董田田 李軍 王繼榮

摘要： ?為分析與預(yù)測(cè)社交網(wǎng)絡(luò)中輿情傳播過程和演化趨勢(shì)，本文基于Multiagent分布式技術(shù)，建立了社交網(wǎng)絡(luò)輿情傳播模型，研究社交網(wǎng)絡(luò)輿情傳播方式，并根據(jù)Agent的行為和狀態(tài)特性，對(duì)Agent進(jìn)行分類，分析Agent的屬性特征，通過剖析Agent個(gè)體之間的交互微觀行為，依據(jù)信息價(jià)值時(shí)效性、信息源覆蓋率和信息關(guān)注度，對(duì)轉(zhuǎn)發(fā)行為的影響進(jìn)行討論，給出了Agent的決策規(guī)則，以網(wǎng)絡(luò)結(jié)構(gòu)方式體現(xiàn)Agent之間的內(nèi)在聯(lián)系。為驗(yàn)證模型的有效性，基于Agent的仿真平臺(tái)，采用Netlogo 6.0.4進(jìn)行模擬仿真分析。仿真結(jié)果表明，輿情信息的傳播與信息價(jià)值呈正相關(guān)，信息價(jià)值越大，越有利于輿情信息的傳播，且信息源的覆蓋率與轉(zhuǎn)發(fā)Agent數(shù)和中止Agent數(shù)成正相關(guān)，信息關(guān)注度對(duì)輿情傳播影響甚大，說明該模型能準(zhǔn)確分析和預(yù)測(cè)網(wǎng)絡(luò)中輿情傳播的演化趨勢(shì)。該研究對(duì)相關(guān)人員了解社交網(wǎng)絡(luò)中輿情的傳播具有重要意義。

