趙 炎，賓 晟，孫更新

(青島大學(xué)計算機科學(xué)技術(shù)學(xué)院,山東 青島 266071)

0 引言

隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，涌現(xiàn)了大量社交網(wǎng)絡(luò)(Social Network Service，SNS)，為人們?nèi)粘Ｐ畔⒌墨@取帶來極大便利。社交網(wǎng)絡(luò)用戶的持續(xù)交互使各種信息在社交網(wǎng)絡(luò)中被快速傳播，其異常龐大的社交圖譜使信息的傳播范圍和影響極易被放大，這些特點使社交網(wǎng)絡(luò)已經(jīng)成為個人、組織進行輿論表達(dá)、信息發(fā)布的重要平臺。基于現(xiàn)實網(wǎng)絡(luò)構(gòu)建信息傳播模型可以反映社交網(wǎng)絡(luò)中的信息傳播過程、預(yù)測信息未來的傳播趨勢，有助于研究人員更好地認(rèn)識信息傳播規(guī)律，也為基于信息傳播的其他研究提供了理論支持。例如，TQ Phan等[1]利用大量社交網(wǎng)絡(luò)數(shù)據(jù)分析了社會關(guān)系的形成。Kazumi Saitod等[2]提出一種模型驅(qū)動的方法用以發(fā)現(xiàn)社交網(wǎng)絡(luò)中有影響力的節(jié)點，并分析了模型驅(qū)動的方法與數(shù)據(jù)驅(qū)動的方法的不同。Zhang Yutao等[3]考慮多個網(wǎng)絡(luò)的局部一致性和全局一致性，提出一種基于能量的模型，以自動集成不同的異質(zhì)社交網(wǎng)絡(luò)。Seth A Myers等[4]研究了用戶傳播行為與底層社交網(wǎng)絡(luò)結(jié)構(gòu)的相互作用，提出了一種數(shù)學(xué)模型以預(yù)測哪些信息擴散時間會影響網(wǎng)絡(luò)的動態(tài)。Adrien Guille等[5]對處理社交網(wǎng)絡(luò)信息傳播及衍生問題的代表性方法進行了分析，總結(jié)了現(xiàn)有的方法，幫助研究人員快速了解現(xiàn)有的工作。

社交網(wǎng)絡(luò)雖然為人們提供了接觸信息的新渠道，豐富了人們的業(yè)余生活，但網(wǎng)絡(luò)中傳播的信息質(zhì)量參差不齊且用戶結(jié)構(gòu)復(fù)雜的情況也難以避免。而大規(guī)模的謠言、惡意信息極易對中國政治、經(jīng)濟、文化安全帶來危害，社交網(wǎng)絡(luò)的復(fù)雜性更使得這些信息在社交網(wǎng)絡(luò)上的傳播難以控制。隨著區(qū)塊鏈技術(shù)的逐漸普及，基于區(qū)塊鏈技術(shù)的信息傳播研究為政府和社交網(wǎng)絡(luò)平臺的輿情監(jiān)控、預(yù)防公共突發(fā)事件提供了新思路，一批以Steemit、Mind為代表的以區(qū)塊鏈為底層架構(gòu)的社交網(wǎng)絡(luò)相繼上線運營。這類社交網(wǎng)絡(luò)使用區(qū)塊鏈來記錄社交網(wǎng)絡(luò)中的信息發(fā)布和傳播，使用戶的所有言論都有跡可循，并對社區(qū)中優(yōu)質(zhì)內(nèi)容的貢獻(xiàn)者和傳播者都給予激勵，對虛假信息和垃圾信息的制造者和傳播者給予懲罰。這些特點使生產(chǎn)、傳播信息的成本變高，相比傳統(tǒng)社交網(wǎng)絡(luò)中的用戶，該類社交網(wǎng)絡(luò)中用戶更加注意自己在社區(qū)中的言論，也更能理性看待社區(qū)中發(fā)布的各類信息，從而構(gòu)建了一種新型的信息傳播環(huán)境。

