劉巧玲，李 勁，肖人彬

(華中科技大學(xué) 自動化學(xué)院，武漢 430074)

基于參數(shù)反演的網(wǎng)絡(luò)輿情傳播趨勢預(yù)測
——以新浪微博為例

劉巧玲，李 勁*，肖人彬

(華中科技大學(xué) 自動化學(xué)院，武漢 430074)

(*通信作者電子郵箱ljhust@hust.edu.cn)

針對現(xiàn)有的輿情傳播模型研究與實際輿情數(shù)據(jù)結(jié)合較少以及難以從輿情大數(shù)據(jù)中挖掘輿情傳播內(nèi)在規(guī)律的問題，提出一種基于實際網(wǎng)絡(luò)輿情大數(shù)據(jù)采用神經(jīng)網(wǎng)絡(luò)的輿情傳播模型參數(shù)反演算法。改進經(jīng)典SIR傳染病傳播模型，構(gòu)建一種網(wǎng)絡(luò)輿情傳播模型，基于該模型對實際案例進行參數(shù)反演，預(yù)測網(wǎng)絡(luò)輿情的后續(xù)傳播趨勢，并與馬爾可夫預(yù)測模型對比，所提算法可以精確預(yù)測輿情的具體熱度值。實驗結(jié)果表明，所提算法在預(yù)測性能上具有一定的優(yōu)越性，可以用于網(wǎng)絡(luò)突發(fā)事件傳播的數(shù)據(jù)擬合、過程模擬和趨勢預(yù)測。

新浪微博；SIR模型；反向傳播神經(jīng)網(wǎng)絡(luò)；參數(shù)反演；輿情傳播

0 引言

互聯(lián)網(wǎng)及社交網(wǎng)絡(luò)的發(fā)展如新浪微博等，在便利信息傳播的同時導(dǎo)致網(wǎng)絡(luò)輿情傳播研究越來越困難。輿情傳播模型能對輿情傳播的過程和趨勢進行描述，因此，基于輿情傳播模型研究社交網(wǎng)絡(luò)的輿情傳播具有極其重要的意義。

對社交網(wǎng)絡(luò)輿情的傳播國內(nèi)外都有較多研究。早期的輿情傳播研究主要沿用SIS(Susceptible-Infected-Susceptible)、SIR(Susceptible-Infective-Recovered)傳染病模型[1-2]。后來很多研究者為更好地揭示社交網(wǎng)絡(luò)的輿情傳播規(guī)律改進這些傳統(tǒng)模型: 2012年，朱恒民等[3]以無標(biāo)度網(wǎng)絡(luò)為載體提出了輿情傳播的SIRS(Susceptible-Infective-Recovered-Susceptible)模型; 2013年，張彥超等[4]結(jié)合傳染病模型構(gòu)造了一個基于社交網(wǎng)絡(luò)的信息傳播模型; Borge-Holthoefer等[5]將社交網(wǎng)絡(luò)中用戶的活躍度和對信息的感知度加入到信息傳播模型中; 2014年，蒙在橋等[6]考慮信息的傳播延遲，提出了動態(tài)消息傳播模型; 張曉偉[7]借鑒日常生活中人與人之間的信任原理，提出了一種基于信任度的消息傳播模型; 2015年，陳驍?shù)萚8]為探究微博轉(zhuǎn)發(fā)網(wǎng)絡(luò)的構(gòu)建機制提出了一種有向加權(quán)網(wǎng)絡(luò)模型; 2016年，黃宏程等[9]考慮了網(wǎng)絡(luò)中用戶的不同感染狀態(tài)，引入感染用戶的衰減函數(shù)，提出了適合社交網(wǎng)絡(luò)的信息傳播模型。

現(xiàn)有的社交網(wǎng)絡(luò)輿情傳播研究多局限于輿情傳播模型本身，研究所提模型的有效性及參數(shù)對輿情傳播的影響，與實際輿情數(shù)據(jù)結(jié)合較少。結(jié)合實際的傳染病疫情數(shù)據(jù)對傳染病傳播的參數(shù)反演已有相關(guān)研究。韓衛(wèi)國等人以香港和北京非典SARS(Severe Acute Respiratory Syndrome)疫情數(shù)據(jù)為實例，采用SIR模型對SARS傳播的時間過程參數(shù)反演[10]。熊焱等[11]提出一種基于SIR模型參數(shù)反演的新方法，以北京SARS疫情數(shù)據(jù)為例進行驗證。王香閣等[12]基于SIR模型預(yù)測病毒傳播的速度。但對于輿情傳播的參數(shù)反演則不多見。

