基于改進SEIR模型的網(wǎng)絡輿情傳播研究

梁 冉,徐雅斌

(1. 北京信息科技大學網(wǎng)絡文化與數(shù)字傳播北京市重點實驗室,北京 100101;2. 北京信息科技大學計算機學院,北京 100101)

1 引言

隨著移動互聯(lián)網(wǎng)的飛速發(fā)展和Web3.0技術(shù)的普及,社交網(wǎng)絡以其分布范圍廣、傳播速度快、信息獲取便捷等特點,開拓了一種全新的信息傳播模式。近年來,各種社交網(wǎng)絡平臺相繼出現(xiàn),逐漸成為當前輿論生成、發(fā)酵、傳播最活躍的陣地[1]。據(jù)新浪微博發(fā)布的《2021年第一季度財報》統(tǒng)計,截止到2021年3月,作為社交網(wǎng)絡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2%[2]。在大數(shù)據(jù)時代各種社交網(wǎng)絡平臺的興起,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個人情感、相互交流的重要平臺,也成為新媒體時代輿情信息傳播的重要途徑。通過對輿情的傳播進行研究,構(gòu)建適當?shù)膫鞑ツＰ?有助于準確的掌握網(wǎng)絡輿情傳播的內(nèi)在規(guī)律,幫助監(jiān)管機構(gòu)了解輿情的走向。

2 相關(guān)研究

對于社交網(wǎng)絡中的輿情傳播的研究主要集中于對信息傳播過程的建模。網(wǎng)絡信息傳播模型主要分為三類:傳染病動力學模型、計算機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程具有相似性,利用微分方程建立的傳播動力模型可以用于解決信息在網(wǎng)絡中的傳播和控制問題。因此其收到了國內(nèi)外輿情網(wǎng)絡傳播研究學者的廣泛關(guān)注。

1927年McKendrick和W.O.K.G[5]在研究黑死病的傳播規(guī)律時共同構(gòu)建了經(jīng)典的傳染病動力學模型(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]模型傳播假設人群是均勻混合的局限性,Anderson和May通過在SIR模型中增加潛伏節(jié)點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)無法準確的描述輿情傳播過程中諸多外界因素的影響,因此學者們根據(jù)目前社交網(wǎng)絡的特點,不斷對SEIR模型進行如下改進。

在針對傳播主體間狀態(tài)轉(zhuǎn)移規(guī)則更新的研究中,Lin[8]等引入網(wǎng)民群體動力學和非線性發(fā)生率,提出非線性發(fā)生率SEIR網(wǎng)絡傳播模型。Zhang[9]等依據(jù)傳播主體節(jié)點地位的不平等以及受感染節(jié)點具有不同程度的傳播能力,將感染節(jié)點分為高影響感染節(jié)點和普通影響感染節(jié)點,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)點的狀態(tài)轉(zhuǎn)移由意見值的變化而決定,從而提出了引入媒體與人際關(guān)系的MI-SEIR模型。

在針對個體記憶效益與遺忘機制的研究中,Lv[11]等考慮到傳播主體的個體差異,從記憶效應、社會加強作用和非冗余接觸等角度對SEIR模型進行了改進。王更[12]等將社會加強效應影響后的信息傳播概率作為遺忘機制的初值引入SEIR模型,并發(fā)現(xiàn)社會加強效應期間的遺忘機制會導致信息的傳播范圍變小。盧新元[13]等從信息傳播網(wǎng)絡的三大要素出發(fā),構(gòu)建了融合用戶信息機制與遺忘機制的社交網(wǎng)絡傳播預測模型,為信息的趨勢預測提供了重要依據(jù)。

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

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

2)對于遺忘機制的研究成果通常將遺忘率設置為常數(shù),將對輿情信息的遺忘視為一個持續(xù)均勻增加的過程,與實際的遺忘效應不符。

針對上述改進方法存在的問題,本文基于BA無標度網(wǎng)絡提出了一種融合情感與遺忘機制的輿情傳播模型EF-SEIR(Emotion and Forgetting Mechanism-SEIR)。本文的創(chuàng)新點如下:

1)根據(jù)感染者在輿情傳播過程中所發(fā)言論情感傾向的不同,將感染者節(jié)點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)考慮到個體記憶效應以及遺忘效應的差異,在輿情傳播的免疫階段引入了改進后的艾賓浩斯遺忘機制。將遺忘過程劃分為四個階級,量化了不同時間間隔下,由于同一事件的再次刺激而阻止用戶遺忘的干擾遺忘量。有效彌補了現(xiàn)有研究成果普遍將遺忘量視為一個持續(xù)增長過程的缺點,從而使模型對輿情傳播過程的仿真結(jié)果更符合社交網(wǎng)絡中的實際情況。