關(guān)鍵詞： ?Multiagent; 社交網(wǎng)絡(luò); 輿情話題; 傳播模型; 價(jià)值時(shí)效性; 信息源覆蓋率

中圖分類號(hào)： TP393.034 ?文獻(xiàn)標(biāo)識(shí)碼： A

隨著Web 2.0技術(shù)的逐步完善及信息技術(shù)軟硬件的日益發(fā)展，信息網(wǎng)絡(luò)的應(yīng)用日新月異，互聯(lián)網(wǎng)用戶規(guī)模急速膨脹，社會(huì)各階層與網(wǎng)絡(luò)的銜接愈加密切。根據(jù)中國(guó)互聯(lián)網(wǎng)信息中心（china internet network information center，CNNIC）第四十五次《報(bào)告》顯示，截止到2020年3月，我國(guó)網(wǎng)絡(luò)用戶數(shù)量界限高達(dá)9.04億，比例達(dá)到64.5%，其中我國(guó)手機(jī)網(wǎng)絡(luò)用戶數(shù)量8.96億，上網(wǎng)計(jì)數(shù)比例達(dá)到99.1%。由于互聯(lián)網(wǎng)具備自由性、互動(dòng)性、多元性以及共享性等特征，使互聯(lián)網(wǎng)上各類信息顯露出多、快、好、廣等特點(diǎn)。其中，微信、人人網(wǎng)、知乎等為代表的網(wǎng)絡(luò)信息傳播平臺(tái)的發(fā)展，使互聯(lián)網(wǎng)日益成為廣大網(wǎng)絡(luò)用戶信息傳遞、共享、表達(dá)訴求的主要平臺(tái)，同時(shí)也容易形成網(wǎng)絡(luò)輿情。輿情是公眾在一定時(shí)期和范圍內(nèi)，對(duì)與自己切身相關(guān)的公共事務(wù)或自己關(guān)注的特定事情所持有的群體性情緒、意愿、態(tài)度、意見和要求的總和及其體現(xiàn)，是某一事件發(fā)展的趨勢(shì)，代表一個(gè)過程，它能夠洞察輿論的走勢(shì)。不同的輿情傳播研究方法與思路，可以得到不同的傳播模型。A.Sudbury [1]提出的傳染病模型，研究了網(wǎng)絡(luò)輿情的傳播方式;WAN J H等人[2]基于機(jī)會(huì)、信任和動(dòng)機(jī)等混合社會(huì)因素，建立了信息傳播模型;K. SznajdWeron等人[3]基于Ising模型，提出了一種在繁多輿論傳播模型中較為盛行的Sznajd模型;K.Saito等人[4]提出了兩個(gè)具備連續(xù)時(shí)間軸的AslC模型和AsLT模型;江淼淼等人[5]通過研究多子網(wǎng)復(fù)合復(fù)雜網(wǎng)絡(luò)模型，建立多關(guān)系社交網(wǎng)絡(luò);艾川等人[6]根據(jù)個(gè)體心理行為，提出了對(duì)個(gè)體行為的模型;易成岐等人[7]以新浪微博為研究對(duì)象，研究了社會(huì)網(wǎng)絡(luò)的信息傳播問題，抽象出7種信息傳播模型;譚振華等人[8]借鑒引力學(xué)思想，建立了GRPModel模型;朱湘等人[9]針對(duì)多條微博熱點(diǎn)事件，建立了微博事件傳播網(wǎng)絡(luò)拓?fù)鋱D;周東浩等人[10]根據(jù)節(jié)點(diǎn)屬性和信息內(nèi)容，建立了細(xì)粒度傳播模型;孫月明等人[11]采用期望最大化方法，推斷信息的傳播速度;方勁皓等人[12]分析了用戶的行為模式，提出了改進(jìn)的SCIR模型在社交網(wǎng)絡(luò)上的傳播;周小領(lǐng)等人[13]針對(duì)區(qū)間猶豫模糊集，構(gòu)建了概率區(qū)間猶豫模糊法及其網(wǎng)絡(luò)輿情預(yù)測(cè)模型。以上關(guān)于社交網(wǎng)絡(luò)輿情傳播的研究，大多選取較傳統(tǒng)的面向?qū)ο蟮拈_發(fā)技術(shù)及與復(fù)雜網(wǎng)絡(luò)、傳染病模型[14]、系統(tǒng)動(dòng)力學(xué)[15]等相結(jié)合的研究方法，大部分的社交網(wǎng)絡(luò)輿情傳播模型不能確切地描述網(wǎng)絡(luò)用戶的微觀交互行為、網(wǎng)絡(luò)輿情傳播過程以及演化趨勢(shì)。因此，考慮社交網(wǎng)絡(luò)的開放性和交互性，本文在Multiagent分布式技術(shù)基礎(chǔ)上，充分利用Agent的自主性、互動(dòng)性、適應(yīng)性等多重特性，深度剖析Agent個(gè)體之間的自主交互微觀行為，明確Agent決策機(jī)制，以網(wǎng)絡(luò)結(jié)構(gòu)的方式體現(xiàn)其內(nèi)在聯(lián)系。該模型能準(zhǔn)確分析、預(yù)測(cè)網(wǎng)絡(luò)中輿情傳播的演化趨勢(shì)，為相關(guān)研究人員了解社交網(wǎng)絡(luò)中輿情的傳播方式提供了理論依據(jù)。

1 社交網(wǎng)絡(luò)輿情傳播方式

社交網(wǎng)絡(luò)是通過互聯(lián)網(wǎng)把人與人銜接起來，進(jìn)而構(gòu)成具備某一特定特點(diǎn)的網(wǎng)絡(luò)。不同的社交網(wǎng)絡(luò)平臺(tái)，輿情傳播的方式各具特色，本文主要研究微信社交網(wǎng)絡(luò)的輿情傳播問題。

從社交網(wǎng)絡(luò)輿情傳播過程來看，輿情傳播只建立在聯(lián)系人之間，且封閉在平臺(tái)內(nèi)部。信息傳播渠道主要有三種，一是針對(duì)某一聯(lián)系人單獨(dú)發(fā)送信息;二是針對(duì)某一用戶群發(fā)送信息;三是將信息發(fā)送在自己的朋友圈，當(dāng)設(shè)置聯(lián)系人可見時(shí)，其好友就有機(jī)會(huì)看到此信息，當(dāng)好友A在其朋友圈中看到此信息并轉(zhuǎn)發(fā)該信息時(shí)，此時(shí)A的好友就可以在其朋友圈看到此信息，并以一定的概率將該信息繼續(xù)傳播下去。本文主要研究輿情信息傳播渠道的第三類情況。

