基于多层耦合网络的移动社交网络舆情传播控制模型*

陈 帅

（国防大学研究生院，北京 100091）

0 引言

截至2019 年6 月，我国网民规模8.54 亿，其中通过手机上网的比例达99.1%[1]。传播速度快、影响范围广、社会动员能力强的“两微一抖”等移动社交平台用户快速增长，逐渐形成了一种强大的政治、文化力量，深刻影响着国内甚至全球事件的走向，移动社交网络舆情的控制愈加关系社会的稳定。网民在对某一舆论话题展开讨论时，经常在几个社交平台之间转发、共享和复制。平台之间存在着广泛的议程互动，“溢散”效果更加明显。网络舆情的传播控制建模要反映不同社交平台的独特信息传播模式，也要考虑平台间的互动传播过程。

1 研究现状

网络舆情的主体包括普通网民、意见领袖、网络推手、政府以及媒体等。其中，媒体和政府是具有控制职能的舆情作用主体。相关研究从作用主体角度进行分类，主要分为媒体引导和政府干预两大类。

媒体引导。Yang 研究了不同类型话题传播过程中各类媒体节点影响力变化对话题演变的影响[2]。朱恒民、浦娇华等将媒体作为外部传播节点与个体相连，分析了媒体数量、影响范围、报道力度和可信度等因素的影响[3-4]。苏继超等研究了噪声干扰下媒体引导强度、引导范围、引导时间等因素对舆论观点的影响[5]。

政府干预。项权等基于政府在舆情干预过程中对感染者的负反馈作用，考察了免疫速率、复发速率作用下的舆情演化[6]。王治莹等建立了政府干预下舆情传播微分方程组，并结合案例设计情境研究了政府应对策略[7]。夏一雪、兰月新等构建了多个网络传播平台间的舆情信息交互模型，研究了大数据背景下政府应对突发事件的对策[8]。

已有的研究一般未体现各社交平台的传播特性，反映不出平台间的信息交互，而且少有模型能同时体现媒体、政府两类作用主体的影响。本文以微博、微信两种最具有代表性的移动社交平台为对象，研究媒体引导、政府干预下多平台互动传播和舆情演化。

2 概念模型

构建包含微信层（Lwc层）、微博层（Lwb层）、控制层（Lc层）的多层耦合网络概念模型，如图1所示。Lwc层中的所有节点表示微信用户，无向边表示节点间的微信好友关系。Lwb层中的所有节点表示微博用户，有向边表示节点间的关注、被关注关系。Lc层中有一个政府节点和多个媒体节点。媒体节点之间的无向边表示协作关系，互相进行信息共享。政府节点与所有媒体节点连接。Lwc层与Lwb层之间根据节点度排序一一对应连接。Lc层中每个媒体节点根据自身影响范围与Lwc层、Lwb层中部分用户节点进行一对多连接推送信息。Lc层中的政府节点与Lwc层、Lwb层中所有用户节点连接发送控制信息。

图1 多层耦合网络概念模型

3 舆情传播控制模型

本文借鉴SEIR 模型，利用基于多智能体的建模方法在Anylogic 上构建舆情传播控制模型。

3.1 主体属性

主体属性如表1所示。其中，吸引度表示用户对信息感兴趣的程度；圈群规模表示用户群聊对象以及朋友圈的可见范围；兴趣阈值、厌倦阈值表征用户对群体意见的敏感度；跨层传播倾向表示用户将信息传播到另一平台的概率；被关注度表示用户拥有粉丝的情况；活跃度表示用户的活跃程度；传播力表示用户微博被传播的效率；用户数量表示媒体的影响人数与总用户人数的比值；报道力度表示媒体通过发布信息引导用户传播信息的力度；干预范围表示政府干预的作用对象占总人数的比例；干预强度表示政府制止用户传播信息的力度。以上属性均在连续区间[0，1]取值。

表1 主体属性

3.2 状态转移关系

3.2.1 微信、微博层状态转移关系

微信、微博用户状态转移关系如图2 所示。其中，M表示未知者在媒体引导下接收消息变为潜伏者，σ为媒体引导潜伏概率；O表示潜伏者、感染者在政府干预下变为免疫者，ρ为政府干预免疫概率。

图2 微博、微信用户状态转移关系

微信群体多由具有一定现实社会关系的个人紧密联系起来的，对于同一条消息，用户转发的意愿受到周围好友转发人数的影响。微信用户i由潜伏者转化为感染者的感染概率与邻居节点传播人数的关系如式（1）所示，其中k表示邻居节点中感染者的比例，c为非零常数。b=a·k0/(k1-k0)表示信息厌倦度，用来衡量用户得知周围朋友转发该条消息人数过多时对消息的反感程度。

微博平台中存在大V 用户和普通用户两类用户。大V 用户作为意见领袖，信息经大V 用户传播后能引起网民更多关注。用户的转发行为与关注对象的综合影响力密切相关，用户综合影响力由被关注度、活跃度和传播力构成。节点i由潜伏者转化为感染者的感染概率用传播节点的综合影响力在所有邻居节点综合影响力所占比重表示，如式（2）所示。其中wj表示节点i的传播节点j的综合影响力，Σwj表示节点i所有关注节点综合影响力之和。

在受到媒体引导时，用户由未知者变为潜伏者的概率受媒体权威性和报道力度的影响。媒体节点k的媒体引导潜伏概率δk=ok·sm。在受到政府干预时，用户由潜伏者或感染者变为免疫者的概率受政府公信力和干预强度的影响。政府干预免疫概率ρ=v·so。

