基于小世界網(wǎng)絡的微博負面信息傳播模型構(gòu)建與案例分析

蘭娟麗 雷宏振 章 俊

(陜西師范大學國際商學院，陜西西安 710119)

?

基于小世界網(wǎng)絡的微博負面信息傳播模型構(gòu)建與案例分析

蘭娟麗 雷宏振 章 俊

(陜西師范大學國際商學院，陜西西安 710119)

本文在基于小世界網(wǎng)絡理論SIR模型分析的基礎上，構(gòu)建出一種對微博網(wǎng)絡負面信息傳播的擴散機制模型，利用數(shù)學建模對該模型傳播趨勢進行概率分析，研究發(fā)現(xiàn)微博網(wǎng)絡社區(qū)的節(jié)點度越大，該節(jié)點處負面信息傳播的能力就會越強；并通過對微博負面信息義烏“微笑哥”之謎進行社會網(wǎng)絡實證分析，對節(jié)點用戶中心度的刻畫，說明了微博內(nèi)負面信息的傳播會因其網(wǎng)絡內(nèi)節(jié)點的不同而呈現(xiàn)不同的擴散特征。

負面信息；微博；擴散機制；節(jié)點度

1 問題的提出及文獻綜述

微博，是一種允許用戶及時更新簡短文本(通常少于140字)并可以公開發(fā)布的微型博客形式，它本質(zhì)上是一種在線社會網(wǎng)絡，社會網(wǎng)絡可以定義為以個人或者群體為結(jié)點構(gòu)成的集合。根據(jù)Watts和Strogaz提出的關(guān)于小世界網(wǎng)絡的定義及近年來關(guān)于復雜網(wǎng)絡的研究表明，微博具有“小世界效應”，即較大的集聚系數(shù)與較小的平均距離[1]。社會輿論通過網(wǎng)絡傳播時會產(chǎn)生“蝴蝶效應”，信息傳遞所依賴的媒介是重要的因素(鐘偉軍，2013)[2]。近年來社會科學等領域關(guān)于負面信息傳播的研究主要集中于網(wǎng)絡謠言的傳播過程及傳播效果(Bordia R，Rosnow R L，1998)[3]和(DiFonzo N，Bordia P，Rosnow R L，1994)[4]，其理論基礎包括Jaeger M E等(1980)[5]提出的謠言傳播及謠言背后的社會學現(xiàn)象，以及謠言傳播者內(nèi)心的焦慮或恐慌Walker C J Bec&kerle C A(1987)[6]。Gruhl D，Guha R(2004)[7]在傳染病模型中SIRS的基礎上提出了話題在博客網(wǎng)絡中的傳播模型；Leskovec J(2007)[8]參考傳染病模型中SIS模型，構(gòu)建了博客網(wǎng)絡中信息的級聯(lián)傳播模型，通過仿真生成話題傳播網(wǎng)絡；韓立新(2008)[9]提出了涌現(xiàn)模型；陳波、于泠(2011)[10]將傳統(tǒng)傳染病模型推廣到乏在媒體環(huán)境中，引入直接免疫率和潛伏個體，建立了帶直接免疫的SEIR傳播控制模型。在信息傳播控制方面，唐克超(2008)[11]認為，網(wǎng)絡輿論是在互聯(lián)網(wǎng)上通過有關(guān)事態(tài)信息傳播、新聞跟帖、網(wǎng)上評論等形式，具有一定傾向性和影響力的群體性意見，他提出了針對網(wǎng)絡輿論的高度重視、疏導結(jié)合、有效管理的政策建議。Alisen Hill(2010)[12]等人的研究表明，通過微博極為發(fā)達的信息機制，消極的情緒表達可能像瘟疫一樣瞬間感染網(wǎng)絡，應加以重要引導。

本文擬在現(xiàn)有研究的基礎上，基于傳統(tǒng)SIR模型，加入時間動態(tài)以及微博節(jié)點度值影響因素，構(gòu)建出一種擴展的微博負面信息傳播網(wǎng)絡模型，并以期借助社會網(wǎng)絡分析軟件對微博負面信息現(xiàn)實案例進行傳播特征方面的探索。本文所指的負面信息涵蓋了微博網(wǎng)絡中存在的一切虛假、有害的、未經(jīng)證實的話題或謠言。

