区块链社交网络中信息传播模型研究

赵 炎，宾 晟，孙更新

(青岛大学计算机科学技术学院,山东 青岛 266071)

0 引言

随着互联网技术的快速发展，涌现了大量社交网络(Social Network Service，SNS)，为人们日常信息的获取带来极大便利。社交网络用户的持续交互使各种信息在社交网络中被快速传播，其异常庞大的社交图谱使信息的传播范围和影响极易被放大，这些特点使社交网络已经成为个人、组织进行舆论表达、信息发布的重要平台。基于现实网络构建信息传播模型可以反映社交网络中的信息传播过程、预测信息未来的传播趋势，有助于研究人员更好地认识信息传播规律，也为基于信息传播的其他研究提供了理论支持。例如，TQ Phan等[1]利用大量社交网络数据分析了社会关系的形成。Kazumi Saitod等[2]提出一种模型驱动的方法用以发现社交网络中有影响力的节点，并分析了模型驱动的方法与数据驱动的方法的不同。Zhang Yutao等[3]考虑多个网络的局部一致性和全局一致性，提出一种基于能量的模型，以自动集成不同的异质社交网络。Seth A Myers等[4]研究了用户传播行为与底层社交网络结构的相互作用，提出了一种数学模型以预测哪些信息扩散时间会影响网络的动态。Adrien Guille等[5]对处理社交网络信息传播及衍生问题的代表性方法进行了分析，总结了现有的方法，帮助研究人员快速了解现有的工作。

社交网络虽然为人们提供了接触信息的新渠道，丰富了人们的业余生活，但网络中传播的信息质量参差不齐且用户结构复杂的情况也难以避免。而大规模的谣言、恶意信息极易对中国政治、经济、文化安全带来危害，社交网络的复杂性更使得这些信息在社交网络上的传播难以控制。随着区块链技术的逐渐普及，基于区块链技术的信息传播研究为政府和社交网络平台的舆情监控、预防公共突发事件提供了新思路，一批以Steemit、Mind为代表的以区块链为底层架构的社交网络相继上线运营。这类社交网络使用区块链来记录社交网络中的信息发布和传播，使用户的所有言论都有迹可循，并对社区中优质内容的贡献者和传播者都给予激励，对虚假信息和垃圾信息的制造者和传播者给予惩罚。这些特点使生产、传播信息的成本变高，相比传统社交网络中的用户，该类社交网络中用户更加注意自己在社区中的言论，也更能理性看待社区中发布的各类信息，从而构建了一种新型的信息传播环境。

这种基于区块链技术的社交网络引起了大量学者的关注。Swan M[6]最早探讨了区块链技术在信息传播领域的应用前景。Ersoy O[7]对区块链中信息传播进行了研究，提出一种路由机制和激励机制相结合的方法，大幅提高了区块链中信息传播的效率。李泰安[8]在研究中分析了区块链技术在重构网络舆论环境中的作用和应用前景。马强等人[9]以Steemit社交网络为例，对基于区块链技术的网络谣言治理模式进行了探析。赵丹等[10]从实证角度出发，基于区块链和信息传播，提出了区块链环境下舆情信息传播的概念模型。孙更新等[11]引入收益—风险矩阵，提出了一种针对区块链环境下的社交网络的舆情传播模型。然而，目前大多数研究集中在区块链技术在信息传播领域的应用前景和改善区块链中信息传播的效率、降低信息存储的成本等方面。仅有少数研究提出了针对区块链社交网络的传播模型，但是在这部分研究中仍未考虑过社交网络中的意见对立人群以及不同的激励政策对各群体传播行为的影响。

综上所述，当前对区块链环境下社交网络中的信息传播研究仍处于起步阶段，可用的信息传播模型相对稀少。本文考虑区块链社交网络中的意见对立人群、激励机制和用户的从众心理等传播特点的影响，提出一种新的信息传播模型。

1 基于区块链的社交网络信息传播模型

1.1 基于区块链的社交网络信息传播特点

区块链所拥有的激励机制、共识机制和难以篡改的特点，令基于区块链的社交网络中的信息传播过程异于传统社交网络。

首先，作为一个去中心化的分布式账本，由于基础架构中激励层的技术特点，区块链中每一个节点都需要进行数据验证以达成共识并记账，所以需要设计合理的激励措施令区块链中各节点的利益与整体共识一致。这种底层技术特点映射到应用层面就是各种基于区块链技术的社交网络平台向优质内容创作者以及传播者发放平台的经济代币进行激励，为平台用户创作带来了经济动力。所以用户为尽可能多地获取其他用户的认可以及代币激励，在表达自己观点时会更加理性。在用户规范了自己行为的同时，社交网络平台也可依靠调整代币的激励政策对平台用户进行有效的引导。

