基于线上-线下超网络模型的舆论演化仿真分析

曾荣燊 李弼程 陈刚 熊尧

收稿日期：2023-06-07；修回日期：2023-08-17  基金項目：装备预研教育部联合基金资助项目

作者简介：曾荣燊（1998—），男，江西赣州人，硕士研究生，主要研究方向为智能数据管理与分析；李弼程（1970—），男（通信作者），湖南衡阳人，教授，博导，博士，主要研究方向为人工智能、网络舆情监测与引导（lbclm@163.com）；陈刚（1979—），男，湖北黄冈人，副教授，硕士，主要研究方向为智能信息处理、网络意识形态安全、大数据分析与挖掘；熊尧（1996—），女，江西宜春人，硕士，主要研究方向为智能数据管理与分析.

摘  要：目前在舆论演化模型及其动力学规则的研究中大多数都没有考虑线下网络，导致其无法真实反映舆论传播过程。为解决上述问题，首先利用线上-线下社交网络映射方法得到线上-线下社交网络拓扑结构；然后构建线上-线下超网络模型，集成舆论事件态势信息形成舆论演化仿真环境；最后，利用传播学原理制定线上-线下超网络模型动力学交互规则，进行舆论动力学仿真。将提出型用于事件实例分析，仿真结果与舆论事件实际发展情况之间的余弦相似度达到0.99，平均差值为1%。实验结果表明，所提模型取得了比其他方法更好的仿真效果，验证了线上-线下超网络模型和舆论动力学交互规则的正确性和有效性。

关键词：线上-线下网络；舆论动力学；超网络模型；模型仿真

中图分类号：G206；TP391.1    文献标志码：A

文章编号：1001-3695（2024）02-028-0507-08

doi：10.19734/j.issn.1001-3695.2023.06.0277

Analysis of public opinion evolution based on online-offline supernetwork model

Zeng Rongshen1，Li Bicheng1，Chen Gang2，Xiong Yao3

（1.College of Computer Science & Technology，Huaqiao University，Xiamen Fujian 361021，China；2.College of Information & Systems Engineering，Information Engineering University，Zhengzhou 450001，China；3.Bank of China Financial Technology Co.，Ltd.，Wuhan 430022，China）

Abstract：Most of the current research on opinion evolution models and their dynamic rules in the field of public opinion has overlooked offline networks，leading to an inadequate reflection of the actual process of opinion dissemination.To solve the above problem，this paper employed an online-offline social network mapping method to obtain the topology structure of the online-offline social networks.Then，it constructed an online-offline supernetwork model，integrating the information of the opi-nion event situation to form an opinion evolution simulation environment.Finally，it formulated the dynamic interaction rules for the online-offline supernetwork model using principles of communication theory，enabled the simulation of opinion dynamics.This paper applied the proposed model to analyze specific event instances，and the cosine similarity between the simulation results and the actual development of opinion events reached 0.99，with an average difference of 1%.The experimental results show that the presented model achieves better simulation performance compared to other methods，validating the correctness and effectiveness of the online-offline supernetwork model and the opinion dynamical interaction rules.

Key words：online-offline network；dynamics of public opinion；supernetwork model；model simulation

0  引言

网络舆论事件是现实社会中个体意见在网络上的一种反应，能够有效地反映现实社会个体情绪变化，如果离开了现实社会中的个体，则网络舆论事件也不复存在。在现实生活中，民众由线上虚拟网络和线下现实网络两个途径来传播和接收舆论信息，网络舆论话题在这两个传播渠道之间相互渗透。网络舆论事件从现实社会中来到现实社会中去，在针对网络舆论事件的演化研究中不能忽视线下现实网络在其中的作用，需要深入了解舆论信息在线上-线下网络中的传播过程及其机制，并分析传播的规律和特点而非局限于单层网络的研究。这样，相关部门能够有效地利用网络舆论事件在线上-线下网络的传播特点来制定完善的网络舆论事件干预机制，从而构建一个氛围良好的网络环境。舆论动力学是舆论传播的一个重要研究方向，社会网络中个体差异化以及意见之间相互作用过程是其中的研究重点，主要包括投票模型［1］、Galam 模型［2］、Sznajd模型［3］、Deffuant模型［4］和有界信任模型［5］等。Li等人［6］提出了一种异步多智能体网络模型来探索在线多智能体网络社区中个人意见与舆论之间的交互机制，包括意见演变的微观和宏观模式；索琪等人［7］利用超网络来刻画个体的社交关系，模拟舆情传播过程；杨欣蓉［8］构建基于超网络的舆情分析框架，分析舆情主体在环境外驱力和心理内驱力共同作用下的舆论观点变化；马宁等人［9］提出了超网络的多主体舆情演化模型，即线上超网络模型，并为线上超网络模型中各子网间的不同主体制定了动力学规则以模拟人-信息-观点之间的交互过程，从而分析舆情演化规律。但是上述对舆论演化的研究大多都局限于线上虚拟网络，无法构建完善的舆论事件仿真环境，以分析更准确和真实的舆论事件演化特点。

由于传播动力学的持续发展，研究人员逐渐应用多层网络、相依网络及超网络对舆情信息传播过程进行研究。朱恒民等人［10］提出的SIR2O模型利用Price网络模拟线上网络、WS网络模拟线下网络，构建线上线下结合的舆论传播模型；鲁林林［11］提出了基于线上线下耦合双层网络的信息协同传播演化模型，并分析线上线下耦合网络上的信息传播演化机理；叶琼元等人［12］从线上线下互动系统的角度出发，研究突发事件在线上-线下网络的耦合机理及演化过程；迟钰雪等人［13］基于超网络理论，提出了基于超网络的线上线下舆情演化模型，分析了用户在现实空间和虚拟空间之间的观点同步率对舆情演化的影响；黄远等人［14］提出了多层多属性舆情传播网络模型，分析多属性条件下舆情的传播特性。