針對上述問題，本文基于SIR模型構(gòu)建一種網(wǎng)絡(luò)輿情傳播模型，并提出了一種基于實際網(wǎng)絡(luò)輿情大數(shù)據(jù)采用神經(jīng)網(wǎng)絡(luò)的輿情傳播模型參數(shù)反演算法，可實現(xiàn)從日益增長的輿情大數(shù)據(jù)中挖掘出輿情傳播的內(nèi)在規(guī)律，可用于網(wǎng)絡(luò)突發(fā)事件傳播的數(shù)據(jù)擬合、過程模擬和趨勢預(yù)測，可為政府部門對網(wǎng)絡(luò)輿情事件的控制決策提供依據(jù)。

1 基本原理

1.1 SIR模型

Kermack與McKendrick于1927年建立了經(jīng)典的傳染病SIR模型，將人群劃分為易感染者S(Susceptible)、感染者I(Infected)和移出者R(Recovered)三類。S以一定的概率β被I感染，I以一定的概率γ被治愈后變成R，傳播過程如圖1[13]。

圖1 經(jīng)典SIR模型

Fig. 1 Classical SIR model

經(jīng)典SIR模型具體形式如下：

(1)

(2)

(3)

S(t)+I(t)+R(t)=N(t)

(4)

式中:S(t)、I(t)、R(t)和N(t)分別表示t時刻易感人數(shù)、感染人數(shù)、移出人數(shù)和總?cè)藬?shù)，β和γ分別表示感染者的感染率和移出率。

1.2 網(wǎng)絡(luò)輿情傳播模型

近年來學(xué)者們紛紛將SIR模型應(yīng)用到復(fù)雜網(wǎng)絡(luò)中[14-16]。本文在經(jīng)典SIR模型的基礎(chǔ)上，綜合考慮部分未接收到輿情信息的網(wǎng)民在接收信息后不參與傳播和部分接收信息但不傳播的網(wǎng)民在輿情衍生話題的影響下變?yōu)閭鞑フ哌@兩種情況，建立突發(fā)事件網(wǎng)絡(luò)輿情演化傳播的SIR模型。

網(wǎng)絡(luò)輿情發(fā)生時，基于經(jīng)典SIR模型，S也可能以概率d直接變?yōu)镽；當(dāng)原始網(wǎng)絡(luò)輿情衍生新話題時，R會因為衍生話題輿情信息選擇傳播話題或制造新話題變?yōu)镮的概率為c。易感染者S、感染者I和移出者R的轉(zhuǎn)換關(guān)系如圖2。

圖2 改進SIR模型Fig. 2 Improved SIR model

改進經(jīng)典SIR模型后，網(wǎng)絡(luò)輿情傳播模型具體形式如下：

(5)

(6)

(7)

S(t)+I(t)+R(t)=N(t)

(8)

其中:a為感染率，b為衰退率，c為衍生影響率，d為轉(zhuǎn)化率。本文輿情傳播模型的易感染者S為未接收到輿情信息的用戶，感染者I為接收到輿情信息并傳播的用戶，移出者R為接收到輿情但不傳播或未接收到輿情且不傳播的用戶。

2 相關(guān)方法

2.1 Runge-Kutta方法

龍格-庫塔(Runge-Kutta)方法利用級數(shù)法的思想，間接使用泰勒展開式和斜率表達微分，應(yīng)用廣泛，精度高，可保證求解過程的穩(wěn)定性和解的收斂性。

微分方程組(5)～(7)可歸結(jié)為一階常微分方程組(9)：

(9)

我們采用經(jīng)典Runge-Kutta四階方法求解此微分方程模型的數(shù)值解，求解公式如下：

(10)

(11)

