考慮興趣偏好和多事件影響的網(wǎng)絡(luò)事件推演模型研究

臧 潔，任 旭

(遼寧大學(xué) 信息學(xué)院，遼寧 沈陽(yáng) 110036)

0 引言

隨著互聯(lián)網(wǎng)的快速發(fā)展和手機(jī)等智能設(shè)備的普及，互聯(lián)網(wǎng)已成為我國(guó)民眾日常生活中必不可少的信息獲取渠道和交流方式.民眾通過(guò)互聯(lián)網(wǎng)發(fā)表和傳播各種觀點(diǎn)情緒，其中流行于互聯(lián)網(wǎng)上對(duì)于某些事件不同看法的總和，稱為網(wǎng)絡(luò)輿情.網(wǎng)絡(luò)輿情是由于各種事件的刺激而產(chǎn)生并通過(guò)互聯(lián)網(wǎng)傳播，人們對(duì)于該事件的認(rèn)知、態(tài)度、情感和行為傾向[1].互聯(lián)網(wǎng)信息的傳播方式極大地縮短了社交距離，如何準(zhǔn)確捕捉網(wǎng)絡(luò)輿情動(dòng)態(tài)、掌握相關(guān)規(guī)律并及時(shí)進(jìn)行應(yīng)對(duì)，成為眾多學(xué)者的研究熱點(diǎn).

同時(shí)，隨著計(jì)算機(jī)建模仿真技術(shù)的發(fā)展，越來(lái)越多的學(xué)者嘗試將其應(yīng)用到網(wǎng)絡(luò)輿情研究中.盡管網(wǎng)絡(luò)輿情的傳播是一個(gè)整體過(guò)程，但是從模型仿真角度對(duì)其進(jìn)行研究，需要同時(shí)兼顧社交網(wǎng)絡(luò)結(jié)構(gòu)不同、網(wǎng)民特征屬性不同、事件特征屬性不同和傳播過(guò)程的隨機(jī)性等諸多因素；并且每一項(xiàng)因素的變化都會(huì)使最終的網(wǎng)絡(luò)輿情傳播結(jié)果產(chǎn)生變化，對(duì)于這樣一個(gè)復(fù)雜系統(tǒng)的仿真難度可想而知.針對(duì)此現(xiàn)狀，學(xué)者們提出了各種有針對(duì)性的模型進(jìn)行仿真，其中Bolzern等[2]提出了一個(gè)動(dòng)態(tài)的隨機(jī)多智能體模型，研究社交網(wǎng)絡(luò)中群體行為存在的特征；趙磊等[3]采用BP神經(jīng)網(wǎng)絡(luò)的理論構(gòu)建模型，使得模型能夠?qū)浨槭录岫茸兓厔?shì)有更精確的仿真效果；蘭月新等[4]采用多維函數(shù)構(gòu)建出網(wǎng)絡(luò)輿情演化高維模型；Wang等[5]在輿情傳播模型中引入博弈論，提出基于一對(duì)多博弈的輿情傳播模型；馬宇紅等[6]建立了基于BA無(wú)標(biāo)度網(wǎng)絡(luò)的謠言傳播模型，對(duì)網(wǎng)絡(luò)謠言的傳播規(guī)律進(jìn)行仿真分析；魏德志等[7]將博弈論與傳染病SIRS模型相結(jié)合，探尋熱點(diǎn)話題傳播過(guò)程中的規(guī)律；Chen等[8]使用SIRS模型對(duì)信息擴(kuò)散過(guò)程中的輿論極化現(xiàn)象進(jìn)行研究；何英等[9]使用Matlab構(gòu)建網(wǎng)絡(luò)輿情擴(kuò)散方向估計(jì)模型，可以提高網(wǎng)絡(luò)輿情突變擴(kuò)散方向的判斷精確度；秦濤等[10]采用排序?qū)W習(xí)的方法實(shí)現(xiàn)了對(duì)網(wǎng)絡(luò)輿情事件演化態(tài)勢(shì)的評(píng)估；董靖巍[11]、索琪等[12]著重于研究復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)下的輿情演化；曹海軍等[13]、哈達(dá)等[14]應(yīng)用系統(tǒng)動(dòng)力學(xué)理論構(gòu)建輿情傳播模型.上述研究中所采用模型以及研究對(duì)象的多樣性，也印證了網(wǎng)絡(luò)事件傳播研究?jī)?nèi)容的廣泛程度.