其次，区块链技术基础架构的共识层利用区块的特点在高度去中心化的系统中高效地形成共识。在传播的过程中，区块链社交网络平台中的用户在一定程度上影响了信息的传播效果。用户可以支付平台代币对一条内容进行投票，评价该内容是否为优质(或低质量)信息，是否应将该内容优先浮现令更多用户看到以扩大其传播范围，由此促进了优质内容的传播而获得平台的代币激励。

最后，区块链中保存的数据可追溯且难以篡改。区块链技术利用时间戳和数字签名来保证区块链中存储的信息的稳定性与可靠性，用户的传播行为以及传播内容都会存储在区块链中且不可删除，即使用户删除了某条信息的本地记录，该信息仍会记录在其他分布式帐本中。借此特点，社交网络平台上的其他用户在接收到信息后可以通过查询创作(或传播)该信息的用户的历史发布记录和历史传播记录初步判定接收到的信息的真实性。

1.2 区块链社交网络信息传播模型建立

由于信息在社交网络中的传播与病毒在人群中的传播类似，因此社交网络中信息传播的研究大都借鉴传染病模型，而SEIR[12]模型是应用最为广泛的模型之一。本文基于SEIR模型，考虑区块链社交网络中的意见对立人群引入新的节点状态。此外，本文考虑经济激励和惩罚对用户传播行为的影响，通过贝叶斯博弈[13]和演化博弈[14]，重新定义了各状态之间的转移概率，提出了一种新的传播模型。

根据区块链社交网络信息传播的实际情况，假设SNS中存在信息T(T为一类话题的支持或反对信息)，将SNS中的节点分为易感染节点S(Susceptible)、观望节点E(exposed)、赞同节点A(Advocates)、反对节点O(Objector)、免疫节点R(Removed)，赞同节点A与反对节点O统称为感染者节点(Infected)。其中S节点表示用户还未接触到信息T。E节点表示接触信息T后，为最大化自身经济收益而暂时处于观望状态的节点。A节点表示接触信息T后，对信息T持赞同意见，并选择传播支持信息的节点。节点O表示接触信息T后，持反对意见，并选择传播反对信息的节点。R表示不再受信息影响的节点。状态转换过程如图1所示。

图1 SEAOR模型状态转移过程Fig.1 The state transition process of the SEAOR model

设S(k,t)、E(k,t)、A(k,t)、O(k,t)、R(k,t)分别表示t时刻度为k的易感染节点、观望节点、赞同节点、反对节点、免疫节点的密度，且在任意时刻:S(k,t)+E(k,t)+A(k,t)+O(k,t)+R(k,t)=1，各状态之间的转移规则描述如下：

1)易感节点S接触到目标信息后，S可能以概率psa转变为赞同节点A，或以概率pso转变为反对节点O，或因经济激励和惩罚而选择暂时观望，以概率pse转变为观望者节点E。其中psa、pso、pse分别成为易感节点S对信息的赞同概率、反对概率、观望概率。

2)观望节点E再次接触到赞同节点A或反对节点O后，可能以概率pea转变成赞同节点A、以概率peo转变成反对节点O，或以概率per转变成免疫节点R。称pae、peo、per分别为观望节点E的赞同概率、反对概率、直接免疫概率。

3)赞同节点A以概率par转变成免疫节点R，称par为赞同节点A对目标信息的免疫概率。

4)反对节点O以概率por转变成免疫节点R，称por为反对节点O对目标信息的免疫概率。

5)当节点成为免疫节点R后，其状态不再改变。

基于上述状态间转移规则及系统动力学，基于区块链社交网络中的信息传播模型如式(1)：

(1)

其中，pcon为网络中任意一条随机边与感染者节点相连的概率。

1.3 构建博弈矩阵

在1.1所述模型中，状态转移概率pei、peo、per、pir、por均被社交网络中的经济激励惩罚机制影响。为描述观望者节点E、赞同节点A、反对节点O在经济奖惩下的传播行为，本文根据贝叶斯博弈构建博弈矩阵。假设社交网络中群体A、O、E均为有限理性人群，根据贝叶斯博弈构建博弈矩阵如表1所示。

