梁 冉,徐雅斌

(1. 北京信息科技大學(xué)網(wǎng)絡(luò)文化與數(shù)字傳播北京市重點(diǎn)實(shí)驗(yàn)室,北京 100101;2. 北京信息科技大學(xué)計(jì)算機(jī)學(xué)院,北京 100101)

1 引言

隨著移動(dòng)互聯(lián)網(wǎng)的飛速發(fā)展和Web3.0技術(shù)的普及,社交網(wǎng)絡(luò)以其分布范圍廣、傳播速度快、信息獲取便捷等特點(diǎn),開(kāi)拓了一種全新的信息傳播模式。近年來(lái),各種社交網(wǎng)絡(luò)平臺(tái)相繼出現(xiàn),逐漸成為當(dāng)前輿論生成、發(fā)酵、傳播最活躍的陣地[1]。據(jù)新浪微博發(fā)布的《2021年第一季度財(cái)報(bào)》統(tǒng)計(jì),截止到2021年3月,作為社交網(wǎng)絡(luò)典型代表的新浪微博平均月活躍用戶數(shù)為5.30億,較上季度末月增長(zhǎng)2%[2]。在大數(shù)據(jù)時(shí)代各種社交網(wǎng)絡(luò)平臺(tái)的興起,使得信息的傳播渠道更加多元化,信息的傳遞更加便捷。目前,微博已成為用戶表達(dá)個(gè)人情感、相互交流的重要平臺(tái),也成為新媒體時(shí)代輿情信息傳播的重要途徑。通過(guò)對(duì)輿情的傳播進(jìn)行研究,構(gòu)建適當(dāng)?shù)膫鞑ツＰ?有助于準(zhǔn)確的掌握網(wǎng)絡(luò)輿情傳播的內(nèi)在規(guī)律,幫助監(jiān)管機(jī)構(gòu)了解輿情的走向。

2 相關(guān)研究

對(duì)于社交網(wǎng)絡(luò)中的輿情傳播的研究主要集中于對(duì)信息傳播過(guò)程的建模。網(wǎng)絡(luò)信息傳播模型主要分為三類(lèi):傳染病動(dòng)力學(xué)模型、計(jì)算機(jī)病毒傳播模型以及謠言傳播模型[3]。StehléJ[4]等發(fā)現(xiàn)輿情信息的傳播與病毒傳播過(guò)程具有相似性,利用微分方程建立的傳播動(dòng)力模型可以用于解決信息在網(wǎng)絡(luò)中的傳播和控制問(wèn)題。因此其收到了國(guó)內(nèi)外輿情網(wǎng)絡(luò)傳播研究學(xué)者的廣泛關(guān)注。

1927年McKendrick和W.O.K.G[5]在研究黑死病的傳播規(guī)律時(shí)共同構(gòu)建了經(jīng)典的傳染病動(dòng)力學(xué)模型(Susceptible Infected Recovered Model,SIR),該模型將傳播主體分為易感者S、感染者I以及免疫者R。為了解決SIR[6,7]模型傳播假設(shè)人群是均勻混合的局限性,Anderson和May通過(guò)在SIR模型中增加潛伏節(jié)點(diǎn)E,共同創(chuàng)建了傳染病模型SEIR(Susceptible Exposed Infected Recovered Model)。隨著信息技術(shù)的不斷發(fā)展,SEIR模型也已經(jīng)無(wú)法準(zhǔn)確的描述輿情傳播過(guò)程中諸多外界因素的影響,因此學(xué)者們根據(jù)目前社交網(wǎng)絡(luò)的特點(diǎn),不斷對(duì)SEIR模型進(jìn)行如下改進(jìn)。

在針對(duì)傳播主體間狀態(tài)轉(zhuǎn)移規(guī)則更新的研究中,Lin[8]等引入網(wǎng)民群體動(dòng)力學(xué)和非線性發(fā)生率,提出非線性發(fā)生率SEIR網(wǎng)絡(luò)傳播模型。Zhang[9]等依據(jù)傳播主體節(jié)點(diǎn)地位的不平等以及受感染節(jié)點(diǎn)具有不同程度的傳播能力,將感染節(jié)點(diǎn)分為高影響感染節(jié)點(diǎn)和普通影響感染節(jié)點(diǎn),并根據(jù)Pareto原理提出SE2IR信息傳播模型。Zhang[10]等發(fā)現(xiàn)節(jié)點(diǎn)的狀態(tài)轉(zhuǎn)移由意見(jiàn)值的變化而決定,從而提出了引入媒體與人際關(guān)系的MI-SEIR模型。