然而，当前对线上-线下舆情传播的研究工作仍存在两方面的问题：a）大都是基于传染病模型改进的模型，较少将舆论动力学应用在其中，无法刻画用户的观点演化过程；b）基本止步于对舆论事件演化模型的构建和验证阶段，未能在真实舆论事件中来验证线上-线下舆论事件演化模型的适用性。基于以上问题，本文构建了线上-线下超网络模型，集成舆论事件态势信息，并利用传播学原理制定动力学交互规则，完善舆论事件传播建模方式；并以某学院“校园暴力”事件为例，对真实舆论事件进行仿真，拟合舆论事件的真实发展势。本文的主要贡献有：a）在线上超网络模型的基础上加入线下现实网络，构建线上-线下超网络模型，从而得到更加贴合实际的舆论传播仿真环境；b）在线上超网络模型动力学规则的基础上添加了线下现实网络中各主体间的交互规则以及线上主体与线下主体之间的交互规则，制定线上-线下超网络模型动力学规则。

1  线上-线下网络舆论演化仿真

1.1  线上-线下社交网络映射

线上社交网络和线下社交网络共同组成了社交网络，从而进行舆论传播，其中，线上社交网络是指通过互联网进行的信息传递；线下社交网络是指人与人面对面等非互联网形式的交流信息传播。舆论在线上社交网络和线下社交网络的传播是同时进行的，它们之间交互渗透。研究舆论事件演化模型时需要同时考虑到这两种传播方式，为此需要建立线上-线下社交网络映射，构建线上-线下社交网络拓扑图［15］。对于舆论事件，如果能够获取线上社交网络则直接使用，否则，可利用BA网络模型［16］构建线上社交网络，再通过线上社交网络来映射得到线下社交网络。构建的方法如图1所示。

a）BA网络具有高聚类系数、短平均路径长度、幂律度分布和无标度特征等网络结构特点，少数节点会与很多的节点相连，这些节点被称为“中心节点”。在线上社交网络中也存在以上特性，大部分节点度低、影响力小，少数节点度高、影响力强，节点的连接数服从幂律分布。因此本文利用BA网络模拟线上社交网络。

b）借助模拟出的线上社交网络来映射出线下社交网络。（a）把线上社交网络中的每个节点映射到线下社交网络作为线下用户节点，并把线上社交网络中的边以y的概率映射到线下社交网络中；（b）在初步建成线下社交网络后，给其增加一定数量的线下用户节点，并让新增的节点选择一定数量用户节点以x的概率去建立交互关系，从而得到线下社交网络。

1.2  线上-线下超网络模型构建

人们持有的观点分布往往决定着舆论事件的发展趋势，而人们的观点变化受到多方面的影响，身边的人、舆论领袖以及所处的舆论环境对其影响最大。线上-线下超网络模型（online-offline supernetwork，OOSN）可以很好地将线下用户、线下意见领袖、线上网民、“网络大V”、线下观点信息、线上贴文信息和舆论环境场七类主体具象表示，全面刻画舆论事件发展过程中各类主体之间的影响情况。OOSN模型设计了线下社交子网、线下观点信息子网、线上社交子网、线上贴文信息子网、心理子网、线下舆论环境子网和线上舆论环境子网，它们之间相互连通。整个模型可分为线下现实网络层、线上虚拟网络层和心理子网。线下现实网络层表示线下社交子网中的用户在受到某个心理和舆论环境场等影响下，会向身边的人以口头的形式传播某些观点信息，这些觀点相近的信息累积到了一定数量后会产生舆论环境场，而舆论环境场会作为外驱动力作用于线下社交子网从而影响个体的观点变化；同理，线上虚拟网络层表示线上社交子网中的网民可能会以发帖的形式在虚拟网络上传播信息，形成舆论环境场，并给线上社交子网提供外驱动力。其中，线下现实网络和线上虚拟网络共享心理子网。线下社交子网由线上社交子网通过线上-线下社交网络映射方法得到，线上-线下舆论环境相互补充，形成舆论环境场，作为线下社交子网和线上社交子网的外驱动力。OOSN模型如图2所示。

1）线下现实网络层

线下现实网络层Loff中包括了线下社交子网、线下观点信息子网和线下舆论环境子网。线下社交子网表示线下个体在现实社会之间的连通关系；线下观点信息子网描述的是线下用户在某种心理以及周围环境的作用下会向其他用户表达出与自身态度观点一致的信息。线下舆论环境子网描述的是线下用户向外表达出的大量信息形成的不同舆论环境场，而新的舆论环境场给线下社交子网提供外驱动力。Loff中涉及线下用户、线下意见领袖、线下观点信息与舆论环境场四类主体，本文中的主体属性参照文献［9］设计的方法设置。

a）线下用户包括态度倾向Tru（t）、观点坚定性Uru（t）、主动性Aru（t）和信任因子Cru属性。态度倾向表示对舆论事件的观点，把区间［0，1］均分成三个连续的子区间：［0，0.33），［0.33，0.67），［0.67，1］，分别表示线下用户对事件负面、中立与正面的态度倾向。观点坚定性的值越大，表明个体越不容易改变原有观点；主动性的值越大则说明越有可能传播信息；信任因子的值越大，表明基于人际间信任程度高，则更容易彼此相互影响。

