基于小世界网络的微博负面信息传播模型构建与案例分析
2015-09-08兰娟丽雷宏振章俊
兰娟丽 雷宏振 章俊
[摘要]本文在基于小世界网络理论SIR模型分析的基础上,构建出一种对微博网络负面信息传播的扩散机制模型,利用数学建模对该模型传播趋势进行概率分析,研究发现微博网络社区的节点度越大,该节点处负面信息传播的能力就会越强;并通过对微博负面信息义乌“微笑哥”之谜进行社会网络实证分析,对节点用户中心度的刻画,说明了微博内负面信息的传播会因其网络内节点的不同而呈现不同的扩散特征。
[关键词]负面信息;微博;扩散机制;节点度
[中图分类号]G206.3
[文献标识码]A
[文章编号]1008-0821(2015)04-0022-04
1 问题的提出及文献综述
微博,是一种允许用户及时更新简短文本(通常少于140字)并可以公开发布的微型博客形式,它本质上是一种在线社会网络,社会网络可以定义为以个人或者群体为结点构成的集合。根据Watts和Strogaz提出的关于小世界网络的定义及近年来关于复杂网络的研究表明,微博具有“小世界效应”,即较大的集聚系数与较小的平均距离。社会舆论通过网络传播时会产生“蝴蝶效应”,信息传递所依赖的媒介是重要的因素(钟伟军,2013)。近年来社会科学等领域关于负面信息传播的研究主要集中于网络谣言的传播过程及传播效果和,其理论基础包括Jaeger ME等(1980)提出的谣言传播及谣言背后的社会学现象,以及谣言传播者内心的焦虑或恐慌Walker CJ Bec&kerle C A(1987)。Gruhl D,Guha R(2004)在传染病模型中SIRS的基础上提出了话题在博客网络中的传播模型;Leskovec J(2007)参考传染病模型中SIS模型,构建了博客网络中信息的级联传播模型,通过仿真生成话题传播网络;韩立新(2008)提出了涌现模型;陈波、于泠(2011)将传统传染病模型推广到乏在媒体环境中,引入直接免疫率和潜伏个体,建立了带直接免疫的SEIR传播控制模型。在信息传播控制方面,唐克超(2008)认为,网络舆论是在互联网上通过有关事态信息传播、新闻跟帖、网上评论等形式,具有一定倾向性和影响力的群体性意见,他提出了针对网络舆论的高度重视、疏导结合、有效管理的政策建议。Alisen Hill(2010)等人的研究表明,通过微博极为发达的信息机制,消极的情绪表达可能像瘟疫一样瞬间感染网络,应加以重要引导。
本文拟在现有研究的基础上,基于传统SIR模型,加入时间动态以及微博节点度值影响因素,构建出一种扩展的微博负面信息传播网络模型,并以期借助社会网络分析软件对微博负面信息现实案例进行传播特征方面的探索。本文所指的负面信息涵盖了微博网络中存在的一切虚假、有害的、未经证实的话题或谣言。
2 微博负面信息模型构建及分析
依照以往复杂网络对于信息在网络上的研究通常重视网络模型的构建这一特征,我们用SIR模型对整个传播过程进行刻画,给定t时刻某负面信息在微博中出现,假设该微博网络有N个节点,即有N个可以传播信息的用户。我们认为,随着系统演变过程,微博网络用户对于负面信息的传播最终只有3种状态:未知态、已知态和确认免疫态。“未知态”表示用户还未收到负面信息、“已知态”表示微博用户已经收到但是由于种种原因不愿意传播下去和“确认免疫态”表示用户传播该负面信息后,对于下次传播失去兴趣,即再次收到此信息处于免疫状态。考虑到网络社区的特点,由刘俊,金聪等(2009)文献中病毒传播的部分相关算法,结合微博网络社区的特点,可以得到相关计算公式有:
3 案例分析:义乌“微笑哥”之谜
本文的研究案例来自新浪微博,即2014年7月15日23时28分,一名经过实名认证名为“吴法天”的微博用户发表了一篇名为《义乌“微笑哥”之谜》微博,该微博称:浙江义乌工业园区张浒村一位80岁的老人与几位妇女向工业园区局长下跪哭求解决问题方案,该局长面对下跪群众不仅无动于衷而且笑容灿烂。中午,义乌工业园区针对此事回应称,真相并非如此,期间有村民跟该工作人员打招呼,他礼节性微笑回应。这条微博消息迅速在微博上发酵,被转发126次,评论91次,这是一个微博网络负面信息传播的现实案例。