在針對(duì)個(gè)體記憶效益與遺忘機(jī)制的研究中,Lv[11]等考慮到傳播主體的個(gè)體差異,從記憶效應(yīng)、社會(huì)加強(qiáng)作用和非冗余接觸等角度對(duì)SEIR模型進(jìn)行了改進(jìn)。王更[12]等將社會(huì)加強(qiáng)效應(yīng)影響后的信息傳播概率作為遺忘機(jī)制的初值引入SEIR模型,并發(fā)現(xiàn)社會(huì)加強(qiáng)效應(yīng)期間的遺忘機(jī)制會(huì)導(dǎo)致信息的傳播范圍變小。盧新元[13]等從信息傳播網(wǎng)絡(luò)的三大要素出發(fā),構(gòu)建了融合用戶信息機(jī)制與遺忘機(jī)制的社交網(wǎng)絡(luò)傳播預(yù)測(cè)模型,為信息的趨勢(shì)預(yù)測(cè)提供了重要依據(jù)。

通過(guò)針對(duì)SEIR模型改進(jìn)現(xiàn)狀的研究發(fā)現(xiàn),目前的改進(jìn)方案主要有以下不足之處:

1)目前探究動(dòng)態(tài)情緒感染現(xiàn)象對(duì)輿情傳播過(guò)程影響的研究少之又少,且均沒(méi)有充分考慮輿情傳播主體間情感的相互轉(zhuǎn)化、交叉感染對(duì)于輿情傳播特有的導(dǎo)向性影響。

2)對(duì)于遺忘機(jī)制的研究成果通常將遺忘率設(shè)置為常數(shù),將對(duì)輿情信息的遺忘視為一個(gè)持續(xù)均勻增加的過(guò)程,與實(shí)際的遺忘效應(yīng)不符。

針對(duì)上述改進(jìn)方法存在的問(wèn)題,本文基于BA無(wú)標(biāo)度網(wǎng)絡(luò)提出了一種融合情感與遺忘機(jī)制的輿情傳播模型EF-SEIR(Emotion and Forgetting Mechanism-SEIR)。本文的創(chuàng)新點(diǎn)如下:

1)根據(jù)感染者在輿情傳播過(guò)程中所發(fā)言論情感傾向的不同,將感染者節(jié)點(diǎn)I重新劃分為積極感染者Ip以及消極感染者In。并提出了動(dòng)態(tài)情感沖突理論,研究結(jié)果可有效阻止情緒極化現(xiàn)象的發(fā)生,為避免陷入輿情治理困境提供新思路。

2)考慮到個(gè)體記憶效應(yīng)以及遺忘效應(yīng)的差異,在輿情傳播的免疫階段引入了改進(jìn)后的艾賓浩斯遺忘機(jī)制。將遺忘過(guò)程劃分為四個(gè)階級(jí),量化了不同時(shí)間間隔下,由于同一事件的再次刺激而阻止用戶遺忘的干擾遺忘量。有效彌補(bǔ)了現(xiàn)有研究成果普遍將遺忘量視為一個(gè)持續(xù)增長(zhǎng)過(guò)程的缺點(diǎn),從而使模型對(duì)輿情傳播過(guò)程的仿真結(jié)果更符合社交網(wǎng)絡(luò)中的實(shí)際情況。

3 輿情傳播影響關(guān)鍵因素分析

3.1 情感沖突

情緒性動(dòng)機(jī)是信息傳播的主要?jiǎng)訖C(jī)之一,帶有情緒渲染的信息在一定程度上會(huì)推進(jìn)信息傳播,加強(qiáng)信息發(fā)布者、信息傳遞者之間的紐帶[14]。情感沖突是指感染者節(jié)點(diǎn)微博評(píng)論的大致情感走向,與其本身發(fā)博的情感初衷不一致,而產(chǎn)生的正向情感值與負(fù)向情感值的差異。