在社交網(wǎng)絡(luò)中，輿情信息傳播只在好友間進(jìn)行，即只順著好友的邊連接進(jìn)行傳播，因此，好友關(guān)系成為用戶間聯(lián)系的紐帶。如某個(gè)用戶在其朋友圈發(fā)送一條輿情信息，則該用戶朋友圈中的好友，都可能瀏覽到其發(fā)出的輿情信息（只要沒有被屏蔽），而瀏覽到該條輿情信息的用戶轉(zhuǎn)不轉(zhuǎn)發(fā)是由用戶自主決定。由于每個(gè)用戶的朋友圈不相同，信息傳遞是從一個(gè)用戶的朋友圈傳向另一個(gè)用戶的朋友圈，即從一群用戶到另一群用戶間的傳播。社交網(wǎng)絡(luò)輿情信息傳播方式如圖1所示。

圖1中的P1～P5代表社交網(wǎng)絡(luò)中多個(gè)用戶Agent，連線代表好友關(guān)系，即代表輿情傳播的方向，其中實(shí)線表示Agent之間已經(jīng)確立為好友關(guān)系，虛線表示Agent之間尚未確立好友關(guān)系。由圖1可以看出，P1與P2、P3是好友關(guān)系;P2與P1、P4、P5是好友關(guān)系;P3只與P1是好友關(guān)系;P4與P2、P5是好友關(guān)系;P5與P2、P4是好友關(guān)系。當(dāng)用戶P1將輿情信息發(fā)布在朋友圈時(shí)，此時(shí)P1是該輿情信息的發(fā)布者，P1的好友P2、P3就會(huì)以一定的概率看到這條輿情信息，若P2對(duì)這條輿情信息不轉(zhuǎn)發(fā)，則P2稱為此輿情信息的中止者，P4、P5不會(huì)通過P2的朋友圈看到該輿情信息;若P2轉(zhuǎn)發(fā)了該條輿情信息，則P2的好友P1、P4、P5就會(huì)以一定概率看到該條輿情信息，此時(shí)P2稱為該條輿情信息的轉(zhuǎn)發(fā)者，P2的好友P1將可能再一次瀏覽到該輿情信息，由于P1在其朋友圈已經(jīng)轉(zhuǎn)發(fā)過該輿情信息，如對(duì)該輿情信息失去興趣不再進(jìn)行轉(zhuǎn)發(fā)，則P1轉(zhuǎn)化為該輿情信息的中止者。

2 Multiagent社交網(wǎng)絡(luò)輿情傳播模型

2.1 Agent及其類型

用戶是網(wǎng)絡(luò)中的節(jié)點(diǎn)，將其抽象為Agent，Agent的集合用V表示，Agent之間的好友關(guān)系可抽象為節(jié)點(diǎn)之間的邊，邊的集合用E表示，節(jié)點(diǎn)和邊構(gòu)成一個(gè)網(wǎng)絡(luò)拓?fù)鋱DG，G=（V，E）。

在社交網(wǎng)絡(luò)中，Agent的狀態(tài)可以歸納為輿情信息的知情與不知情態(tài)，對(duì)于知情Agent，又可分為輿情信息的傳播與不傳播態(tài)。Agent可以分為以下三種：

1） 發(fā)布Agent（Promulgate Agent）。其通過自己寫作發(fā)布信息，或通過關(guān)注公眾號(hào)、微博、知乎等第三方平臺(tái)轉(zhuǎn)載信息，或通過轉(zhuǎn)發(fā)其朋友圈中好友發(fā)布的信息等方式將輿情信息發(fā)布到其朋友圈，稱為此輿情信息的信息源，發(fā)布Agent朋友圈中的其他Agent將有機(jī)會(huì)看到該輿情信息。

