微信传播建模分析

王小立

〔摘 要〕结合复杂网络与Agent的建模方法对微信信息的传播进行研究。通过分析微信信息的交互规律构建复杂网络，并在对影响个体传播行为的相关变量进行探究的基础之上建立Agent模型。针对Agent之间的信息交互，提出3种基于各变量的演化规则。研究利于揭示微信信息传播的关键机理，并有助于对微信平台进行有效利用和管控。

〔关键词〕复杂网络建模；Agent建模；信息传播；演化规则

DOI：10.3969/j.issn.1008-0821.2015.07.010

〔中图分类号〕G202；TP393 〔文献标识码〕A 〔文章编号〕1008-0821（2015）07-0053-04

〔Abstract〕The information dissemination of the WeChat is studied with the method which combines complex-network-based modeling and agent-based modeling.The complex network is established through the analysis on the interactive rule of information，and the Agent model is built upon the work searching for relevant variables which affect individual dissemination behaviors.For the information interacation between Agents，three evolution rules based on these variables are presented.This study revealed the mechanism of WeChat information diffusion and contributes to controlling and making better use of WeChat.

〔Key words〕complex-network-based modeling；agent-based modeling；information dissemination；evolution rule

随着我国经济社会以及网络技术的发展，特别是移动终端设备的普及，我国网民规模急速膨胀。CNNIC第34次报告显示，截至2014年6月，我国网民规模达到632亿，其中手机网民达527亿，手机上网比例（834%）首超传统PC上网比例（809%）。网络已经成为人们社会生活中获取信息和交流思想的重要平台，特别是微信于2011年1月21日推出以后，微信用户迅速膨胀，已经成为人们获取信息的一种重要渠道。

微信信息的传播，实际是社会网络信息传播的一种方式。目前，众多学者对于网络信息的传播演化过程进行深入研究，取得了大量成果。Hegselmann等把人与人之间的信息传播抽象成规则网络进行数学建模，分析舆情传播和演化的规律[1-5]；Zhou等利用传染病传播的模型分析网络谣言的特点和规律[6]；曾祥平等通过建模指出个体本身和环境因素对其所持观点的影响[7]。兰月新等通过建立微分方程，分析得出网络舆情发展可分为4个阶段[8]；方薇等利用元胞自动机模型，解释了舆情传播中主体偏好和环境适应的影响[9]。王根生通过实证分析网络舆情演化的无标度特性，将其分为观点形成和观点交互两个阶段[10]。这些研究的对象主要集中在网络舆情方面，特别是突发事件、谣言等负面信息，而在微信平台传播的信息中，不仅包括这些，还有大量知识性、综合性内容。通过对微信信息的传播演化过程进行分析，有助于揭示微信信息在人们生活中影响力的作用机理、影响因素等方面的内容，对我们利用微信平台进行知识传播、舆论引导、信息公开等具有重要的意义。

本文从复杂网络的观点出发，运用复杂网络的相关理论和Agent的建模方法，对微信信息这一微内容[11]的传播演化进行建模，分析了信息价值、传播者的兴趣爱好、交际习惯、意见气候等对微信信息传播演进的影响规律。

1 微信传播分析

在微信平台中不同用户通过好友关系相互链接形成独立的微信用户社会网络。微信信息通过该网络在不同好友间传播。不同用户对特定微信信息的传播行为影响该信息的传播范围、传播速度等，同时，信息也在不停传播中潜移默化地对用户发生作用。

11 微信传播网络模型

在微信用户社会网络中，将参与信息传播的用户抽象成节点，将用户间社交关系抽象成边，则构成微信信息传播网络，如图1所示。

图1 微信信息传播网络示意图

微信中用户社交关系往往是基于朋友、同事、同学、家庭等强关系构成的，微信信息传播网络可看成人际社会网络的虚拟化，是典型的复杂网络[12]，具有小世界[13]、无标度[14]特性。当前的研究表明人际关系网络通常平均节点间距离较小、聚类系数较高而且节点的度成幂律分布。当前普遍用于模拟人际关系网络的模型主要有NW小世界网络和BA无标度网络。小世界网络强调高聚类系数、较小平均距离但度分布却不符合幂律分布，无标度网络则相反。微信用户社交关系是强关系，不同交际性格、交际能力、职业、阅历等因素使得网络中各节点度的分布非常不均，网络的无标度特性明显。因此，本文基于BA无标度网络[15]模型进行改进来近似微信信息传播网络。具体生成网络的步骤如下：