在實(shí)際生活中,由于人與人之間的情感認(rèn)知程度存在異質(zhì)性,因此可能會(huì)導(dǎo)致感染節(jié)點(diǎn)對(duì)接收的消息持相反意見(jiàn)。并且同一感染者也會(huì)因?yàn)槭艿脚c其態(tài)度相反感染者的多次刺激,進(jìn)一步自發(fā)性產(chǎn)生情感態(tài)度的轉(zhuǎn)變。當(dāng)感染者節(jié)點(diǎn)所發(fā)微博本身情感走向?yàn)檎騑p,而其微博評(píng)論中負(fù)向評(píng)論Cn多于正向評(píng)論Cp時(shí),用DIFn來(lái)描述當(dāng)前輿情的情感傾向差異。反之,可用DIFp來(lái)描述當(dāng)前輿情情感傾向差異。

3.2 情感共鳴

情感共鳴是指觀察者在他人情感表現(xiàn)的刺激作用下,所引起的情感或情緒上相同或相似的反應(yīng)傾向[15]。在特定輿情事件的傳播過(guò)程中,感染者通過(guò)觀點(diǎn)的表達(dá)及互動(dòng),彼此會(huì)在輿情傳播的大環(huán)境下獲得認(rèn)同感,短時(shí)間內(nèi)會(huì)產(chǎn)生較強(qiáng)的情感共鳴。情感共鳴又可分為正向情感共鳴與負(fù)向情感共鳴。在感染者相互獲得了認(rèn)同感并產(chǎn)生情感共鳴后,感染概率β和轉(zhuǎn)化概率α往往會(huì)伴隨著輿情大環(huán)境的變化而發(fā)生不同程度上的改變。

3.3 遺忘機(jī)制

在現(xiàn)實(shí)生活和社交網(wǎng)絡(luò)中,人與人之間的信息交流網(wǎng)絡(luò)是十分復(fù)雜的,傳播過(guò)程會(huì)同時(shí)受到傳播主體、客體的異質(zhì)性和傳播媒介等各方面因素的影響[13]。由于人類(lèi)具有獨(dú)特的異質(zhì)性差異,導(dǎo)致每個(gè)人對(duì)于信息的記憶效果和遺忘量各不相同。Ebbinghaus[16]通過(guò)重學(xué)法揭示了信息價(jià)值會(huì)隨著時(shí)間的流逝而呈現(xiàn)出非線性衰減特征,反映出衰減特性以及遺忘效應(yīng)對(duì)信息傳播具有顯著的影響[13]。Ebbinghaus[16]研究發(fā)現(xiàn),遺忘在學(xué)習(xí)之后即開(kāi)始,并且遺忘的進(jìn)程并非均勻,記憶量和遺忘均是關(guān)于時(shí)間的函數(shù),他用無(wú)意義音節(jié)作為記憶材料,計(jì)算記憶和遺忘的數(shù)量,得到了記憶遺忘實(shí)驗(yàn)數(shù)據(jù)[15]。

本文為了彌補(bǔ)現(xiàn)有的研究方法僅將接收信息的遺忘量視為一個(gè)持續(xù)均勻增加的過(guò)程的缺點(diǎn),綜合考慮時(shí)間間隔及記憶量二者之間的關(guān)系,對(duì)8類(lèi)時(shí)間間隔進(jìn)行遺忘梯度劃分,共劃分為四類(lèi),劃分的結(jié)果如表1所示。

表1 Ebbinghaus記憶遺忘實(shí)驗(yàn)數(shù)據(jù)

本文在參考廣大用戶實(shí)際生活中對(duì)于微博的使用習(xí)慣以及實(shí)際使用情況后,考慮將用戶發(fā)布微博的時(shí)間與該微博收到最新一條點(diǎn)贊、評(píng)論與轉(zhuǎn)發(fā)時(shí)間的平均時(shí)間間隔τ,與其對(duì)應(yīng)遺忘梯度的權(quán)重φi的線性乘積作為影響遺忘的干擾因子,融合到用戶免疫概率下的遺忘機(jī)制中。在信息傳播過(guò)程中,由于遺忘機(jī)制引起的傳播遺忘概率函數(shù)fi(t)的計(jì)算如式(1)所示。

(1)

每個(gè)遺忘梯度的權(quán)重參數(shù)值可通過(guò)AHP層次分析法確定。首先,根據(jù)兩兩屬性之間的重要程度,得出層次判別矩陣如表2所示。

