(wǎng)絡(luò)、BA無標(biāo)度網(wǎng)絡(luò)和Facebook網(wǎng)絡(luò)。相關(guān)研究表明在雙層社交網(wǎng)絡(luò)結(jié)構(gòu)中，線下網(wǎng)絡(luò)相對勻質(zhì)[20]，而線上網(wǎng)絡(luò)的異質(zhì)性較為明顯[21]，學(xué)者們常使用NW/ER網(wǎng)絡(luò)模擬線下社交網(wǎng)絡(luò)，使用BA網(wǎng)絡(luò)模擬線上社交網(wǎng)絡(luò)，于是選擇NW-Facebook網(wǎng)絡(luò)代表線上（Facebook）線下（NW小世界網(wǎng)絡(luò)）相連的雙層社交網(wǎng)絡(luò)結(jié)構(gòu)，BA-Facebook網(wǎng)絡(luò)代表不同社交平臺相連的雙層社交網(wǎng)絡(luò)結(jié)構(gòu)，其中BA無標(biāo)度網(wǎng)絡(luò)表示不同于Facebook的線上社交平臺網(wǎng)絡(luò)。

圖6展示了當(dāng)β取0.5、0及-0.5時，傳播者在NW小世界網(wǎng)絡(luò)、BA無標(biāo)度網(wǎng)絡(luò)、Facebook網(wǎng)絡(luò)、NW-Facebook網(wǎng)絡(luò)和BA-Facebook網(wǎng)絡(luò)5個不同網(wǎng)絡(luò)中的傳播趨勢。由圖6可知，β取0.5、0及-0.5不同值時，傳播者在5個不同網(wǎng)絡(luò)中均呈現(xiàn)先上升后下降的趨勢。兩種信息在不同作用情況下，β=0.5時的傳播峰值最高，且出現(xiàn)峰值的時間最早，即相互合作的關(guān)系促進(jìn)了輿情更大規(guī)模的傳播且加速了輿情傳播速度。β=-0.5時的傳播峰值最低，相比于β=0時的傳播情況，相互競爭的多信息交互情況下的傳播者峰值明顯下降，且輿情傳播時間也明顯推遲。此外，輿情傳播前期（T=2、3、4時），雙層網(wǎng)絡(luò)結(jié)構(gòu)下的輿情傳播者相比單層網(wǎng)絡(luò)下數(shù)值高，說明雙層網(wǎng)絡(luò)的連通性可以加快輿情前期的傳播速度。

由圖6a可知，β=0.5時傳播者在5個網(wǎng)絡(luò)中峰值的大小和出現(xiàn)峰值的時間關(guān)系為BA無標(biāo)度網(wǎng)絡(luò)>BA-Facebook網(wǎng)絡(luò)>NW小世界網(wǎng)絡(luò)>NW-Facebook網(wǎng)絡(luò)>Facebook網(wǎng)絡(luò)。由此可知在雙層網(wǎng)絡(luò)中傳播者活躍度介于兩個單層網(wǎng)絡(luò)之間，這是由于β=0.5時個體主要停留在免疫狀態(tài)（2.2結(jié)論），而雙層網(wǎng)絡(luò)的連通性使得個體較早進(jìn)行傳播，且增加了傳播者與傳播者相鄰的概率，進(jìn)而在下一時間步轉(zhuǎn)化為免疫狀態(tài)，即雙層網(wǎng)絡(luò)的連通性使傳播者更快進(jìn)入免疫狀態(tài)。因此從離散數(shù)學(xué)的角度來看，雙層網(wǎng)絡(luò)的連通性也會弱化輿情傳播的爆發(fā)，促使個體較早進(jìn)入免疫狀態(tài)，增加了網(wǎng)絡(luò)輿情的穩(wěn)定性。由圖6b可知，β=0時傳播者在五個網(wǎng)絡(luò)中峰值的大小和出現(xiàn)峰值的時間關(guān)系為：NW-Facebook網(wǎng)絡(luò)>NW小世界網(wǎng)絡(luò)>BA無標(biāo)度網(wǎng)絡(luò)>BA-Facebook網(wǎng)絡(luò)>Facebook網(wǎng)絡(luò)。由此可知此時NW-Facebook網(wǎng)絡(luò)的傳播者活躍度及傳播速度均大于單層網(wǎng)絡(luò)，但BA-Facebook網(wǎng)絡(luò)中傳播者活躍度介于兩個單層網(wǎng)絡(luò)之間[8]。由圖6c可知，β=-0.5時傳播者在5個網(wǎng)絡(luò)中峰值的大小和出現(xiàn)峰值的時間關(guān)系為：BA-Facebook網(wǎng)絡(luò)>BA無標(biāo)度網(wǎng)絡(luò)>NW-Facebook網(wǎng)絡(luò)>NW小世界網(wǎng)絡(luò)>Facebook網(wǎng)絡(luò)。由此可知此時雙層網(wǎng)絡(luò)的傳播者活躍度及傳播速度均大于單層網(wǎng)絡(luò)，且雙層網(wǎng)絡(luò)下輿情傳播的峰值較接近于傳播峰值較大的單層網(wǎng)絡(luò)（BA無標(biāo)度網(wǎng)絡(luò)）。