但是在這些研究中，大部分模型弱化事件區(qū)分，將模型構(gòu)造的關(guān)注點(diǎn)落在用戶影響力差異化以及社交關(guān)系中.首先，模型忽略了用戶的個(gè)體興趣偏好對(duì)網(wǎng)絡(luò)事件傳播的影響，根據(jù)網(wǎng)絡(luò)輿情的特點(diǎn)，整體網(wǎng)絡(luò)用戶的興趣偏好對(duì)于網(wǎng)絡(luò)事件的傳播會(huì)產(chǎn)生不同的影響；其次，忽略了不同類型事件在互聯(lián)網(wǎng)中受關(guān)注的程度，模型中僅能容納單一事件，但是根據(jù)研究發(fā)現(xiàn)互聯(lián)網(wǎng)中各種事件共享同一網(wǎng)絡(luò)空間，這些事件對(duì)于民眾的注意力呈現(xiàn)競(jìng)爭(zhēng)關(guān)系，對(duì)于網(wǎng)絡(luò)事件的傳播會(huì)產(chǎn)生影響.因此，本文在以上研究的基礎(chǔ)上，考慮用戶個(gè)體興趣偏好和多事件影響，采用元胞自動(dòng)機(jī)(Cellular Automata，CA)原理，首先提出兼顧平臺(tái)總體用戶興趣特征與個(gè)體偏好差異性的CA矩陣；其次在經(jīng)典SIR傳染病模型的基礎(chǔ)上，針對(duì)多事件容量改進(jìn)得到多重SIR狀態(tài)轉(zhuǎn)換關(guān)系，構(gòu)建了適用于網(wǎng)絡(luò)事件的傳播推演模型，并通過(guò)實(shí)例進(jìn)行了驗(yàn)證，仿真實(shí)驗(yàn)驗(yàn)證了模型的有效性.

1 基礎(chǔ)理論

1.1 CA模型

因其上述特征，多年來(lái)眾多學(xué)者將其應(yīng)用于社會(huì)學(xué)、生態(tài)學(xué)和計(jì)算機(jī)科學(xué)等領(lǐng)域.網(wǎng)絡(luò)事件的傳播過(guò)程可以看作網(wǎng)民所代表的網(wǎng)絡(luò)節(jié)點(diǎn)間對(duì)于事件信息的交換過(guò)程，在CA模型中體現(xiàn)為元胞間進(jìn)行信息傳遞、改變自身狀態(tài)的過(guò)程.Alves等[15]于2002年將CA理論應(yīng)用于自由選舉輿情分析；王根生等[16]也在CA網(wǎng)絡(luò)輿情應(yīng)用中進(jìn)行了一系列研究.近年來(lái)，CA在網(wǎng)絡(luò)輿情方面的應(yīng)用更加細(xì)化，毛乾任等[17]關(guān)注于網(wǎng)絡(luò)輿情觀點(diǎn)聚合，后續(xù)還針對(duì)導(dǎo)控策略影響下的網(wǎng)絡(luò)輿情傳播[18]進(jìn)行了研究；姚翠友等[19]提出基于用戶屬性的微博輿情演化CA模型；滕婕等[20]將CA模型應(yīng)用于群體辟謠信息的擴(kuò)散效果預(yù)測(cè).上述研究從不同角度均取得了一定的成果，展現(xiàn)出了CA應(yīng)用于網(wǎng)絡(luò)輿情研究的潛力.

