基于SOAR模型的网民群体负面情感建模研究

吴 鹏,强韶华,高庆宁

(1.南京理工大学经济管理学院，江苏 南京 210094；2.安全预警与应急联动技术湖北省协同创新中心,湖北 武汉 430070；3.江苏省社会公共安全科技协同创新中心，江苏 南京 210094；4.南京工业大学经济管理学院，江苏 南京 211800)

1 引言

目前，网络舆情对于社会公共事件的发展有着重要的影响，其中网民群体是推动网络舆情演变的行为主体，而网民群体的负面情感是网络舆情的重要特征之一[1]，如果不加以正确引导，极有可能造成公共危机，尤其政府的应急响应对于网民的负面情感演变有着巨大的影响力[2-3]。

关于面向网民负面情感的政府应急响应研究，现有研究主要从危机管理角度，在理论层面进行影响要素和危机响应阶段的研究，主要成果有Benoit[4]和Hearit[5]的形象修复理论，Coombs[6]情境危机传播理论(Situational Crisis Communication theory，SCCT)，以及Jin Yan和Liu[7]提出的BMCC(The Blog-Mediated Crisis Communication Model)模型，但是现有的研究缺少对网民群体负面情感行为决策转换规律的研究，尤其缺少结合政府应急管理对网民群体行为决策转换规律的建模与仿真研究。

SOAR(State，Operator and Result)模型是由Allen Newell研究团队提出的一种构建人工智能系统的理论认知模型。SOAR模型既从心理学角度对人类认知建模，又从知识工程角度提出一个通用解题结构，其借用人工智能领域中“问题空间”的概念，将认知行为看作相应问题空间中状态随时间的连续转换过程[8]，目前已经被广泛应用到人工智能和认知科学领域，并取得了显著的成果。在人工智能领域，研究者将SOAR模型作为开发具有学习、推理能力的Agent的工具；在认知科学领域，研究者使用SOAR模型对群体认知过程建模，很好的展现Agent行为转换过程[9]。

本文基于SOAR模型，将网民作为智能体Agent，将网络舆情中网民群体行为转变过程看作相应舆情问题空间中状态随时间的连续转换过程，基于网民负面情感的分析与建模，设计网民群体负面情感SOAR Agent模型，基于社会和经济规则理论(Social and Economic Norm)对网民群体进行分类[10]，基于BMCC模型划分网络舆情发展阶段；设计网民Agent的工作记忆、长期记忆、决策过程、学习机制，构建网民群体行为转换规则库和相应算法。在此基础上，设计仿真实验，结合典型网络舆情事件案例，对政府不同应急措施下网民群体行为演变过程进行仿真，从而验证本文提出的模型的有效性。

2 文献综述

2.1 网络舆情演变研究

2.1.1 网络舆情演变过程中网民群体行为分类

Elster[10]分析了影响现实社会中人遵守社会准则的因素，他主张通过三个因素来解释遵守准则这个现象：(1)利己动机，考虑了在个人目标上规则履行的影响；(2)期望因素，当某些人想要避免处罚或者想要回报时，他会准守准则；(3)情感因素，与内在情感比如荣誉(与羞愧对比)和希望(与害怕对比)相关，很多学者以此为基础上研究网民行为特性。Honeycutt和Herring[11]通过对Twitter上用户发表的内容文本分析，进而研究Twitter如何支持网民之间交互以及网民为什么要在Twitter上发表信息。Naaman等人[12]在Honeycutt研究的基础上进行归纳，总结了4种最常见的信息类型：40%的post中包括的是关于自己的信息，比如“I′m tired”；25%的内容是一些随想，比如“Blue sky in Winter”；24%的内容是表达个人观点，比如“Great game yesterday”；21%的内容是信息分享，比如“New Study on Enterprise 2.0: http:// ...”。在此基础上，他提出了80%的Twitter用户能够被划分叫做“Me-formers”，他们把自己作为他们沟通的对象，只有20%的人是真正的“In-formers”，他们发表内容是以别的网民的兴趣为目标，其发表内容的目的是为了分享信息。相对于Me-formers，In-formers有更多的朋友和粉丝，在社交平台上更加活跃；In-formers有更高的概率被其他的用户在他们的信息里提到。随着Riemer和Richter[13]与Papacharissi[14]等的深入研究，他们也赞成Naaman的观点，Me-formers大多数的时候只发表有利于他们自己目标的或跟自己有关的博客，并且对评论或转发别的用户的博客没有兴趣；In-formers不仅是发表更多的博客，还评论或转发别的用户发表的内容，本文基于Naaman等人的研究成果，根据网民行为特性将网民划分为Me-formers与In-formers。