2） 轉(zhuǎn)發(fā)Agent（Transfer Agent）。如果在某一時(shí)刻，發(fā)布Agent朋友圈中的某Agent看到發(fā)布Agent發(fā)布的輿情信息，并且轉(zhuǎn)發(fā)該輿情信息，則稱此類Agent為轉(zhuǎn)發(fā)Agent。

3） 中止Agent（Interrupt Agent）。發(fā)布Agent朋友圈中的某些Agent，或沒有看到該輿情信息，或雖然看到了該輿情信息，但并沒有轉(zhuǎn)發(fā)該輿情信息，稱此類Agent為此輿情信息的中止Agent。

2.2 Agent的屬性定義及分析

2.2.1 Agent的屬性定義

Individualdefinition=（turtle， net_influence， net_behavior， sta_transition），其中：

turtle：主元。Agent的唯一標(biāo)識(shí)符，標(biāo)識(shí)為[1，N]區(qū)間上的整數(shù)。

net_ influence：Agent的影響力。Agent的影響力與Agent在網(wǎng)絡(luò)中的中心度有關(guān)，體現(xiàn)Agent的日常訪問量、發(fā)帖數(shù)量、知名度，標(biāo)識(shí)為[0，N-1]區(qū)間上的整數(shù)。

net_behavior：Agent的傳播自主行為。Agent根據(jù)信息的時(shí)效性，以創(chuàng)建、瀏覽、點(diǎn)贊、評(píng)論、交流、討論、轉(zhuǎn)發(fā)等行為，達(dá)到輿情傳播的目的。

sta_transition：Agent的狀態(tài)。Agent事先并不知道自己屬于哪一種狀態(tài)，只能根據(jù)接收到的輿情信息由Agent自主性做出狀態(tài)改變，狀態(tài)轉(zhuǎn)換具有隨機(jī)性，轉(zhuǎn)換規(guī)則并不唯一。

2.2.2 Agent的屬性分析

1） 自主性。在社交網(wǎng)絡(luò)中，Agent并不能預(yù)先知道會(huì)不會(huì)接收到輿情信息，以及接收到的輿情信息是什么。每一個(gè)Agent都只能依據(jù)自身的狀態(tài)行為和周圍的狀況，對(duì)自身的狀態(tài)和行為進(jìn)行控制與調(diào)整?？床豢摧浨樾畔⒒蜣D(zhuǎn)不轉(zhuǎn)輿情信息都以Agent的意愿為前提，由Agent自主決定，即Agent具有自主性。

2） 交互性。在社交網(wǎng)絡(luò)中，當(dāng)某Agent轉(zhuǎn)發(fā)了輿情信息，此Agent的朋友圈環(huán)境將會(huì)改變。Agent能夠感知所處環(huán)境的改變，實(shí)現(xiàn)與環(huán)境互動(dòng)。Agent能夠在無外界信息干擾的情況下，主動(dòng)采取行動(dòng)，與其他Agent進(jìn)行多種形式和靈活多樣的互動(dòng)，并對(duì)相關(guān)事件做出適時(shí)反應(yīng)。Agent之間相互協(xié)商、相互協(xié)調(diào)、相互協(xié)作，使輿情信息繼續(xù)傳播。

2.3 Agent的決策規(guī)則

Agent的決策規(guī)則就是Agent如何決定轉(zhuǎn)發(fā)信息還是不轉(zhuǎn)發(fā)信息，主要從信息價(jià)值、信息源的覆蓋率和信息關(guān)注度對(duì)轉(zhuǎn)發(fā)行為的影響進(jìn)行探討。為簡(jiǎn)化研究，不考慮社交網(wǎng)絡(luò)中網(wǎng)絡(luò)用戶Agent的移入和移出，假設(shè)社交網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)穩(wěn)定，即節(jié)點(diǎn)規(guī)模和邊關(guān)系不隨時(shí)間發(fā)生改變，且好友關(guān)系和輿情傳播均為雙向、自主。影響信息傳播的主要因素如下：

