大数据环境下网络舆情信息交互模型研究
2017-11-22夏一雪兰月新刘冰月瞿志凯
夏一雪+兰月新+刘冰月+瞿志凯
〔摘 要〕[目的/意义]面向大数据研究多个网络传播平台之间网络舆情信息交互模型,能够准确把握大数据环境下网络舆情演化趋势以及网络信息在多个平台之间的传播规律,为政府治理网络舆情提供参考依据。[方法/过程]定性分析大数据环境下网络舆情信息交互机理,通过定义交互系数,基于微分方程理论构建网络舆情信息交互模型,并应用差分回归法对各个媒体平台的网络舆情信息交互趋势开展预测。[结论/结果]经过理论建模和实证分析得出本文构建的信息交互模型及趋势预测方法是可行的,以上理论研究可为政府准确把握大数据环境下网络舆情演化规律,制定网络舆情治理对策提供参考依据。
〔关键词〕大数据;网络舆情;信息交互;模型;趋势预测
DOI:10.3969/j.issn.1008-0821.2017.11.001
〔中图分类号〕G203;C912.6 〔文献标识码〕A 〔文章编号〕1008-0821(2017)11-0003-07
The Research on Information Interaction Model of Network Public Opinion under Big Data Environment
Xia Yixue1 Lan Yuexin1* Liu Bingyue2 Qu Zhikai1
(1.The Chinese People 's Armed Police Force Academy,Langfang 065000,China;
2.Transportation Vocational College,Tianjin 300132,China)
〔Abstract〕[Purpose/Significance]Facing big data to research the information interaction model of network public opinion between multiple network communication platforms,this will accurately grasp the evolution trend of network public opinion and the propagation regularity of network information between multiple platforms under big data environment,and then provide references of network public opinion management for government.[Method/Process]Through the qualitative analysis of the information interaction mechanism of network public opinion under big data environment,defined the interaction coefficient,established the information interaction model based on the theory of differential equation,and used differential recursive scheme to predict network public opinion information interaction trend on multiple platforms.[Result/Conclusion]Through theoretical modeling and empirical analysis,confirmed the feasibility of information interaction model and trend prediction method in this paper.The above theory research will contribute to accurately grasp network public opinion evolution under big data environment,and provided references of network public opinion countermeasures for government.
〔Key words〕big data;network public opinion;information interaction;model;trend prediction