其中i=1,2,3;h為步長。

2.2 輿情預(yù)測方法

常見的預(yù)測模型有兩大類：基于傳統(tǒng)統(tǒng)計學(xué)的預(yù)測方法，如時間序列模型、參數(shù)回歸模型等，它們更適用于線性關(guān)系的預(yù)測；另一類基于智能機器學(xué)習(xí)算法的預(yù)測方法，如支持向量機模型、馬爾可夫模型、神經(jīng)網(wǎng)絡(luò)模型等[17]。支持向量機模型對缺失數(shù)據(jù)敏感，核函數(shù)及參數(shù)的選擇沒有統(tǒng)一的模式。馬爾可夫模型通過劃分狀態(tài)空間構(gòu)造狀態(tài)轉(zhuǎn)移矩陣，預(yù)測精確性取決于未來一期的預(yù)測。而BP(Back-Propagation)神經(jīng)網(wǎng)絡(luò)模型構(gòu)造簡單，無需建立解析數(shù)學(xué)模型，計算效率高，逼近效果好，非線性擬合能力強。因此，本文采用貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)進行群體性突發(fā)事件輿情傳播的參數(shù)反演和趨勢預(yù)測，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 3 BP neural network structure

本文BP網(wǎng)絡(luò)的輸入為改進SIR模型I(t)的數(shù)值解，對應(yīng)的參數(shù)值(a,b,c,d,N)作為網(wǎng)絡(luò)的輸出。

3 參數(shù)反演算法

本文結(jié)合Runge-Kutta微分方程數(shù)值解法和BP神經(jīng)網(wǎng)絡(luò)技術(shù)，構(gòu)造一種適合于網(wǎng)絡(luò)輿情傳播模型的參數(shù)反演算法，進行群體性突發(fā)事件輿情傳播的參數(shù)反演和趨勢預(yù)測。

參數(shù)反演算法的求解步驟如下：

1)確定改進SIR模型的a、b、c、d和N的取值范圍Ia、Ib、Ic、Id和IN，并分別在這些參數(shù)的取值區(qū)間內(nèi)選取n組參數(shù)值(ai，bi，ci，di，Ni)，其中:ai∈Ia、bi∈Ib、ci∈Ic、di∈Id、Ni∈IN(i=1,2,…,n)。

2)對于每組參數(shù)值(ai，bi，ci，di，Ni)，利用Runge-Kutta方法求解微分方程組(5)～(8)，求出一組I(t)的數(shù)值解Ii,1,Ii,2,…,Ii,M，將n組I(t)數(shù)值解作為網(wǎng)絡(luò)的輸入，對應(yīng)的參數(shù)值(ai，bi，ci，di，Ni)作為網(wǎng)絡(luò)的輸出，構(gòu)造n組訓(xùn)練樣本，同時用相同方法構(gòu)造m組測試樣本。

3)根據(jù)得到的訓(xùn)練樣本使用貝葉斯正則化方法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，并用測試樣本測試訓(xùn)練效果。

4)將實際突發(fā)事件輿情傳播的相關(guān)數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，由神經(jīng)網(wǎng)絡(luò)的輸出得到改進SIR輿情傳播模型的反演參數(shù)值a、b、c、d和N。

5)利用反演參數(shù)值a、b、c、d和N和改進SIR輿情傳播模型預(yù)測后L天的輿情傳播人數(shù)I(M+1),I(M+2),…,I(M+L)。

4 案例分析

4.1 案例選擇和數(shù)據(jù)獲取

“醫(yī)療安全”問題歷來是社會關(guān)注的熱點話題，2016年4月28日針對自媒體曝出“魏則西”之死事件存在的涉事醫(yī)院外包診所給民營機構(gòu)、百度競價排名等問題，引起了網(wǎng)民的熱議。為驗證上述算法的可行性，選取目前國內(nèi)最熱門的社交網(wǎng)絡(luò)—新浪微博平臺“魏則西事件”作為本次研究實例。