這種基于區(qū)塊鏈技術(shù)的社交網(wǎng)絡(luò)引起了大量學(xué)者的關(guān)注。Swan M[6]最早探討了區(qū)塊鏈技術(shù)在信息傳播領(lǐng)域的應(yīng)用前景。Ersoy O[7]對區(qū)塊鏈中信息傳播進行了研究，提出一種路由機制和激勵機制相結(jié)合的方法，大幅提高了區(qū)塊鏈中信息傳播的效率。李泰安[8]在研究中分析了區(qū)塊鏈技術(shù)在重構(gòu)網(wǎng)絡(luò)輿論環(huán)境中的作用和應(yīng)用前景。馬強等人[9]以Steemit社交網(wǎng)絡(luò)為例，對基于區(qū)塊鏈技術(shù)的網(wǎng)絡(luò)謠言治理模式進行了探析。趙丹等[10]從實證角度出發(fā)，基于區(qū)塊鏈和信息傳播，提出了區(qū)塊鏈環(huán)境下輿情信息傳播的概念模型。孫更新等[11]引入收益—風(fēng)險矩陣，提出了一種針對區(qū)塊鏈環(huán)境下的社交網(wǎng)絡(luò)的輿情傳播模型。然而，目前大多數(shù)研究集中在區(qū)塊鏈技術(shù)在信息傳播領(lǐng)域的應(yīng)用前景和改善區(qū)塊鏈中信息傳播的效率、降低信息存儲的成本等方面。僅有少數(shù)研究提出了針對區(qū)塊鏈社交網(wǎng)絡(luò)的傳播模型，但是在這部分研究中仍未考慮過社交網(wǎng)絡(luò)中的意見對立人群以及不同的激勵政策對各群體傳播行為的影響。

綜上所述，當(dāng)前對區(qū)塊鏈環(huán)境下社交網(wǎng)絡(luò)中的信息傳播研究仍處于起步階段，可用的信息傳播模型相對稀少。本文考慮區(qū)塊鏈社交網(wǎng)絡(luò)中的意見對立人群、激勵機制和用戶的從眾心理等傳播特點的影響，提出一種新的信息傳播模型。

1 基于區(qū)塊鏈的社交網(wǎng)絡(luò)信息傳播模型

1.1 基于區(qū)塊鏈的社交網(wǎng)絡(luò)信息傳播特點

區(qū)塊鏈所擁有的激勵機制、共識機制和難以篡改的特點，令基于區(qū)塊鏈的社交網(wǎng)絡(luò)中的信息傳播過程異于傳統(tǒng)社交網(wǎng)絡(luò)。

首先，作為一個去中心化的分布式賬本，由于基礎(chǔ)架構(gòu)中激勵層的技術(shù)特點，區(qū)塊鏈中每一個節(jié)點都需要進行數(shù)據(jù)驗證以達(dá)成共識并記賬，所以需要設(shè)計合理的激勵措施令區(qū)塊鏈中各節(jié)點的利益與整體共識一致。這種底層技術(shù)特點映射到應(yīng)用層面就是各種基于區(qū)塊鏈技術(shù)的社交網(wǎng)絡(luò)平臺向優(yōu)質(zhì)內(nèi)容創(chuàng)作者以及傳播者發(fā)放平臺的經(jīng)濟代幣進行激勵，為平臺用戶創(chuàng)作帶來了經(jīng)濟動力。所以用戶為盡可能多地獲取其他用戶的認(rèn)可以及代幣激勵，在表達(dá)自己觀點時會更加理性。在用戶規(guī)范了自己行為的同時，社交網(wǎng)絡(luò)平臺也可依靠調(diào)整代幣的激勵政策對平臺用戶進行有效的引導(dǎo)。

其次，區(qū)塊鏈技術(shù)基礎(chǔ)架構(gòu)的共識層利用區(qū)塊的特點在高度去中心化的系統(tǒng)中高效地形成共識。在傳播的過程中，區(qū)塊鏈社交網(wǎng)絡(luò)平臺中的用戶在一定程度上影響了信息的傳播效果。用戶可以支付平臺代幣對一條內(nèi)容進行投票，評價該內(nèi)容是否為優(yōu)質(zhì)(或低質(zhì)量)信息，是否應(yīng)將該內(nèi)容優(yōu)先浮現(xiàn)令更多用戶看到以擴大其傳播范圍，由此促進了優(yōu)質(zhì)內(nèi)容的傳播而獲得平臺的代幣激勵。