1 現状分析
截止2017年7月,中国网民规模达7.51亿,互联网普及率为54.3%,其中手机网民规模达7.24亿,网民中使用手机上网人群占比为96.3% [1]。随着移动宽带互联网的普及,网络舆情在信息体量、复杂性、关联性以及产生速度等方面日益呈现出大数据特征。网络舆情信息在微博、微信、网络新闻等多个网络传播平台上传播而产生交互现象,如何准确把握大数据环境下网络舆情信息交互程度,对于研究网络舆情演化机理具有重要的理论意义和实践价值。
针对网络舆情演化,国内外学术界进行了卓有实绩的科学研究。在定性研究方面,主要运用传播学、哲学、心理学、社会学等多元学科理论研究网络舆情的形成过程、扩散机理等;在定量研究方面,主要运用统计物理学、社会动力学、信息科学等领域的方法研究网络舆情的传播规律和演化过程。在研究主题方面,包括网络舆情的生命周期演化、时空演化、主体演化、观点话题演化、情感演化以及演化趋势预测等,所采用的主要理论和方法,以及代表性研究成果如表1所示。其中,与国内研究相比,国外研究更偏重于政治领域、公共领域下网络舆情演化规律的研究,包括舆情观点的形成过程和扩散动力等。国内研究在分析网络舆情演化的一般规律之外,还对突发事件网络舆情[2]、高校网络舆情[3]等特定类型舆情的演化规律进行了重点研究。endprint
在针对网络传播平台进行的网络舆情演化研究方面,国外研究主要集中于对比分析不同平台的传播演化过程,如通过采集Twitter、Facebook、Google和YouTube等4个社交媒体、网站中关于《权力的游戏》的用户评论信息,对比分析不同社交网络的舆情传播过程[32];通过获取Instagram和Flickr平台上关于“埃博拉”话题传播信息,分析使用不同的社交媒体平台对突发事件传播具有不同影响[33]。而国内研究则较少关注这一研究主题。由此,虽然国内外研究在网络舆情演化机理方面取得了许多研究成果,但是对基于网络传播平台交互的舆情演化规律仍然关注不足,多个网络传播平台之间网络舆情信息交互问题需要解决,例如网络舆情在各个网络传播平台之间的信息交互机理、交互程度以及交互趋势等。特别是大数据环境下,不同网络传播平台间信息交互频繁,并且呈现较强关联性,因此,基于不同网络传播平台,研究大数据环境下网络舆情信息交互问题,具有理论开拓价值。
综上所述,本文定性分析大数据环境下网络舆情信息交互机理的基础上,通过定义交互系数,基于微分方程理论构建网络舆情信息交互模型,并应用差分回归法对各个媒体平台的网络舆情信息交互趋势开展预测。经过理论建模和实证分析得出本文构建的信息交互模型及趋势预测方法是可行的,以上理论研究可为政府准确把握大数据环境下网络舆情演化规律,制定网络舆情治理对策提供参考依据。
2 大数据环境下网络舆情信息交互机理
随着移动宽带互联网的普及,庞大的媒体数量使得信息傳播平台越来越多,网络新闻、网络报刊、微博、微信、新闻客户端、论坛、视频网站等互联网平台已经成为信息传播的主要载体。当网民针对某个网络话题展开讨论时,文字、图片、音视频等信息在各个网络媒体平台传播,并且绝大部分新闻网站、论坛、社交网站、视频网站等网络媒体的信息均可相互转发、共享、复制,网络信息交互便捷,进而形成一个网络舆情大数据环境(图1)。
2.1 网络舆情信息交互影响要素
在网络舆情传播过程中,很多因素制约多个媒体平台之间的信息交互程度,主要包括媒体平台的自身定位、目标受众定位、信息类型差异、信息情感倾向差异、权威程度以及信息交互便捷程度等。常见的信息交互方式有转发、共享、复制,转发多用于网络传播平台内部,复制和共享则是多个平台之间的信息交互的主要方式,其中共享功能相对快捷、方便。然而,不同的网络传播平台的共享功能和范围不一样,例如,Baidu、搜狐等4个视频网站均无一键共享功能,共享范围相对较小,而新浪新闻等新闻网站大部分有一键共享功能,共享范围较大,其中中国新闻网和新浪新闻基本可以将信息共享至绝大部分网络传播平台(表2)。
2.2 网络舆情信息交互机理
在生态科学领域,种群之间的相互作用,形成生态系统,其中作用关系主要包括竞争关系、依存关系、捕食关系等;而在舆论生态领域,网络舆情传播过程中,各个网络传播平台之间,由于信息类型差异、信息权威程度以及信息交互的便捷程度等原因,各个网络传播平台信息交互程度各有不同,影响也各有不同。网络传播平台之间的信息交互机理与种群之间的相互作用机理相似,但更为复杂。据此,本文按照生态科学的建模思路研究网络传播平台之间的信息交互机理。在信息交互过程中,网络传播平台之间的信息交互是双向的,故而本文将交互程度分为正交互和负交互,正交互会促使舆情信息量增加,而负交互会促使舆情信息量减少。以三平台为例,平台1对平台2的信息交互影响是正的,则平台1的舆情信息量可以促使平台2舆情信息量增加;相反,平台3对平台1的影响是负向的,则平台3的舆情信息量会抑制平台1舆情信息量增加(图2)。