2 微博負面信息模型構(gòu)建及分析

依照以往復雜網(wǎng)絡對于信息在網(wǎng)絡上的研究通常重視網(wǎng)絡模型的構(gòu)建這一特征，我們用SIR模型對整個傳播過程進行刻畫，給定t時刻某負面信息在微博中出現(xiàn)，假設該微博網(wǎng)絡有N個節(jié)點，即有N個可以傳播信息的用戶。我們認為，隨著系統(tǒng)演變過程，微博網(wǎng)絡用戶對于負面信息的傳播最終只有3種狀態(tài)：未知態(tài)、已知態(tài)和確認免疫態(tài)?！拔粗獞B(tài)”表示用戶還未收到負面信息、“已知態(tài)”表示微博用戶已經(jīng)收到但是由于種種原因不愿意傳播下去和“確認免疫態(tài)”表示用戶傳播該負面信息后，對于下次傳播失去興趣，即再次收到此信息處于免疫狀態(tài)。考慮到網(wǎng)絡社區(qū)的特點，由劉俊，金聰?shù)?2009)[13]文獻中病毒傳播的部分相關(guān)算法，結(jié)合微博網(wǎng)絡社區(qū)的特點，可以得到相關(guān)計算公式有：

(1)

初始條件為：

(2)

k=1，2，…，N

(3)

(4)

3 案例分析：義烏“微笑哥”之謎

本文的研究案例來自新浪微博，即2014年7月15日23時28分，一名經(jīng)過實名認證名為“吳法天”的微博用戶發(fā)表了一篇名為《義烏“微笑哥”之謎》微博，該微博稱：浙江義烏工業(yè)園區(qū)張滸村一位80歲的老人與幾位婦女向工業(yè)園區(qū)局長下跪哭求解決問題方案，該局長面對下跪群眾不僅無動于衷而且笑容燦爛。中午，義烏工業(yè)園區(qū)針對此事回應稱，真相并非如此，期間有村民跟該工作人員打招呼，他禮節(jié)性微笑回應。這條微博消息迅速在微博上發(fā)酵，被轉(zhuǎn)發(fā)126次，評論91次，這是一個微博網(wǎng)絡負面信息傳播的現(xiàn)實案例。

基于新浪微博API，利用自編程序來獲取該負面微博日志的評論信息，主要包括用戶評論內(nèi)容、用戶ID，構(gòu)建一個基于負面信息傳播的社會網(wǎng)絡，其中節(jié)點表示信息的產(chǎn)生者和傳播者，在本案例中就是指對“吳法天”所發(fā)微博而進行評論的用戶、被評論用戶轉(zhuǎn)寄(@功能)給的用戶以及“吳法天”本人。按照社會網(wǎng)絡分析的思路，通過以上的三類用戶構(gòu)建鄰接矩陣，令矩陣的“行”代表信息發(fā)送者，“列”代表信息接受者。如果這些用戶中某位用戶將信息傳遞給了另一位用戶，則對應的行列元素值為1，否則為0，最終得到一個二值矩陣。根據(jù)前期收集數(shù)據(jù)，我們可以得到本案例的鄰接矩陣，導入社會網(wǎng)絡分析軟件Ucinet后可以通過Netdraw繪制出該微博社區(qū)內(nèi)交流網(wǎng)絡的社群圖，如圖1：

圖1 微博社區(qū)內(nèi)交流網(wǎng)絡的社群圖

接下來，運用UCINET軟件對“浙江義烏微笑哥”這個負面信息整體網(wǎng)絡鄰接矩陣數(shù)據(jù)進行密度測度，得出結(jié)果如表1所示。根據(jù)結(jié)果顯示，在由58個傳播節(jié)點組成的“義烏微笑哥”負面信息傳播網(wǎng)絡中，實際存在的連接數(shù)為73條，整體網(wǎng)絡間的密度為0.0221，實驗網(wǎng)絡中的連線數(shù)為73條，節(jié)點為58個。在UCINET軟件中構(gòu)造一個擁有58個節(jié)點的隨機網(wǎng)絡，并計算該隨機網(wǎng)絡的網(wǎng)絡密度，結(jié)果為0.063，如表2所示。