采用爬蟲技術(shù)抓取新浪微博相關(guān)的數(shù)據(jù)。以“魏則西”為搜索關(guān)鍵詞，以每兩個小時為搜索區(qū)間，抓取新浪微博上2016-04-28— 2016-05-28一個月的微博，針對每條微博爬取微博發(fā)布者的昵稱、發(fā)布時間、轉(zhuǎn)發(fā)數(shù)、評論數(shù)、贊數(shù)等。每個時段的微博數(shù)量可反映輿情傳播中傳播者的輿情傳播水平。

4.2 數(shù)據(jù)整理和分析

針對以上數(shù)據(jù)，提取以每兩個小時為區(qū)間的微博數(shù)量。因為新浪微博的博文數(shù)據(jù)和時間息息相關(guān)，通常每天2:00～6:00博文發(fā)布量偏少，9:00～10:00及22:00～23:00是博文發(fā)布的高峰期，因此將每天的博文量以4:00～16:00(第一時間段)和16:00～4:00(次日)(第二時間段)時間段進行分段統(tǒng)計，得到該事件新浪微博平臺輿情傳播的真實數(shù)據(jù)，時間長度為31 d，數(shù)據(jù)個數(shù)為62。部分?jǐn)?shù)據(jù)如表1所示。

表1 “魏則西”事件相關(guān)數(shù)據(jù)Tab. 1 Related data of “WEI Zexi” event

4.3 網(wǎng)絡(luò)輿情的預(yù)測

以往研究大多以日微博總量衡量輿情傳播者的傳播水平，但群體性突發(fā)事件一旦發(fā)生如同火山爆發(fā)般迅速傳播，到達高峰期時間極短，而利用事件增長期數(shù)據(jù)預(yù)測高峰期、衰退期等更有現(xiàn)實意義。因此，本文采用以上分段處理的博文量作為模型仿真的數(shù)據(jù)集反演SIR模型的參數(shù)，進而預(yù)測網(wǎng)絡(luò)輿情的傳播。由于博文量與一天中的不同時間段息息相關(guān)，因此本文將日博文量以4:00～16:00和16:00～4:00(次日)時間段進行統(tǒng)計，用04-29— 05-01前三天的6組數(shù)據(jù)作為輸入數(shù)據(jù)進行參數(shù)反演獲取感染率、衰退率等參數(shù)，利用傳播模型預(yù)測該事件后續(xù)輿情傳播的趨勢走向。該算法的步驟如下：

1)輿情傳播模型參數(shù)的取值范圍，感染率a∈[1.6×10-5,2.6×10-5]，衰退率b∈[0.004,0.014]，衍生影響率c∈[1.0×10-7,2.0×10-6]，轉(zhuǎn)化率d∈[1.0×10-7,2.0×10-6]，N∈[2 000,3 500]；

2)在上述參數(shù)的取值區(qū)間內(nèi)隨機選取10 000組參數(shù)值，利用Runge-Kutta方法得到10 000組I(t)的數(shù)值解，將每個I(t)數(shù)值解的前6個數(shù)值作為網(wǎng)絡(luò)的輸入，對應(yīng)的參數(shù)值a、b、c、d、N作為網(wǎng)絡(luò)的輸出，構(gòu)造10 000組訓(xùn)練樣本；

3)利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)訓(xùn)練，輸入層節(jié)點數(shù)6，輸出層節(jié)點數(shù)5，隱含層節(jié)點數(shù)8，最大迭代次數(shù)1 000，目標(biāo)誤差0.01，學(xué)習(xí)速率0.05，訓(xùn)練算法trainbr，訓(xùn)練函數(shù)tansig；

4)網(wǎng)絡(luò)訓(xùn)練好后，以前三天此事件的6組實際微博數(shù)作為網(wǎng)絡(luò)的輸入，反演求得SIR模型的參數(shù)a、b、c、d和N；

5)以上過程重復(fù)100次，求得模型參數(shù)a、b、c、d和N的平均值，代入SIR模型，可獲得該事件后續(xù)輿情傳播的趨勢走向及高峰期、高峰期傳播人數(shù)等信息。