3 大数据环境下网络舆情信息交互模型研究
3.1 基本假设
4 大数据环境下网络舆情信息交互实证研究
4.1 数据来源
通过清博舆情监测软件(yuqing.gsdata.cn)统计2017年6月5日至2017年6月25日期间6个网络传播平台涉及“高考”的网络舆情数据1 607 293条(按天进行统计,监测关键词为“高考”,网络传播平台涉及论坛、微信、微博、网络新闻、网络报刊和新闻APP等 ),详细数据如表3所示。
4.2 数据建模
假设论坛、微信、微博、网络新闻、网络报刊、新闻APP上“高考”网络舆情信息量分别为xi(t),i=1,2,3,4,5,6。通过整理原始数据,应用差分回归法确定模型参数。其中信息增长率分别为0.7805、0.7875、0.9979、0.7842、0.7568、0.9526,参数σijKi的值见表4,6个方程对应的可决系数分别为0.9551、0.9632、0.9793、0.8972、0.8444、0.9437,数据拟合效果很好。
4.3 结果分析
1)通过分析数据建模得出的参数表,得出6个传播平台之间的信息交互影响程度(表5)。从表中发现,“高考”网络舆情传播过程中,6个网络传播平台的信息交互影响程度依次为网络新闻、新闻APP、微博、微信、网络报刊和论坛,其中由网络新闻与其他5个平台的信息交互程度最高(5个正交互);网络报刊和论坛的信息交互影响程度最低(5个负交互)。通过表2也可以发现,信息交互影响最大的是“一键共享”功能,而这6类平台中只有网络新闻具备这个功能。
2)通过表3数据可以计算模型平衡点,进而对网络舆情信息交互趋势进行预测。根据平衡点公式
代入相关参数得到
进而得到6类网络传播平台“高考”舆情信息量预测值(表6),据此,政府可以根据舆情信息量的多少,有针对性地制定网络舆情治理对策。
5 结论与展望
5.1 研究结论
网络舆情信息在微博、微信、网络新闻等多个网络传播平台上传播而产生交互现象,如何准确把握大数据环境下网络舆情信息交互程度,对于研究网络舆情演化机理具有重要的理论意义和实践价值。本文在研究网络舆情信息交互机理基础上,构建n个网络传播平台的网络舆情信息交互模型为:endprint
通过差分回归法确定了模型参数,并据此研究网络舆情信息交互趋势预测问题,最后通过“高考”网络舆情数据验证了模型。通过本文的研究可以得出以下结论:
1)以Logistic为基础模型构建微分方程组研究网络舆情信息交互机理是可行的,这一点已经通过实际网络舆情数据进行了验证;
2)应用差分回归法确定模型参数,并确定微分方程组的平衡点,然后据此研究网络舆情信息交互趋势预测问题是可行的。
5.2 研究展望
1)网络舆情信息交互程度评价问题。通过表2数据可以发现,目前网络传播平台之间信息交互功能各有不同,进而导致各个网络平台信息交互程度不同,为进一步研究网络舆情信息交互问题,需要对网络传播平台的信息交互程度进行评估,进而为政府治理网络舆情提供更多参考。
参考文献
[1]中国互联网络信息中心.第40次中国互联网络发展状况统计报告[R].http://cnnic.cn/gywm/xwzx/rdxw/201708/t20170804_69449.htm,2017-08-06.
[2]陈璟浩,李纲.突发社会安全事件网络舆情演化的生存分析——基于70起重大社会安全事件的分析[J].情报杂志,2016,(4):70-74.
[3]邓春林,杨柳,王涵之.高校网络群体性事件舆情演化规律初探——基于多项式拟合的定量分析[J].现代情报,2016,(5):16-20.
[4]王平,谢耘耕.突發公共事件网络舆情的形成及演变机制研究[J].现代传播,2013,(3):63-69.
[5]姜胜洪.网络舆情形成与发展规律研究[J].兰州学刊,2010,(5):77-79.
[6]谢科范,赵湜,陈刚,等.网络舆情突发事件的生命周期原理及集群决策研究[J].武汉理工大学学报:社科版,2010,(8):483-486.
[7]辛文娟,赖涵.群体极化视域下网络舆情的演化机制研究——以微博网民讨论“浙江温岭杀医案”为例[J].情报杂志,2015,(2):47-52.
[8]于兆吉,张嘉桐.基于扎根理论的突发性网络舆情演化影响因素研究[J].东北大学学报,2016,(5):498-502.
[9]李昊青.基于信息异化理论的网络衍生舆情演化规律及对策研究——以网络谣言治理为例[J].现代情报,2015,(5):4-8.