最后，區(qū)塊鏈中保存的數(shù)據(jù)可追溯且難以篡改。區(qū)塊鏈技術(shù)利用時間戳和數(shù)字簽名來保證區(qū)塊鏈中存儲的信息的穩(wěn)定性與可靠性，用戶的傳播行為以及傳播內(nèi)容都會存儲在區(qū)塊鏈中且不可刪除，即使用戶刪除了某條信息的本地記錄，該信息仍會記錄在其他分布式帳本中。借此特點，社交網(wǎng)絡(luò)平臺上的其他用戶在接收到信息后可以通過查詢創(chuàng)作(或傳播)該信息的用戶的歷史發(fā)布記錄和歷史傳播記錄初步判定接收到的信息的真實性。

1.2 區(qū)塊鏈社交網(wǎng)絡(luò)信息傳播模型建立

由于信息在社交網(wǎng)絡(luò)中的傳播與病毒在人群中的傳播類似，因此社交網(wǎng)絡(luò)中信息傳播的研究大都借鑒傳染病模型，而SEIR[12]模型是應(yīng)用最為廣泛的模型之一。本文基于SEIR模型，考慮區(qū)塊鏈社交網(wǎng)絡(luò)中的意見對立人群引入新的節(jié)點狀態(tài)。此外，本文考慮經(jīng)濟激勵和懲罰對用戶傳播行為的影響，通過貝葉斯博弈[13]和演化博弈[14]，重新定義了各狀態(tài)之間的轉(zhuǎn)移概率，提出了一種新的傳播模型。

根據(jù)區(qū)塊鏈社交網(wǎng)絡(luò)信息傳播的實際情況，假設(shè)SNS中存在信息T(T為一類話題的支持或反對信息)，將SNS中的節(jié)點分為易感染節(jié)點S(Susceptible)、觀望節(jié)點E(exposed)、贊同節(jié)點A(Advocates)、反對節(jié)點O(Objector)、免疫節(jié)點R(Removed)，贊同節(jié)點A與反對節(jié)點O統(tǒng)稱為感染者節(jié)點(Infected)。其中S節(jié)點表示用戶還未接觸到信息T。E節(jié)點表示接觸信息T后，為最大化自身經(jīng)濟收益而暫時處于觀望狀態(tài)的節(jié)點。A節(jié)點表示接觸信息T后，對信息T持贊同意見，并選擇傳播支持信息的節(jié)點。節(jié)點O表示接觸信息T后，持反對意見，并選擇傳播反對信息的節(jié)點。R表示不再受信息影響的節(jié)點。狀態(tài)轉(zhuǎn)換過程如圖1所示。

圖1 SEAOR模型狀態(tài)轉(zhuǎn)移過程Fig.1 The state transition process of the SEAOR model

設(shè)S(k,t)、E(k,t)、A(k,t)、O(k,t)、R(k,t)分別表示t時刻度為k的易感染節(jié)點、觀望節(jié)點、贊同節(jié)點、反對節(jié)點、免疫節(jié)點的密度，且在任意時刻:S(k,t)+E(k,t)+A(k,t)+O(k,t)+R(k,t)=1，各狀態(tài)之間的轉(zhuǎn)移規(guī)則描述如下：

1)易感節(jié)點S接觸到目標(biāo)信息后，S可能以概率psa轉(zhuǎn)變?yōu)橘澩?jié)點A，或以概率pso轉(zhuǎn)變?yōu)榉磳?jié)點O，或因經(jīng)濟激勵和懲罰而選擇暫時觀望，以概率pse轉(zhuǎn)變?yōu)橛^望者節(jié)點E。其中psa、pso、pse分別成為易感節(jié)點S對信息的贊同概率、反對概率、觀望概率。

2)觀望節(jié)點E再次接觸到贊同節(jié)點A或反對節(jié)點O后，可能以概率pea轉(zhuǎn)變成贊同節(jié)點A、以概率peo轉(zhuǎn)變成反對節(jié)點O，或以概率per轉(zhuǎn)變成免疫節(jié)點R。稱pae、peo、per分別為觀望節(jié)點E的贊同概率、反對概率、直接免疫概率。