綜上可知，相較于相互獨(dú)立關(guān)系的輿情傳播過程，相互合作關(guān)系的多信息交互傳播速度快，影響范圍大，而相互競爭關(guān)系的多信息交互傳播有明顯的抑制現(xiàn)象（與2.2節(jié)結(jié)論相同）。此外，不同網(wǎng)絡(luò)結(jié)構(gòu)的信息交互傳播趨勢大致相同，但數(shù)值有著明顯差別，說明網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)對輿情傳播范圍和峰值有明顯影響。雙層網(wǎng)絡(luò)的連通性加快了輿情前期的傳播速度，促進(jìn)了相互獨(dú)立和相互競爭關(guān)系的多信息交互傳播，而對相互合作關(guān)系的多信息交互傳播影響不大。

3 個體在輿情傳播過程中的狀態(tài)變化

進(jìn)入后真相時代以來，信息的有效發(fā)布與傳播對突發(fā)事件網(wǎng)絡(luò)輿情的引導(dǎo)和治理具有重要的意義。多信息交互傳播現(xiàn)象下的人群狀態(tài)具有復(fù)雜性和模糊性，為了深入了解多信息交互傳播時不同人群的狀態(tài)變化，將個體細(xì)分至16種狀態(tài)人群進(jìn)行分析，便于相關(guān)部門對不同人群執(zhí)行更加精準(zhǔn)的個性化營銷或免疫策略。以β=0時輿情信息傳播為例，選取真實(shí)社交網(wǎng)絡(luò)Facebook數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)仿真，其他參數(shù)設(shè)置同上節(jié)，不同人群狀態(tài)變化如圖7所示。

圖7a展示了將16種狀態(tài)人群依據(jù)個體外在特征分為4類人群時的狀態(tài)變化，圖7b和圖7c展示了已知者和傳播者包含的7種不同人群的狀態(tài)變化?？梢钥闯鍪褂谜鎸?shí)社交網(wǎng)絡(luò)Facebook數(shù)據(jù)集進(jìn)行傳播實(shí)驗(yàn)，模擬得到的個體變化結(jié)果符合現(xiàn)實(shí)信息傳播的狀態(tài)變化，間接驗(yàn)證了本文所構(gòu)建模型的有效性。

由圖7可知，16種人群在整個輿情傳播過程中，具有明顯的三階段生命周期（擴(kuò)散階段d1-爆發(fā)階段d2-衰退階段d3）。由圖7a可知，未知者節(jié)點(diǎn)呈現(xiàn)出先急速下降后緩慢下降最后停留在較小數(shù)值的趨勢，已知者節(jié)點(diǎn)呈現(xiàn)出先急速上升后緩慢上升最后緩慢下降至一定數(shù)值的趨勢，傳播者節(jié)點(diǎn)呈現(xiàn)出先急速上升后緩慢上升最后緩慢下降至較小數(shù)值的趨勢，免疫者節(jié)點(diǎn)呈現(xiàn)出先緩慢上升后急速上升最后緩慢上升并停留在一定數(shù)值的趨勢。由圖7b可知，已知者包含的7種不同已知狀態(tài)在三個生命周期階段中變化不同：1）SE、ES和EE狀態(tài)節(jié)點(diǎn)在d1階段上升在d2階段下降。2）ER、RE狀態(tài)節(jié)點(diǎn)在d2階段先上升后下降，3）SR、RS狀態(tài)節(jié)點(diǎn)在d1、d2階段上升在d3階段下降。由圖7c可知，傳播者包含的7種不同傳播狀態(tài)在三個生命周期階段中變化較為相似：7種傳播狀態(tài)節(jié)點(diǎn)均呈現(xiàn)出先上升后下降的趨勢，其中，IS和SI兩類傳播人群先達(dá)到峰值，IR和RI兩類傳播人群的峰值最大。