2.1.2 网络舆情演变阶段

政府应急管理涉及网络舆情演变的不同阶段。对于网络舆情演变阶段，学者从不同的研究角度进行了划分，比较典型的有方付健[15]根据生命周期理论，将网络舆情发展过程划分为孕育、扩散、变换和衰减四个阶段；Jin Yan等[7]从谣言发展角度出发将谣言发展分为四个阶段：Generation、Belief、Transmission和Crisis Recovery；李纲等[16]从系统建模的角度认为网络舆情生命周期曲线可以被视作一条连续曲线，相应的函数是连续可微的，曲线上的拐点可视为舆情发展至不同的阶段。本文上述研究成果，构建网络舆情生命周期曲线，如图1，根据拐点，将网络舆情演变阶段分为：产生(Generation)、爆发(Diffusion)、成熟(Mature)、衰退(Decline)。

2.1.3 网络舆情演变过程中政府应急管理

政府作为公共事件管理的主体，对网络舆情事件的态度和干预措施对网络舆情发展起到关键作用。在过去的20年，危机管理——关于组织在危机中或者发生后说了什么和做了什么成为研究热点，研究焦点在于如何在危机中通过沟通来保护组织信誉，如Benoit[4]和Hearit[5]的形象修复理论，这些研究的缺陷在于过多依赖简单的危机应对策略列表和通过历史经验总结建议应对措施，Coombs[17]在Benoit[4]和Hearit[5]研究成果的基础上提出情境危机传播理论(Situational Crisis Communication theory，SCCT)，帮助危机管理者根据危机情境选择合适的危机应对策略。SCCT由三个主要元素组成：危机情境、各种危机策略和一个用来匹配危机情境与危机策略的系统，并对其进行了发展和应用[6]，Coombs等人概括的3种危机应对策略：Deny、Diminish、Deal和10个对应的具体措施。

图1 网络舆情一般演变过程(该图在参考文献[15]、[16]基础上设计)

SCCT被政府用来评估危机，选择适当的危机应对策略，这是迄今为止在危机传播最常用的理论框架[18-19]。后来很多学者在Coombs研究成果的基础上进行策略补充和完善。比如Liu[20]在Deny中增加了Ignore和Separation，在Deal中增加了Transcendence。随着互联网的发展，SCCT逐渐应用于网络应急管理中。DiFonzo[21]提出了一套博客谣言平息策略，可以帮助公共关系专业人员管理博客谣言周期的每个阶段，在谣言产生阶段，应提供准确和及时的信息减少不确定性，开放沟通渠道，促进与公众之间的交流；谣言相信阶段，应该试图通过反驳减少公众对谣言的信任，获得公众支持；在谣言传播的过程中，试图劝阻人们不要传播谣言，如有必要可以采取惩罚性措施；最后在谣言危机恢复阶段，建议组织通过道德手段来修复他们的声誉。Jin Yan等[7]在Coombs[17]等研究基础上提出BMCC(The Blog-Mediated Crisis Communication Model)模型，将博客媒介谣言的生命周期划分为四个阶段：Generation、Belief、Transmission、Crisis Recovery，将SCCT中的Deal划分为Rebuild和Reinforce，在此基础上增加Punish策略，提出6种不同的应对方案：Base、Deny、Diminish、Rebuild、Reinforce、Punish。

本文综合Coombs[17]、Jin Yan等[7]的研究，进行网络舆情中政府应急管理措施的梳理，将政府在危机的不同阶段采取的应急策略分为Deny(否认)、Diminish(减弱)、Rebuild(修复)、Reinforce(加强)，并总结了不同的策略相应的具体措施(表1)。

表1 政府应急管理措施归纳

2.2 SOAR模型

SOAR模型简单来说就是运用算子，改变状态产生结果。在SOAR模型中，所有问题的求解过程被看成是在问题空间中目标导向的搜索过程[22]，在此过程中，不断地尝试应用当前的算子(一个状态只能选择一个算子)，改变问题求解状态，直到达到目标。

SOAR模型因其架构接近人类思维过程，常被用来设计智能代理，目前在国内外已被应用于很多方面，如实现通用智能行为的作战仿真、游戏虚拟人物行为仿真、专家系统、机器人行为控制及更多人工智能领域，效果显著。SOAR模型多应用于作战仿真领域。1992年，Laird Nielsen[23]带领的SOAR研究小组就开始开发智能SOAR Agent应用于空军行为战略仿真，最著名的是TacAir-Soar系统，该系统对复杂空战环境下的飞行员行为进行建模，开发具有智能行为的飞行员Agent应对复杂作战环境，大大提高了军事推演的效率。在其他应用领域，Puigbo等人[24]将SOAR模型应用于机器人服务员，使机器人能够完成用自然语言表达的语音指令。Zhong Shiquan等[25]基于经典SOAR模型，首先利用第一轮问卷调查获取驾驶员的社会特征和驾驶特征，在此基础上对驾驶员分类，设计驾驶员Agent工作记忆的输入输出属性；利用问卷调查获取被调查者路线选择行为的数据，获得初始长期记忆规则；然后设计了驾驶员Agent决策算法以及学习机制，研究在不同的信息发布模式下驾驶员对于VMS信息引导的遵从率。本文将在上述研究成果的基础上，基于SOAR模型对网络舆情演变过程中网民群体行为进行建模。