4.4 預(yù)測結(jié)果分析

4.4.1 “魏則西”事件預(yù)測結(jié)果分析

利用該事件前三天的微博數(shù)據(jù)參數(shù)反演100次，求得SIR模型參數(shù)a、b、c、d和N的平均值，結(jié)果如下：a=2.110 341 45×10-5,b=0.009 987 93，c=1.000 341 25×10-7，d=1.010 321 45×10-7，N=2 989，代入改進SIR模型，部分預(yù)測結(jié)果如表2所示。表2列出了利用該事件前三天的微博數(shù)據(jù)參數(shù)反演預(yù)測后16天(05-02— 05-17)的輿情傳播過程。

對比參數(shù)反演的預(yù)測結(jié)果和實測數(shù)據(jù)，如圖4所示。

由上述仿真結(jié)果可以看出，結(jié)合實際社交網(wǎng)絡(luò)的實際網(wǎng)絡(luò)輿情大數(shù)據(jù)，利用該事件前三天的微博數(shù)據(jù)，基于輿情傳播模型的參數(shù)反演算法，可挖掘感染率、衰退率等輿情傳播模型參數(shù)，預(yù)測該事件后續(xù)的輿情傳播過程。仿真預(yù)測結(jié)果與實際數(shù)據(jù)變化趨勢基本吻合，擬合效果較好，說明可以用基于網(wǎng)絡(luò)輿情傳播模型的參數(shù)反演算法來仿真模擬該類群體性突發(fā)事件的演化傳播，并進行相應(yīng)的分析和預(yù)測。

1)該事件爆發(fā)于4月底，04-29— 04-30為緩慢增長期，從05-01開始，該事件如同火山爆發(fā)般迅速傳播，進入爆發(fā)階段，05-03達到最高峰，預(yù)測結(jié)果和實際數(shù)據(jù)吻合；預(yù)測高峰期的微博量為1 631，與實際數(shù)據(jù)1 619相比，誤差為12。

2)05-05— 05-12是該事件的衰退期。此階段傳播者比例呈現(xiàn)遞減的態(tài)勢，是事件衍生話題的潛伏期和關(guān)鍵期。此階段實際數(shù)據(jù)存在很大的波動，因為該階段存在一定的隨機因素的影響，如“魏則西事件”涉及百度、央視、莆田系，導(dǎo)致網(wǎng)民熱度上升，使網(wǎng)絡(luò)輿情進入二度爆發(fā)階段。

表2 “魏則西”事件預(yù)測結(jié)果Tab. 2 Prediction results of “WEI Zexi” event

圖4 “魏則西”事件模型預(yù)測結(jié)果與實際數(shù)據(jù)比較Fig. 4 Comparison of the predicted results and the actual data of the "WEI Zexi" event

3)05-13開始是該事件的平息期。經(jīng)過衰退期后，網(wǎng)民對此事件的關(guān)注熱度出現(xiàn)疲態(tài)，逐漸平息直至淡出網(wǎng)民視野。

4)整個輿情傳播過程，與實際數(shù)據(jù)相比，預(yù)測微博量的平均絕對誤差為11.8，平均相對誤差為14.2%。

4.4.2 算法有效性分析

為了更好地驗證所提算法的有效性以及更好地比較預(yù)測

結(jié)果，抓取另一個案例“人機大戰(zhàn)”2016-03-06— 2016-03-21的相關(guān)新浪微博量，類似方法進行處理，分別建立基于馬爾可夫模型的網(wǎng)絡(luò)輿情預(yù)測模型和基于BP神經(jīng)網(wǎng)絡(luò)的參數(shù)反演網(wǎng)絡(luò)輿情預(yù)測模型，分別利用該事件發(fā)展期的前三天6個數(shù)據(jù)預(yù)測后續(xù)輿情傳播趨勢。

基于BP神經(jīng)網(wǎng)絡(luò)的參數(shù)反演網(wǎng)絡(luò)輿情預(yù)測中，參數(shù)反演求得的SIR模型參數(shù)a=2.898 675 4×10-5，b=0.021 974 2,c=3.983 645 6×10-6，d=1.2753234×10-6，N=2 686。

利用03-06— 03-08三天的6個數(shù)據(jù)預(yù)測后續(xù)輿情傳播趨勢(03-09— 03-21)，兩者的預(yù)測結(jié)果對照如表3，圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)參數(shù)反演預(yù)測結(jié)果Fig. 5 Prediction results of parameter inversion based on BP neural network表3 本文方法與馬爾可夫模型預(yù)測結(jié)果對比Tab. 3 Comparison of the predicted results of the proposed model and Markov model