3 輿情傳播影響關(guān)鍵因素分析

3.1 情感沖突

情緒性動機是信息傳播的主要動機之一,帶有情緒渲染的信息在一定程度上會推進信息傳播,加強信息發(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)點微博評論的大致情感走向,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向情感值的差異。

在實際生活中,由于人與人之間的情感認知程度存在異質(zhì)性,因此可能會導致感染節(jié)點對接收的消息持相反意見。并且同一感染者也會因為受到與其態(tài)度相反感染者的多次刺激,進一步自發(fā)性產(chǎn)生情感態(tài)度的轉(zhuǎn)變。當感染者節(jié)點所發(fā)微博本身情感走向為正向Wp,而其微博評論中負向評論Cn多于正向評論Cp時,用DIFn來描述當前輿情的情感傾向差異。反之,可用DIFp來描述當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傾向[15]。在特定輿情事件的傳播過程中,感染者通過觀點的表達及互動,彼此會在輿情傳播的大環(huán)境下獲得認同感,短時間內(nèi)會產(chǎn)生較強的情感共鳴。情感共鳴又可分為正向情感共鳴與負向情感共鳴。在感染者相互獲得了認同感并產(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 遺忘機制

在現(xiàn)實生活和社交網(wǎng)絡中,人與人之間的信息交流網(wǎng)絡是十分復雜的,傳播過程會同時受到傳播主體、客體的異質(zhì)性和傳播媒介等各方面因素的影響[13]。由于人類具有獨特的異質(zhì)性差異,導致每個人對于信息的記憶效果和遺忘量各不相同。Ebbinghaus[16]通過重學法揭示了信息價值會隨著時間的流逝而呈現(xiàn)出非線性衰減特征,反映出衰減特性以及遺忘效應對信息傳播具有顯著的影響[13]。Ebbinghaus[16]研究發(fā)現(xiàn),遺忘在學習之后即開始,并且遺忘的進程并非均勻,記憶量和遺忘均是關(guān)于時間的函數(shù),他用無意義音節(jié)作為記憶材料,計算記憶和遺忘的數(shù)量,得到了記憶遺忘實驗數(shù)據(jù)[15]。

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

表1 Ebbinghaus記憶遺忘實驗數(shù)據(jù)

本文在參考廣大用戶實際生活中對于微博的使用習慣以及實際使用情況后,考慮將用戶發(fā)布微博的時間與該微博收到最新一條點贊、評論與轉(zhuǎn)發(fā)時間的平均時間間隔τ,與其對應遺忘梯度的權(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制中。在信息傳播過程中,由于遺忘機制引起的傳播遺忘概率函數(shù)fi(t)的計算如式(1)所示。

(1)

每個遺忘梯度的權(quán)重參數(shù)值可通過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 一致性檢驗結(jié)果匯總

因為計算得到的CR值為0.012<0.1,由此證明本判別矩陣通過一致性檢驗。進而每個遺忘梯度的權(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:易感者節(jié)點S、潛伏者節(jié)點E、感染者節(jié)點I、免疫者節(jié)點R。SEIR傳播模型的基本結(jié)構(gòu)如圖1,模型的動力學微分方程如式(2)～(5)所示。

圖1 傳統(tǒng)SEIR模型

4.2 EF-SEIR模型

由于網(wǎng)絡輿情主體在社交網(wǎng)絡中社交行為的自主性較強,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以及遺忘效應存在的差異,必然會影響到輿情信息的傳播過程。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表5,模型中使用的參數(shù)及5類狀態(tài)節(jié)點之間的狀態(tài)轉(zhuǎn)化過程說明見表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,可得到t時刻5類狀態(tài)節(jié)點之間的關(guān)系滿足S(t)+E(t)+Ip(t)+In(t)+R(t)=N。其中,S(t)表示t時刻處于易感狀態(tài)的節(jié)點數(shù),E(t)表示t時刻處于潛伏狀態(tài)的節(jié)點數(shù),Ip(t)表示t時刻處于積極感染狀態(tài)的節(jié)點數(shù),In(t)表示t時刻處于消極感染狀態(tài)的節(jié)點數(shù),R(t)表示t時刻處于免疫狀態(tài)的節(jié)點數(shù)。改進后的EF-SEIR模型動力學微分方程如式(6)～(10)所示。