1） 設(shè)N表示在社交網(wǎng)絡(luò)中用戶的總數(shù)量。

2） 信息價(jià)值時(shí)效函數(shù)C（t）。Agent主要根據(jù)信息價(jià)值決定轉(zhuǎn)不轉(zhuǎn)發(fā)信息，信息價(jià)值具有時(shí)效性。設(shè)信息價(jià)值時(shí)效函數(shù)為C（t），C（t）∈[0，1]，C（t）越接近1，信息價(jià)值越高。 信息價(jià)值時(shí)效函數(shù)C（t）為分段函數(shù)，即

3 仿真實(shí)驗(yàn)與分析

為分析與預(yù)測(cè)社交網(wǎng)絡(luò)中輿情傳播的過程和演化的趨勢(shì)，驗(yàn)證模型的有效性。Agent仿真平臺(tái)主要有Swarm、Einstein和Netlogo等，本文采用Netlogo 6.0.4進(jìn)行模擬仿真。仿真過程不考慮社交網(wǎng)絡(luò)中網(wǎng)絡(luò)用戶節(jié)點(diǎn)Agent的變更。

3.1 數(shù)據(jù)來源

仿真實(shí)驗(yàn)數(shù)據(jù)來源于“Facebook social network dataset”，用戶數(shù)據(jù)集共包括4 039個(gè)節(jié)點(diǎn)，88 234 條邊。仿真參數(shù)包括總Agent數(shù)、信息價(jià)值、具有信息源的Agent數(shù)、信息的瀏覽度和關(guān)注度。

考慮實(shí)驗(yàn)的方便性和快捷性，在仿真環(huán)境中，嵌塊集是由43×43的patch構(gòu)成，嵌塊大小為11個(gè)像素，在正常速度下，30幀/s。至少兩個(gè)Agent構(gòu)成一個(gè)社交網(wǎng)絡(luò)，社交網(wǎng)絡(luò)中總Agent設(shè)定后，網(wǎng)絡(luò)隨機(jī)生成，發(fā)布Agent隨機(jī)分布。社交網(wǎng)絡(luò)輿情傳播模型參數(shù)如表1所示。

3.2 結(jié)果與分析

3.2.1 初始環(huán)境

初始模擬系統(tǒng)主頁面如圖4所示。圖中包含2個(gè)按鈕、7個(gè)滑動(dòng)塊、1個(gè)圖表和1個(gè)運(yùn)行界面。由運(yùn)行界面可以看出，節(jié)點(diǎn)和邊構(gòu)成一個(gè)社交網(wǎng)絡(luò)，它們至少兩兩交互。其中，有8個(gè)紅色的節(jié)點(diǎn)，代表在社交網(wǎng)絡(luò)中某一時(shí)刻具有同一個(gè)輿情信息的信息源數(shù)，剩余Agent為藍(lán)色節(jié)點(diǎn)。

當(dāng)總Agent數(shù)為500，信息價(jià)值為0.3，信息源覆蓋率為0.1，信息的關(guān)注度為0.4時(shí)，在基準(zhǔn)環(huán)境下，社交網(wǎng)絡(luò)輿情傳播隨時(shí)間變化曲線如圖5所示。

由圖5可以看出，當(dāng)信息價(jià)值為0.3時(shí)，輿情信息在短期內(nèi)消散，周期短，由于信息價(jià)值小，轉(zhuǎn)發(fā)Agent很快達(dá)到一個(gè)較小的峰值后緩慢降低，中止Agent也逐漸呈較小的上升趨勢(shì)，發(fā)布Agent數(shù)量以小趨勢(shì)下降，發(fā)布Agent數(shù)量的下降是因?yàn)樾〔糠諥gent轉(zhuǎn)變成中止Agent所導(dǎo)致。