b）线下意见领袖包括态度倾向Trl（t）、影响力度AUrl（t）和可信度Rrl（t）属性。态度倾向同样是将区间［0，1］均分成三个连续的子区间分别代表负面、中立与正面的态度倾向。影响力度值越大越能影响他人观点，在生活中会有一些影响力比较大的人物，如学校老师、单位领导以及与舆论事件相关的领域性专家，他们的发声更容易影响到身边的人；可信度的值越大，表明线下意见领袖经过长期的相处，他的言论可信度越高。

c）线下观点信息包括态度倾向Trn（t）、影响力度Prn（t）和影响范围PTrn（t）属性。态度倾向同样可分为负面、中立与正面三种态度倾向。影响力度分为两个等级，［0，0.5）为2级，［0.5，1］为1级，1级影响力强于2级影响力。线下观点信息的内容质量不一样，有的说得言之有理，则它的影响力也就更大。影响范围体现线下观点信息具有影响力的时间范围，记录线下观点信息的实际出现时间，出现时间越长，其影响力越弱。

d）舆论环境场包括态度倾向Te（t）和影响力度Pe（t）属性。态度倾向表示整个舆论环境场在舆论事件中所呈现的态度倾向，值在区间［0，0.5）为负面舆论环境场，值在［0.5，1］为正面舆论环境场。影响力度的值属于区间［0，0.5）为2级，属于区间［0.5，1］为1级。若影响力度为2级，则只能影响态度倾向为中立的个体，而1级还可以影响态度倾向极端的个体。

2）线上虚拟网络层

线上虚拟网络层Lon中包括了线上社交子网、线上贴文信息子网和线上舆论环境子网。线上社交子网表示线上网民之间的交互关系，通过社交平台账号可以连接线下社交子网。线上贴文信息子网描述的是活跃度较高的线上网民在某个心理作用下，结合附近节点以及舆论环境场的影响会在社交平台中发表个人言论；线上舆论环境子网的作用与线下舆论环境子网类似。Lon中涉及线上网民、“网络大V”、线上贴文信息和舆论环境场四类主体。线上网民与线下用户属性设置类似，同样包括态度倾向Tvu（t）、观点坚定性Uvu（t）、主动性Avu（t）属性。“网络大V”与线下意见领袖属性设置类似，也包括态度倾向Tvl（t）、影响力度AUvl（t）和可信度Rvl（t）属性。线上贴文信息与线下观点信息属性设置类似，包括态度倾向Tvn（t）、影响力度Pvn（t）和影响范围PTvn（t）属性。线上舆论环境子网的舆论环境场与线下舆论环境子网的类似。

3）心理子网

心理子网为线下社交子网和线上社交子网提供内驱动力，个体会在不同的心理状态下传播不同观点的信息，在个体接收到其他主体信息时依据主体间的交互规则来决定个体观点的影响结果。

OOSN模型可分为线下超网络模型和线上超网络模型，两者共享一个心理子网，分别模拟舆论事件在线下现实网络层和线上虚拟网络层中的演化过程。它们之间可以相互独立运作，增加模型的灵活性。例如网络接入中断、电力系统崩溃等极端情形之下，可以只利用线下超网络模型进行舆论事件的演化分析；反之，在疫情严重或军事戒严等情形下，则利用线上超网络模型进行舆论事件的演化分析。此外，该模型还具有很强的扩展性，在模型中加入新的超网络模型，便能模拟舆论事件在线下网络与线上多网络平台中的演化过程。

1.3  線上-线下超网络模型演化动力学规则

本文根据从众心理、有界信任原则、二级传播理论、议程设置理论和量变到质变理论等传播学原理来设计舆论动力学规则，从而规范各主体间的影响规则，给OOSN模型提供演化的动力。舆论事件中涉及的各主体间的交互关系与相关传播学原理如图3所示。

1.3.1  线下社交子网主体间影响机制

1）“线下用户-线下用户”影响规则

线下用户在实际的观点交互中，受到年龄、性格、身份和对信息了解程度等的影响，他们对自身观点的坚持程度是不一样的。因此为线下用户设定观点的“观点坚定性”Uru（Uru∈［0，1］），此外，引入信任因子Cru（0≤Cru≤10）来描述线下用户间的互相信任程度，其中０表示完全不信任，10表示完全信任。由此，本文采用改进后的Deffaunt模型［17］，具体如下：

根据有界信任原则。假设t时刻两个线下用户pi和pj相连接，观点值与坚定程度分别为（Trui（t），Urui（t））和（Truj（t），Uruj（t）），e为个体间的交互阈值，观点差值d=|Trui（t）-Truj（t）|。

定义线下用户pi对线下用户pj的影响函数为

f（i，j）=（Cru/10）Uruid

0d≥e（1）

定义个体pj对线下用户pi的影响函数为

f（j，i）=（Cru/10）Urujd

0d≥e（2）

交互之后，线下用户pi和pj观点和观点坚定程度分别调整为

Trui（t+1）=Trui（t）+f（j，i）（Truj（t）-Trui（t））

Urui（t+1）=Urui（t）+f（j，i）（Uruj（t）-Urui（t））

Truj（t+1）=Truj（t）+f（i，j）（Trui（t）-Truj（t））

Uruj（t+1）=Uruj（t）+f（i，j）（Urui（t）-Uruj（t））（3）

其中：Trui（t+1）表示线下用户pi交互后的观点值；Urui（t+1）表示线下用户pi交互后的观点坚定程度；Truj（t+1）表示线下用户pj交互后的观点值；Uruj（t+1）表示线下用户pj交互后的观点坚定程度。