2.3 总结

目前，国内学者主要对网络舆情演变阶段、特征、作用要素的宏观理论进行探讨，国外学者侧重基于微观建模思想对网络舆情演变过程进行仿真，现有的研究给本文提供了启发。但是，现有研究存在以下问题，首先研究视角多数基于对历史事件的分析统计和解释，缺少对未来发展趋势的预测；其次研究方法大都是宏观理论分析或微观模型设计，缺少与实际管理需求相结合的综合研究；究其原因是研究对象多数以案例事件本身为中心，缺乏对导致舆情演变的最直接主体(网民)的行为和认知分析。

本研究的创新点在于：在研究视角上，面向政府应急响应的实际需求，以网民群体负面情感的演变和测量作为基点，预测网络舆情演变的路径和态势，进而支持突发事件应急响应策略的制定；在研究策略上，以网民群体为核心，关注整个突发事件演变的过程，探索突发事件中群体行为的演变规律，由此揭示突发事件网络舆情演变的内在机理；在研究方法上，引入SOAR模型，将突发事件中的网民映射为Agent，综合网民类型、网络舆情发展阶段、政府应急响应措施类型等影响因素，结合实际案例数据，进行建模仿真，从网民具体行为数据抽取规则，将网民在微博论坛的行为选择问题转换为网民Agent的工作记忆、长期记忆、决策过程、僵局解决与学习机制建模问题；在研究结果上，形成可以进行预测群体行为演变的模型和规则，为应急响应提供决策支持。

3 基于SOAR模型的网民群体行为建模

基于SOAR模型对网络舆情演变过程中网民群体行为进行建模，着重研究在外部网络舆情环境下，网民Agent的工作记忆组成、长期记忆规则库组成，在决策过程中，算子的提出、选择、应用的算法，以及产生僵局时，僵局解决与学习产生新规则的机制，以形成一个可操作性的SOAR Agent计算模型，模拟在网络舆情事件发展过程中政府的不同应对措施下的网民行为转换规律，以此预测政府应急措施可能引发的网络舆情演化趋势，为政府应急响应策略的制定提供建议。本文SOAR Agent模型总体框架设计如图2所示。

其中①表示网民从外部环境感知目前网络舆情演变阶段、政府应急管理措施、网民总体情感倾向，作为输入属性存储在工作记忆中；②表示从长期记忆规则库中获取适合当前状态的规则；③表示工作记忆元素与长期记忆规则进行匹配，进入决策过程，根据匹配结果提出候选算子，根据偏好知识选择最合适的算子应用；④表示当决策过程没有匹配的结果时产生僵局，通过匹配精度降低算法解决僵局，同时利用chunking学习机制将新规则添加到长期记忆中；⑤表示选择合适的算子后，工作记忆输出网民行为到外部环境。下面分别对各模块进行详细设计。

3.1 SOAR Agent模块设计

3.1.1 工作记忆设计

在SOAR模型中，Agent对外部环境的感知、内部的推理和决策过程都表现在工作记忆中。外部环境刺激为感知系统提供输入信息，刺激信息经过编码后被Agent知觉，存储到工作记忆，然后通过与已有的知识体系进行匹配，从而做出推理和决策。如果现有的知识可以解决问题，则直接做出相应的反应；如果推理条件不够，则产生一个子状态，进入下一层循环，通过僵局解决方法直到问题解决输出行为返回上一层[25]。

网民Agent从外部网络环境感知信息存储到工作记忆中，包括感知到的网络舆情演变阶段、在该阶段政府采取的应急响应措施、网络环境中网民总体情感倾向，然后在工作记忆中对信息进行编码，与长期记忆规则进行匹配，选择合适的行为输出。外部影响因素和可能的行为分别作为工作记忆输入和输出(表2)。

在SOAR模型运行过程中，应用算子有两种方式可以改变状态，一种是修改工作记忆元素的值，另一种就是间接改变外部网络舆情环境。在本文中，应用算子输出网民行为，造成网民负面情感比例改变，对工作记忆中网民总体情感倾向属性造成直接影响。同时，政府应急管理措施受网民负面情感比例的影响，根据网民负面情感比例调整自己的应急措施。本文根据王昌伟对于网络危机信息传播建立的政府与网民之间的交互规则，分析网民群体行为对政府应急管理措施调节的影响，网民对政府的影响函数为公式(1)：

(1)

其中，et-N(t)表示t阶段发布的负面信息数，Nmax表示t阶段发布的信息总数，f(e,t)表示t阶段负面信息所占比例，若f(e,t)∈[0,μ]则政府不调整应急措施；若f(e,t)∈[μ,1]，则政府调整应急措施。μ为[0,1]区间内的常数，其值在实际数据统计中得到。