但對(duì)于網(wǎng)絡(luò)輿情的元胞矩陣構(gòu)建，在個(gè)體差異化的表現(xiàn)形式上，重點(diǎn)區(qū)分普通用戶、輿論領(lǐng)袖、政府等個(gè)體屬性影響力[18-19]，或者是將元胞區(qū)分為傳謠個(gè)體和辟謠個(gè)體[20].這兩種方式都存在自身不足，首先元胞矩陣容量不足，過(guò)于區(qū)分普通用戶、輿論領(lǐng)袖等個(gè)體差異化元胞，會(huì)過(guò)渡放大輿論領(lǐng)袖以及政府賬號(hào)的傳播作用，非普通用戶元胞的數(shù)量稍有變化就會(huì)對(duì)推演結(jié)果產(chǎn)生較大影響.而且，在當(dāng)前網(wǎng)絡(luò)社交平臺(tái)中，不良事件傳播很少經(jīng)過(guò)已有輿論領(lǐng)袖進(jìn)行，都是網(wǎng)民之間自發(fā)傳播造成影響力.對(duì)于傳謠辟謠用戶，在不清楚信息是否真實(shí)的狀態(tài)下，普通用戶無(wú)法確認(rèn)事件真假，所以并不能給予普通用戶屬性上的認(rèn)定，對(duì)此，本文構(gòu)建了具有個(gè)體偏好差異化的元胞矩陣用以改善上述問(wèn)題.

1.2 SIR傳染病模型

SIR模型是傳染病模型中經(jīng)典的模型之一，由Kermack與McKendrick在1927年用動(dòng)力學(xué)方法構(gòu)建.其原理為，假設(shè)總?cè)藬?shù)N不變，將總?cè)藬?shù)分為S(Susceptible)代表易感者、I(Infective)代表感染者、R(Removal)代表移出者等3部分.易感者S會(huì)受感染者I影響，依據(jù)傳染率β變?yōu)楦腥菊逫，感染者I在依據(jù)恢復(fù)率γ被治愈后，會(huì)變?yōu)橐瞥稣逺不會(huì)再被感染，如圖1所示.因傳染病在人際中的傳播過(guò)程與網(wǎng)絡(luò)事件在網(wǎng)絡(luò)空間中傳播的過(guò)程類似，網(wǎng)民在整個(gè)過(guò)程中對(duì)于事件的感知也可以劃分為對(duì)應(yīng)狀態(tài)，所以近年來(lái)SIR模型在網(wǎng)絡(luò)輿情方向有諸多研究.Zhao等[21]將SIR模型應(yīng)用于新型傳播網(wǎng)絡(luò)中，使用數(shù)值分析法進(jìn)行動(dòng)力學(xué)分析；王謝寧等[22]對(duì)SIR模型應(yīng)用平均場(chǎng)理論以及小世界網(wǎng)絡(luò)，進(jìn)行有針對(duì)性的假設(shè)，并對(duì)社會(huì)化網(wǎng)絡(luò)中的規(guī)律進(jìn)行探究；陳波等[23]提出SEIR(Susceptible Exposed Infected Removed)傳播模型，考慮到傳染病存在一定潛伏期，用狀態(tài)E表示潛伏，對(duì)SIR模型的網(wǎng)絡(luò)輿情應(yīng)用進(jìn)行了擴(kuò)充；丁學(xué)君[24]在研究了微博平臺(tái)網(wǎng)絡(luò)輿情傳播過(guò)程及其特點(diǎn)之后，增加了接觸狀態(tài)，構(gòu)建了基于SCIR的微博網(wǎng)絡(luò)輿情話題傳播模型；Kumar等[25]增添了謠言緩解者以及反對(duì)謠言概念，提出SMIR模型，用于對(duì)社交網(wǎng)絡(luò)中謠言傳播過(guò)程的模擬；田世海等[26]結(jié)合信息生態(tài)理論對(duì)SIR模型進(jìn)行改進(jìn)，通過(guò)構(gòu)建網(wǎng)絡(luò)輿情信息生態(tài)群落的橫向和縱向衍生模型，探尋輿情信息衍生規(guī)律.上述研究雖對(duì)SIR模型各自進(jìn)行了有針對(duì)性的改進(jìn)，但是并未脫離模型最初只針對(duì)單一傳染病推演的本質(zhì)，全程圍繞單一事件進(jìn)行研究.