2）“线下意见领袖-线下用户”影响规则

二级传播理论［18］认为舆论领袖对传播结果有较大的影响。线下意见领袖与普通线下用户不同，他们的观点不容易被影响，在整个舆论事件演化中保持观点不变。而线下用户则容易因意见领袖而改变观点，且在现实生活中线下用户通常不会只接触一个意见领袖，而是会受到多个意见领袖影响。为此，本文基于有界信任模型，引入意见领袖，采用文献［19］设计的模型来制定意见领袖对线下用户的影响规则。

设线下用户集合S={1，2，…，N}，线下意见领袖集合S1={1，2，…，N1}，态度倾向为正的线下意见领袖集合S2={1，2，…，N2}，态度倾向为负的线下意见领袖集合S3={1，2，…，N3}。邻接矩阵At表示t时刻集合S中线下用户与集合S1的社会关系，所有的i∈S，j∈S1，Atij∈{0，1}表示在t时刻用户i与j之间是否存在连接。

Atij=1i与j存在连接

0i与j不存在连接（4）

设aij表示线下意见领袖j对于线下用户i的影响权重，具体表达为

aji（t）=1|Trui（t）-Truj（t）|≤ε and Atij=1

0other（5）

与线下意见领袖相连的线下用户的观点更新模型如下：

Trui（t+1）=αi1SPi（t）∑S2j=1aji（t）Truj（t）+βi1SNi（t）∑S3j=1aji（t）Truj（t）（6）

其中：αi和βi分别表示线下用户i对态度倾向为正与面的意见领袖的信任度；SPi（t）和SNi（t）分别为t时刻，与线下用户i相连且态度倾向为正面和负面的线下意见领袖数量。

1.3.2  线上社交子网主体间影响机制

1）“线上网民-线上网民”影响规则

根据有界信任原则，本文采用连续型动力学模型中的HK模型［5］描述网民间观点交互规则，网民与有界信任范围的所有相邻网民进行观点交互。在t时刻内，线上网民集合S={1，2，3，…，N}，邻接矩阵At表示t时刻集合S中个体的社会关系，所有的i，j∈S，若网民i与j之间有连接则为1，否则为0。设Tpi（t）表示t时刻网民i的观点，网民i和j在t时刻的观点差异为Dtij=|Tvui（t）-Tvuj（t）|。当Dtij小于信任阈值d时，用户之间交换观点。

设wtij表示网民j对于网民i的影响权重，具体表达式为

wtij=1Dtij

0other（7）

因此，得到线上网民之间的观点更新规则如下：

Tvui（t+1）=∑Nj=1wtijTvuj（t）/∑Nj=1wtij（8）

2）“‘网络大V-线上网民”影响规则

Kuakowski［20］提出receipted-accept-sample（RAS）模型，该模型认为个体观点在变化过程中涉及到了对新观点的接收和采纳两个阶段。“网络大V”对线上网民的影响过程中也可以分为这两个阶段，并且“网络大V”是单方面对线上网民产生影响，线上网民的观点不会影响“网络大V”。因此本文采用微调后的RAS模型［21］，用于描述“网络大V”对线上网民的观点更新过程。

设AUvl（t）表示“网络大V”影响力度，Avu（t）表示线上网民活跃度，网民i以Pr的概率接收到“网络大V”的新消息：

Pr（Avu；AUvl）=1-11+exp（Avu+AUvl）（9）

線上网民是否采纳“网络大V”的消息与他们之间观点差别值有关，值越小则采纳的概率就越小。线上网民采纳舆论领袖的消息倾向性Li定义为

Li=11-|Tc-Tp|（10）

其中： Tvl为舆论领袖态度； Tvu为线上网民态度。

采纳概率Pa定义为

Pa（Avu，Tvu，Uvu；Rvl）=11+exp（-Rvl-Avu-Uvu1-|Tvl-Tvu|）（11）

其中：Rvl是“网络大V”的可信度；Uvu是线上网民的观点坚定性。

综上，线上网民i采纳“网络大V”的观点而改变自身观点的概率Pc定义为

Pc=Pr（Avu：AUvl）×Pa（Avu，Tvu，Uvu；Rvl）（12）

1.3.3  各子网间的主体影响规则

1）“舆论环境场-个体（即线上网民与线下用户）”影响规则

议程设置理论［22］认为可以通过设置议程来左右个体接收的信息以及接收的先后顺序，进而影响社会舆论的讨论重点。从传播学中的议程设置理论可知，新闻传播媒体在某种程度上是可以决定个体对社会环境的认知。综上可知，舆论环境场对个体是有先导性影响作用的，舆论环境场主体的影响力分成两个等级，影响力较大的1级舆论环境场主体能影响正面和负面的个体，而影响力较小的2级舆论环境场只可影响观点为中立的个体。本文采用文献［9］设计的影响规则，具体如下，其中Tui（t）表示个体i的态度倾向。

舆论环境场的影响等级为2级时，若Tui（t）∈（0.33，0.67］，Te（t）∈（0，0.5］，则Tui（t+1）=Tui（t）-0.33；若Tui（t）∈（0.33，0.67］，Te（t）∈（0.5，1］，则Tui（t+1）=Tui（t）+0.33。

舆论环境场影响等级为1级时，若Tui（t）∈（0，0.67］，Te（t）∈（0.5，1］，则Tui（t+1）=Tui（t）+0.33，Tui∈［0，1］；如果Tui（t+1）>1，则Tui（t+1）=1。若Tui（t）∈（0.33，1］，Te（t）∈（0，0.5］，则Tui（t+1）=Tui（t）-0.33，Tui∈［0，1］；如果Tui（t+1）<0，則Tui（t+1）=0。