（1）生成一个初始网络，即仅两个节点相连组成。

（2）每个时间步长增加一个新节点并与已有节点相连，与某已有节点相连的概率正比于该节点的度，当某节点的度大于300时不再连接新节点（假设一般微信好友的数量不超过300人）。endprint

（3）设定时间单位T，则生成具有T+2个节点的近似BA无标度网络。

（4）若网络中与任意两节点A、B共连的节点数N大于3，则把A、B两节点相连（增强聚类系数，即A、B有3个以上的共同朋友则A、B是朋友）。

（5）若网络中与任意两节点A、B共连的节点数N大于50，则在共连节点中随机选取N-50个节点，断开与A或B的连接，断开概率反比于A或B的度（假设一般微信共同好友的数量不超过50）。

（6）对于每一条连接两个节点的边，按照一定概率随机赋予权重，代表相邻两节点的亲疏度关系。

12 微信信息传播流程

依据微信在生活中的应用，可以把微信信息传播的主体分为三类：信息推送者、信息接收者和未接收信息者。通过微信进行信息传播，发布者进行信息推送之后接收者的反应往往有两种情况：一是积极向外（微信好友、朋友圈或微信群）推送，此时接收者对外相当于次推送者；二是虽接收信息但不向外传播。

微信中信息的传播，除新闻推送外，大都在微信联系人间进行。微信通过微信好友、朋友圈、微信群构成了微信信息传播的3种基本渠道，而通过此3种渠道进行传播的信息，正是本文研究的主要对象。从微信信息的传播过程来看，微信信息总是封闭在微信平台内部传播，通过微信向外传播的情况本文不予考虑。微信信息的源头通常有两种，一种是微信用户自己的创作；另一种是通过链接引用其它媒介的信息，但是一旦这类信息引入到微信，即只在微信平台内部传播。无论何种来源的信息，一旦在微信平台中发布，传播该信息时每个微信用户的地位基本相同，既是信息接收者又是信息推送者，但该信息在微信平台3种渠道的传播方式和影响力不尽相同。第一种是通过朋友圈发布的信息，在发布者积极推送时任何微信好友都可见，因此其影响范围大。第二种是通过微信群发布的信息，只对该群成员可见。第三是仅对某一好友推送的信息，这类信息往往针对特定对象（如对方感兴趣的信息）。实际生活中，微信信息只通过特定好友传播或者只在不同群内传播的情况很少，往往由这两种渠道转入朋友圈中传播，因此，本文只考虑第一种传播方式。

13 微信信息传播模型

信息在微信网络中传播过程，其实是信息对不同微信网络用户大脑发生作用的过程，类似传染病的传播。本文利用传染病SIR模型来描述，S表示未接收信息者，I表示接收到信息并主动向外推送者，R表示接收到信息但不向外推送者（潜水者）。微信信息传播的过程以及推送节点i与被推送节点j之间的关系可以描述如下：

这里把对某特定信息持推送态度的节点i作为主要对象，当被推送邻节点中有S状态节点j存在则向其推送信息，并且在一定条件下j节点亦转为新的推送节点如式（1）；当邻节点j全部是I、R状态则不再推送信息，而且j节点状态保持不变如式（2）和式（3）。在现实生活中由于交际性格、习惯等原因，微信信息接收者在接到信息后，是转变为I（向朋友圈发布）还是R（潜水）具有极大的惯性，即潜水者一般不会对所接收到的信息再次向朋友圈发布。另外，推送节点i的推送热情、信息价值的时效性都随着时间而降低，在达到某一阈值时i节点则不再具有推送力。微信信息传播网络是有限的，假设某一时刻有一个或几个节点得到某一特定信息并向邻节点推送，即转入I状态，则信息将按照上述规则传播直至网络中没有I的状态节点存在止。

2 基于Agent微信信息传播建模

基于Agent的建模仿真（Agent-based Modeling and Simulation，ABMS）是一种自底向上的仿真范式，它将复杂系统中的组成实体抽象构建单个Agent模型，通过对Agent的自主行为及其之间的管理策略、协议、交互关系的规范描述，进而得到复杂系统的宏观行为表现。微信信息的传播系统具有典型的复杂系统性特征，通过Agent的建模方法建立的微信传播模型系统与实际生活中微信信息传播系统具有较高的结构上的相似性或同构性。

21 Agent个体模型

微信信息在微信用户所构成的社会网络中传播，进而对相关微信用户产生影响，同时，不同微信用户对该信息的态度产生的3种不同反应（积极推送、沉默以对、明确反对），反过来影响该信息的传播范围。在此，本文将每个微信用户抽象为个体Agent建模，它代表了社会网络中的人，其对微信信息的作用力受到多方面因素的影响。根据微信信息传播的特点，本节探究影响微信信息接收者成为推送者的几个关键因素：