表2 遺忘梯度權(quán)重的層次判別矩陣

表3 一致性檢驗(yàn)結(jié)果匯總

因?yàn)橛?jì)算得到的CR值為0.012<0.1,由此證明本判別矩陣通過(guò)一致性檢驗(yàn)。進(jìn)而每個(gè)遺忘梯度的權(quán)重參數(shù)值如表4所示。

表4 AHP層次分析結(jié)果

4 輿情傳播模型構(gòu)建

4.1 SEIR模型

SEIR模型將用戶和狀態(tài)分為4類(lèi):易感者節(jié)點(diǎn)S、潛伏者節(jié)點(diǎn)E、感染者節(jié)點(diǎn)I、免疫者節(jié)點(diǎn)R。SEIR傳播模型的基本結(jié)構(gòu)如圖1,模型的動(dòng)力學(xué)微分方程如式(2)～(5)所示。

圖1 傳統(tǒng)SEIR模型

4.2 EF-SEIR模型

由于網(wǎng)絡(luò)輿情主體在社交網(wǎng)絡(luò)中社交行為的自主性較強(qiáng),帶有情感態(tài)度的輿情信息影響范圍更加廣泛,并且輿情主體記憶效應(yīng)以及遺忘效應(yīng)存在的差異,必然會(huì)影響到輿情信息的傳播過(guò)程。為此,本文構(gòu)建的EF-SEIR模型的構(gòu)造如圖2所示。

圖2 EF-SEIR模型構(gòu)造

模型中涉及到的主體及其意義見(jiàn)表5,模型中使用的參數(shù)及5類(lèi)狀態(tài)節(jié)點(diǎn)之間的狀態(tài)轉(zhuǎn)化過(guò)程說(shuō)明見(jiàn)表6。

表5 模型主體因素

表6 各參數(shù)含義

基于上述兩條假設(shè),可得到t時(shí)刻5類(lèi)狀態(tài)節(jié)點(diǎn)之間的關(guān)系滿足S(t)+E(t)+Ip(t)+In(t)+R(t)=N。其中,S(t)表示t時(shí)刻處于易感狀態(tài)的節(jié)點(diǎn)數(shù),E(t)表示t時(shí)刻處于潛伏狀態(tài)的節(jié)點(diǎn)數(shù),Ip(t)表示t時(shí)刻處于積極感染狀態(tài)的節(jié)點(diǎn)數(shù),In(t)表示t時(shí)刻處于消極感染狀態(tài)的節(jié)點(diǎn)數(shù),R(t)表示t時(shí)刻處于免疫狀態(tài)的節(jié)點(diǎn)數(shù)。改進(jìn)后的EF-SEIR模型動(dòng)力學(xué)微分方程如式(6)～(10)所示。

5 實(shí)驗(yàn)與分析

劉志明[19]等認(rèn)為微博的網(wǎng)絡(luò)結(jié)構(gòu)與BA無(wú)標(biāo)度網(wǎng)絡(luò)結(jié)構(gòu)性質(zhì)相符,BA網(wǎng)絡(luò)的連接度分布函數(shù)具有冪律形式,其無(wú)明顯特征長(zhǎng)度且具有增長(zhǎng)特性和優(yōu)先連接特性[20]。因此本文使用MATLAB構(gòu)建初始BA無(wú)標(biāo)度網(wǎng)絡(luò)來(lái)代替真實(shí)的微博網(wǎng)絡(luò)環(huán)境,BA無(wú)標(biāo)度網(wǎng)絡(luò)模型參數(shù)設(shè)置為:總節(jié)點(diǎn)數(shù)N=1000,初始網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)m0=10,每引入一個(gè)新節(jié)點(diǎn)s生成的最小邊數(shù)m=4。并對(duì)本文提出的EF-SEIR輿情傳播模型進(jìn)行仿真驗(yàn)證,模型初始值設(shè)置為:總節(jié)點(diǎn)數(shù)N=1000,S(t)=990,E(t)=0,Ip(t)=10,In(t)=0,R(t)=0。本文通過(guò)如下三組仿真充分探究了各參考因素對(duì)輿情傳播的影響。