[10]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,(8):47-50.
[11]陈福集,张燕.基于E-Divisive的网络舆情演化分析[J].情报杂志,2016,(4):75-79.
[12]陈涛,林杰.基于搜索引擎关注度的网络舆情时空演化比较分析——以谷歌趋势和百度指数比较为例[J].情报杂志,2013,(3):7-10.
[13]方薇.采用元胞自动机的网络舆情传播模型研究[J].计算机应用,2010,(3):751-755.
[14]宋姜,吴鹏,甘利人.网民沉默因素的元胞自动机舆情演化建模及仿真[J].情报理论与实践,2015,(8):124-129.
[15]张玉亮,张昊苏.突发事件网络舆情主体静态博弈分析及相关政策建议[J].情报杂志,2014,(8):150-154.
[16]韩少春,刘 云,张彦超,等.基于动态演化博弈论的舆论传播羊群效应[J].系统工程学报,2011,(2):275-281.
[17]王元卓,于建业,邱雯,等.网络群体行为的演化博弈模型与分析方法[J].计算机学报,2015,(2):282-300.
[18]张一文,齐佳音,马君,等.网络舆情与非常规突发事件作用机制——基于系统动力学建模分析[J].情报杂志,2010,(9):1-6.
[19]刘玉文,郭强,吴宣够,等.基于TSSCM模型的新闻舆情演化识别[J].情报杂志,2017,(2):115-121.
[20]黄卫东,林萍,董怡,等.基于话题特征词的网络舆情参与者情感演化分析[J].情报杂志,2015,(11):117-122.
[21]Bartolozzi M,Leinweber D B,Thomas A W.Stochastic opinion formation in scale-free networks[J].Physical Review E,2005,72(4):46-113.
[22]Stauffer D,Sá Martins J S.Simulation of Galam's contrarian opinions on percolative lattices[J].Physica A:Statistical Mechanics and its Applications,2004,334(3):558-565.
[23]陈福集,李林斌.G(Galam)模型在网络舆情演化中的应用[J].计算机应用,2011,(12):3411-3413.
[24]Crokidakis N.Effects of mass media on opinion spreading in the Sznajd sociophysics model[J].Physica A:Statistical Mechanics and its Applications,2012,391(4):1729-1734.
[25]陈桂茸.网络舆论演化的高影响力优先有限信任模型[J].上海交通大学学报,2013,(1):155-160.
[26]Martins A C R.Mobility and social network effects on extremist opinions[J].Physical Review E,2008,78(3):036104.endprint
[27]林萍,黄卫东.基于LDA模型的网络舆情事件话题演化分析[J].情报杂志,2013,(12):26-30.
[28]Kim K,Baek Y M,Kim N.Online news diffusion dynamics and public opinion formation:a case study of the controversy over judges personal opinion expression on SNS in Korea[J].The Social Science Journal,2015,52(2):205-216.
[29]Mark Freemana,James McVittieb,Iryna Sivakc,et al.Viral information propagation in the Digg online social network[J].Statistical Mechanics and Its Applications,2014,415(1):87-94.
[30]方薇,何留进,宋良图.因特网上舆情传播的预测建模和仿真研究[J].计算机科学,2012,(2):203-205.
[31]郭韧,李红,陈福集.基于可拓聚类的网络舆情演化预测研究[J].情报理论与实践,2017,(1):83-87.
[32]Arno Scharl,Alexander Hubmann-Haidvogel,Alistair Jonesa.Analyzing the public discourse on works of fiction-detection and visualization of emotion in online coverage about HBO's Game of Thrones[J].Processing & Management,2016,52(1):129-138.
[33]Seltzer E K,Jean N S,Kramer-Golinkoff E.The content of social media's share images about Ebola:aretrospective study[J].Public Health,2015,129(9):1273-1277.
[34]劉毅.网络舆情研究概论[M].天津:天津人民出版社,2007:53.
[35]兰月新,王芳,董希琳,等.公共危机事件网络舆情热度模型研究[J].情报科学,2016,34(2):32-36.endprint