211 信息的价值因素value（i，t）

某种程度上讲信息本身属性一开始便决定了信息的传播范围，一个毫无价值的信息几乎得不到有效传播。影响信息传播范围的基本属性有很多，如信息主题的受关注度、信息内容的价值、信息价值的时效等。一条影响深远的时政信息远比一个毫无价值的事件的受关注度高、价值量大、存在意义时间长。由于每个具体信息本身的影响力具有一定的稳定性，可以近似为一个常数v0。另外，信息是具有价值时效的，随着时间的增长信息的价值也会出现“老化”。网络信息与文献信息老化的规律具有一定的相似性，依据文献老化规律的负指数模型，把信息价值的时效定义为value（i，t）=v0e-λi（t-t0），表示t时刻信息在Agenti处的时效价值，t0表示信息产生的某一固定时间。信息关注因子λi代表信息在微信网络之外传播，如网站、微博、新闻媒体等，从而形成大众对该信息的关注度，该关注度亦影响信息在Agenti眼中的价值。外界关注度越高，信息关注因子越小。

212 人的相关因素infij

网络中某一Agent节点受特定信息感染（接收）的影响因素有很多与人相关。信息接收者各不相同的身份背景、兴趣爱好、文化程度、心理因素等导致对信息的偏好、交际性格各不相同，加之对该信息的支持、中立、反对的不同态度，直接影响Agentj由S向I状态的转变的概率。从推送者的角度看，推送者Agenti的影响力infi有着至关重要的作用，它是信息传播的关键推动力。infi的影响力和推送者Agenti的交际性格、推送力度、推送者与接收者之间的关系等因素相关。现实生活中某一推送者的交际性格越活跃、推送力度越大、与接收者关系越紧密，其推送的影响力往往也越大，反之，随着推送时间的增长，其推送热情和推送的影响力也迅速降低。从接收者的角度看，接收者Agentj的因素直接影响其由S向I状态的转变概率。在得到信息后Agentj是否选择向外推送，和他的兴趣爱好、交际习惯infj和对于信息的态度Aj有关。现实生活中喜欢刷朋友圈的人向外推送信息的积极性远远高于喜欢潜水的用户。Agentj对于信息的态度Aj，一般用[-1，1]上连续实数表示。其中，-1为最大反对，0为中立，1为最大支持。因此，本文定义：infij=infi·infj·Aj来衡量两Agent本身的影响。endprint

213 微信群体影响因素invi

德国舆情学家伊丽莎白·诺莉·纽曼在其《重归大众传媒的强力观》中首次提出“沉默的螺旋”理论。她指出舆论的形成主要取决于意见气候，面对支持者众多的意见气候，意见相左者必然因害怕孤立而保持沉默。群体影响因素主要指受多数意见和社会压力的心理倾向[9]，在这里主要指微信群、朋友圈中其他好友的讨论以及评论所形成的意见气候。现实社会中由于微信群体往往是因为一定社会关系紧密联系起来的，其成员关于该信息的讨论、推送亦对其他成员产生较大影响，若某个Agent的多个好友都在讨论、推送某一信息，则该Agent由S转为I或R状态的概率大幅增加（如图1中Agent6）。

22 基于各变量的演化规则

基于以上分析，两相邻节点Agenti（信息推送者）和Agentj（信息接收者）进行信息交互时主要受三方面原因制约：

221 信息本身价值的制约

信息本身的价值value（i，t）=v0e-λi（t-t0）从根本上影响信息接收者的态度。对于价值阈值值ε1，v（i，t）≤ε1表示在t时刻，被推送节点Agentj保持S状态不变的倾向。现实生活中对于一些类似只有标题的链接，当其价值表现较小时人们几乎不去打开阅读，此时可认为Agentj保持S状态不变。

222 两Agent节点之间的制约规则

信息在两相邻Agent节点之间传递时，影响Agentj（信息接收者）由S向I转变的主要因素包括信息本身的价值因素value（i，t）以及推送者、接收者两方人的相关因素infi。这里定义：

Φ（i，j，t）=value（i，t）·infij=Aj·v0e-λi（t-t0）·infi·infj

选取交互阈值ε2，Φ（i，j，t）≤ε2表示对于一个有足够传播价值的信息，Φ值越大表示Agentj由S转变为I状态的倾向越大，反之则表示S转变为R状态的倾向越大。其中，Agentj（信息接收者）的态度Aj有正负之分并具有绝对影响力。这与现实生活中对某一特定信息持不赞成态度的人一般是不会向别人推荐的情况是相符的。