3.1.2 长期记忆设计

长期记忆控制行为，它直接映射到算子知识，包括提出、比较、选择和应用算子的知识。长期记忆知识用if-then形式来表示一组条件(即规则的“if”部分)和一组动作(即规则的“then”部分)之间的关联。“if”部分与工作记忆输入属性进行匹配，“then”部分为网民行为。偏好知识(Preference Knowledge)决定当前提出的算子的选择，每一个状态下最终只能选择一个算子应用，决策程序对候选算子的偏好值进行评估，选择当前状态最合适的操作。

1)规则数据获取

本文选择2014年至2015年之间食品安全、社会生活、公共安全领域多个事件的微博数据作为基于SOAR模型的网民负面情感建模的基础，从中获取网民属性与分类、网络舆情演变阶段、政府应急管理措施、网民总体情感倾向、网民行为等数据，建立长期记忆规则库。食品安全事件包括：顶新地沟油、江西病死猪肉等事件，社会类事件包括南京小护士被打、柴静雾霾调查等事件，公共安全类事件包括上海踩踏、漳州PX爆炸、天津爆炸等事件。7个事件总共139060条原始微博数据，114768个微博用户，抽取“是否发表微博、是否评论他人微博、是否转发他人微博”三个属性，将网民分为Me-formers和In-formers。Me-formers网民只发表信息，不转发和评论他人微博；In-formers网民既发表微博，也评论或转发他人微博。

2)初始长期记忆规则

本文长期记忆规则在对多个舆情事件实际数据统计分析基础上得到的，形成过程如图3所示。通过真实数据对每类网民工作记忆中的输入和输出属性进行描述，输入属性包括网络舆情发展阶段、政府应急管理措施、网民总体情感倾向，输出属性即网民群体行为，输入与输出属性的组合被归纳出来形成规则，网民有多大意愿选择这种行为，作为规则的偏好值。

图3 长期记忆形成过程

相关变量提取方法如下：网络舆情演变阶段，根据按日统计微博数据构建的事件发展曲线划分得到；政府应急管理措施，通过人工对舆情事件每个阶段总结得到；网民总体情感倾向，使用该阶段负面微博数比上微博总数的比值来衡量，大于0.5即为负面，小于0.5为非负面；网民群体行为，用微博表达的情感来表示，一条表达负面的微博即为一个负面信息行为，一条表达非负面情感的微博即为一个非负面信息的行为，通过舆情事件数据进行统计得到，计算公式如式(2)。

Preference=

(2)

根据上述长期记忆规则形成过程与变量设计，结合实际案例数据，输入属性、输出行为和偏好组成了一系列的规则，这些规则是本研究长期记忆的初始规则。分别统计Me-formers类和In-formers网民的长期记忆初始规则。

3.1.3 决策过程设计

决策过程是SOAR模型得以持续运行的核心，是围绕算子提出、选择、应用的一个循环的过程，本文中SOAR Agent决策过程如图4所示。

图4 SOAR Agent决策过程

该决策过程首先对规则进行归纳保存到长期记忆规则库中，根据实际情况获取工作记忆元素，每一条规则的条件用来和工作记忆元素匹配，如果匹配成功，算子将被提出加入候选算子集中。其次判断候选算子集是否为空，如果为空，即在当前状态下，由于知识不充足(规则不完全)没有合适的算子被提出，则说明产生僵局(僵局解决算法在3.1.4节描述)，如果不为空则使用偏好知识来对提出的算子进行评估，比较算子对于当前状态的适合程度，帮助决策机制选择一个算子应用，输出对应的行为(发布负面信息或者发布非负面信息)，改变状态和工作记忆。详细的决策选择过程描述如下：

(1)当前状态工作记忆E={OP,GR,ET}，其中OP表示为网络舆情发展阶段、GR表示政府应急管理措施、ET表示网民总体情感倾向、AC表示网民群体行为。规则集合P={p1,p2,…,pn}，对于规则集合中的任意一条规则pi∈P，有条件集合pi→Ci，Ci={OP,GR,ET}，相应的动作集合为Ai={AC}。遍历规则库中每条规则，工作记忆每个元素与规则的每个条件进行匹配E∧C，如果为真，则将E∧C→A加入候选算子集合O(S)。

(2)O(S)是当前状态S下的候选算子集合。如果集合大小|O(S)|为1，那么这个算子o∈O(S)将被选择应用到工作记忆，否则进入步骤3。

(3)如果|O(S)|>1，则根据P[o(S)]对算子进行排序，选择算子P[omax(S)]应用到工作记忆，否则，进入步骤4。P[o(S)]和P[omax(S)]分别算子的偏好值和算子最大的偏好值。

(4)如果O(S)=φ，没有算子能够直接被选择，一个僵局产生，需要运用SOAR模型的僵局解决与chunking学习。

3.1.4 僵局解决与学习

如图5，在决策过程中，如果候选算子集合为空，则僵局产生。Chunking是SOAR的主要学习机制，用来解决僵局产生新的规则，新的规则称为chunk。当一个chunk建立并被应用则被添加到长期记忆规则库，它能在以后用于匹配类似的情况，避免产生同样的僵局。当候选算子集合为空即僵局产生时chunking学习开始。