3.2.2 信息價(jià)值對(duì)輿情傳播的影響

社交網(wǎng)絡(luò)中，在保證其它參數(shù)穩(wěn)定的情形下，通過調(diào)整信息價(jià)值的大小，分析與預(yù)測(cè)信息價(jià)值對(duì)輿情傳播過程和演化趨勢(shì)的影響效果。當(dāng)信息價(jià)值為0.7時(shí)，輿情傳播隨時(shí)間變化曲線如圖6所示。由圖6可以看出，當(dāng)信息價(jià)值為0.7時(shí)，轉(zhuǎn)發(fā)Agent有一個(gè)上升趨勢(shì)，達(dá)到峰值后快速下降，發(fā)布Agent下降趨勢(shì)相比圖5快，相對(duì)應(yīng)中止Agent就會(huì)增加，且幅度相對(duì)圖5高?？傊?，信息價(jià)值對(duì)輿情信息的傳播起促進(jìn)作用，信息價(jià)值越大，越有利于輿情信息的傳播。

3.2.3 信息源的覆蓋率對(duì)輿情傳播的影響

在保證其它參數(shù)穩(wěn)定的情形下，通過調(diào)整信息源覆蓋率的大小，說明信息源數(shù)對(duì)輿情傳播趨勢(shì)的影響效果。當(dāng)信息源覆蓋率為0.4時(shí)，輿情傳播隨時(shí)間變化曲線如圖7所示。

對(duì)比圖5和圖7可以看出，當(dāng)信息源覆蓋率為0.1時(shí)，即初始具有信息源數(shù)較低的情況下，轉(zhuǎn)發(fā)Agent小幅度增加，到達(dá)一個(gè)峰值后，緩慢下降，最終趨向于零，中止Agent下降緩慢，發(fā)布Agent呈現(xiàn)緩慢增長(zhǎng)趨勢(shì)，當(dāng)轉(zhuǎn)發(fā)Agent達(dá)到峰值點(diǎn)時(shí)，發(fā)布Agent和中止Agent均趨于穩(wěn)定，變化幅度較小;當(dāng)信息源覆蓋率為0.4時(shí)，發(fā)布Agent數(shù)量增加，轉(zhuǎn)發(fā)Agent快速達(dá)到一個(gè)峰值，且比前一種情況的峰值數(shù)量明顯偏高，達(dá)到峰值后，迅速下降，中止Agent數(shù)量達(dá)到穩(wěn)定狀態(tài)的個(gè)數(shù)數(shù)量也比前者明顯偏低。由實(shí)驗(yàn)驗(yàn)證，信息源的覆蓋率與轉(zhuǎn)發(fā)Agent數(shù)和中止Agent數(shù)成正相關(guān)。

3.2.4 信息關(guān)注度對(duì)輿情傳播的影響

在保證其它參數(shù)穩(wěn)定的情形下，通過比較Agent對(duì)信息的關(guān)注度，說明輿情演化趨勢(shì)的影響效果。當(dāng)關(guān)注度為0.8時(shí)，輿情演化趨勢(shì)隨時(shí)間變化曲線如圖8所示。

對(duì)比圖5和圖8可以看出，當(dāng)信息關(guān)注度為0.4時(shí)，輿情信息在短期內(nèi)消散，周期短，由于轉(zhuǎn)發(fā)強(qiáng)度并不大，轉(zhuǎn)發(fā)Agent達(dá)到峰值后緩慢下降，最后趨向于零，發(fā)布主體呈現(xiàn)緩慢上升，并很快達(dá)到穩(wěn)定狀態(tài)，由于輿情信息是在社交網(wǎng)絡(luò)中傳播，有部分Agent對(duì)此信息不感興趣，沒有轉(zhuǎn)發(fā)此信息，其好友沒能看到此信息，關(guān)注度小，造成中止Agent人數(shù)下降緩慢，最終趨于穩(wěn)定，社交網(wǎng)絡(luò)的Agent大部分都處于中止Agent。當(dāng)信息關(guān)注度為0.8時(shí)，周期比前者更長(zhǎng)久，轉(zhuǎn)發(fā)Agent快速增加，相比前者增加幅度大，達(dá)到峰值后，趨于穩(wěn)定一段時(shí)間，逐漸減少，發(fā)布Agent數(shù)量快速上升，達(dá)到穩(wěn)定后，發(fā)布Agent數(shù)量比圖5高出很多，此時(shí)中止Agent數(shù)量比前者少很多。由此可見，信息關(guān)注度對(duì)輿情傳播影響較大。