3.2.2 控制层状态转移关系

媒体和政府状态转移关系用一定规则代替原SEIR 模型中的状态转移概率，如图3 所示。未知者表示节点未接收到消息。节点得知信息后变为潜伏者，开始关注舆情走向，并与其他节点分享该消息。当感染者人数达到一定比例，即NI(t)＞I0·N0，表明舆情达到了一定热度，媒体和政府开始介入，变为感染者。当免疫者人数达到一定比例即NR(t)＞R0·N0，节点停止控制舆情，变为免疫者。节点也可以在接收到舆情控制任务时直接由未知者变为感染者。

图3 媒体、政府状态转移关系

3.3 舆情传播过程

选取一定数目的用户节点或媒体节点作为信息传播源置为感染者。单层网络传播采取异步更新模式。

（1）若前一时刻节点状态为未知者。在受媒体引导时，以概率σ变为潜伏者，以概率δ=1-σ变为免疫者。无媒体引导时，判断邻居节点是否存在感染者。若不存在感染者，状态不变；若存在感染者，微博网络中节点状态发生改变，微信网络中节点状态以概率λ改变。节点状态改变时，以概率α变为潜伏者，以概率δ=1-α直接变为免疫者。

（2）若前一时刻节点状态为潜伏者。受政府干预时以概率ρ变为免疫者。无政府干预时，在微博网络中，根据传播节点的综合影响力和信息吸引度以概率β转变为感染者，否则直接变为免疫者。在微信网络中，根据邻居节点转发该消息人数、心理阈值以及信息吸引度以概率β转变为感染者，否则直接变为免疫者。

（3）若前一时刻节点状态为感染者。受政府干预时，以概率ρ变为免疫者。无政府干预时，以概率θ变为免疫者。

（4）若前一时刻节点状态为免疫者。以概率η变为感染者，否则状态不变。

层间传播采取同步更新模式，由首先发生状态改变的网络层中节点状态决定另一层对应节点的状态。

3.4 载体网络

在线社交网络是典型的具有幂律度分布的复杂网络，本文选取无标度网络作为载体网络。利用文献[9]的算法在微信层构建BA 无标度网络，在微博层构建无标度有向网络。控制层媒体节点采用随机网络，政府节点与所有媒体节点连接。

4 仿真结果与分析

使用Anylogic8.5.0 软件进行建模仿真实验。实验参数设置如下：用户总数N0=1 000，媒体数量=10，开始引导阈值=0.1，停止引导阈值=0.9。报道力度sm=0.7，开始干预阈值=0.15，停止干预阈值=0.9，干预范围χ=0.5，干预强度so=0.7。仿 真 时 间t=60，α=0.5，φ=0.05，η=0.1，θ=0.001，a=0.9，ε=0.5。

微博、微信平台中未知者的状态是严格同步的，且未知者数量能同时直观表现媒体引导和政府干预的效果，因而以微信层未知者数量变化为参照进行仿真实验，研究舆情在单平台传播和双平台同步传播的差异，以及媒体引导和政府控制在单平台实施和双平台同步实施的差异。设置6 种情景：情景1，单平台传播，不加入舆情控制；情景2，双平台传播，不加入舆情控制；情景3，双平台传播，在微信平台进行媒体引导；情景4，双平台传播，在双平台进行媒体引导；情景5，双平台传播，在微信平台进行政府干预；情景6，双平台传播，在双平台进行政府干预。仿真结果如图4 所示。

图4 单/双平台舆情传播控制仿真结果

情景1 曲线在仿真时间内保持在1 左右，尚未形成舆情（t=90 左右开始下降）；情景2 较情景1曲线迅速下降，舆情开始传播，表明多平台互动传播使舆情演化弛豫时间缩短，舆情事件发生的概率也相应提高；情景4 较情景2 稳态未知者数量有明显下降，演化弛豫时间减少，表明媒体报道使网民更快知晓信息，舆情演化速度加快；情景3 不如情景4 效果明显，表明多平台媒体协同引导较单平台更有效果；情景6 较情景2 稳态未知者数量有明显上升，演化弛豫时间减少，表明政府干预使得舆情迅速平息，并且部分网民没有接触到信息；情景5较情景6 弛豫时间长，稳态未知者数量少，表明双平台同时控制较单平台更有效。仿真结果说明，跨平台信息交互促进了舆情的演化；媒体引导要在多社交平台同时发声，才能引起网民的广泛关注，引导舆情走向；政府干预要加强联控联防，多平台同时着手。

5 结语

本文利用SEIR 模型和多智能体建模方法，构建了符合微信、微博信息传播特点的微信社交网络层和微博社交网络层，能同时反映媒体引导和政府干预影响的舆情控制层。基于耦合网络描述层间信息交互和控制关系，构建了“微信层-微博层-控制层”多层耦合网络舆情传播控制模型。在Anylogic 平台上进行仿真实验，研究了舆情在单平台传播和双平台平台同步传播的差异、媒体引导和政府控制在单平台实施和双平台同步实施的差异。仿真结果表明，跨平台信息交互促进了舆情的演化，舆情控制中要加强媒体间的协作和多平台间的协同控制。该模型很好地刻画了微信、微博平台信息传播特性，反映了舆情的跨平台传播效应。