基于Multiagent的突发事件网络舆情演化

董田田 张睿 王姿颖 董学士

摘要：针对突发事件的传播过程，采用定性与定量相结合的方法，提出了突发事件网络舆情传播的“五段六点”模式。根据贝叶斯概率原理，给出了Agent的决策规则，以网络结构的方式体现Agent之间的内在联系，建立了基于Multiagent分布的突发事件网络舆情传播模型。通过仿真分析Agent情感态的演化，验证了该模型的有效性，表明该模型能够较好地分析网络用户对突发事件网络舆情传播的演化趋势。

关键词：Multiagent;突发事件;网络舆情;舆情仿真;决策规则

中图分类号：TP393

文献标志码：A

文章编号：1006-1037（2021）01-0013-05

基金项目：山东省自然科学基金 （批准号：ZR2019MF050）资助。

通信作者：董学士，男，博士，讲师，主要研究方向为复杂网络、数据挖掘、深度学习。E-mail：937635119@qq.com

在互联网的信息海洋中，网络用户虽然有选择信息的自由，但在某一时刻，由于从众心理，网络用户会先关注热度较高的事件，造成突发事件网络舆情传播的两极分化现象。预测网络舆情话题演化趋势，可有效消减网络舆情中的“蝴蝶效应”。Sudbury[1]将Kermack等[2]提出的传染病模型与网络舆情传播联系起来，随后，不少学者还研究了社交网络中的信息扩散[3]、话题状态建模[4]以及创新扩散[5]等问题。梁凯等[6]综合考虑了网络舆情扩散的多个环节和主要影响因素，建立网络舆情扩散的系统动力学模型;WANG等[7]构建了一个多维网络舆情网络模型;贺鹏等[8]根据用户个体差异及其强弱关系，提出了多Agent的微博社交网络传播模型;ZHANG等[9]采用期望最大化的方法，推断信息的传播速度;孙月明等[10]通过增加两个新的节点状态来增强信息传播，建立了耦合网络中的网络舆情传播模型。本文根据突发事件的传播特征，对突发事件网络舆情的演化过程按阶段进行分解，提出“六点五段”模式。考虑社交网络的开放性、交互性，依据其传播的方式，对Agent进行分类。在Multiagent分布式技术基础上，本文充分利用Agent的自主性、互动性、适应性等多重特性，深度剖析Agent个体之间的自主交互微观行为，明确Agent决策规则，以网络结构的方式体现其内在联系。通过主体自主性行为，Agent间相互协商、相互协作、相互协调，使得舆情在社交网络中的传播特征与网络用户的交互性相关联，描述社交网络上主体的自主性行为对舆情传播的影响，从而构建了基于Multiagent的突发事件网络舆情传播模型。

1 突发事件网络舆情的演化过程分析

根据突发事件的传播特征，对突发事件网络舆情的演化过程按阶段进行分解，演化过程分为孕育阶段、显现阶段、发展阶段、衰退阶段、消亡阶段五个阶段，上一阶段可以平稳地过渡到下一阶段，也可能由于网民、媒体、政府这三个主体的干预，使得舆情演化到下一阶段失去稳定性。从五个阶段具体分析其演化过程如图1，其中，横坐标为时间，纵坐标为事件的热度。

发生点表示现实社会中突发事件发生的时刻，也是网络舆情发生的时刻，传播点表示网络舆情热度缓慢上升的点，两点之间称为孕育阶段，此阶段持续时间普遍较短，几乎没有热度，参与讨论的网络用户数量较少，几乎没有转发数量。

发展点表示网络舆情热度迅速上升的点，传播点和发展点之间称为显现阶段，持续时间普遍较短，热度会比前者略高，参与讨论的网络用户数量缓慢增加，跟帖数量也在缓慢提升。随着突发事件的蔓延，网络媒体对此事件进行报道，关注事件的用户逐渐增多，突发事件的网络舆情转发数量整体呈上升的趋势。

高潮点是网络舆情发展的顶点，发展点和高潮点之间称为发展阶段，此阶段持续时间较长，热度会随着时间达到最高点，参与讨论的网络用户数量迅速增加，跟帖数量也在快速提升，由于网络用户数量变化率和跟帖数量变化率随时间的变化整体呈正增长趋势。在这一阶段，由于网络用户之间的互动、部分网络推动者、意见领袖的介入以及网络媒体的不断报道，使得突发事件从小规模传播向大规模扩散转变。