2）“个体-信息（即线下观点信息与线上贴文信息）”影响规则

从众心理是指个体会受到所处社会群体环境的影响，跟随大多数人一致的行为，从而改变自己原有的态度。简单地说就是个体追随或服从多数人的行为表现。从众的心理在社会群体中是普遍的现象，可以根据个体的从众心理特点来制定个体传播信息的规则。个体参与舆论事件演化过程中，在邻居节点和所处环境的作用下会发生观点的变化，并可能由此跟随周围的邻居传播与自身态度倾向相同的信息，而个体是否选择向外传播信息取决于其周围的邻居会传播消息的人数 num与主动性Au（t），若 num和Au（t）均达到特定值则向外传播信息。

3）“信息-舆论环境场”影响规则

辩证唯物法基本规则的量变到质变理论揭示了事物累计变化的发展过程。本文认为舆论信息的传播也符合这一变化规律，当态度倾向相同的信息达到了一定数量之后就会有不一样的影响力。舆论环境场是指在外界信息作用下使得大部分人形成相同的观点的环境。根据量变到质变原理，本文认为在相同态度倾向的信息数量达到某一数量之后会形成正/负面舆论环境场主体。由于个体同时受到线上虚拟网络和线下现实网络环境的影响，所以由贴文信息形成的舆论环境场也可以得到线下观点信息的补充形成新的舆论环境场，反之亦然。所以舆论场的形成规则是由线上贴文信息和线下观点信息的数量之和决定的。本文借鉴文献［9］设计的贴文形成环境的规则具体如下，其中，x1～x4为阈值参数。若态度倾向为负面且影响力为2级的线上贴文信息和线下观点信息数量之和有x1个，则增加一个2级负面舆论环境场主体。若态度倾向为负面且影响力为1级的线上贴文信息和线下观点信息数量之和有x2个，则增加一个1级负面舆论环境场主体。若态度倾向为正面且影响力为2级的线上贴文信息和线下观点信息数量之和有x3个，则增加一个2级正面舆论环境场主体。若态度倾向为正面且影响力为1级的线上贴文信息和线下观点信息数量之和有x4个，则增加一个1级正面舆论环境场主体。

4）“线下用户-线上网民”影响规则

t时刻存在个体i在线上虚拟网络和线下现实社会中分别产生意见值Tvui（t）和Trui（t），t+1时刻存在个体i的最终意见取值Tui（t+1）由线上线下分别产生的意见值综合确定［23］，即

Tui（t+1）=UvuiUvui+Urui×Tvui（t）+UruiUvui+Urui×Trui（t）（13）

其中：Urui和Uvui分别表示个体i的线下用户和线上网民的意见坚定性。

2  实验设置

2.1  仿真环境

本文采用NetLogo仿真平台来实现舆论事件的演化仿真，NetLogo适合用于对自然和社会现象进行仿真，特别是随时间而演化的系统建模。该平台能让大量可移动的、可独立运行的微观个体按照操作人员设定的方式运作，微观个体的属性和宏观系统的特征都会随着交互发生变化。

2.2  实验数据集

本文选取了某学院“校园暴力”事件作为舆论事件仿真的实例分析。该舆论事件的演化时间从2019年5月29日开始到6月3日基本结束，本文通过微博来对舆论事件演化过程中产生的贴文进行收集，事件获取相关话题的贴文数量为354 685条。

由于结合事件的正负面情感判别需要指定事件主体，而当前情感分类算法只能针对文本本身的正负面情感，为了保证仿真结果对比的准确性和方法的有效性，本文根据事件实际发展的时间长度，按照半天或者一天切分事件片段，并采用人工判别的方式对每条贴文包含的正面、中立和负面情感进行判别，再统计每个片段中正面、中立和负面舆论的占比。由于仿真以固定时间间隔点，根据网民节点态度倾向和活跃性判断该节点是否发布信息，所以仿真中统计的是各阶段网民的正面、中立和负面舆论占比。

3  某学院“校园暴力”事件实例分析

某学院“校园暴力”事件的发展过程如表1所示。

3.1  模型的有效性验证

该事件的正负面态度指的是在该事件中个体对某学院的态度。某学院“校园暴力”事件动力学仿真初始的时刻是2019年5月29日12时，此时全网的负面舆论占比22%，中立舆论占比46%，正面舆论占比32%；同时初始化负面舆论环境场主体占比22%，正面舆论环境场主体占比32%，剩余舆论环境场主体为中立态度。仿真设定参与舆论事件的线上网民数量为1 000，线下用户数量为1 500。利用线上-线下社交网络映射方法构建线上-线下拓扑网络，形成个体间的连接关系。事件周期较短，所以设定半天为一个时间片段。动力学仿真结果如图4所示，其中，横坐标代表时间；纵坐标表示在不同时刻的中立、正面和负面舆论占比。图5为关键时间点下真实负面舆论占比和仿真负面舆论占比的变化图。

在5月29日王某发文后，该舆论事件开始发酵，5月29日下午1点事件进入扩散期，5月29日晚9点开始进入爆发期。对于该舆论事件，本文主要分析事件中影响负面舆论走向的四个重要阶段，即王某发文阶段、舆论主体澄清阶段、舆论主体的澄清不被认可阶段和舆论事件热度衰减阶段。