图5 僵局产生、解决、学习过程

本文采用降低匹配精度的方法来解决僵局，即减少规则的条件。匹配精度是条件与工作记忆元素匹配的比例。当精度满足，则算子被推荐。当产生僵局时，利用降低匹配精度算法在宽松条件下产生新规则，如果新规则与当前状态匹配成功，并且匹配的算子被应用，使问题解决向目标状态转移，僵局被解决，新规则chunk被加入到长期记忆规则库。僵局解决与chunking学习的过程描述如下：

(1)当前状态si是从初始状态s0经过i个状态变换得到的，如果O(si)=φ，即当前状态下候选算子集为空，那么chunking学习开始，进入步骤2。否则如3.2.3节描述，选择一个算子应用。

3.2 仿真算法设计

1)仿真算法的变量与函数定义

2)仿真算法流程设计

结合仿真算法变量和函数定义，仿真算法流程如图6所示，仿真算法流程描述如下：

表3 仿真算法变量与函数

(1)获取网民工作记忆规则。针对不同阶段加入AGT-个带负面情感与AGT+个带非负面情感的不同类别的网民，总数为AGT，计算当前状态下网民总体负面情感比例NEP，在政府当前应急管理措施gr下，进入循环遍历网民，获取网民Agent工作记忆各个输入属性值；

(2)获取该网民类别AT及对应的长期记忆规则库RuleSet(AT)。将工作记忆元素与规则条件进行匹配，获得候选算子集合OperatorSet；

(3)规则匹配。判断候选算子集合OperatorSet是否为空，如果不为空，则根据决策过程设计的算子选择机制，根据偏好对候选算子集合进行排序函，选择一个算子应用，判断该算子对应的规则是否为新规则NewRule，若是则加入初始规则库RuleSet(AT)，将该新规则添加到长期记忆规则库中，进入步骤5；如果候选算子集为空，则说明产生僵局，进入步骤4；

(4)僵局解决。根据3.1.4中的僵局解决和学习机制，产生新规则，形成临时规则库NewRuleSet(AT)，重新与新状态下工作记忆元素进行匹配，获得候选算子集合，进入步骤3；

(5)网民行为输出。应用算子ApplyOperator()，输出网民行为，计算当前状态下网民负面情感比例，与阈值threshold进行比较，如果小于阈值则进入步骤1，继续遍历网民，如果大于阈值则改变政府应急措施Set(gr)，进入步骤1，重新遍历网民，继续下一轮循环，直到遍历完后退出。

图7 仿真算法流程

4 基于案例的仿真分析

本文选择NetLogo为仿真实现工具，根据第三章中设计的模型，以“江西病死猪肉”和“南京小护士被打”事件为案例，选取事件发生后的微博数据为样本，首先通过实验仿真再现事件中政府不同应对措施下微博用户群体行为转换过程，根据仿真结果对模型的有效性进行分析；然后，通过在网络舆情发展的不同阶段，设置政府不同的应对措施，对实验结果进行分析，来评估政府应急措施对不同网民群体引导能力，得出在网络舆情事件不同发展阶段，对于不同类别网民，政府采用何种措施，能使网民负面情感比例下降至最低，从而为政府更好地处理社会公共事件引发的网络舆论提供建议。

4.1 仿真实验设计

本文仿真实验流程设计如下：第一，从新浪微博上采集相关事件数据保存到数据库；第二，对数据进行清洗和整理，剔除媒体、官微发布的微博数据，得到所需普通网民发布的目标微博数据；第三，对数据进行加工：(1)对微博文本进行情感倾向分析；(2)人工处理数据，按日统计微博数量构建事件发展曲线图，以此划分事件发展阶段；(3)归纳不同阶段政府采取的应急管理措施，分别统计政府采取措施前后不同类别网民发布的负面微博及非负面微博所占比例；第四，在模型设计与仿真算法设计的基础上，基于NetLogo仿真平台实现仿真算法，分析模型有效性。仿真实验过程如图8所示。

图8 仿真实验流程

(1)网民分类

出于隐私保护原因，用户个人信息如受教育程度、年龄、性别、职业等使用网络爬虫工具在网络上难以获取，本文将影响网民分类的因素归纳为网络属性，包括是否发表微博、是否评论其他网民发表的微博、是否转发其他网民发表的微博。根据这三个属性，结合Naaman等人的研究成果，将网民划分为两种类型：Me-formers与In-formers。分别统计在不同事件中这两种类型人数及所占比例(表4)，每个事件中Me-formers类别网民的人数都明显高于In-formers类网民人数，说明在网络舆情环境中大部分人都以自我为中心，在网上发布信息的目的是为了表达自己而不是以他人兴趣为目标分享信息，这也验证了Naaman等人的研究。

(2)网民情感倾向性分析

在对微博的内容特征、外部特征等研究基础上确定微博情感倾向性，借助空间向量模型来进行每条微博的特征表示，使用SVM模型分析微博情感倾向性，确定每条微博的情感倾向，统计各阶段网民负面情感比例与非负面情感比例中较大者作为该阶段网民总体情感倾向。