衰退点是网络舆情快速下降的尾点，高潮点和衰退点之间称为衰退阶段，此阶段持续时间普遍较长，热度会从最高值逐渐下降，参与讨论的网络用戶数量快速减少，跟帖数量也在迅速下降，网络用户数量变化率和跟帖数量变化率随时间的变化整体呈负增长趋势。这是由于新闻媒体报道减少，且网络用户对已知的事物评论减少，使得网络舆情逐渐下降。

消亡点表示突发事件网络舆情的热度接近于0，衰退点和消亡点之间称为消亡阶段，此阶段持续时间普遍较长，热度逐渐的消散，参与讨论的网络用户数量，跟帖数量缓慢减少直至接近于零。随着时间的推移，媒体关于事件不再报道，网络用户对事件不再感兴趣等，突发事件逐渐消失。

2 基于Multiagent的突发事件网络舆情传播模型

2.1 Agent类型及其属性

在突发事件网络舆情传播中，通过剖析Agent个体之间的交互行为，将Agent分为三类：意见领袖Agent;网络用户Agent，保持自身特性，如信念度（寻求事件的真相和支持或怀疑政府的行为），从众性等来对网络舆情进行转发传播;政府Agent，根据政府公信力、政府传播力、政府议程设置引导力等属性，对网络舆情信息传播进行干预。

2.2 Agent决策过程分析

从网络用户Agent的认知推理角度出发，将网络用户Agent对信息处理过程分为三个阶段：信息接收阶段、信息认知阶段和信息传播阶段。首先，网络用户通过关系网判断是否能接收到信息，若是能接收信息，获知信息后对信息进行认知，否则，将会不转发;其次，判断对此信息是否给网络用户带来情感上的表达和收益，进入下一判断;最后，网络用户Agent在处理信息之后考虑是否传播信息。依此不断执行，网络用户Agent对网络舆情信息处理流程图如图2。

2.3 Agent决策规则

在社交网络舆情传播过程中，{Positive，Opposite，Neutral}分别表示Agent对该信息的观点是积极的，消极的还是中性的，若在传播过程中Agent没有干预，则表示Agent的观点处于中立态;{True，False}分别表示Agent是否干预舆情信息的传播;{Stable，Diffusion，Dissipate}分别表示该舆情信息走势处于平稳、扩散和消退。政府是否干预的概率用P（S）表示，舆情走势概率用P（H）表示，意见领袖概率用P（O）表示[11]。依据贝叶斯概率原理

其中，hi表示第i种事件，ui 表示该事件发生时，传播舆情信息给Agent带来的收益，c表示该事件发生时，传播舆情信息给Agent带来的成本。

总效用U的期望值

其中，α表示情感表达和传播收益的相对权重系数。

在网民Agent做出期望预判后，起始时Agent对于该信息通常处于观望状态，不会即刻对该信息进行转发，针对这一问题，本文设置一个决策意愿R，概率P（W）决定最终的执行策略，Agent传播信息的概率

其中，E（u（0））为Agent传播舆情时的总期望值，若R≤P（W），则Agent转发该舆情信息，否则不转发。

3 仿真实验与分析

仿真实验在Netlogo建模与仿真软件平台上进行。在Netlogo平台上，Agent之间的交互作用是一个Agent从其他Agent获取信息，然后根据自身的信息积累、状态和决策规则，修改自身的原始状态，并将信息传播给其他Agent进行交互的过程，通过这些形式的交互，突出显示系统环境所具有的和单个Agent所不具备的整体行为。

3.1 数据来源

仿真实验数据来源于慧科数据平台检索关键字“女网红进入机长驾驶舱”（ 2019年11月3日爆料）的相关微博，该微博被转发7 000+以上，最多转发达12级层次，前后拥有30个以上分级关键传播节点转发。

考虑到实验的方便性和快捷性，在仿真环境中，嵌块集是由43×43的patch构成，嵌块大小为11像素，正常速度下每秒的幀数为30。其中，政府Agent、意见领袖Agent、网络用户Agent分别有1个、1个、300个，社交网络中有一个传播者，为简化仿真实验，本文中的权重系数设为同样重要，均等取值。

3.2 无政府的干预

网络舆情发生后，在没有政府干预的情况下，根据相关政府官方内容在事件过程中的分析，网络用户Agent的情感趋势性变化趋势如图3。可知，当无政府干预时，积极情绪和负面情绪的网络用户Agent随着时间的推移而增加，当到达一定数量时，网络用户数在小范围内震荡变化，发帖数量不断增加，中立情绪化的网络用户Agent不断转变成积极或负面的网络用户Agent。当网络用户在网络舆情事件下处于焦虑情绪且政府仍处于被动处理状态时，网络用户往往不相信政府的行为，Agent希望查明事件的真相，以及网络用户Agent对负面发展的情感倾向，此时，Agent有意反馈公众意见，督促政府积极应对网络舆情事件。