圖1 SIR狀態(tài)轉(zhuǎn)換規(guī)則

經(jīng)過(guò)研究發(fā)現(xiàn)，同一時(shí)刻內(nèi)網(wǎng)絡(luò)空間中存在眾多事件同時(shí)進(jìn)行傳播，這些事件整體共享網(wǎng)絡(luò)空間，但彼此之間存在對(duì)于用戶關(guān)注度的競(jìng)爭(zhēng)關(guān)系.各類網(wǎng)絡(luò)平臺(tái)熱點(diǎn)榜單從側(cè)面反映出了事件在經(jīng)過(guò)傳播競(jìng)爭(zhēng)后所受關(guān)注度的情況，這種多事件共存關(guān)系已有研究但并未得到具體體現(xiàn)，對(duì)此本文改進(jìn)SIR模型以增加模型事件樣本量.

2 改進(jìn)的網(wǎng)絡(luò)事件傳播推演模型

2.1 考慮用戶興趣偏好的個(gè)體差異化元胞矩陣構(gòu)建

對(duì)網(wǎng)絡(luò)用戶個(gè)體進(jìn)行合理描述是模型合理性的基礎(chǔ)，CA模型應(yīng)用于網(wǎng)絡(luò)輿情研究，需要通過(guò)構(gòu)建元胞矩陣對(duì)真實(shí)網(wǎng)絡(luò)空間進(jìn)行微縮來(lái)描述用戶間的社交關(guān)系.但是矩陣所包含的元胞數(shù)量有限，既要體現(xiàn)出不同用戶所具有的個(gè)體差異，又要在有限數(shù)量的元胞之間構(gòu)建起合理的用戶比例，這需要對(duì)元胞矩陣進(jìn)行重新構(gòu)建.現(xiàn)有研究多基于用戶權(quán)重對(duì)該問(wèn)題進(jìn)行研究，本文將用戶個(gè)體興趣偏好作為個(gè)體差異化指標(biāo)進(jìn)行元胞矩陣構(gòu)建，提出了考慮用戶偏好的具有個(gè)體差異化的元胞矩陣.

初始元胞偏好的構(gòu)建不隨后續(xù)事件推演發(fā)生變化，不同用戶對(duì)于不同事件具有不同的偏好排序，首選偏好類型，元胞感知度強(qiáng)，次選偏好類型的感知度弱.個(gè)體元胞偏好受整體矩陣元胞偏好比例限制且隨機(jī)分布，該特征具有平臺(tái)通用性，如新聞資訊服務(wù)平臺(tái)、社交網(wǎng)絡(luò)平臺(tái)、網(wǎng)絡(luò)文化平臺(tái)、綜合性社區(qū)等，可根據(jù)不同平臺(tái)自身用戶畫(huà)像進(jìn)行比例重構(gòu).以微博為例，根據(jù)微博平臺(tái)給出的2021上半年微博熱搜榜趨勢(shì)報(bào)告，2021年6月熱搜統(tǒng)計(jì)中，26%為娛樂(lè)熱點(diǎn)，36%為社會(huì)熱點(diǎn)，38%為垂直熱點(diǎn).其中垂直熱點(diǎn)涵蓋眾多垂直話題，如企業(yè)、美食、科技、文化等，根據(jù)此比例可以逆推微博用戶偏好比例.應(yīng)用于個(gè)體差異化元胞矩陣中首選偏好構(gòu)建的比例為：社會(huì)36%、明星13%、綜藝13%、美食8%、文化、軍事、科技、情感、財(cái)經(jīng)各6%；次選偏好比例相同，且保證同一元胞中首選偏好與次選偏好不同.