在第一个阶段，王某发文称自己被校园暴力并提供了一些图文证明，由此引发了一场舆论，又有消息说王某曾多次报警无果，而后王某又发文否认之前的微博，并且删除了之前发布的遭受校园暴力的微博，只不过因为王某三次发文的客户端都不一样的细节被发现了，便让网民怀疑是她被迫发文澄清且删除之前的微博。所以这段时间产生的负面影响是极大的，负面舆论的数量也在快速上升。这个阶段中通过加入负面意见领袖以及负面的舆论环境场的仿真操作，以仿真出舆论事件在此阶段负面舆论占比快速上升的结果。真实的负面舆论占比从0.22上升到0.71，由图4可知，利用本文设计的线上-线下超网络模型以及舆论动力学规则，仿真得出的负面舆论占比是从0.22上到0.72，与真实数据基本吻合。

在第二个阶段，某学院对王某三次发文和删帖的行为进行回应，表示这些行为均是涉事本人所为，没有强迫，也不存在多次报警无果的事情。作为舆论主体的某学院的发文澄清了一部分的事实，这也让负面舆论稍微有所下降。这个阶段中通过加入正面意见领袖以及正面的舆论环境场的仿真操作，以仿真出舆论事件在此阶段负面舆论占比有所下降的结果。真实的负面舆论占比从0.71到0.56，而由图4可知，仿真得出的负面舆论占比是从0.72下降到0.56，与真实数据基本吻合。

在第三个阶段，由于众多的“网络大V”都参与了该舆论事件的讨论，还有多个影响力大的政务官微因此事点名某学院，而且政务官微先入为主，在某学院发文澄清之前便肯定了某学院存在了校园暴力事件。在这种情形下，某学院官微发微博只是简单说明不存在校园暴力，没有具有说服力的澄清内容，不能够让网民信服，这就导致了网民认为校方在隐瞒真相，从而让负面舆论占比达到了顶峰。这个阶段中通过加入负面的舆论环境场的仿真操作，以仿真出舆论事件在此阶段负面舆论占比达到顶峰的结果。真实的负面舆论占比从0.56到0.76，而由图4可知，仿真得出的负面舆论占比是从0.56上升到0.77，与真实数据基本吻合。

在第四个阶段，舆论主体没有任何的官方信息发出，虽然依旧很多人仍在讨论此事，但是随着时间过去，舆论热度也在下降。这个阶段中通过加入正面的舆论环境场的仿真操作，以仿真出舆论事件在此阶段负面舆论占比慢慢下降的结果。真实的负面舆论占比从0.76到0.63，而由图4可知，仿真得出的负面舆论占比是从0.77下降到0.65，与真实数据基本吻合。

表2记录了该事件发展的关键时间点对应的真实负面舆论占比，以及利用舆论动力学规则仿真得到的对应时间点下的负面舆论占比。

利用余弦相似度S（x，y）来评判舆论事件的仿真效果，计算方式如下：

S（x，y）=∑ni=1xiyi∑ni=1x2i∑ni=1y2i（14）

其中：x=［x1，x2，…，xn］表示輿论事件的仿真数据；y=［y1，y2，…，yn］表示舆论事件的真实数据；n为采样点数。

如图5所示，通过计算得到两组数据间的余弦相似度为0.99，表2记录了它们之间的差值，差值平均值为1%。可以发现仿真数据与真实数据几乎吻合，因此可以说明本文设计的线上-线下超网络模型以及舆论动力学规则是有效的、正确的。

3.2  动力学交互规则的有效性验证

为了验证本文制定的线上-线下超网络模型动力学交互规则的有效性，这里与HK模型［5］和Deffaunt模型［4］两种经典的连续型动力学模型进行对比，利用它们来描述各个体间的观点交互规则并分析最终的仿真结果。通过对舆论事件的仿真，可以得到关键时间点下真实负面舆论占比、基于HK模型和Deffaunt模型的仿真负面舆论占比结果，如图6、表3所示。

图6  真实负面舆论占比与仿真负面舆论占比

Fig.6  Proportion of real negative public sentiment and simulated negative public sentiment如图6所示，通过计算得到基于HK模型和Deffaunt模型方法下仿真的余弦相似度均为0.98，差值记录在表3第4和5列，差值平均值分别为3.2%和3.4%。对比图5、6、表2、3的舆论事件仿真结果，可以发现基于本文制定的线上-线下超网络模型动力学交互规则的仿真结果，在余弦相似度和差值平均值的表现上，均优于基于HK模型和Deffaunt模型方法的仿真结果。这是因为舆论事件在线上-线下网络的传播中涉及到了很多主体，需要针对不同主体间交互特点来制定合适的动力学交互规则才能更好的反映真实的用户间意见交互过程。

3.3  线下现实网络传播的重要性分析

为了验证在舆论事件演化过程中加入线下现实网络传播的必要性，对比分析了有无考虑线下现实网络传播途径时舆论事件的仿真结果。在未考虑线下现实网络传播途径时，关键时间点下真实负面舆论占比与仿真负面舆论占比动力学仿真结果如图7所示，表4记录了该事件发展的关键时间点对应的真实负面舆论占比，以及利用舆论动力学规则，仿真得到的对应时间点下的负面舆论占比。