3)贊同節(jié)點A以概率par轉(zhuǎn)變成免疫節(jié)點R，稱par為贊同節(jié)點A對目標(biāo)信息的免疫概率。

4)反對節(jié)點O以概率por轉(zhuǎn)變成免疫節(jié)點R，稱por為反對節(jié)點O對目標(biāo)信息的免疫概率。

5)當(dāng)節(jié)點成為免疫節(jié)點R后，其狀態(tài)不再改變。

基于上述狀態(tài)間轉(zhuǎn)移規(guī)則及系統(tǒng)動力學(xué)，基于區(qū)塊鏈社交網(wǎng)絡(luò)中的信息傳播模型如式(1)：

(1)

其中，pcon為網(wǎng)絡(luò)中任意一條隨機邊與感染者節(jié)點相連的概率。

1.3 構(gòu)建博弈矩陣

在1.1所述模型中，狀態(tài)轉(zhuǎn)移概率pei、peo、per、pir、por均被社交網(wǎng)絡(luò)中的經(jīng)濟激勵懲罰機制影響。為描述觀望者節(jié)點E、贊同節(jié)點A、反對節(jié)點O在經(jīng)濟獎懲下的傳播行為，本文根據(jù)貝葉斯博弈構(gòu)建博弈矩陣。假設(shè)社交網(wǎng)絡(luò)中群體A、O、E均為有限理性人群，根據(jù)貝葉斯博弈構(gòu)建博弈矩陣如表1所示。

表1 博弈矩陣Tab.1 Game matrix

博弈矩陣中x為觀望者接受來自感染者的消息的概率，即x為pea+peo，1-x為per。y、z分別為贊同者和反對者傳播信息的概率，當(dāng)感染者不再傳播消息時，其將轉(zhuǎn)變成免疫者，即1-y、1-z分別為pir、por。

群體S或群體E接受消息后轉(zhuǎn)變成群體I(A或O)，付出投票的成本c，并根據(jù)A與O在所有I中的密度(λ和1-λ)從社區(qū)提供的經(jīng)濟激勵中獲得其基本收益λE、(1-λ)E。當(dāng)I成功影響健康節(jié)點，即擴大了信息的傳播范圍，I將會獲得其對應(yīng)的額外收益。同時，I傳播的消息可能被認(rèn)定為劣質(zhì)內(nèi)容，I將得到相應(yīng)的經(jīng)濟懲罰，即I傳播信息的懲罰風(fēng)險。

博弈矩陣中各個參數(shù)定義如表2所示。

表2 博弈矩陣中參數(shù)釋義Tab. Parameters in the game matrix

2 博弈方行為分析及狀態(tài)轉(zhuǎn)移概率計算

基于上述博弈矩陣，本文利用演化博弈分析博弈參與者的行為并計算各狀態(tài)轉(zhuǎn)移概率。

uE1=(yλ-zλ+z)E-(y+z)c

(2)

uE2≡0

(3)

(4)

構(gòu)造觀望者E采取策略“接受”概率的復(fù)制動態(tài)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，則F(x)≡0,即無論觀望者E選擇策略“接受”和“不接受”比例如何，其策略都不會隨時間發(fā)生改變。此時per與pea+peo不變。

(2)若(yλ-zλ+z)E-(y+z)c≠0，令F(x)=0，可得x=0，x=1為x的兩個穩(wěn)定點。即在不出現(xiàn)選擇相反策略的突變體時，觀望者E選擇特定策略的比例(穩(wěn)定在“接受”或“不接受”)不再發(fā)生變化。此時，對F(x)求導(dǎo)可得

(7)

x=(1+F(x))x0

(8)

其中,x0為t時刻初始接受率。

uA1=xEA+λE-c-R

(9)

uA2=λE-c

(10)

(11)

構(gòu)造支持者A采取策略“傳播”概率的復(fù)制動態(tài)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為t時刻的初始傳播率。

3)對博弈方的感染者類型空間中的反對者(O),與支持者(A)同理，可得

z=(1+F(z))z0

(17)

por=(1-z)

(18)

其中,z0為t時刻的初始傳播率。

通過演化博弈理論和上述計算，可以得出轉(zhuǎn)移概率per、par、por在t時刻下的變化趨勢及函數(shù)。上述博弈的參與者為觀望者E與全體感染者，所以僅通過上述計算無法界定當(dāng)觀望者E選擇策略“接受”時，轉(zhuǎn)移概率pei與peo的變化趨勢。當(dāng)E選擇策略“接受”時：(1)若E選擇接受A傳播的信息，通過博弈矩陣可知其收益為λE-c；(2)若E選擇接受O傳播的信息，通過博弈矩陣可知其收益為(1-λ)E-c。