根據(jù)上述比例構(gòu)建的初始元胞矩陣，宏觀上表現(xiàn)出整個(gè)矩陣用戶群體興趣比例，微觀上體現(xiàn)出每個(gè)元胞自身興趣偏好不同，充分展現(xiàn)了元胞代表的用戶個(gè)體間存在的差異化特征.

2.2 考慮多事件影響的多重SIR狀態(tài)轉(zhuǎn)換

為了體現(xiàn)多事件的競(jìng)爭(zhēng)關(guān)系，使得事件容量更大，本文將多事件傳播情況考慮在內(nèi)，重構(gòu)了多重SIR狀態(tài)轉(zhuǎn)換.單一用戶可以同時(shí)暴露在多個(gè)事件信息的影響之下，根據(jù)個(gè)體偏好不同決定后續(xù)受到哪一具體事件影響進(jìn)行傳播或免疫.而且，針對(duì)辟謠信息的推演，改進(jìn)后的多重SIR狀態(tài)轉(zhuǎn)換，能夠?qū)⒅{言信息與辟謠信息同時(shí)作為信息源放入網(wǎng)絡(luò)空間中進(jìn)行傳播.

圖2 改進(jìn)后的多重SIR狀態(tài)轉(zhuǎn)換圖

表1 改進(jìn)后的狀態(tài)轉(zhuǎn)換關(guān)系及參數(shù)

離線用戶狀態(tài)S0表示對(duì)當(dāng)前所有信息免疫，當(dāng)元胞進(jìn)入在線狀態(tài)S1之后變?yōu)槭录畔⒁赘姓?，暴露在不同的事件傳播空間之中，會(huì)受到鄰域內(nèi)其他元胞狀態(tài)的影響.當(dāng)在線用戶鄰域內(nèi)出現(xiàn)首選偏好事件a的信息傳播者時(shí)，系統(tǒng)生成隨機(jī)數(shù)，將其與首選偏好感知度閾值P12進(jìn)行比較，判斷狀態(tài)是否轉(zhuǎn)換為受首選偏好事件影響但未傳播狀態(tài)S21.S21狀態(tài)為過(guò)渡態(tài)，處于此狀態(tài)的元胞會(huì)在下一推演時(shí)刻進(jìn)行選擇，選擇過(guò)程系統(tǒng)生成隨機(jī)數(shù)與受首選偏好傳播閾值P2I以及首選偏好免疫閾值P2R進(jìn)行比較，決定后續(xù)狀態(tài)轉(zhuǎn)換為受到首選偏好事件影響并傳播狀態(tài)S22或事件免疫狀態(tài)S23.進(jìn)入事件免疫狀態(tài)S23后元胞對(duì)事件a不再關(guān)注，重新對(duì)其他類型事件易感，專注度參數(shù)PConcentration大小決定元胞能否被其他類型事件所感染.

重構(gòu)后的多重SIR狀態(tài)，上述以首選偏好事件分支為代表的單一事件傳播過(guò)程與傳統(tǒng)SIR狀態(tài)相吻合，有向轉(zhuǎn)換不可逆.但對(duì)于在線用戶狀態(tài)S1，因其可能同時(shí)暴露在多個(gè)事件影響下，即鄰域內(nèi)存在首選偏好事件傳播元胞以及次選偏好事件傳播元胞，因此后續(xù)狀態(tài)存在多條分支及競(jìng)爭(zhēng)關(guān)系.具體關(guān)系表現(xiàn)為，在線用戶狀態(tài)S1受偏好排序優(yōu)先級(jí)影響，以P12、P13概率感知首選或次選偏好事件影響，進(jìn)入對(duì)應(yīng)分支，此部分在后續(xù)實(shí)驗(yàn)推演中會(huì)控制推演矩陣變化，作為整個(gè)模型的動(dòng)態(tài)參數(shù).