基于上述分析，在真實(shí)社交網(wǎng)絡(luò)的多信息交互傳播中，對于具有同一外在表現(xiàn)的不同狀態(tài)人群，其走向趨勢和所處生命周期階段并不一定是相同的。因此，政府等相關(guān)部門在制定和實(shí)施控制輿情的策略時需要根據(jù)個體在平臺中或生活中的具體表現(xiàn)判斷其對于不同信息的態(tài)度，進(jìn)而判斷其所處階段，根據(jù)人群所處的具體狀態(tài)對其制定有針對性的疏導(dǎo)和干預(yù)，進(jìn)而更加精準(zhǔn)地實(shí)現(xiàn)對不同人群的輿情管控。

4 結(jié)語

本文將輿情多信息在傳播過程中的相互作用分為三類：合作、獨(dú)立和競爭，將每一個個體的狀態(tài)表示為對兩個信息狀態(tài)的復(fù)合，結(jié)合離散數(shù)學(xué)理論，建立輿情多信息交互傳播模型?；谠贜W小世界網(wǎng)絡(luò)、BA無標(biāo)度網(wǎng)絡(luò)、Facebook網(wǎng)絡(luò)及雙層網(wǎng)絡(luò)中的多信息傳播過程仿真模擬，分析了接受次數(shù)和信息吸引度、信息相互作用強(qiáng)度及網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)對輿情傳播的影響及多信息交互傳播時的個體狀態(tài)變化特征。通過大量仿真實(shí)驗(yàn)，得到結(jié)論：1）多信息相互合作時，大部分個體最終停留在免疫狀態(tài)；多信息相互競爭時，大部分個體最終停留在已知狀態(tài)，此時輿論場是不穩(wěn)定的，極易產(chǎn)生輿情的二次傳播。2）網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)對多信息交互傳播具有顯著影響。3）多信息交互傳播時人群具有明顯的擴(kuò)散爆發(fā)衰減生命周期，將人群分至16種人群后可以為輿情管控工作帶來更加精準(zhǔn)的干預(yù)策略和理論建議。本文的研究結(jié)果可以幫助學(xué)者更好地理解社交網(wǎng)絡(luò)中輿情多信息交互傳播機(jī)制，為輿情信息的最大化傳播（如創(chuàng)新、觀點(diǎn)、技術(shù)）和控制信息傳播（如謠言、病毒）提供一定的理論指導(dǎo)。研究不足之處在于輿情多信息的交互與實(shí)際事件聯(lián)系緊密度較高，由于數(shù)據(jù)獲取的困難性，本文未通過真實(shí)輿情事件案例對模型進(jìn)行全方面的實(shí)證分析。在接下來的研究中本團(tuán)隊(duì)將會與相關(guān)社交平臺取得合作，通過獲取更多真實(shí)的輿情案例數(shù)據(jù)信息進(jìn)行模型有效性驗(yàn)證，進(jìn)而更好地揭示其主要本質(zhì)規(guī)律。

參考文獻(xiàn)：

[1]KERMACK W O， MCKENDRICK A G. A contribution to the mathematical theory of epidemics[J]. Proceedings of the Royal Society of London. Series A， Containing Papers of a Mathematical and Physical Character， 1927， 115（772）： 700721.

[2]DALEY D J， KENDALL D G. Epidemics and rumours[J]. Nature，1964，204（4963）： 11181118.

[3]WATTS D J， STROGATZ S H. Collective dynamics of "small-world" neteorks[J].Nature，1998， 393（6684）：440442.

[4]NEWMAN M E J， WATTS D J. Renormalization group analysis of the small-world network model[J].Physics Letters A，1999，263：341346.