4 模型有效性驗(yàn)證

當(dāng)前關(guān)于社交網(wǎng)絡(luò)輿情傳播的演化趨勢(shì)大多選取較傳統(tǒng)的傳染病模型，為了驗(yàn)證本文提出的多智能體社交網(wǎng)絡(luò)輿情傳播模型的有效性，將本文提出的多智能體社交網(wǎng)絡(luò)輿情傳播模型與文獻(xiàn)[17]給出的傳染病模型在同一標(biāo)準(zhǔn)數(shù)據(jù)集下進(jìn)行仿真（仿真結(jié)果見圖5）。由于多智能體社交網(wǎng)絡(luò)輿情傳播模型與傳染病模型針對(duì)同一個(gè)問題，將圖5與文獻(xiàn)[17]中的圖6進(jìn)行比較，由于二者的演化趨勢(shì)具有一致性，因此驗(yàn)證了本文提出的多智能體社交網(wǎng)絡(luò)輿情傳播模型的有效性。

通過本模型與傳染病的社交網(wǎng)絡(luò)輿情話題傳播模型進(jìn)行對(duì)比可知，傳染病模型的社交網(wǎng)絡(luò)輿情傳播，不能確切地描述網(wǎng)絡(luò)用戶的微觀交互行為，而本文提出的多智能體分布的社交網(wǎng)絡(luò)輿情傳播模型，能夠利用智能體的自主性、交互性、反應(yīng)性等特性，剖析網(wǎng)絡(luò)用戶的微觀交互行為，智能體間相互協(xié)商、相互協(xié)作、相互協(xié)調(diào)，使輿情在社交網(wǎng)絡(luò)中的傳播特征與網(wǎng)絡(luò)用戶的交互性相關(guān)聯(lián)，能夠更好地分析與預(yù)測(cè)社交網(wǎng)絡(luò)中輿情傳播過程和演化趨勢(shì)。

5 結(jié)束語

本文提出一種基于Multiagent分布式技術(shù)的社交網(wǎng)絡(luò)輿情傳播模型，并采用 Facebook數(shù)據(jù)集對(duì)模型進(jìn)行仿真分析。仿真實(shí)驗(yàn)結(jié)果表明，在社交網(wǎng)絡(luò)輿情話題傳播初期，網(wǎng)絡(luò)中各節(jié)點(diǎn)的密度不斷增加，當(dāng)達(dá)到一定的演化時(shí)間后，網(wǎng)絡(luò)中各節(jié)點(diǎn)的密度慢慢趨于穩(wěn)定，該過程與社交網(wǎng)絡(luò)輿情話題實(shí)際變化特點(diǎn)相吻合;由社交網(wǎng)絡(luò)中Agent之間的交互微觀行為可知，由于社交網(wǎng)絡(luò)的連通性較強(qiáng)，Agent間相互協(xié)商、相互協(xié)作、相互協(xié)調(diào)，使輿情在Agent間傳播;社交網(wǎng)絡(luò)的傳播速度與信息價(jià)值時(shí)效性、信息源的覆蓋率、信息關(guān)注度相關(guān)，信息價(jià)值時(shí)效性越強(qiáng)，信息價(jià)值越大，輿情傳播能力也會(huì)隨之增強(qiáng)，信息源的覆蓋率越大，轉(zhuǎn)發(fā)Agent就會(huì)越多，傳播范圍越廣，信息關(guān)注度越大，信息在網(wǎng)絡(luò)中的傳播速度就快，反之輿情話題的信息傳播速度相對(duì)較慢，這主要是由于社交網(wǎng)絡(luò)信息傳播節(jié)點(diǎn)的邊越多，傳播速度相對(duì)越快。該研究不但有助于人們很好的研究Agent行為及社交網(wǎng)絡(luò)的相互作用對(duì)輿情傳播演化過程的影響，而且也有助于研究人員進(jìn)一步了解社交網(wǎng)絡(luò)中輿情傳播方式，為深入探討輿情信息傳播演化規(guī)律提供新的研究思路。下一步，將針對(duì)輿情信息好壞的傳播進(jìn)行研究。

參考文獻(xiàn)：

[1] Sudbury A. The proportion of the population never hearing a rumour[J]. Journal of Applied Probability， 1985， 22（2）： 443446.