5.1 情感沖突對(duì)傳播過(guò)程影響

不同用戶之間的情感傾向的差異程度越大,用戶之間產(chǎn)生沖突的可能性就越大。因此,當(dāng)情感傾向差異為DIFn時(shí),會(huì)激化Ip向In轉(zhuǎn)化。相反,當(dāng)情感傾向差異為DIFp的情況下,會(huì)激化In向Ip轉(zhuǎn)化。為了分析情感傾向差異為DIFn及DIFp兩種情況下,積極轉(zhuǎn)化率α1以及消極轉(zhuǎn)化率α2對(duì)模型的影響,本文設(shè)置了以下多個(gè)參數(shù)方案,如表7所示。

表7 模型參數(shù)設(shè)置方案

假設(shè)其它初始條件不變,將模型參數(shù)初始值設(shè)置為:λ=0.3,θ=0.3,δ=0.1,β1=0.4,β2=0.2,γ1=0.05,γ2=0.01。探究情感傾向差異為DIFn時(shí),通過(guò)增大α1、減小α2激化情感沖突程度,研究各傳播節(jié)點(diǎn)密度隨時(shí)間的變化曲線如圖3所示。由圖3可以看出,在刺激情感沖突激化后,對(duì)于Ip,In以及R節(jié)點(diǎn)均有較明顯的影響。

圖3 情感沖突差異DIFn變化的影響

由圖3(c)可得,本實(shí)驗(yàn)設(shè)置的三種方案對(duì)于到達(dá)曲線Ip峰值的時(shí)間并無(wú)太大影響,但是均會(huì)使得Ip峰值減小。當(dāng)微博評(píng)論中Cn占比越大,α1、α2差值越明顯,Ip點(diǎn)的曲線走向越平緩,情感沖突激化的效果越強(qiáng)烈。相反,對(duì)比圖3(d)可得,In的峰值在輿情傳播的初始階段,隨α1、α2差值的增加同樣呈現(xiàn)出正相關(guān)增長(zhǎng)趨勢(shì),并且In節(jié)點(diǎn)的轉(zhuǎn)換速率也隨之增加。

由圖3(e)可以看出,免疫節(jié)點(diǎn)R密度曲線的走向相較于對(duì)照組實(shí)驗(yàn)更加平穩(wěn)。說(shuō)明當(dāng)Ip的博文評(píng)論中Cn占比較大時(shí),會(huì)增加負(fù)面輿情信息的傳播能力,必要時(shí)需輿情監(jiān)管部門(mén)及時(shí)介入,避免部分消極感染者In故意煽動(dòng)負(fù)面輿論的爆發(fā)。情感傾向差異為DIFn時(shí),情感沖突會(huì)導(dǎo)致In節(jié)點(diǎn)以及R節(jié)點(diǎn)以更慢的速度趨于穩(wěn)定。說(shuō)明公眾對(duì)于負(fù)面輿論的關(guān)注度更高,負(fù)面情緒也更易刺激公眾產(chǎn)生認(rèn)同心理,從而增加了輿情傳播的不穩(wěn)定性,不利于掌控輿情走向。

同樣假設(shè)模型初始條件不變,情感傾向差異為DIFp時(shí),通過(guò)減小α1、增大α2激化情感沖突程度,發(fā)現(xiàn)對(duì)于S、E、R節(jié)點(diǎn)無(wú)明顯影響。Ip、In傳播節(jié)點(diǎn)密度隨時(shí)間的變化曲線如圖4所示。

圖4 情感沖突差異DIFp變化的影響

對(duì)比圖3、圖4可得,當(dāng)評(píng)論中Cp占比較大時(shí),本文設(shè)置的三種方案均會(huì)使得E節(jié)點(diǎn)以及Ip節(jié)點(diǎn)的峰值增加,但整體變化趨勢(shì)不會(huì)有較明顯變化。對(duì)比圖4 (b)可得,情感傾向差異為DIFp時(shí),情感沖突對(duì)于In節(jié)點(diǎn)的峰值有較強(qiáng)的抑制作用,并且In節(jié)點(diǎn)趨于零的轉(zhuǎn)化速率明顯加快。由此可見(jiàn),在輿情傳播初期階段,正向情感可以在一定程度上壓制負(fù)面情緒的傳播。在t=200左右,四條曲線均已趨于零點(diǎn)。但對(duì)比圖3(c)(d)以及圖4發(fā)現(xiàn),負(fù)向情感的傳播相較于正向情感傳播不穩(wěn)定性更強(qiáng),輿情傳播范圍更廣泛,會(huì)延長(zhǎng)事件趨于穩(wěn)定的時(shí)間。因此,應(yīng)堅(jiān)定積極感染者Ip的立場(chǎng),使其不受外界的因素干擾,盡量避免情緒交叉感染現(xiàn)象的發(fā)生。