如图7所示，通过计算得到两组数据间的余弦相似度为0.99，差值记录在表4第4列，差值平均值为2.5%。

对比图5、7及表2、4的舆论事件仿真结果，可以从差值平均值和余弦相似度两个方面来分析舆论事件在演化过程中的特点以及考虑线下传播的必要性。

a）从差值平均值来看，基于线上-线下网络传播的仿真结果在数据值的准确度上比未考虑线下现实网络传播的仿真结果高了1.5%，说明在研究舆论事件演化，仿真拟合舆论事件发展趋势时，构建线上-线下超网络模型是可以得到更准确并且更符合实际的结果。因此可以认为在舆论事件传播中线下现实网络的传播起到了重要的作用，仅构建线上虚拟网络来对舆论事件做演化分析是不够完善的。

b）从余弦相似度来看，两者的余弦相似度都是0.99，说明了它们的负面舆论占比的发展走向是相似的，都与真实负面舆论占比曲线基本相吻合，由此可得知当前舆论事件的发展变化主要还是取决于线上虚拟网络，在线上社交平台中发生的一些关键事件会直接导致负面舆论的发展趋势。因此，在处理舆论事件引导时，应该结合线上-线下网络传播的特点，着重于制定在线上社交网络上的引导策略，这样可以快速有效地降低负面舆论，从而控制舆论事件朝不利的方向发展。

3.4  线上虚拟网络传播的重要性分析

为了验证在舆论事件演化过程中线上虚拟网络传播的重要性，对比分析了有无考虑线上虚拟网络传播途径时舆论事件的仿真结果。在未考虑线上虚拟网络传播途径时，关键时间点下真实负面舆论占比与仿真负面舆论占比动力学仿真结果如图8所示，表5记录了该事件发展的关键时间点对应的真实负面舆论占比，以及利用舆论动力学规则仿真得到的对应时间点下的负面舆论占比。

如图8所示，通过计算得到两组数据间的余弦相似度为0.9，差值记录在表5第4列，差值平均值为23.1%。

对比图5、8和表2、5的舆论事件仿真结果，可以发现基于线上-线下网络传播的仿真结果差值平均值比未考虑线上虚拟网络传播的仿真结果差值平均值高了22.1%，余弦相似度高了0.09。这是因为在线下现实网络中，用户获取相关舆论信息的速度会更慢，从而导致信息的传播速度受到限制。与此同时，用户间的意见交流的频次较少，很难接收到大量的不同意见，也不容易形成大量的舆论环境场。所以在舆论事件演化过程中，用户观点的变化幅度会比较小，无法反映真实的变化情况。仅考虑线下现实网络传播的方法就难以仿真出舆论事件中舆论的真实走向。

3.5  线上-线下网络构建方法对仿真结果的影响

目前针对线上-线下网络舆论演化模型［13］的研究中都是简单地利用复杂网络模型来构造线上-线下网络结构，这里选取比较经典的两个复杂网络模型来构建线上-线下网络结构，即利用ER 随机网络［24］和BA无标度网络［16］分别构建线下现实网络和线上虚拟网络的方法代替本文采用的线上-线下社交网络映射方法，并对比分析了这两种方法对舆论事件仿真结果的影响。

利用ER 随机网络和BA无标度网络来构建线下现实网络和线上虚拟网络的方法时，关键时间点下真实负面舆论占比与仿真负面舆论占比动力学仿真结果如图9所示，表6记录了该事件发展的关键时间点对应的真实负面舆论占比，以及利用舆论动力学规则，仿真得到的对应时间点下的负面舆论占比。

如图9所示，通过计算得到两组数据间的余弦相似度为0.99，差值记录在表6第4列，差值平均值为1.5%。

對比图5、9和表2、6的舆论事件仿真结果，可以发现基于本文线上-线下社交网络映射方法的仿真结果差值平均值比利用复杂网络模型来简单构造线上-线下网络结构方法的仿真结果差值平均值高了0.5%。因为线上虚拟网络和线下现实网络的度分布往往是相对应的，一般线上虚拟网络节点度大，与之对应的线下现实网络节点的度也更大。利用不同的复杂网络模型来独立地构建线上虚拟网络和线下现实网络，无法准确描述出两层网络之间的这种交互特点，不能保证用户在线上-线下交互的时候是符合真实情况的，也就无法很好地仿真出舆论事件的舆论走向。线上-线下网络并非独立的，而是相互关联且相互依赖的，本文采用的线上-线下社交网络映射方法可以很好地解决这个问题。

4  结束语

近年来网络环境变幻莫测，众多现实社会中的热门事件都引发了网络社会的舆论事件，舆论事件的演化仿真研究应加快进程。本文构建了线上-线下超网络模型，并制定了舆论动力学规则，对真实舆论事件进行演化仿真。从案例仿真结果来看，该模型仿真得到的舆论发展结果是可以准确拟合真实舆论事件发展过程的实际情况，从而可以验证本文模型和舆论动力学规则的有效性和准确性。最后，通过对比两个连续型经典动力学模型、仅在单层网络传播以及利用复杂网络结构模型简单构建线上-线下网络结构方法的仿真结果，说明了构建线上-线下超网络模型在舆论事件演化分析中的重要性，同时有关部门在引导舆论时应结合线上-线下网络传播的特点来采取适合的干预策略，可以及时地降低负面舆论带来的社会危害。

本文只考虑利用BA网络来模拟线上虚拟网络结构，从而构建线上-线下网络结构，在未来的研究中，可以通过获取真实的线上虚拟网络结构来构建线上-线下网络结构。此外，可以对线上虚拟网络进行细化，可考虑线上多网络平台联合的情形下对舆论演化的影响。

参考文献：

［1］Clifford P，Sudbury A.A model for spatial conflict［J］.Biometrika，1973，60（3）：581-588.

［2］Galam S.Minority opinion spreading in random geometry［J］.The European Physical Journal B：Condensed Matter and Complex Systems，2002，25（2）：403-406.

［3］Sznajd-Weron K，Sznajd J.Opinion evolution in closed community［J］.International Journal of Modern Physics C，2000，11（6）：1157-1165.

［4］Deffuant G，Neau D，Amblard F，et al.Mixing beliefs among interacting agents［J］.Advances in Complex Systems，2000，3（1）：87-98.