2.3 基于個(gè)體差異化元胞矩陣與多重 SIR狀態(tài)轉(zhuǎn)化的網(wǎng)絡(luò)事件推演模型

本文考慮用戶個(gè)性化興趣偏好與多事件對(duì)網(wǎng)絡(luò)事件發(fā)展趨勢(shì)的影響，在改進(jìn)的網(wǎng)絡(luò)事件推演模型中，使用的元胞空間是二維空間元胞矩陣A，其中A={C1，1，C1，2，…，C1，j，C2，1，…，Ci，1，…，Ci，j}，為二維有限元矩陣，以橫縱坐標(biāo)i，j確定矩陣中每一個(gè)元胞個(gè)體的位置.采用Moore型鄰域?qū)Τ跏紩r(shí)刻矩陣中在線用戶比例Dt0進(jìn)行控制，在此基礎(chǔ)上構(gòu)建基于用戶偏好的個(gè)體差異化元胞矩陣，作為模型初始化狀態(tài)，如圖3所示.

圖3 元胞矩陣示意圖

通過(guò)上述過(guò)程最終得到改進(jìn)的網(wǎng)絡(luò)事件推演模型，通過(guò)對(duì)每次迭代后不同事件、事件不同狀態(tài)個(gè)體數(shù)量進(jìn)行統(tǒng)計(jì)，繪制全過(guò)程元胞狀態(tài)變化曲線，展現(xiàn)不同事件推演結(jié)果、量化事件覆蓋范圍與整體傳播趨勢(shì).

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

本文構(gòu)建的模型開(kāi)發(fā)工具為Matlab，運(yùn)行環(huán)境為Windows 10 20H2版本64位操作系統(tǒng)，計(jì)算機(jī)采用2.30GHz，Intel(R)Core(TM)i7-10 875H處理器，16GB內(nèi)存.

本文3.2、3.3節(jié)所使用的有效元胞矩陣大小設(shè)置分別為200×200和300×300，元胞偏好比例如2.1節(jié)所示，初始元胞在線狀態(tài)密度為Dt0=0.70.

3.2 模型事件趨勢(shì)擬合

基于本文提出的網(wǎng)絡(luò)事件推演模型，對(duì)網(wǎng)絡(luò)事件擴(kuò)散趨勢(shì)進(jìn)行研究.案例選取為2021年11月23日發(fā)生的網(wǎng)絡(luò)熱點(diǎn)事件：甲——“中演協(xié)公布網(wǎng)絡(luò)主播警示名單”，乙——“譚詠麟發(fā)生辟謠網(wǎng)傳消息”.模型轉(zhuǎn)換參數(shù)設(shè)置依次為：P01=0.001；P10=0.000 5；P12=0.2；P13=0.1；P2I=0.8；P2R=0.2；P3I=0.7；P3R=0.3；PConcentration=0.5.模型進(jìn)行2 000次迭代推演，以求得長(zhǎng)時(shí)間跨度下事件擴(kuò)散趨勢(shì).其中，事件甲包含社會(huì)與明星復(fù)合屬性，初始信息源為政府，爆發(fā)點(diǎn)數(shù)量為4；事件乙為單一明星屬性，初始信息源為明星個(gè)體，爆發(fā)點(diǎn)數(shù)量為1.兩事件同時(shí)放入模型中進(jìn)行同步擴(kuò)散推演，統(tǒng)計(jì)事件擴(kuò)散過(guò)程中的累計(jì)傳播范圍，結(jié)果如圖4所示.