表1 負面信息傳播整體網(wǎng)絡密度測度

表2 隨機網(wǎng)絡密度測度

對比實驗網(wǎng)絡與隨機網(wǎng)絡的參數(shù)，發(fā)現(xiàn)試驗網(wǎng)絡的密度要遠遠小于隨機網(wǎng)絡?？梢?，負面信息在傳播的過程中，網(wǎng)絡密度較小，負面信息傳播主體之間的關(guān)系并沒有理論上的那么緊密，而是如圖1具有擴散特點的。

表3 “義烏微笑哥”信息傳播網(wǎng)絡點度中心度測度結(jié)果(前10個)

Network All Degree Centralization=2.172

表4 “義烏微笑哥”信息傳播網(wǎng)絡中間中心度測度結(jié)果(前10個)

表5 “義烏微笑哥”信息傳播網(wǎng)絡接近中心度測度結(jié)果(前10個)

表3、表4、表5分別反映了負面信息網(wǎng)絡中心度的三類指標結(jié)果，觀察可以得出：

(1)“義烏微笑哥”負面信息傳播網(wǎng)絡的整體點度中心度為2.172，1號即原文作者“吳法天”是整個負面信息傳播網(wǎng)絡中的關(guān)鍵節(jié)點，明顯高于實驗網(wǎng)絡中其他節(jié)點，該節(jié)點對于該信息的傳播能力明顯強于其他節(jié)點，這說明在整個負面信息傳播的過程中，研究發(fā)現(xiàn)微博網(wǎng)絡社區(qū)的節(jié)點度值越大，負面信息繼續(xù)傳播的能力越強；

(2)“義烏微笑哥”負面信息傳播網(wǎng)絡58個節(jié)點中，13個節(jié)點的中間中心度大于0。其中，最大中間中心度為959，為原文作者“吳法天”，其次是“吳飛微議”、“王?！?、“mixiahmixiahmixiah”，中間中心度分別為392、192、153。這說明就整個網(wǎng)絡而言，網(wǎng)絡中的大部分節(jié)點不需要別的節(jié)點作為橋接點，即網(wǎng)絡中的大部分節(jié)點是不受他人控制的，便可以接受信息，而這幾個較大節(jié)點的微博用戶在“義務微笑哥”這條負面信息傳播的過程中具有一定的“擴散力”，反映了微博內(nèi)負面信息的傳播會因節(jié)點度的不同而具有不同的擴散特征，可以一般描述為：節(jié)點度值越大，擴散趨勢越明顯。

4 結(jié) 語

參考微博網(wǎng)絡中信息傳播的特征，文章基于小世界網(wǎng)絡理論SIR模型分析的基礎上，構(gòu)建出一種對微博網(wǎng)絡負面信息傳播的擴散機制模型，然后通過數(shù)學建模對該模型傳播趨勢進行概率分析，發(fā)現(xiàn)影響負面信息在微博網(wǎng)絡內(nèi)傳播的因素主要有：各種狀態(tài)用戶的數(shù)量，以及微博網(wǎng)絡節(jié)點度值，信息有效傳播概率，無論這些因素中的哪一個變化都會帶來整個系統(tǒng)的改變，而微博網(wǎng)絡節(jié)點度值更是影響信息有效傳播概率的關(guān)鍵因素，信息有效傳播概率會隨著節(jié)點度值的增大而增大。接下來通過選取微博中現(xiàn)實案例進行社會網(wǎng)絡實證研究，對負面信息傳播網(wǎng)絡的點度中心度、中間中心度、接近中心度的分析，驗證了網(wǎng)絡節(jié)點中心度對負面信息傳播影響的重要性。

由實證研究可知，網(wǎng)絡中的大部分節(jié)點不需要別的節(jié)點作為橋接點，即網(wǎng)絡中的大部分節(jié)點可以不受他人控制的而接受信息，因此我們不能掌控整個網(wǎng)絡，只能從決定負面信息擴散趨勢的主要節(jié)點用戶努力，我們進而得到啟發(fā)：政府及有關(guān)部門在控制會引發(fā)網(wǎng)民消極情緒的傳播態(tài)勢時，如，微博的頁面信息，應該選擇合適的“時機”和“節(jié)點”，以最快速度從微博網(wǎng)絡中找出最可能會傳播該負面信息的主要節(jié)點用戶(一般指占據(jù)度值較大的節(jié)點用戶)，從而及時降低其傳播的可能性，減弱信息擴散趨勢，從源頭開始控制負面信息的傳播，由此將負面信息猛烈傳播可能會帶來的危害盡可能地降到最低。我們認為，正是諸如資深新聞評論員，新聞編輯，網(wǎng)絡名人，專家學者等在網(wǎng)絡負面信息傳播中扮演著主要節(jié)點用戶的角色，他們通常也被稱為網(wǎng)絡意見領袖，政府對于意見領袖的教育、引導和管理便顯得尤為關(guān)鍵，可以起到正確疏導輿情走向的作用。