編號真實值馬爾可夫模型真實狀態(tài)預(yù)測狀態(tài)參數(shù)反演預(yù)測值編號真實值馬爾可夫模型真實狀態(tài)預(yù)測狀態(tài)參數(shù)反演預(yù)測值1 4Z2— 411Z2—129228Z3Z3178115Z2Z3143225Z2—3580Z2—10310155Z2Z3115257Z3Z3923189Z1—271482Z1—58411152Z3Z37460Z3Z3594864Z1Z19151066Z3Z110471255Z3Z34848Z3Z3395912Z3Z3981810Z4Z38351341Z3Z33139Z2Z3256488Z4Z3683212Z3Z35491443Z3Z32034Z3Z3167210Z2Z3438330Z3Z33501520Z3Z31319Z2Z3118189Z2Z3279356Z3Z32231637Z3Z3 929——7

注：—表示沒有進行預(yù)測。

由上述對同一事件，采用兩種不同方法進行預(yù)測的結(jié)果可見：1)馬爾可夫模型輿情預(yù)測通過已知狀態(tài)預(yù)測未來的狀態(tài)，只能預(yù)測未來所處的狀態(tài)空間，不能得到輿情的具體熱度值，而本文算法可以精確預(yù)測輿情的具體熱度值，更有實際意義；2)馬爾可夫模型通過輿情熱度計算、狀態(tài)空間劃分、狀態(tài)轉(zhuǎn)移矩陣構(gòu)造進行輿情熱度趨勢預(yù)測，狀態(tài)轉(zhuǎn)移矩陣的構(gòu)造需要大量的數(shù)據(jù)，而網(wǎng)絡(luò)輿情突發(fā)事件一旦發(fā)生往往進展很快，到達高潮的時間極短，數(shù)據(jù)量不足，這限制了馬爾可夫模型的使用，而本文算法利用事件發(fā)展期的數(shù)據(jù)即可以進行參數(shù)反演，進而預(yù)測高潮期時間、高潮峰值等數(shù)據(jù)，更有現(xiàn)實意義。從圖5可見實際數(shù)據(jù)的衰退期有局部點數(shù)據(jù)出現(xiàn)了跳躍現(xiàn)象，經(jīng)查發(fā)現(xiàn)，其原因是3月13日，圍棋人機大戰(zhàn)第四局較量中李世石接連三局負(fù)于“阿爾法圍棋”后迎來了首次勝利，致使網(wǎng)民的熱度上升?？梢姡瑢嶋H輿情數(shù)據(jù)受各種隨機因素的影響可能在局部點發(fā)生一定偏離，但模型對事件發(fā)展的整體趨勢的預(yù)測是正確的，這表明通過模型參數(shù)反演獲取到了輿情傳播事件發(fā)展的內(nèi)在規(guī)律，能夠正確描述輿情傳播進程在其內(nèi)在機制驅(qū)動下的演化和發(fā)展規(guī)律。

5 結(jié)語

本文在傳統(tǒng)傳染病模型的基礎(chǔ)上構(gòu)建了一種網(wǎng)絡(luò)輿情傳播模型，并提出了一種基于實際網(wǎng)絡(luò)輿情大數(shù)據(jù)采用神經(jīng)網(wǎng)絡(luò)完成輿情傳播模型參數(shù)反演的算法，實現(xiàn)了基于實際輿情傳播數(shù)據(jù)從日益增長的輿情大數(shù)據(jù)中挖掘出輿情傳播的內(nèi)在規(guī)律。利用該參數(shù)反演算法預(yù)測網(wǎng)絡(luò)輿情傳播的趨勢，并以新浪微博突發(fā)事件實際抓取數(shù)據(jù)為例進行了驗證，并與馬爾可夫預(yù)測模型進行了對比。結(jié)果表明，基于實際網(wǎng)絡(luò)輿情大數(shù)據(jù)采用神經(jīng)網(wǎng)絡(luò)完成輿情傳播模型參數(shù)反演的算法可以預(yù)測網(wǎng)絡(luò)輿情的傳播趨勢且性能更優(yōu)，這對指導(dǎo)政府部門制定網(wǎng)絡(luò)輿情的控制策略有著重要的參考價值。