圖4 事件甲乙傳播推演曲線

為了驗(yàn)證本文模型合理性，參照第三方輿情監(jiān)測(cè)平臺(tái)“知微事見(jiàn)”所給出的事件七日聲量走勢(shì)曲線，對(duì)量化曲線進(jìn)行歸一化，然后與本文提出的推演曲線放入同一坐標(biāo)系中進(jìn)行比較，結(jié)果如圖5所示.忽略前200次迭代結(jié)果作為事件擴(kuò)散潛伏期，對(duì)不同類型事件處于同一網(wǎng)絡(luò)空間擴(kuò)散過(guò)程進(jìn)行推演.從圖5中可以看出，本文提出的模型表現(xiàn)出了較好的性能，曲線中前期事件處于爆發(fā)期，曲線變化幅度與整體曲線趨勢(shì)相比較大，模型推演與實(shí)際聲量走勢(shì)存在一定誤差，但針對(duì)不同類型事件同時(shí)期擴(kuò)散程度對(duì)比指標(biāo)表現(xiàn)良好.

圖5 事件擴(kuò)散歸一化擬合曲線

3.3 辟謠情況推演

為了進(jìn)一步驗(yàn)證改進(jìn)的網(wǎng)絡(luò)事件推演模型的有效性，對(duì)辟謠信息也進(jìn)行了推演.辟謠信息擴(kuò)散具有特殊性，即網(wǎng)絡(luò)謠言與辟謠信息發(fā)生時(shí)間點(diǎn)不同，各自可以被看作是單獨(dú)事件同時(shí)進(jìn)行傳播，但辟謠信息的傳播可以對(duì)謠言分布區(qū)域產(chǎn)生覆蓋作用，受到辟謠信息影響的用戶觀點(diǎn)會(huì)產(chǎn)生變化.對(duì)于這種情況，本文提出的網(wǎng)絡(luò)事件推演模型需要作出具有針對(duì)性的調(diào)整，即將先發(fā)生的網(wǎng)絡(luò)謠言作為普通事件進(jìn)行推演，辟謠信息延遲出現(xiàn)且在擴(kuò)散過(guò)程中對(duì)于已有謠言傳播用戶有較大強(qiáng)度影響力.在謠言信息與辟謠信息整體存在競(jìng)爭(zhēng)關(guān)系的基礎(chǔ)上，辟謠信息也作為謠言信息傳播的后續(xù)狀態(tài)，修改后能夠?qū)⒅{言信息與辟謠信息放在模型中進(jìn)行同步推演.實(shí)驗(yàn)分為不同辟謠方式推演和辟謠時(shí)間差推演兩部分.辟謠信息轉(zhuǎn)換關(guān)系對(duì)應(yīng)參數(shù)如表2所示，調(diào)整后的元胞狀態(tài)轉(zhuǎn)換如圖6所示.

表2 辟謠信息狀態(tài)轉(zhuǎn)換關(guān)系及參數(shù)

圖6 辟謠信息傳播狀態(tài)轉(zhuǎn)換圖

假設(shè)謠言為事件甲，辟謠信息為事件乙，甲傳播起始時(shí)刻先于乙.具體模型轉(zhuǎn)換參數(shù)設(shè)定P23=0.9，其余參數(shù)值與實(shí)驗(yàn)3.2節(jié)相同，謠言爆發(fā)點(diǎn)數(shù)量為2，每次實(shí)驗(yàn)?zāi)Ｐ瓦M(jìn)行1 000次迭代.以謠言初始傳播時(shí)間t0為參照，辟謠信息發(fā)布時(shí)間為推演開(kāi)始300次迭代后.