λ為A當(dāng)前在所有感染者中的密度，(1-λ)為O當(dāng)前在所有感染者中的密度。因此，在E選定策略“接受”的條件下，其收益與A、O在所有感染者中的密度相關(guān)，即選擇人數(shù)較多的一方E總能獲得較高的收益。一定程度上反映了真實社交網(wǎng)絡(luò)中的個體會在面對大眾信念時壓制自己的懷疑、偽化即有知識的現(xiàn)象，這種現(xiàn)象稱之為從眾效應(yīng)[16]。萬佑紅等人[17]通過結(jié)合信息的初始傳播率和某時刻中傳播者的密度描述從眾效應(yīng)對信息傳播概率的影響。根據(jù)上述已有研究并結(jié)合本文實際，分別得出在E選定策略“接受”的條件下，轉(zhuǎn)移概率pea與peo的動態(tài)變化方程

(19)

(20)

3 實驗分析

本文進行了不同參數(shù)集下的計算機仿真實驗和分析。根據(jù)對博弈方行為分析及狀態(tài)轉(zhuǎn)移概率計算，可知區(qū)塊鏈社交網(wǎng)絡(luò)中的激勵機制和社交網(wǎng)絡(luò)中普遍存在的從眾心理，會影響區(qū)塊鏈社交網(wǎng)絡(luò)中不同群體傳播行為。用戶的期望收益與其基本收益E、傳播成本c、傳播懲罰風(fēng)險R、傳播額外收益有關(guān)，而不同感染者的密度又影響其所獲基本收益和額外收益。所以，調(diào)整上述參數(shù)，均會對各群體的密度變化產(chǎn)生影響。由于信息傳播時間相對較短，在后續(xù)實驗中本文暫不考慮網(wǎng)絡(luò)規(guī)模的動態(tài)變化。

3.1 群體密度對區(qū)塊鏈網(wǎng)絡(luò)信息傳播的影響

固定收益參數(shù)，使各群體預(yù)期收益可能大于0或小于0。并選取不同的支持者A與反對者O初始密度比，系統(tǒng)演化過程如圖2所示。

圖2 A與O初始密度比對各類節(jié)點密度的影響Fig.2 The influence of the initial density ratio of A and O on the density of various nodes

3.2 狀態(tài)轉(zhuǎn)移概率對區(qū)塊鏈網(wǎng)絡(luò)信息傳播的影響

S和E的數(shù)量和變化的速度和趨勢對A、O達(dá)到穩(wěn)態(tài)的時間具有重要的影響，進而對整個系統(tǒng)達(dá)到穩(wěn)態(tài)的時間產(chǎn)生影響，具體體現(xiàn)為轉(zhuǎn)移概率pse、psa、pso、pea、peo的值。由于參數(shù)pea、peo根據(jù)t時刻下E的期望收入通過動態(tài)變化方程計算而得，所以只需調(diào)整pse、psa、pso的值。S轉(zhuǎn)變成A、O的概率相等的情況下，即psa=pso時,觀望概率pse取不同值時，易感者S數(shù)量和觀望者E數(shù)量隨時間的變化趨勢如圖3所示。

圖3 不同觀望概率對S與E演化趨勢的影響Fig.3 The influence of different wait-and-see probabilities on the evolution trend of S and E

由圖3可見，pse的取值越大，易感者S和觀望者E達(dá)到穩(wěn)態(tài)所需的時間越久。這是因為S轉(zhuǎn)變成A、O的實際概率由接觸率pcon和A(t)、O(t)決定，而S轉(zhuǎn)變成E的實際概率與E(t)無關(guān)，所以pse越小，S和E變化得越緩慢，其達(dá)到穩(wěn)態(tài)所需時間也就越長。又因為只有S能夠轉(zhuǎn)變成E，所以pse越小，群體E在演化過程中的峰值越小。