在下一步的研究中，擬構(gòu)建一種考慮空間傳播過程的網(wǎng)絡(luò)結(jié)構(gòu)動態(tài)演化的輿情傳播模型?；诒疚牡膮?shù)反演算法進行實時參數(shù)反演，實現(xiàn)輿情傳播過程中模型的參數(shù)動態(tài)演化，同時結(jié)合輿情大數(shù)據(jù)的地理位置信息對輿情的傳播過程開展更進一步的研究。

References)

[1] 張發(fā),李璐,宣慧玉.傳染病傳播模型綜述[J].系統(tǒng)工程理論與實踐,2011,31(9):1736-1744.(ZHANG F,LI L,XUAN H Y. Survey of transmission models of infectious diseases[J].Systems Engineering-Theory & Practice,2011,31(9):1736-1744.)

[2] 劉丹,殷亞文,宋明.基于SIR模型的微博信息擴散規(guī)律仿真分析[J].北京郵電大學(xué)學(xué)報,2014,16(3):28-33.(LIU D,YIN Y W,SONG M. Simulation analysis of micro-blog information diffusion based on SIR model[J].Journal of Beijing University of Posts and Telecommunications, 2014,16(3):28-33.)

[3] 朱恒民,李青.面向話題衍生性的微博網(wǎng)絡(luò)輿情傳播模型研究[J].現(xiàn)代圖書情報技術(shù),2012,28(5): 60-64.(ZHU H M,LI Q. Public opinion propagation model with topic derivatives in the micro-blog network[J].New Technology of Library and Information Service, 2012,28(5): 60-64.)

[4] 張彥超,劉云,張海峰,等.基于在線社交網(wǎng)絡(luò)的信息傳播模型[J].物理學(xué)報,2011,60(5):50501.(ZHANG Y C,LIU Y,ZHANG H F, et al. The research of information dissemination model on online social network[J]. Acta Physica Sinica,2011,60(5):50501.)

[5] BORGE-HOLTHOEFER J, MELONI S, GONCALVES B, et al. Emergence of influential spreaders in modified rumor models[J].Journal of Statistical Physics,2013,151(1/2):383-393.

[6] 蒙在橋,傅秀芬.基于社交網(wǎng)絡(luò)的動態(tài)消息傳播模型[J]. 計算機應(yīng)用,2014,34(7):1960-1963.(MENG Z Q, FU X F. Dynamic information spreading model based on online social network[J]. Journal of Computer Applications,2014,34(7): 1960-1963.)

[7] 張曉偉.在線社交網(wǎng)絡(luò)下基于信任度的消息傳播模型[J].計算機應(yīng)用,2014,34(2):411-416.(ZHANG X W. Trust-based information propagation model in online social networks[J]. Journal of Computer Applications, 2014, 34(2):411-416.)

[8] 陳驍,黃曙光,秦李.基于微博轉(zhuǎn)發(fā)的社交網(wǎng)絡(luò)模型[J].計算機應(yīng)用,2015,35(3):638-642.(CHEN X,HUANG S G,QIN L. Social network model based on micro-blog transmission[J].Journal of Computer Applications, 2015,35(3):638-642.)

[9] 黃宏程,蔣艾玲,胡敏.基于社交網(wǎng)絡(luò)的信息傳播模型分析[J].計算機應(yīng)用研究,2016,33(7):2738-2742.(HUANG H C,JIANG A L,HU M. Analysis of information diffusion model on social network[J].Application Research of Computers,2016,33(7): 2738-2742.)

[10] 韓衛(wèi)東,王勁峰,劉旭華.SARS傳播時間過程的參數(shù)反演和趨勢預(yù)測[J]. 地球科學(xué)進展,2004,19(6):925-930.(HAN W D,WANG J F,LIU X H. Parameter inversion and trend prediction of SARS propagation process[J].Advances in Earth Science, 2004,19(6):925-930.)