5.2 情感共鳴對(duì)傳播過(guò)程影響

當(dāng)前輿情傳播大環(huán)境處于正向情感,即β1大于β2時(shí),在輿情參與者相互獲得認(rèn)同感的同時(shí),會(huì)伴隨著β1、β2的大幅度增加。由此本文考慮了輿情傳播大環(huán)境分別處于正向共鳴及負(fù)向共鳴時(shí),β1、β2、α1、α2共同變化對(duì)模型的影響。本文設(shè)置了如表8所示的6種參數(shù)方案。

表8 模型參數(shù)設(shè)置方案

假設(shè)其它初始條件不變,當(dāng)輿情傳播大環(huán)境以正向情感為主,且β1增大時(shí),通過(guò)調(diào)整α1、α2增加輿情參與者產(chǎn)生情感共鳴現(xiàn)象的概率,四種方案中各傳播節(jié)點(diǎn)密度隨時(shí)間的變化曲線如圖5所示。

圖5 正向情感共鳴變化的影響

由圖5可以看出,本文設(shè)置的四組實(shí)驗(yàn)方案對(duì)于S、E、R節(jié)點(diǎn)沒(méi)有明顯的影響效果。雖然正向情感共鳴現(xiàn)象的產(chǎn)生對(duì)Ip節(jié)點(diǎn)的峰值有增加作用,但并無(wú)較大差異。然而,隨著β2、α1與α2差值的逐漸增大,對(duì)峰值的增強(qiáng)效果越明顯。正向情感共鳴現(xiàn)象對(duì)于抑制用戶轉(zhuǎn)變?yōu)橄麡O感染者In的效果更加明顯,對(duì)比方案三與對(duì)照組兩條曲線可得,曲線In的峰值約降低了56%。因此,正向情感可以在負(fù)面情感產(chǎn)生的萌芽階段對(duì)其起到一定程度的凈化作用,可有效阻止情緒極化現(xiàn)象。

同樣,當(dāng)輿情傳播大環(huán)境以負(fù)向情感為主,且β1減小時(shí),四種方案中各傳播節(jié)點(diǎn)密度隨時(shí)間的變化曲線如圖6所示。可以看出,本文設(shè)置的四組實(shí)驗(yàn)方案對(duì)于Ip、In節(jié)點(diǎn)有較為明顯的影響效果。在同樣減小β1的情況下,隨著α1與α2差值的逐漸增大,對(duì)曲線Ip峰值的抑制效果越明顯。負(fù)向情感共鳴對(duì)曲線In的峰值有增強(qiáng)效果,雖然不會(huì)出現(xiàn)大幅度增長(zhǎng),但是從整體看來(lái),模型趨于穩(wěn)定的時(shí)間仍要增加1倍。并且,消極感染者In的數(shù)量在短時(shí)間呈現(xiàn)爆炸式增長(zhǎng),說(shuō)明負(fù)向情緒信息在輿情傳播的過(guò)程更加引人關(guān)注。因此,負(fù)向情感共鳴現(xiàn)象的發(fā)生會(huì)導(dǎo)致輿論平息周期加長(zhǎng),容易造成輿情治理困境。相關(guān)管控部門(mén)要及時(shí)介入,引導(dǎo)輿論正確的走向,避免消極感染者In肆意增長(zhǎng)而錯(cuò)失治理的最佳時(shí)機(jī)。

圖6 負(fù)向情感共鳴變化的影響

5.3 遺忘機(jī)制對(duì)傳播過(guò)程影響

假設(shè)其它初始條件不變:λ=0.3,θ=0.3,β1=0.4,β2=0.2,δ=0.1,α1=0.3,α2=0.2,γ1=0.08,γ2=0.04。本文設(shè)置了以下多個(gè)參數(shù)方案,如表9所示。