3.3 激勵政策對區(qū)塊鏈網(wǎng)絡(luò)信息傳播的影響

調(diào)整激勵政策，令總收益小于總風(fēng)險，各群體變化趨勢如圖4所示。

由圖4可見，因總收益小于總風(fēng)險，且群體O初始密度較小，群體O的預(yù)期收益總是小于0，所以其密度迅速下降并達(dá)到穩(wěn)定狀態(tài)。對群體A，其初始密度較大，因此其在傳播開始后一段時間內(nèi)預(yù)期收入仍可與其預(yù)期風(fēng)險相抵。所以在傳播開始后一段時間內(nèi)，群體A密度呈上升趨勢。隨著群體S和群體E不斷減小并最終趨向于0，群體A繼續(xù)進行傳播的預(yù)期收入也隨之減小，并小于預(yù)期風(fēng)險。所以，群體A密度在一段時間后開始減小，并最終達(dá)到穩(wěn)定狀態(tài)。

圖4 收益總小于風(fēng)險時系統(tǒng)演化趨勢Fig.4 System evolution trend when incomes are always less than risks

調(diào)整激勵政策，令總收益大于總風(fēng)險，各群體變化趨勢如圖5所示。

圖5 收益總大于風(fēng)險時系統(tǒng)演化趨勢Fig.5 System evolution trend when incomes are always greater than risks

由圖5可見，因群體E、A、O的傳播收益總是大于其傳播風(fēng)險，所以群體A、O密度均在短時間內(nèi)上升，且不會下降，最終達(dá)到穩(wěn)態(tài)。

調(diào)整激勵政策，令群體E、A、O的傳播收益可能大于0或小于0，各群體變化趨勢如圖6所示。

圖6 收益不一定大于風(fēng)險時系統(tǒng)演化趨勢Fig.6 System evolution trend when incomes are not always greater than risks

由圖6可見，當(dāng)群體E、A、O的傳播收益不一定大于其傳播風(fēng)險時，初始密度比較小的感染者群體的密度在短暫上升后下降并趨于0。最終網(wǎng)絡(luò)中僅存在初始密度較大的感染者群體及少數(shù)免疫者R。

上述實驗結(jié)果表明區(qū)塊鏈社交網(wǎng)絡(luò)給予用戶的經(jīng)濟激勵能夠深刻影響社交網(wǎng)絡(luò)中用戶的傳播行為。經(jīng)濟收益可以極大激發(fā)用戶對信息的傳播熱情，與激勵并存的經(jīng)濟懲罰機制又可使用戶在面對不同信息時保持理性和懷疑，不輕易相信虛假和劣質(zhì)信息。在實際的輿情監(jiān)測中，政府或社交平臺可以針對不同的情況調(diào)整激勵政策，以凸顯高質(zhì)量內(nèi)容并抑制低質(zhì)量信息的傳播，更有利于營造積極健康向上的網(wǎng)絡(luò)輿論環(huán)境。

4 結(jié)論

本文在傳統(tǒng)社交網(wǎng)絡(luò)傳播模型的基礎(chǔ)上，考慮區(qū)塊鏈技術(shù)對社交網(wǎng)絡(luò)帶來的影響，將社交網(wǎng)絡(luò)中意見對立群體抽象為“贊同節(jié)點”和“反對節(jié)點”，通過演化博弈理論界定狀態(tài)轉(zhuǎn)移概率，建立了基于區(qū)塊鏈社交網(wǎng)絡(luò)的信息傳播模型。本文分析了群體密度對區(qū)塊鏈網(wǎng)絡(luò)信息傳播的影響、狀態(tài)轉(zhuǎn)移概率對網(wǎng)絡(luò)中群體密度以及達(dá)到穩(wěn)態(tài)所需時間的影響，重點驗證了區(qū)塊鏈社交網(wǎng)絡(luò)的激勵政策對社交網(wǎng)絡(luò)用戶傳播行為的作用。實驗結(jié)論：1)區(qū)塊鏈社交網(wǎng)絡(luò)特有的激勵機制能夠極大提升用戶的傳播熱情、凸顯優(yōu)質(zhì)內(nèi)容。懲罰機制令用戶選擇自身傳播策略時能夠保持一定的理性，遏制虛假信息的傳播；2)本文模型可以控制參數(shù)模擬不同的激勵政策，更直觀地描述激勵政策對信息傳播的影響。區(qū)塊鏈技術(shù)在社交網(wǎng)絡(luò)中的應(yīng)用，為網(wǎng)絡(luò)輿情治理提供了新思路，本文模型能夠為今后政府部門利用區(qū)塊鏈技術(shù)進行網(wǎng)絡(luò)輿情管控、引導(dǎo)提供參考。