[11] 熊焱,王莉,李大衛(wèi),等.SIR傳染病模型的參數(shù)反演[J].生物數(shù)學(xué)學(xué)報,2009,24(1):129-135.(XIONG Y,WANG L,LI D W, et al. Parameter inversion of SIR epidemic model[J].Journal of Biomathematics,2009,24(1):129-135.)

[12] 王香閣,于紅斌,王飄飄,等.基于SIR模型對埃博拉病毒蔓延趨勢的預(yù)測[J].福建電腦,2015,14(2):97,115.(WANG X G,YU H B,WANG P P,et al. The prediction of the spread of Ebola virus based on SIR model[J].Fujian Computer,2015,14(2):97,115.)

[13] KERMACK W O, MCKENDRICK W G. A contribution to the mathematical theory of epidemics[J].Proceedings of the Royal Society of London: Series A,1927,115(1):700-721.

[14] YUAN X P, XUE Y K, LIU M X. Global stability of an SIR model with two susceptible groups on complex networks[J]. Chaos, Solitons & Fractals,2014,59(2):42-50.

[15] BALL F, SIRL D, TRAPMAN P. Analysis of a stochastic SIR epidemic on a random network incorporating household structure[J]. Mathematical Biosciences,2010, 224(2):53-73.

[16] 李可嘉,王義康.改進SIR模型在社交網(wǎng)絡(luò)信息傳播中的應(yīng)用[J].電子科技,2013,26(8):168-171.(LI K J,WANG Y K. Application of improved SIR model in information transmission in social networks[J]. Electronic Science and Technology, 2013,26(8):168-171.)

[17] 游丹丹,陳福集.基于改進粒子群和BP神經(jīng)網(wǎng)絡(luò)輿情預(yù)測研究[J]. 情報雜志,2016,35(8):156-161.(YOU D D,CHEN F J. Research on the prediction of network public opinion based on improved PSO and BP neural network[J].Journal of Intelligence,2016,35(8):156-161.)

This work is partially supported by the National Natural Science Foundation of China (61540032).

LIU Qiaoling,born in 1993, M. S. candidate. Her research interests include public opinion propagation, big data.

LI Jin,born in 1980,Ph. D. His research interests include public opinion big data, neural network.

XIAO Renbin, born in 1965, Ph. D., professor. His research interests include complex system, complex social management.

Trend prediction of public opinion propagation based on parameter inversion — an empirical study on Sina micro-blog

LIU Qiaoling, LI Jin*, XIAO Renbin

(SchoolofAutomation,HuazhongUniversityofScienceandTechnology,WuhanHubei430074,China)

Concerning that the existing researches on public opinion propagation model are seldom combined with the practical opinion data and digging out the inherent law of public opinion propagation from the opinion big data is becoming an urgent problem, a parameter inversion algorithm of public opinion propagation model using neural network was proposed based on the practical opinion big data. A network opinion propagation model was constructed by improving the classical disease spreading Susceptible-Infective-Recovered (SIR) model. Based on this model, the parameter inversion algorithm was used to predict the network public opinion’s trend of actual cases. The proposed algorithm could accurately predict the specific heat value of public opinion compared with Markov prediction model.The experimental results show that the proposed algorithm has certain superiority in prediction and can be used for data fitting, process simulation and trend prediction of network emergency spreading.

Sina micro-blog; Susceptible-Infective-Recovered (SIR) model; Back-Propagation (BP) neural network; parameter inversion; public opinion propagation

2016-11-14;

2016-12-14。 基金項目:國家自然科學(xué)基金資助項目(61540032)。

劉巧玲(1993—)，女，湖北當(dāng)陽人，碩士研究生，主要研究方向：輿情傳播、大數(shù)據(jù)； 李勁(1980—)，男，湖北武漢人，博士，主要研究方向：輿情大數(shù)據(jù)、神經(jīng)網(wǎng)絡(luò)； 肖人彬(1965—)，男，湖北武漢人，教授，博士，主要研究方向：復(fù)雜系統(tǒng)、復(fù)雜社會管理。

1001-9081(2017)05-1419-05

10.11772/j.issn.1001-9081.2017.05.1419

TP393.09

A