表4 微博用户划分

(3)政府应急管理措施分析

通过统计每日微博数据，构建事件发展曲线图，选取拐点作为事件发展阶段划分依据。同时根据事件案例描述与事件发展阶段划分，分别找出各个阶段政府在微博或其他平台发布的信息及采取的活动，结合SCCT等理论总结的政府应急管理措施对其进行归类。

4.2 仿真实验结果

根据真实数据统计的每个阶段开始时不同类别网民比例及其情感设置仿真初始值，结合3.2.2节归纳总结的长期记忆规则，使用建立的仿真平台进行仿真，得到不同阶段仿真下的网民负面情感比例。“江西病死猪肉事件”与“南京小护士被打事件”的不同阶段仿真结果见图9、10，红色曲线表示Me-formers类网民的负面情感比例，绿色曲线表示In-formers类网民的负面情感比例，黑色曲线表示网民总体负面情感比例。仿真结果描述如表5、6所示。

图9、10显示了“江西病死猪肉事件”与“南京小护士被打事件”不同阶段不同类别网民负面情感比例的时变特性。曲线的起始点为真实数据统计结果，仿真开始网民负面情感比例不断发生变化。随着仿真的进行，负面情感比例逐渐稳定，最后达到收敛，在此过程中，若产生僵局则需要chunking和反馈学习新的规则，逐渐完善长期记忆。从初始条件到负面情感比例的最终收敛是一个不断探索、反馈和学习的过程。

4.3 模型有效性验证

首先，根据“江西病死猪肉事件”与“南京小护士被打事件”的真实微博数据，将事件划分阶段，识别不同阶段政府采取的应急管理措施，根据网民的网络属性将网民分类，通过情感倾向性分析，得出真实数据中每个阶段不同类别的网民在不同的政府应急管理措施下的负面情感比例；第二，根据真实数据统计的每个阶段开始时不同类别网民比例及其情感设置仿真初始值，结合归纳总结的长期记忆规则，进行仿真，得到不同阶段仿真下的网民负面情感比例；第三，仿真结果与实际数据负面情感比例比较。将两个事件不同阶段Me-formers类别与In-formers类别网民负面情感比例的实际数据与仿真结果进行比较，如图11所示。

图9 “江西病死猪肉事件”仿真结果

图10 “南京小护士被打事件”仿真结果

事件发展阶段政府应急措施结果解释产生阶段(12月27日前)Diminish(Justification)负面情感比例较低政府对江西生产销售病死猪肉进行打击,但事件仍有发生,网民对此事件没有特别关注,负面情感比例较低。爆发阶段(12月27日)Deny(Ignore)负面情感比例大幅度增加由于央视曝光病死猪生产销售,引起网民广泛关注,在此阶段,政府没有采取相关行动,即在Ignore(Deny)措施下网民负面情感比例大幅度增加。成熟阶段(12月28日至30日)Diminish(Justification)负面情感比例先增加后减少政府在12月28日晚之前未采取相关措施,Me-formers类与In-formers类网民负面情感比例不断增加。12月28日晚对事件开展专项调查,并处理相关官员和涉案人员,在仿真中网民负面情感比例达到一定比例后,加入Diminish措施,网民负面情感比例总体呈不断下降的趋势。衰退阶段(12月31日后)Diminish(Justification)负面情感比例下降政府开始针对病死猪肉产品开展专项清查工作,两名官员被立案侦查,即加入Diminish措施,网民负面情感比例不断下降。

表6 “南京小护士被打事件”仿真结果解读

图11 实际数据负面情感比例与仿真结果负面情感比例对比图

图11展示实际数据负面情感比例与仿真结果负面情感比例之间的差距。结合表2的定义，对于“江西病死猪肉事件”成熟阶段与衰退阶段In-formers类网民实际数据与仿真结果相差较大，这是因为由实际数据统计得到该事件成熟阶段与衰退阶段In-formers类网民的规则为：

OP(3) and GR(2) and ET(1) AC(1) 0.39

OP(3) and GR(2) and ET(1) AC(2) 0.61

OP(4) and GR(2) and ET(1) AC(1) 0.31

OP(4) and GR(2) and ET(1) AC(2) 0.69

即由“江西病死猪肉事件”得到的规则中对于In-formers类网民，在成熟阶段OP(3)，在政府采取Diminish措施GR(2)，网民总体情感倾向为负面ET(1)时，网民采取发布负面信息AC(1)与发布非负面信息AC(2)的偏好分别为0.39、0.61；衰退阶段OP(4)，在政府采取Diminish措施GR(2)，网民总体情感倾向为负面ET(1)时，网民采取发布负面信息AC(1)与发布非负面信息AC(2)的偏好分别为0.31、0.69。