辟謠方式分為當(dāng)事人辟謠、第三方辟謠以及當(dāng)事人和第三方混合辟謠3種.當(dāng)事人辟謠表現(xiàn)為謠言初始傳播點(diǎn)發(fā)布辟謠信息，第三方辟謠表現(xiàn)為謠言信息與辟謠信息初始傳播點(diǎn)不同，混合辟謠為上述兩種辟謠方式共同作用.辟謠時(shí)間差實(shí)驗(yàn)，以謠言初始傳播時(shí)間t0為參照，辟謠信息發(fā)布分別延后150、300、450次，模型迭代開(kāi)始進(jìn)行混合辟謠，統(tǒng)計(jì)每次迭代謠言覆蓋范圍并繪制曲線.通過(guò)模型推演，觀察不同辟謠時(shí)間差效果，結(jié)果如圖7、8所示.

圖7 辟謠方式比較結(jié)果

圖8 時(shí)間差推演結(jié)果

根據(jù)模型推演可知，圖7中所顯示的3種辟謠方式中，混合辟謠效果最優(yōu)，第三方辟謠效果最差.通過(guò)具體模型推演過(guò)程中元胞矩陣各狀態(tài)分布變化可知，當(dāng)事人辟謠過(guò)程以對(duì)受謠言影響區(qū)域進(jìn)行覆蓋為主，能夠及時(shí)對(duì)謠言信息傳播產(chǎn)生影響；第三方辟謠過(guò)程主要對(duì)未受謠言影響區(qū)域進(jìn)行保護(hù)，在與謠言傳播區(qū)域接觸過(guò)后再對(duì)其進(jìn)行覆蓋，有效干擾時(shí)間延后，在及時(shí)干預(yù)謠言傳播方面表現(xiàn)不佳；而混合辟謠方式則結(jié)合兩種單方面辟謠方式的優(yōu)點(diǎn)，既有對(duì)已受影響區(qū)域的覆蓋，也有對(duì)未受影響區(qū)域的保護(hù)，對(duì)于限制謠言傳播范圍以及數(shù)量具有最優(yōu)效果.同時(shí)，圖8中通過(guò)控制變量對(duì)比不同辟謠時(shí)間差推演實(shí)驗(yàn)部分的結(jié)果可以看出，采用混合辟謠方式可以及時(shí)對(duì)謠言擴(kuò)散程度產(chǎn)生影響.謠言曲線的不同變化幅度以及峰值差異，體現(xiàn)出在辟謠信息發(fā)布前，謠言信息會(huì)隨著時(shí)間推移發(fā)類指數(shù)增長(zhǎng)方式進(jìn)行傳播.辟謠信息發(fā)布時(shí)間越晚，謠言信息傳播程度越難以進(jìn)行及時(shí)控制.盡管推演后期謠言傳播均得到了抑制，但傳播峰值差異極大體現(xiàn)了謠言所造成的負(fù)面影響程度，因此，及時(shí)采取有效的辟謠方式，能夠有效限制謠言傳播量，使謠言造成的負(fù)面影響降到最低.

4 結(jié)語(yǔ)

針對(duì)目前在網(wǎng)絡(luò)輿情建模領(lǐng)域研究中存在的模型事件容量小、忽略個(gè)體偏好差異性的問(wèn)題，本文提出了一種關(guān)注于網(wǎng)絡(luò)用戶個(gè)性化偏好差異性、可容納多事件共同傳播的網(wǎng)絡(luò)事件傳播推演模型.通過(guò)實(shí)驗(yàn)，本文提出的模型對(duì)于不同類型事件共同擴(kuò)散方面具有良好效果，并且模型能夠?qū)⒅{言信息與辟謠信息放在模型中進(jìn)行同步推演.本文對(duì)于事件類型劃分略顯粗糙，僅通過(guò)理論說(shuō)明模型具有不同平臺(tái)通用性的問(wèn)題.在未來(lái)的研究中，會(huì)收集更多真實(shí)數(shù)據(jù)對(duì)模型進(jìn)行改進(jìn)，發(fā)揮模型自身優(yōu)勢(shì)以適用于更多網(wǎng)絡(luò)輿情應(yīng)用場(chǎng)景.