表1 博弈矩阵Tab.1 Game matrix

博弈矩阵中x为观望者接受来自感染者的消息的概率，即x为pea+peo，1-x为per。y、z分别为赞同者和反对者传播信息的概率，当感染者不再传播消息时，其将转变成免疫者，即1-y、1-z分别为pir、por。

群体S或群体E接受消息后转变成群体I(A或O)，付出投票的成本c，并根据A与O在所有I中的密度(λ和1-λ)从社区提供的经济激励中获得其基本收益λE、(1-λ)E。当I成功影响健康节点，即扩大了信息的传播范围，I将会获得其对应的额外收益。同时，I传播的消息可能被认定为劣质内容，I将得到相应的经济惩罚，即I传播信息的惩罚风险。

博弈矩阵中各个参数定义如表2所示。

表2 博弈矩阵中参数释义Tab. Parameters in the game matrix

2 博弈方行为分析及状态转移概率计算

基于上述博弈矩阵，本文利用演化博弈分析博弈参与者的行为并计算各状态转移概率。

uE1=(yλ-zλ+z)E-(y+z)c

(2)

uE2≡0

(3)

(4)

构造观望者E采取策略“接受”概率的复制动态方程[15]

(5)

F(x)=x(1-x)[(yλ-zλ+z)E-(y+z)c]

(6)

(1)若(yλ-zλ+z)E-(y+z)c=0，则F(x)≡0,即无论观望者E选择策略“接受”和“不接受”比例如何，其策略都不会随时间发生改变。此时per与pea+peo不变。

(2)若(yλ-zλ+z)E-(y+z)c≠0，令F(x)=0，可得x=0，x=1为x的两个稳定点。即在不出现选择相反策略的突变体时，观望者E选择特定策略的比例(稳定在“接受”或“不接受”)不再发生变化。此时，对F(x)求导可得

(7)

x=(1+F(x))x0

(8)

其中,x0为t时刻初始接受率。

uA1=xEA+λE-c-R

(9)

uA2=λE-c

(10)

(11)

构造支持者A采取策略“传播”概率的复制动态方程

(12)

F(y)=y(1-y)(xEA-R)

(13)

(14)

y=(1+F(y))y0

(15)

pir=(1-y)

(16)

其中,y0为t时刻的初始传播率。

3)对博弈方的感染者类型空间中的反对者(O),与支持者(A)同理，可得

z=(1+F(z))z0

(17)

por=(1-z)

(18)

其中,z0为t时刻的初始传播率。

通过演化博弈理论和上述计算，可以得出转移概率per、par、por在t时刻下的变化趋势及函数。上述博弈的参与者为观望者E与全体感染者，所以仅通过上述计算无法界定当观望者E选择策略“接受”时，转移概率pei与peo的变化趋势。当E选择策略“接受”时：(1)若E选择接受A传播的信息，通过博弈矩阵可知其收益为λE-c；(2)若E选择接受O传播的信息，通过博弈矩阵可知其收益为(1-λ)E-c。

λ为A当前在所有感染者中的密度，(1-λ)为O当前在所有感染者中的密度。因此，在E选定策略“接受”的条件下，其收益与A、O在所有感染者中的密度相关，即选择人数较多的一方E总能获得较高的收益。一定程度上反映了真实社交网络中的个体会在面对大众信念时压制自己的怀疑、伪化即有知识的现象，这种现象称之为从众效应[16]。万佑红等人[17]通过结合信息的初始传播率和某时刻中传播者的密度描述从众效应对信息传播概率的影响。根据上述已有研究并结合本文实际，分别得出在E选定策略“接受”的条件下，转移概率pea与peo的动态变化方程

(19)

(20)

3 实验分析

本文进行了不同参数集下的计算机仿真实验和分析。根据对博弈方行为分析及状态转移概率计算，可知区块链社交网络中的激励机制和社交网络中普遍存在的从众心理，会影响区块链社交网络中不同群体传播行为。用户的期望收益与其基本收益E、传播成本c、传播惩罚风险R、传播额外收益有关，而不同感染者的密度又影响其所获基本收益和额外收益。所以，调整上述参数，均会对各群体的密度变化产生影响。由于信息传播时间相对较短，在后续实验中本文暂不考虑网络规模的动态变化。