而最后综合多个事件总结的长期记忆规则为：

OP(3) and GR(2) and ET(1) AC(1) 0.57

OP(3) and GR(2) and ET(1) AC(2) 0.43

OP(4) and GR(2) and ET(1) AC(1) 0.47

OP(4) and GR(2) and ET(1) AC(2) 0.53

即由多个事件总结的规则中对于In-formers类网民，在成熟阶段OP(3)，在政府采取Diminish措施GR(2)，网民总体情感倾向为负面ET(1)时，网民采取发布负面信息AC(1)与发布非负面信息AC(2)的偏好分别为0.57、0.43；衰退阶段OP(4)，在政府采取Diminish措施GR(2)，网民总体情感倾向为负面ET(1)时，网民采取发布负面信息AC(1)与发布非负面信息AC(2)的偏好分别为0.47、0.53。

两者之间偏好相差较大，使用总结的长期记忆规则选择发表负面信息的行为概率增大，并且由于In-formers类网民数量较少，在运行过程中波动较大，最后仿真结果网民负面情感比例较大，使得误差较大。综合两个事件的Me-formers和In-formers类网民的16个结果，实际数据与仿真结果的平均误差为5.61%，最大误差为14.9%，最小误差为1.0%，整体而言，实际数据与仿真结果之间的偏差较小，当仿真实验收敛后，不同阶段不同类别网民负面情感比例与实际数据统计结果基本相似，上面的数据和分析表明，本文在3.1.2中设计的长期记忆规则符合中国网络舆情演变过程中网民负面情感行为转换的规律，使用SOAR Agent模型的决策机制可以反映网民在政府不同的应急管理措施下的实际行为转换过程。

4.4 结论

根据上述分析，首先，在网民负面情感倾向性与政府应急响应措施关系方面。无论是在舆情的产生阶段还是爆发阶段，政府忽视事件，不采取任何措施(Deny(Ignore))，会导致网民负面情感显著上升；相反，在网络舆情爆发阶段，政府采取将责任归咎于事件引发者措施(Deny(Scapegoat))，在网络舆情产生、爆发和成熟阶段，政府进行积极的信息公开，解释事情发生，并做出决定采取行动(Diminish(Justification))，会导致网民负面情感下降。这说明在突发事件中，网民的负面情感倾向性与政府的应急响应措施存在直接相关性，政府如果能够正面积极应对，采取公开透明的应急响应措施，可以有效的疏导网民负面情感，引导网络舆情向健康的方向发展。

其次，在网民负面情感的测量和预测方面，可以应用SOAR模型，结合网民类型、网络舆情演变阶段、政府应急响应措施等研究成果，基于特定领域实际案例网民行为数据进行建模仿真，预测网民负面情感的演变规律。

因此，本文以网民负面情感的测量为基点，应用SOAR模型，将宏观的政府应急响应与微观的网民行为相结合，融合群体行为建模方法与社会学中的应急响应模型，构建了网民群体负面情感SOAR Agent模型，为突发事件中网民群体行为决策研究提供了一个新的研究视角，这是本研究的理论价值所在。同时，本文研究成果不仅为政府，也可以为企业、非政府组织提供突发事件中网民负面情感应急响应提供了一个可操作的应对方案和计算模型，从这一点来说，本项目具有广泛的实践意义。

5 结语

本文面向网络舆情演变过程中政府应急响应的实际需求，立足于网民群体负面情感的分析与建模，通过对网络舆情中网民群体行为演化的“感知——决策——行为——反馈”的闭环过程的解析，基于SOAR模型，将网民映射为Agent，分析网民群体行为影响要素，形成网民群体行为转变规则库，全面系统地揭示网络舆情演变过程中网民群体行为转变规律，进而解释网络舆情演变的内在机理。在此基础上进行仿真预测，模拟不同网络舆情演变阶段不同政府应急措施对不同类别网民群体行为决策的影响，对政府应急措施进行评估，深入认识网络舆情演变规律，据此对政府应急管理提出科学合理建议。

但是本文研究仍然存在一些不足，可以在后续的研究中继续深化，主要包括两个方面：

在模型通用性方面，第一，本文只选取了近两年国内发生的网络舆情事件为样本，从中总结出长期记忆规则，模型通用性有待于更大规模样本的检验；第二，本文长期记忆规则影响因素只设计了3个，没有考虑媒体因素，而媒体在网络舆情演变过程中，也对网民群体行为产生较大影响，与网民、政府之间存在博弈的过程；第三，本文探索了网络舆情演变过程中网民群体行为的划分，提出两种网民群体行为：发布负面信息与发布非负面信息；在今后的研究中，可以考虑：结合国外网络舆情事件，丰富长期记忆规则库，加入政府与媒体、媒体与网民之间的博弈模型，对网民群体行为进行更加详细的划分，比如划分为负面发表/非负面发表/负面评论/非负面评论/负面转发/非负面转发，使模型构建更加完善。

在模型验证方面，本文的模型验证方案是将模型仿真结果与实际数据统计结果进行比较，通过两者误差较小来说明模型的有效性，验证方案的科学性和有效性还有待于进一步检验。在今后的研究中，可以考虑将基于SOAR模型的网络舆情演变过程中网民群体行为建模仿真结果与其他行为描述模型仿真结果进行对比，例如BDI(Belief-Desire-Intention)模型、或者ACT-R(Adaptive Control Theory-Rational)模型的仿真结果进行对比，以此更加科学客观地说明基于SOAR模型对网络舆情演变过程中网民群体行为进行建模的合理性，与其他群体行为建模方法相比的优势或不足。

[1] Liu B F, Austin L, Jin Yan. How publics respond to crisis communication strategies: The interplay of information form and source[J]. Public Relations Review, 2011, 37(4): 345-353.