[5]ZANETTE D H.Dynamics of rumor propagation on small world networks[J].Physical Review E，2002，65（4）：19081916.

[6]ZHANG R X， LI D Y. Rumor propagation on networks with community structure[J].Physica A：Statistical Mechanics and Its Applications， 2017， 483：375385.

[7]ZHU L， WANG Y G. Rumor diffusion model with spatio-temporal diffusion and uncertainty of behavior decision in complex social networks[J].Physica A：Statistical Mechanics and Its Applications，2018，502：2939.

[8]王家坤，王新華.雙層社交網(wǎng)絡(luò)上的企業(yè)輿情傳播模型及控制策略研究[J].管理科學(xué)，2019，32（1）：2841.

WANG J K， WANG X H.Research on the enterprise public opinion spreading model and control strategy in two-layer social networks[J].Journal of Management Science，2019，32（1）：2841.

[9]XIAN J J， YANG D， PAN L M， et al. Misinformation spreading on correlated multiplex networks[J]. Chaos： an Interdisciplinary Journal of Nonlinear Science， 2019， 29（11）： 113123.

[10] STANOEV A， TRPEVSKI D， KOCAREV L. Modeling the spread of multiple concurrent contagions on networks[J]. PloS One， 2014， 9（6）： e95669.

[11] 王治瑩，梁敬.突發(fā)事件中多種異質(zhì)信息在出現(xiàn)時間差異情境下的競爭傳播研究——兩階段競爭模型[J].管理評論， 2019， 31（10）：263272.

WANG Z Y，LIANG J. Competitive propagation of multi-heterogeneous information with occurrence time differences in emergencies—two-stage competition model[J].Management Review， 2019， 31（10）：263272.

[12] YAN X B， JIANG P. Effect of the dynamics of human behavior on the competitive spreading of information[J]. Computers in Human Behavior， 2018， 89： 17.

[13] ZHU Z Q， GAO C， ZHANG Y M， et al. Cooperation and competition among information on social networks[J]. Scientific Reports， 2020， 10（1）： 112.

[14] XIAO Y P， ZHANG L， LI Q， et al. MM-SIS： Model for multiple information spreading in multiplex network[J]. Physica A： Statistical Mechanics and Its Applications， 2019， 513： 135146.

[15] YANG D， CHOW T W S， ZHONG L， et al. True and fake information spreading over the Facebook[J]. Physica A： Statistical Mechanics and Its Applications， 2018， 505： 984994.

[16] VOSOUGHI S， ROY D， ARAL S. The spread of true and false news online[J]. Science， 2018， 359（6380）： 11461151.

[17] 楊超，王友國，朱亮.在線社交網(wǎng)絡(luò)中雙謠言擴(kuò)散的閾值研究[J].計(jì)算機(jī)仿真，2020，37（8）：206209+370.

YANG C，WANG Y G，ZHU L.Research on threshold of double rumor spread in online social networks[J]. Computer Simulation，2020，37（8）：206209，370.

[18] 楊磊，封永雪，侯貴生，等.個體因素與外部環(huán)境共同作用下的跨平臺社交網(wǎng)絡(luò)輿情傳播模型研究[J].現(xiàn)代情報(bào)，202 41（3）：138147，158.

YANG L， FENG Y X， HOU G S， et al.Research on cross-platform social network public opinion propagation model under the joint action of individual factors and external environment[J].Journal of Modern Information，202 41（3）：138147，158.

[19] ZHU L H， LIU W S， ZHANG Z D. Interplay between epidemic and information spreading on multiplex networks[J]. Mathematics and Computers in Simulation， 202 188： 268279.

[20] 李丹丹，馬靜.雙層社會網(wǎng)絡(luò)上的輿情傳播動力學(xué)分析[J].系統(tǒng)工程理論與實(shí)踐，2017，37（10）：26722679.

LI D D，MA J.Public opinion spreading dynamics in a two-layer social network[J].Systems Engineering-Theory&Practice，2017， 37（10）：26722679.

[21] LI D D， MA J， TIAN Z H， et al. An evolutionary game for the diffusion of rumor in complex networks[J]. Physica A： Statistical Mechanics and Its Applications， 2015， 433： 5158.

（責(zé)任編輯 耿金花）