基于新浪微博API,利用自编程序来获取该负面微博日志的评论信息,主要包括用户评论内容、用户ID,构建一个基于负面信息传播的社会网络,其中节点表示信息的产生者和传播者,在本案例中就是指对“吴法天”所发微博而进行评论的用户、被评论用户转寄(@功能)给的用户以及“吴法天”本人。按照社会网络分析的思路,通过以上的三类用户构建邻接矩阵,令矩阵的“行”代表信息发送者,“列”代表信息接受者。如果这些用户中某位用户将信息传递给了另一位用户,则对应的行列元素值为1,否则为0,最终得到一个二值矩阵。根据前期收集数据,我们可以得到本案例的邻接矩阵,导入社会网络分析软件Ucinet后可以通过Netdraw绘制出该微博社区内交流网络的社群图,如图1:
接下来,运用UCINET软件对“浙江义乌微笑哥”这个负面信息整体网络邻接矩阵数据进行密度测度,得出结果如表1所示。根据结果显示,在由58个传播节点组成的“义乌微笑哥”负面信息传播网络中,实际存在的连接数为73条,整体网络间的密度为0.0221,实验网络中的连线数为73条,节点为58个。在UCINET软件中构造一个拥有58个节点的随机网络,并计算该随机网络的网络密度,结果为0.063,如表2所示。
对比实验网络与随机网络的参数,发现试验网络的密度要远远小于随机网络。可见,负面信息在传播的过程中,网络密度较小,负面信息传播主体之间的关系并没有理论上的那么紧密,而是如图1具有扩散特点的。
表3、表4、表5分别反映了负面信息网络中心度的三类指标结果,观察可以得出:
(1)“义乌微笑哥”负面信息传播网络的整体点度中心度为2.172,1号即原文作者“吴法天”是整个负面信息传播网络中的关键节点,明显高于实验网络中其他节点,该节点对于该信息的传播能力明显强于其他节点,这说明在整个负面信息传播的过程中,研究发现微博网络社区的节点度值越大,负面信息继续传播的能力越强;endprint
(2)“义乌微笑哥”负面信息传播网络58个节点中,13个节点的中间中心度大于0。其中,最大中间中心度为959,为原文作者“吴法天”,其次是“吴飞微议”、“王海涖”、“mixiahmixiahmixiah”,中间中心度分别为392、192、153。这说明就整个网络而言,网络中的大部分节点不需要别的节点作为桥接点,即网络中的大部分节点是不受他人控制的,便可以接受信息,而这几个较大节点的微博用户在“义务微笑哥”这条负面信息传播的过程中具有一定的“扩散力”,反映了微博内负面信息的传播会因节点度的不同而具有不同的扩散特征,可以一般描述为:节点度值越大,扩散趋势越明显。
4 结语
参考微博网络中信息传播的特征,文章基于小世界网络理论SIR模型分析的基础上,构建出一种对微博网络负面信息传播的扩散机制模型,然后通过数学建模对该模型传播趋势进行概率分析,发现影响负面信息在微博网络内传播的因素主要有:各种状态用户的数量,以及微博网络节点度值,信息有效传播概率,无论这些因素中的哪一个变化都会带来整个系统的改变,而微博网络节点度值更是影响信息有效传播概率的关键因素,信息有效传播概率会随着节点度值的增大而增大。接下来通过选取微博中现实案例进行社会网络实证研究,对负面信息传播网络的点度中心度、中间中心度、接近中心度的分析,验证了网络节点中心度对负面信息传播影响的重要性。
由实证研究可知,网络中的大部分节点不需要别的节点作为桥接点,即网络中的大部分节点可以不受他人控制的而接受信息,因此我们不能掌控整个网络,只能从决定负面信息扩散趋势的主要节点用户努力,我们进而得到启发:政府及有关部门在控制会引发网民消极情绪的传播态势时,如,微博的页面信息,应该选择合适的“时机”和“节点”,以最快速度从微博网络中找出最可能会传播该负面信息的主要节点用户(一般指占据度值较大的节点用户),从而及时降低其传播的可能性,减弱信息扩散趋势,从源头开始控制负面信息的传播,由此将负面信息猛烈传播可能会带来的危害尽可能地降到最低。我们认为,正是诸如资深新闻评论员,新闻编辑,网络名人,专家学者等在网络负面信息传播中扮演着主要节点用户的角色,他们通常也被称为网络意见领袖,政府对于意见领袖的教育、引导和管理便显得尤为关键,可以起到正确疏导舆情走向的作用。
(本文责任编辑:郭沫含)endprint