[2] McDonald L M, Sparks B, Glendon A I. Stakeholder reactions to company crisis communication and causes[J]. Public Relations Review, 2010, 36(3): 263-271.

[3] Choi Y， Lin Y H. Consumer responses to Mattel product recalls posted on online bulletin boards: Exploring two types of emotion[J]. Journal of Public Relations Research, 2009, 21(2): 198-207.

[4] Benoit W. Accounts, excuses and apologies: A theory of image repair strategies[M]. Albany: State University of New York Press, 1995.

[5] Hearit K M. The use of counter-attack in apologetic public relations crises: The case of General Motors vs. Dateline NBC[J]. Public Relations Review, 1996, 22(3): 233-248.

[6] Coombs W T. Protecting organization reputations during a crisis: The development and application of situational crisis communication theory[J]. Corporate Reputation Review, 2007, 10(3): 163-176.

[7] Jin Yan, Liu B F. The blog-mediated crisis communication model: Recommendations for responding to influential external blogs[J]. Journal of Public Relations Research, 2010, 22(4): 429-455.

[8] 刘怡静, 袁建华, 汪李峰. 认知引擎中案例学习模块的设计与实现[J]. 现代电子技术, 2011, 34(9): 30-34.

[9] Oyewole S A, Farde A M, Haight J M, et al. Evaluation of complex and dynamic safety tasks in human learning using the ACT-R and SOAR skill acquisition theories[J]. Computers in Human Behavior, 2011, 27(5): 1984-1995.

[10] Elster J. Social norms and economic theory[J]. The Journal of Economic Perspectives, 1989,3(4): 99-117.

[11] Honey C, Herring S C. Beyond microblogging: Conversation and collaboration via Twitter[C]//Proceedings of the 42nd Hawaii International Conference on System Sciences, Big Island, HI, USA, January 5-8, 2009.

[12] Naaman M, Boase J, Lai C H. Is it really about me?: Message content in social awareness streams[C]//Proceedings of the 2010 ACM conference on Computer Supported Cooperative Work，Savannah, Geogia, USA, February 6-10, 2010.

[13] Riemer K， Richter A. Tweet inside: Microblogging in a corporate context[C]//Proceedings of the 23rd Bled eConference eTrust: Implications for the Individual, Erterprises and Society, Bled, Slovenia, June 20-23, 2010.

[14] Papacharissi Z. Without you, I'm nothing: Performances of the self on Twitter[J]. International Journal of Communication, 2012, 6: 838-855.

[15] 方付建. 突发事件网络舆情演变研究[D].武汉： 华中科技大学， 2011.

[16] 李纲，陈璟浩. 突发公共事件网络舆情研究综述[J]. 图书情报知识, 2014，(2): 111-119.

[17] Coombs W T. The protective powers of crisis response strategies: Managing reputational assets during a crisis[J]. Journal of Promotion Management, 2006, 12(3-4): 241-260.

[18] Pang N， Ng J. Twittering the Little India Riot: Audience responses, information behavior and the use of emotive cues[J]. Computers in Human Behavior, 2016, 54: 607-619.

[19] Cooley S, Jones A. A forgotten tweet: Somalia and social media[J]. Ecquid Novi: African Journalism Studies, 2013, 34(1): 68-82.

[20] Liu B F. Effective public relations in racially-charged crises: Not black or white[M]//Coombs WT, Holladay S J. Handbook of crisis communication, Hoboken, VewJersey: Wiley-Blackwell, 2010: 335-358.

[21] DiFonzo N. The watercooler effect: A psychologist explores the extraordinary power of rumors[M]. UK: Penguin,2008.

[22] 陈伟, 情感智能体认知行为建模研究[D]. 长沙：国防科学技术大学,2011.

[23] Laird J E， Nielsen E. Coordinated behavior of computer generated forces in tacAir-Soar[C]//Proceedings of the 4th Conference on Computer Generated Forces and Behavior Represatation, 1994.

[24] Puigbo J Y, Pumarola A, Angulo C, et al. Using a cognitive architecture for general purpose service robot control[J]. Connection Science, 2015, 27(2): 105-117.

[25] Zhong Shiquan, Zhou Lizhen, Ma Shoufeng, et al. Guidance compliance behaviors of drivers under different information release modes on VMS[J]. Information Sciences, 2014, 289: 117-132.