3.1 群体密度对区块链网络信息传播的影响

固定收益参数，使各群体预期收益可能大于0或小于0。并选取不同的支持者A与反对者O初始密度比，系统演化过程如图2所示。

图2 A与O初始密度比对各类节点密度的影响Fig.2 The influence of the initial density ratio of A and O on the density of various nodes

3.2 状态转移概率对区块链网络信息传播的影响

S和E的数量和变化的速度和趋势对A、O达到稳态的时间具有重要的影响，进而对整个系统达到稳态的时间产生影响，具体体现为转移概率pse、psa、pso、pea、peo的值。由于参数pea、peo根据t时刻下E的期望收入通过动态变化方程计算而得，所以只需调整pse、psa、pso的值。S转变成A、O的概率相等的情况下，即psa=pso时,观望概率pse取不同值时，易感者S数量和观望者E数量随时间的变化趋势如图3所示。

图3 不同观望概率对S与E演化趋势的影响Fig.3 The influence of different wait-and-see probabilities on the evolution trend of S and E

由图3可见，pse的取值越大，易感者S和观望者E达到稳态所需的时间越久。这是因为S转变成A、O的实际概率由接触率pcon和A(t)、O(t)决定，而S转变成E的实际概率与E(t)无关，所以pse越小，S和E变化得越缓慢，其达到稳态所需时间也就越长。又因为只有S能够转变成E，所以pse越小，群体E在演化过程中的峰值越小。

3.3 激励政策对区块链网络信息传播的影响

调整激励政策，令总收益小于总风险，各群体变化趋势如图4所示。

由图4可见，因总收益小于总风险，且群体O初始密度较小，群体O的预期收益总是小于0，所以其密度迅速下降并达到稳定状态。对群体A，其初始密度较大，因此其在传播开始后一段时间内预期收入仍可与其预期风险相抵。所以在传播开始后一段时间内，群体A密度呈上升趋势。随着群体S和群体E不断减小并最终趋向于0，群体A继续进行传播的预期收入也随之减小，并小于预期风险。所以，群体A密度在一段时间后开始减小，并最终达到稳定状态。

图4 收益总小于风险时系统演化趋势Fig.4 System evolution trend when incomes are always less than risks

调整激励政策，令总收益大于总风险，各群体变化趋势如图5所示。

图5 收益总大于风险时系统演化趋势Fig.5 System evolution trend when incomes are always greater than risks

由图5可见，因群体E、A、O的传播收益总是大于其传播风险，所以群体A、O密度均在短时间内上升，且不会下降，最终达到稳态。

调整激励政策，令群体E、A、O的传播收益可能大于0或小于0，各群体变化趋势如图6所示。

图6 收益不一定大于风险时系统演化趋势Fig.6 System evolution trend when incomes are not always greater than risks

由图6可见，当群体E、A、O的传播收益不一定大于其传播风险时，初始密度比较小的感染者群体的密度在短暂上升后下降并趋于0。最终网络中仅存在初始密度较大的感染者群体及少数免疫者R。

上述实验结果表明区块链社交网络给予用户的经济激励能够深刻影响社交网络中用户的传播行为。经济收益可以极大激发用户对信息的传播热情，与激励并存的经济惩罚机制又可使用户在面对不同信息时保持理性和怀疑，不轻易相信虚假和劣质信息。在实际的舆情监测中，政府或社交平台可以针对不同的情况调整激励政策，以凸显高质量内容并抑制低质量信息的传播，更有利于营造积极健康向上的网络舆论环境。

4 结论

本文在传统社交网络传播模型的基础上，考虑区块链技术对社交网络带来的影响，将社交网络中意见对立群体抽象为“赞同节点”和“反对节点”，通过演化博弈理论界定状态转移概率，建立了基于区块链社交网络的信息传播模型。本文分析了群体密度对区块链网络信息传播的影响、状态转移概率对网络中群体密度以及达到稳态所需时间的影响，重点验证了区块链社交网络的激励政策对社交网络用户传播行为的作用。实验结论：1)区块链社交网络特有的激励机制能够极大提升用户的传播热情、凸显优质内容。惩罚机制令用户选择自身传播策略时能够保持一定的理性，遏制虚假信息的传播；2)本文模型可以控制参数模拟不同的激励政策，更直观地描述激励政策对信息传播的影响。区块链技术在社交网络中的应用，为网络舆情治理提供了新思路，本文模型能够为今后政府部门利用区块链技术进行网络舆情管控、引导提供参考。