5 實驗與分析

劉志明[19]等認為微博的網(wǎng)絡結(jié)構(gòu)與BA無標度網(wǎng)絡結(jié)構(gòu)性質(zhì)相符,BA網(wǎng)絡的連接度分布函數(shù)具有冪律形式,其無明顯特征長度且具有增長特性和優(yōu)先連接特性[20]。因此本文使用MATLAB構(gòu)建初始BA無標度網(wǎng)絡來代替真實的微博網(wǎng)絡環(huán)境,BA無標度網(wǎng)絡模型參數(shù)設置為:總節(jié)點數(shù)N=1000,初始網(wǎng)絡節(jié)點個數(shù)m0=10,每引入一個新節(jié)點s生成的最小邊數(shù)m=4。并對本文提出的EF-SEIR輿情傳播模型進行仿真驗證,模型初始值設置為:總節(jié)點數(shù)N=1000,S(t)=990,E(t)=0,Ip(t)=10,In(t)=0,R(t)=0。本文通過如下三組仿真充分探究了各參考因素對輿情傳播的影響。

5.1 情感沖突對傳播過程影響

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,當情感傾向差異為DIFn時,會激化Ip向In轉(zhuǎn)化。相反,當情感傾向差異為DIFp的情況下,會激化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對模型的影響,本文設置了以下多個參數(shù)方案,如表7所示。

表7 模型參數(shù)設置方案

假設其它初始條件不變,將模型參數(shù)初始值設置為: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,通過增大α1、減小α2激化情感沖突程度,研究各傳播節(jié)點密度隨時間的變化曲線如圖3所示。由圖3可以看出,在刺激情感沖突激化后,對于Ip,In以及R節(jié)點均有較明顯的影響。

圖3 情感沖突差異DIFn變化的影響

由圖3(c)可得,本實驗設置的三種方案對于到達曲線Ip峰值的時間并無太大影響,但是均會使得Ip峰值減小。當微博評論中Cn占比越大,α1、α2差值越明顯,Ip點的曲線走向越平緩,情感沖突激化的效果越強烈。相反,對比圖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)增長趨勢,并且In節(jié)點的轉(zhuǎn)換速率也隨之增加。

由圖3(e)可以看出,免疫節(jié)點R密度曲線的走向相較于對照組實驗更加平穩(wěn)。說明當Ip的博文評論中Cn占比較大時,會增加負面輿情信息的傳播能力,必要時需輿情監(jiān)管部門及時介入,避免部分消極感染者In故意煽動負面輿論的爆發(fā)。情感傾向差異為DIFn時,情感沖突會導致In節(jié)點以及R節(jié)點以更慢的速度趨于穩(wěn)定。說明公眾對于負面輿論的關(guān)注度更高,負面情緒也更易刺激公眾產(chǎn)生認同心理,從而增加了輿情傳播的不穩(wěn)定性,不利于掌控輿情走向。

同樣假設模型初始條件不變,情感傾向差異為DIFp時,通過減小α1、增大α2激化情感沖突程度,發(fā)現(xiàn)對于S、E、R節(jié)點無明顯影響。Ip、In傳播節(jié)點密度隨時間的變化曲線如圖4所示。

圖4 情感沖突差異DIFp變化的影響

對比圖3、圖4可得,當評論中Cp占比較大時,本文設置的三種方案均會使得E節(jié)點以及Ip節(jié)點的峰值增加,但整體變化趨勢不會有較明顯變化。對比圖4 (b)可得,情感傾向差異為DIFp時,情感沖突對于In節(jié)點的峰值有較強的抑制作用,并且In節(jié)點趨于零的轉(zhuǎn)化速率明顯加快。由此可見,在輿情傳播初期階段,正向情感可以在一定程度上壓制負面情緒的傳播。在t=200左右,四條曲線均已趨于零點。但對比圖3(c)(d)以及圖4發(fā)現(xiàn),負向情感的傳播相較于正向情感傳播不穩(wěn)定性更強,輿情傳播范圍更廣泛,會延長事件趨于穩(wěn)定的時間。因此,應堅定積極感染者Ip的立場,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 情感共鳴對傳播過程影響

當前輿情傳播大環(huán)境處于正向情感,即β1大于β2時,在輿情參與者相互獲得認同感的同時,會伴隨著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向共鳴時,β1、β2、α1、α2共同變化對模型的影響。本文設置了如表8所示的6種參數(shù)方案。

表8 模型參數(shù)設置方案

假設其它初始條件不變,當輿情傳播大環(huán)境以正向情感為主,且β1增大時,通過調(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)點密度隨時間的變化曲線如圖5所示。