[2] Wan J， Chen J， Du Y， et al. Information propagation model based on hybrid social factors of opportunity， trust and motivation[J]. Neurocomputing， 2019， 333： 169184.

[3] SznajdWeron K， Sznajd J. Opinion evolution in closed community[J]. International Journal of Physics C， 2000， 11（6）： 11571165.

[4] Saito K， Kimura M， Ohara K， et a1. Behavioral analyses of information diffusion models by observed data of social network[C]∥Proceedings of the 3rd International Conference on Social Computing. Berlin： SpringerVerlag， 2010： 149158.

[5] 江淼淼， 孫更新， 賓晟， 等. 多關(guān)系社交網(wǎng)絡(luò)中社團(tuán)結(jié)構(gòu)發(fā)現(xiàn)算法[J]. 計(jì)算機(jī)科學(xué)與探索， 2019， 13（7）： 11341144.

[6] 艾川， 陳彬， 劉亮， 等. 面向網(wǎng)絡(luò)輿情仿真的人物智能體建模[J]. 系統(tǒng)仿真學(xué)報(bào)， 2017， 29（9）： 22212226.

[7] 易成岐， 鮑媛媛， 薛一波， 等. 新浪微博的大規(guī)模信息傳播規(guī)律研究[J]. 計(jì)算機(jī)科學(xué)與探索， 2013， 7（6）： 551561.

[8] 譚振華， 時(shí)迎成， 石楠翔， 等. 基于引力學(xué)的在線社交網(wǎng)絡(luò)空間謠言傳播分析模型[J]. 計(jì)算機(jī)研究與發(fā)展， 2017， 54（11）： 25862599.

[9] 朱湘， 賈焰， 聶原平， 等. 基于微博的事件傳播分析[J]. 計(jì)算機(jī)研究與發(fā)展， 2015， 52（2）： 437444.

[10] 周東浩， 韓文報(bào)， 王勇軍， 等. 基于節(jié)點(diǎn)和信息特征的社會(huì)網(wǎng)絡(luò)信息傳播模型[J]. 計(jì)算機(jī)研究與發(fā)展， 2015， 52（1）： 156166.

[11] 孫月明， 張運(yùn)加， 顏錢， 等. 無需感染時(shí)間信息的傳播網(wǎng)絡(luò)快速推斷算法[J]. 計(jì)算機(jī)科學(xué)與探索， 2019， 13（4）： 541553.

[12] 方勁皓， 錢曉東. 改進(jìn)的SCIR模型中社交網(wǎng)絡(luò)信息傳播研究[J]. 計(jì)算機(jī)工程與應(yīng)用， 2020， 56（19）： 105113.

[13] 周小領(lǐng)， 馬慶功. 概率猶豫模糊算法及其網(wǎng)絡(luò)輿情預(yù)測(cè)模型選擇[J]. 計(jì)算機(jī)工程與應(yīng)用， 2019， 55（4）： 179184.

[14] Han S Y， Lei C X. Global stability of equilibria of a diffusive SEIR epidemic model with nonlinear incidence[J]. Applied Mathematics Letters， 2019， 98： 114120.

[15] Perissi I， Falsini S， Bardi U， et al. Mechanisms of meme propagation in the mediasphere： a system dynamics model[J]. Kybernetes， 2019， 48（1）： 7990.

[16] 賀筱媛， 胡曉峰. 基于Agent的Web網(wǎng)信息傳播仿真模型[J]. 系統(tǒng)仿真學(xué)報(bào)， 2010， 22（10）： 24262431.

[17] 田世海， 張家毓， 孫美琪， 等. 基于改進(jìn)SIR的網(wǎng)絡(luò)輿情信息生態(tài)群落衍生研究[J]. 情報(bào)科學(xué)， 2020， 38（1）： 39， 16.