［5］Hegselmann R，Krause U.Opinion dynamics and bounded confidence，models，analysis and simulation［J］.Journal of Artificial Societies and Social Simulation，2002，5（3）：1-33.

［6］Li Chong，Yang Yingjie，Liu Sifeng.Micro-macro dynamics of the online opinion evolution：an asynchronous network model approach［J］.Concurrency and Computation：Practice and Experience，2021，33（5）：e5981.

［7］索琪，郭进利.超网络中的舆情传播模型及仿真研究［J］.计算机应用研究，2017，34（9）：2629-2632.（Suo Qi，Guo Jinli.Spreading model and simulation analysis of internet public opinion in hypernetworks［J］.Application Research of Computers，2017，34（9）：2629-2632.）

［8］杨欣蓉.基于超网络的网络舆情分析研究与应用［D］.南京：南京师范大学，2017.（Yang Xinrong.Research and application of network public opinion analysis based on supernetwork［D］.Nanjing：Nanjing Normal University，2017.）

［9］馬宁，刘怡君.基于超网络的舆情演化多主体建模［J］.系统管理学报，2015，24（6）：785-794，805.（Ma Ning，Liu Yijun.Multi-agent modeling of public opinion evolution based on supernetworks analysis［J］.Journal of Systems & Management，2015，24（6）：785-794，805.）

［10］朱恒民，杨柳，马静，等.基于耦合网络的线上线下互动舆情传播模型研究［J］.情报杂志，2016，35（2）：139-144，150.（Zhu Hengmin，Yang Liu，Ma Jing，et al.Study on public opinion promotion model based on coupled networks under online to offline interaction［J］.Journal of Intelligence，2016，35（2）：139-144，150.）

［11］鲁林林.社交网络舆论信息传播模型与演化过程研究［D］.西安：西安电子科技大学，2019.（Lu Linlin.Research on public opinion information dissemination and evolution model in social networks［D］.Xian：Xidian University，2019.）

［12］叶琼元，夏一雪，兰月新，等.突发事件网络舆情线上线下耦合机理研究［J］.情报科学，2021，39（3）：25-31.（Ye Qiongyuan，Xia Yixue，Lan Yuexin，et al.Coupling mechanism of online and offline in the public opinion for emergency events dynamics model research［J］.Information Science，2021，39（3）：25-31.）

［13］迟钰雪，刘怡君.基于超网络的线上线下舆情演化模型研究［J］.系统工程理论与实践，2019，39（1）：259-272.（Chi Yuxue，Liu Yijun.Research on online and offline public opinion evolution model based on the theory of supernetwork［J］.System Engineering—Theory & Practice，2019，39（1）：259-272.）

［14］黄远，刘怡君.多层多属性舆情传播网络的仿真研究［J］.系统工程学报，2019，34（6）：844-854.（Huang Yuan，Liu Yijun.Simulation research on propagation network with multi-layer and multi-attribute public opinions［J］.Journal of Systems Engineering，2019，34（6）：844-854.）

［15］段杰明.线上/线下网络模型及其信息传播研究［D］.成都：电子科技大学，2016.（Duan Jieming.Research on modeling online/offline network and information spreading［D］.Chengdu：University of Electronic Science & Technology of China，2016.）

［16］Barabási A L，Albert R.Emergence of scaling in random networks［J］.Science，1999，286（5439）：509-512.

［17］刘锦德，刘咏梅.基于改进Deffaunt模型和小世界网络的舆情传播模拟与仿真［J］.系统工程，2015，33（3）：123-129.（Liu Jinde，Liu Yongmei.Modeling and simulation of public opinion dissemination based on modified Deffaunt model and small world network［J］.Systems Engineering，2015，33（3）：123-129.）

［18］熊尧，李弼程，王子玥.基于两级传播理论的舆论超网络传播分析［J］.智能系统学报，2020，15（5）：870-879.（Xiong Yao，Li Bicheng，Wang Ziyue.Analysis of public opinions in network communication based on the two-level communication theory［J］.CAAI Trans on Intelligent Systems，2020，15（5）：870-879.）

［19］盧怡.具有意见领袖的模糊观点动力学建模与分析［D］.成都：电子科技大学，2020.（Lu Yi.Modeling and analysis of fuzzy opinion dynamics with opinion leaders［D］.Chengdu：University of Electronic Science & Technology of China，2020.）

［20］Kuakowski K.Opinion polarization in the receipt-accept-sample model［J］.Physica A：Statistical Mechanics and Its Applications，2009，388（4）：469-476.

［21］熊尧.网络舆论引导关键技术研究［D］.厦门：华侨大学，2021.（Xiong Yao.Research on key technologies for Internet public opinion guidance［D］.Xiamen：Huaqiao University，2021.）

［22］苗海洋.从媒介议程设置到受众自我设置：网络媒体议程设置理论的新特点［J］.北京邮电大学学报：社会科学版，2011，13（6）：30-33，45.（Miao Haiyang.From the media agenda setting to the audience self-setting：new features of the network media agenda setting theory［J］.Journal of Beijing University of Posts & Telecommunications：Social Sciences Edition，2011，13（6）：30-33，45.）

［23］崔亚群.企业舆情线上线下协同演化的多主体仿真研究［D］.北京：首都经济贸易大学，2019.（Cui Yaqun.Multi agent simulation study on online and offline collaborative evolution of enterprise public opinion［D］.Beijing：Capital University of Economics & Business，2019.）

［24］Erds P，Rényi A.On the strength of connectedness of a random graph［J］.Acta Mathematica Hungarica，1961，12（1）：261-267.