圖5 正向情感共鳴變化的影響

由圖5可以看出,本文設置的四組實驗方案對于S、E、R節(jié)點沒有明顯的影響效果。雖然正向情感共鳴現(xiàn)象的產(chǎn)生對Ip節(jié)點的峰值有增加作用,但并無較大差異。然而,隨著β2、α1與α2差值的逐漸增大,對峰值的增強效果越明顯。正向情感共鳴現(xiàn)象對于抑制用戶轉(zhuǎn)變?yōu)橄麡O感染者In的效果更加明顯,對比方案三與對照組兩條曲線可得,曲線In的峰值約降低了56%。因此,正向情感可以在負面情感產(chǎn)生的萌芽階段對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,當輿情傳播大環(huán)境以負向情感為主,且β1減小時,四種方案中各傳播節(jié)點密度隨時間的變化曲線如圖6所示?？梢钥闯?本文設置的四組實驗方案對于Ip、In節(jié)點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,對曲線Ip峰值的抑制效果越明顯。負向情感共鳴對曲線In的峰值有增強效果,雖然不會出現(xiàn)大幅度增長,但是從整體看來,模型趨于穩(wěn)定的時間仍要增加1倍。并且,消極感染者In的數(shù)量在短時間呈現(xiàn)爆炸式增長,說明負向情緒信息在輿情傳播的過程更加引人關(guān)注。因此,負向情感共鳴現(xiàn)象的發(fā)生會導致輿論平息周期加長,容易造成輿情治理困境。相關(guān)管控部門要及時介入,引導輿論正確的走向,避免消極感染者In肆意增長而錯失治理的最佳時機。

圖6 負向情感共鳴變化的影響

5.3 遺忘機制對傳播過程影響

假設其它初始條件不變: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。本文設置了以下多個參數(shù)方案,如表9所示。

表9 模型參數(shù)設置方案

通過對比方案一與方案二的實驗結(jié)果,探究不同遺忘梯度對模型的影響,此時方案一中的γ1=0.077,γ2=0.037;通過對比方案二與方案三,探究同一遺忘梯度下不同時間間隔τ的變化對模型的影響,此時方案二中的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)點密度隨時間的變化曲線如圖7所示。

圖7 改進遺忘機制變化的影響

由圖7可以看出,隨著時間間隔τ以及遺忘梯度αi的增加,其對遺忘速率γ1、γ2的干擾效果越明顯,更加符合遺忘機制對于輿情傳播的影響規(guī)律。例如,對于某一處于免疫階段的用戶來說,雖然此時該用戶正處于對其某一輿情言論的遺忘過程,但是該輿情言論此時仍處于傳播階段。當其他用戶接收到輿情信息并進行評論、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,從而阻止其對于輿情信息的遺忘過程。

對比三條曲線發(fā)現(xiàn),S、E節(jié)點轉(zhuǎn)換速率均有提升,以更快的速度趨于零點,并且E節(jié)點曲線峰值有所增加;當時間間隔τ最大時,R節(jié)點的曲線最為緩和,說明模型趨于穩(wěn)定的時間有所延長,更加符合輿情事件在短暫平息后還要經(jīng)歷幾次小波動,最終才會逐漸平息的特點。且In的數(shù)量相較于Ip更容易發(fā)生波動,增長更為明顯,說明在輿情事件假性平息后的波動期間,負向情感更容易占領(lǐng)輿情傳播的走向,網(wǎng)民也更容易被負向情感左右。因此相關(guān)部門應該在輿情事件處于假性平息期間,做好網(wǎng)絡輿情的監(jiān)測與分析,避免負向情緒占據(jù)傳播主體而錯失把控輿情的最佳時機。

6 結(jié)束語

本文針對傳統(tǒng)SEIR模型沒有充分考慮多層級用戶之間的情感交叉感染,以及傳統(tǒng)遺忘機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)點狀態(tài)轉(zhuǎn)移規(guī)則。構(gòu)建了引入情感因素與改進遺忘機制的EF-SEIR輿情傳播模型。引入改進后的遺忘機制可以描述出由于干擾遺忘量而引發(fā)的輿情傳播波動,更加符合輿情信息實際的傳播過程。

本文提出的EF-SEIR模型為更好地分析輿情的傳播機理,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)管部門首先要嚴防負面評論過多而導致負面情緒的二次爆發(fā),將偏激信息對網(wǎng)絡造成的不穩(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)測與分析,避免負向情緒占據(jù)傳播主體而錯失把控輿情的最佳時機。后期可對模型中存在的二次感染現(xiàn)象進行研究,進一步優(yōu)化節(jié)點轉(zhuǎn)移規(guī)律。