[1]Watts D J,Strogatz S H.Collective Dynamics of Small World Networks[J].Nature,1998,(393):440-442.

[2]鐘偉軍.公共輿論危機中的地方政府微博回應與網(wǎng)絡溝通——基于深圳“5.26飆車事件”的個案分析[J].公共管理學報，2013，(1)：31-43.

[3]Bordia R,Rosnow R L.Rumor rest stops on the information highway-transmission patterns in a computer-mediated rumor chain[J ].Human Communication Research,1998,25(2):163-179.

[4]DiFonzo N,Bordia P,Rosnow R L.Reining in rumors[J].Organizational Dynamic,1994,23(1):47-62.

[5]Jaeger M E,Anthony S M,Rosnow R L.Who hears what from whom and with what effect:a study of rumor[J].Personality and Social Psychology Bulletin,1980,6(3):473-478.

[6]Walker C J Bec,kerle C A.The effect of anxiety on rumor transmission[J].Journal of Social Behavior and Personality,1987，2(3):353-360.

[7]Gruhl D,Guha R,Liben-Nowell D,Tomkins A.Information diffusion through blogspace.In:Proc.of the 13th Int’l Conf.on World Wide Web.New York:ACM Press,2004:491-501.

[8]Leskovec J,Mcglohon M,Faloutsos C,Glance N,Hurst M.Patterns of cascading behavior in large blog graphs.In:Proc.of the SIAM Int’Conf.on Data Mining.New York:ACM Press,2007:551-556.

[9]韓立新，霍江河.蝴蝶效應與網(wǎng)絡輿論形成機制[J].當代傳播，2008，(s):64-67.

[10]陳波，于泠，劉君亭，等.泛在媒體環(huán)境下的網(wǎng)絡輿情傳播控制模型[J].系統(tǒng)工程理論與實踐，2011,31(11):2140-2150.

[11]唐克超.網(wǎng)絡輿論對國家安全影響問題探析[J].中國軟科學，2008，(6)：56-62.

[12]HILL A,RAND D,NOWAK M,CHRISTAKIS N.Emotions as Infectious Diseases in a Large Docile Network:The SISA Model[J].Biological Sciences,2010,8(2):1-9.

[13]劉俊，金聰，鄧清華.無標度網(wǎng)絡環(huán)境下E-mail病毒的傳播模型[J].計算機工程，2009,35(21)：131-133.

(本文責任編輯：郭沫含)

Model Building and Case Studying of Micro-blogging Negative Information Dissemination Based on the Small World Network

Lan Juanli Lei Hongzhen Zhang Jun

(International Business School，Shaanxi Normal University，Xi’an 710062，China)

Based on the study of the small-world network SIR theory model,this paper constructed a diffusion mechanism model of micro-blogging negative information dissemination,and at the same time,through a probability analysis on spread trend through mathematical modeling,the study founds that:the bigger of the node’s degree in micro-blogging network,the stronger ability of the negative information’s dissemination;Farthermore,the theoretical method of this paper was tested by a case of micro-blogging negative information named yiwu“Smile”mystery through social network analysis,and illustrated the spread’s characteristics of negative information would be different due to the degree of each node in micro-blogging network.

negative information;micro-blogging;diffusion mechanism;node degree

2014-12-15

國家社會科學基金項目“網(wǎng)絡群間負面信息傳播的擴散機制、收斂性及風險控制研究”(項目編號：14BSH052)；國家自然科學基金項目“面向社會化商務嵌入關(guān)系多階段整群抽樣方法的研究”(項目編號：71401092)。

蘭娟麗(1987-)，女，博士研究生，研究方向：社會網(wǎng)絡、知識管理。

10．3969/j．issn．1008-0821．2015．04．005

G206.3

A

1008-0821(2015)04-0022-04