表9 模型參數(shù)設(shè)置方案

通過(guò)對(duì)比方案一與方案二的實(shí)驗(yàn)結(jié)果,探究不同遺忘梯度對(duì)模型的影響,此時(shí)方案一中的γ1=0.077,γ2=0.037;通過(guò)對(duì)比方案二與方案三,探究同一遺忘梯度下不同時(shí)間間隔τ的變化對(duì)模型的影響,此時(shí)方案二中的γ1=0.068,γ2=0.028;方案三中的γ1=0.047,γ2=0.007。三種方案中各傳播節(jié)點(diǎn)密度隨時(shí)間的變化曲線如圖7所示。

圖7 改進(jìn)遺忘機(jī)制變化的影響

由圖7可以看出,隨著時(shí)間間隔τ以及遺忘梯度αi的增加,其對(duì)遺忘速率γ1、γ2的干擾效果越明顯,更加符合遺忘機(jī)制對(duì)于輿情傳播的影響規(guī)律。例如,對(duì)于某一處于免疫階段的用戶來(lái)說(shuō),雖然此時(shí)該用戶正處于對(duì)其某一輿情言論的遺忘過(guò)程,但是該輿情言論此時(shí)仍處于傳播階段。當(dāng)其他用戶接收到輿情信息并進(jìn)行評(píng)論、轉(zhuǎn)發(fā)等操作后,由于微博內(nèi)置的提醒板塊,博主本身會(huì)再次接收到其原創(chuàng)微博的內(nèi)容,甚至受到同一信息的二次乃至多次刺激,干擾遺忘速率γ1、γ2的變化規(guī)律,從而阻止其對(duì)于輿情信息的遺忘過(guò)程。

對(duì)比三條曲線發(fā)現(xiàn),S、E節(jié)點(diǎn)轉(zhuǎn)換速率均有提升,以更快的速度趨于零點(diǎn),并且E節(jié)點(diǎn)曲線峰值有所增加;當(dāng)時(shí)間間隔τ最大時(shí),R節(jié)點(diǎn)的曲線最為緩和,說(shuō)明模型趨于穩(wěn)定的時(shí)間有所延長(zhǎng),更加符合輿情事件在短暫平息后還要經(jīng)歷幾次小波動(dòng),最終才會(huì)逐漸平息的特點(diǎn)。且In的數(shù)量相較于Ip更容易發(fā)生波動(dòng),增長(zhǎng)更為明顯,說(shuō)明在輿情事件假性平息后的波動(dòng)期間,負(fù)向情感更容易占領(lǐng)輿情傳播的走向,網(wǎng)民也更容易被負(fù)向情感左右。因此相關(guān)部門(mén)應(yīng)該在輿情事件處于假性平息期間,做好網(wǎng)絡(luò)輿情的監(jiān)測(cè)與分析,避免負(fù)向情緒占據(jù)傳播主體而錯(cuò)失把控輿情的最佳時(shí)機(jī)。

6 結(jié)束語(yǔ)

本文針對(duì)傳統(tǒng)SEIR模型沒(méi)有充分考慮多層級(jí)用戶之間的情感交叉感染,以及傳統(tǒng)遺忘機(jī)制在輿情傳播免疫階段存在的不足,重新定義了SEIR模型的節(jié)點(diǎn)狀態(tài)轉(zhuǎn)移規(guī)則。構(gòu)建了引入情感因素與改進(jìn)遺忘機(jī)制的EF-SEIR輿情傳播模型。引入改進(jìn)后的遺忘機(jī)制可以描述出由于干擾遺忘量而引發(fā)的輿情傳播波動(dòng),更加符合輿情信息實(shí)際的傳播過(guò)程。

本文提出的EF-SEIR模型為更好地分析輿情的傳播機(jī)理,有效的控制輿情的傳播提供了新的研究思路。建議相關(guān)監(jiān)管部門(mén)首先要嚴(yán)防負(fù)面評(píng)論過(guò)多而導(dǎo)致負(fù)面情緒的二次爆發(fā),將偏激信息對(duì)網(wǎng)絡(luò)造成的不穩(wěn)定概率降到最低;其次要在輿情假性平息期間做好輿情的監(jiān)測(cè)與分析,避免負(fù)向情緒占據(jù)傳播主體而錯(cuò)失把控輿情的最佳時(shí)機(jī)。后期可對(duì)模型中存在的二次感染現(xiàn)象進(jìn)行研究,進(jìn)一步優(yōu)化節(jié)點(diǎn)轉(zhuǎn)移規(guī)律。