3.3 有政府的干预

其他条件不变，当政府Agent开始干预介入时，网络用户的情感趋势性变化趋势如图4。可以看出，随着政府对突发网络舆情事件的态度由负面转变为积极时，网络用户的情感性变化趋势向着积极的方向发展。在前期不变的状态下，随着时间的推移，积极情绪化的网络用户数快速增加，对应的负面情绪化网络用户数直线下降。处于中立态是网络用户不断的转变为积极网络用户。

3.4 模型有效性验证

为了验证本文提出的Multiagent体社交网络舆情传播模型的有效性，将本文提出的Multiagent社交网络舆情传播模型与真实的数据进行对比，真实数据网民情绪占比如图5所示，图5（a）表示各媒体进行转发后，航空公司未进行声明网民情绪占比，图5（b）表示航空公司发出声明后的网民情绪占比。

Multiagent社交网络舆情传播模型仿真结果图3与真实数据图5（a）比较，4日上午无官方声明和无政府参与，二者的情绪占比具有一致性，Multiagent社交网络舆情传播模型仿真结果图4与真实数据图5（b）比较，4日上午官方发出声明，网名的积极情绪快速上升，负面情绪下降，加上政府正面引导，网络用户的情感向着积极的方向发展，积极情绪的占比会超越实际情况占比，由此验证了本文提出的Multiagent社交网络舆情传播模型的有效性。

4 结论

针对突发事件网络舆情传播问题，在分析当前研究现状的基础上，根据仿真实验结果可知，在突发事件网络舆情传播初期，网络中各Agent的密度不断增加，当达到一定的演化时间后，网络中各Agent的密度慢慢趋于稳定，该过程与突发事件网络舆情实际变化特点相吻合;根据突发事件网络舆情传播模型参数的变化情况可知，由于社交网络的连通性较强，当政府Agent干预时，网络用户Agent接收到政府Agent的正面引导，中立态向积极态转变，此时积极情绪占比大于负面情绪占比，该突发事件网络舆情的信息在网络中的传播速度就快，反之舆情话题的信息传播速度相对较慢。对比官方通告前后网络情感倾向，网络用户在通告后对某航空的正面评价明显上升，某网络用户Agent对某一突发事件处于积极情感下时，则有利于信息的传播。

参考文献

[1]SUDBURY A. The proportion of the population never hearing a rumour[J]. Journal of Applied Probability， 1985， 22（2）： 443-446.

[2]KERMACK W O， MCKENDRICK A G. A contribution to the mathematical theory of epidemics[J]. Bulletin of Mathematical Biology，1991，53（1-2）：57-87.

[3]LUCERI L， BRAUN T， SILVIA G. Analyzing and inferring human real-life behavior through online social networks with social influence deep learning[J].Applied Network Science， 2019， 4（1）： 1-25.

[4]XU J， ZHANG L， MIAO A. Bayesian network-based static topic tracking model[J].Data Analysis and Knowledge Discovery， 2020，4（Z1）： 200-206.

[5]朱江，包崇明，王崇云，等.基于图结构特征分析的Top-k结构洞发现算法[J].计算机工程，2020，46（5）： 94-101+108.

[6]梁凯，孙梦娇，崔玲. 网络舆情扩散的系统动力学仿真[J].青岛大学学报（自然科学版），2013，26（1）：96-101.

[7]WANG G， CHI Y. Studies on a multidimensional public opinion network model and its topic detection algorithm[J]. Information Processing & Management， 2019， 56（3）： 584-608.

[8]賀鹏，李军，董田田，等.基于多Agent的微博社交网络信息传播模型[J].青岛大学学报（工程技术版），2020，35（2）： 43-47+56.

[9]ZHANG L F， SU C. Cross-network dissemination model of public opinion in coupled networks[J]. Information Sciences， 2018， s：（451-452）： 240-252.

[10] 孙月明， 张运加， 颜钱，等. 无需感染时间信息的传播网络快速推断算法[J]. 计算机科学与探索， 2019， 13（4）： 541-553.

[11] 缪秋云. 基于MAS的移动社交网络舆情演化模型构建与仿真研究[D].南京： 南京航空航天大学，2017.