223 意见气候的制约

对于某一特定信息，即使信息接收者在接收到信息时倾向于将该信息向外推送，也会受到当时意见气候的影响。若意见气候invi和Agenti的态度同向，则会强化Agenti的推送决心；若Agenti的态度Ai与之相反，则Agenti的状态只由S转为R。

3 建模试验

基于Agent的建模方法能够很好地对个体异构性进行模拟并有助于分析系统的宏观涌现性。目前较为成熟的基于Agent的仿真平台有很多，主要有Swarm、Repast、MASON和Netlogo[16]，本研究基于Netlogo平台进行模型仿真实现。Netlogo是继承了Logo语言的编程开发平台，它可以在建模中控制无数个体来模拟微观个体的行为，进而涌现出宏观特征。Netlogo适用于对自然和社会现象的模拟，特别适合模拟随时间变化的复杂系统。由于篇幅限制，具体建模实验将在另外一文中阐述。

4 结 论

为了分析影响微信信息传播过程的各个相关因素，本文采用复杂网络与Agent建模仿真相结合的方法，并借助传播学基本理论，对微信信息的传播流程、影响因素进行建模分析。复杂网络能有效分析网络拓扑结构对信息传播的影响和系统的宏观涌现性，但其复杂性不利于对组成个体以及其行为规则的演绎细节的描述。Agent建模却能够克服这一问题，在微观层次描述个体活动。两种建模方法的结合，有助于我们理清各个因素如何影响微信信息的传播以及这种影响的宏观程度。本文的主要工作对于我们有效利用微信平台进行舆论引导、宣传工作、知识传播等具有一定意义。但是本文还存在着一些不足，由于无法获取真实生活中微信网络的相关数据，模型的准确性和可靠性还需要进一步的验证。另外，在研究影响因素时存在着一个矛盾，如果考虑的影响因素太多，模型过于复杂则不便于分析各因素的影响，而考虑因素过少则不足于模拟现实情况，这也是下一步研究的重点。

参考文献

[1]Hegselmann R，Krause U.Opinion dynamics and bounded confidence models，analysis，and simulation[J].Journal of Artificial Societies and Social Simulation（JASSS），2002，5（3）：2-34.

[2]Slanina F，Lavicka H.Analytical results for the Sznajd model of opinion formation[J].The European Physical Journal B，2003，35（2）：279-288.

[3]Schulze C.Sznajd opinion dynamics with global and local neighbourhood[J].International Journal of Modern Physics C，2004，15（6）867-872.

[4]Rodrigues E A，Costa L F.Surviving opinions in Sznajd models on complex network[J].International Journal of Modern Physics C，2005，16（11）：1785-1792.

[5]Toscani G.Kinetic models of opinion formation[J].Communications in Mathematical Sciences，2006，4（3）：481-496.endprint

[6]Zhou J，Liu Z，Li B.Influence of network structure on rumor propagation[J].Physics Letters A，2007，368（6）：458-463.

[7]曾祥平，方勇，袁媛，等.基于元胞自动机的网络舆论激励模型[J].计算机应用，2007，27（11）：2686-2688.

[8]兰月新，邓新元.突发事件网络舆情演进规律模型研究[J].情报杂志，2011，30（8）：47-50.

[9]方薇，何留进，宋良图，等.因特网舆情传播的协同元胞自动机模型[J].计算机应用，2012，32（2）：399-402.

[10]王根生.无标度特性下的网络舆情演化迁移元胞模型[J].小型微型计算机系统，2013，34（5）：1085-1090.

[11]柳军，蔡淑琴.微内容的网络舆情传播特征分析[J].情报杂志，2013，32（1）：1-4.

[12]Newman M E J.The structure and function of complex networks[J].SIAM Review，2003，45（2）：167-256.

[13]Agiza H N，Elgazzar A S，Youssef S A.Phase transitions in some epidemic models defined on small-world networks[J].Int J Mod Phys C，2003，14（6）：825-833.

[14]Moreno Y，Pastor-Satorras R，Vespignani A.Epidemic outbreaks in complex heterogeneous networks[J].Eur Phys J B，2002，26（4）：521-529.

[15]Barabasi A L，Albert R.Emergence of scaling in random networks[J].Science，1999，286：509-512.

[16]廖守亿.复杂系统基于Agent的建模与仿真方法研究及应用[D].长沙：国防科技大学研究生院，2005.

（本文责任编辑：孙国雷）endprint