鄭 蕾， 李生紅

（上海交通大學(xué) 電子信息與電氣工程學(xué)院，上海 200240）

0 引言

微博，是一種基于用戶關(guān)系的信息分享，傳播以及獲取的平臺(tái)，用戶通過(guò) WEB，WAP以及各種客戶端組件便能隨時(shí)隨地地實(shí)現(xiàn)信息的更新和即時(shí)分享。與BBS和博客不同的是，微博用戶可以不受時(shí)間空間的限制，持續(xù)不斷地對(duì)某條信息作出評(píng)論和轉(zhuǎn)發(fā)，使得該信息可能在極短時(shí)間內(nèi)以“核裂變”的方式被成百上千的用戶轉(zhuǎn)發(fā)，從而演化成引起輿論關(guān)注的社會(huì)新聞事件，例如，直播玉樹(shù)大地震，“我爸是李剛”，唐俊“學(xué)歷門(mén)”事件等。在微博網(wǎng)絡(luò)上，信息的傳播速度，廣度和效率都得到了極大提高，但這無(wú)疑也為一些帶有敏感字眼的失實(shí)消息(如“無(wú)償獻(xiàn)血被紅十字以一袋 200元賣(mài)給醫(yī)院”)在微博上的傳播創(chuàng)造了更有利的條件。因此，研究信息（輿論）在微博網(wǎng)絡(luò)上的傳播及其傳播的性質(zhì) 、規(guī)律等，進(jìn)而研究如何控制 、引導(dǎo)輿論，具有非常重要的理論價(jià)值和現(xiàn)實(shí)意義。

現(xiàn)有的文獻(xiàn)大多從單一的角度來(lái)研究人際網(wǎng)絡(luò)上的信息傳播，如，信息傳播所在網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)[1-3]，個(gè)體相互作用規(guī)則[4-7]。但實(shí)際中信息（輿論）的傳播與形成是一個(gè)典型的復(fù)雜系統(tǒng)的演化過(guò)程，需要將個(gè)體的相互作用和網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行綜合考慮才能更準(zhǔn)確地描述信息在網(wǎng)絡(luò)中的傳播。文中在基于信息在微博網(wǎng)絡(luò)上的傳播規(guī)則，并結(jié)合微博網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)對(duì)傳播行為的影響，初步建立了微博網(wǎng)絡(luò)中信息傳播的隨機(jī)演化仿真模型。

在微博網(wǎng)絡(luò)中，入度越大，說(shuō)明關(guān)注的用戶越多，信息來(lái)源越豐富，而出度越大，說(shuō)明關(guān)注自己的人越多，影響力越大。早在20世紀(jì)40年代，拉扎斯菲爾德等人在《人民的選擇》中提出了“意見(jiàn)領(lǐng)袖”的概念，所謂意見(jiàn)領(lǐng)袖，維基百科是這樣描述的，在人際傳播網(wǎng)中經(jīng)常為他人提供信息，同時(shí)對(duì)他人施加影響的“活躍分子”，他們?cè)诖蟊妭鞑バЧ男纬蛇^(guò)程中起著重要的中介或過(guò)濾的作用。通常而言，大部分微博用戶的粉絲一般是幾十至幾百的數(shù)量級(jí)，而少數(shù)用戶的粉絲超過(guò)上千乃至上萬(wàn)，稱(chēng)其為明星用戶（意見(jiàn)領(lǐng)袖）。文中基于提出的信息傳播模型，探討了明星用戶和小級(jí)別用戶在微博網(wǎng)絡(luò)信息擴(kuò)散中扮演的角色，通過(guò)仿真實(shí)驗(yàn)，得到了一些有趣的發(fā)現(xiàn)。

1 微博網(wǎng)絡(luò)信息傳播規(guī)則

微博的每個(gè)用戶通常都擁有一定數(shù)量的“粉絲”（跟隨者），其發(fā)布的信息會(huì)以廣播的形式通知每個(gè)“粉絲”，從而受到關(guān)注甚至轉(zhuǎn)發(fā)。以新浪微博為例，它具有4大功能模塊：發(fā)布功能，轉(zhuǎn)發(fā)功能，關(guān)注功能及評(píng)論功能。發(fā)布功能，用戶可以隨時(shí)隨地發(fā)布消息；轉(zhuǎn)發(fā)功能，用戶可以把自己喜歡的消息一鍵轉(zhuǎn)發(fā)到自己的微博，在轉(zhuǎn)發(fā)過(guò)程中原帖內(nèi)容不會(huì)被篡改，且轉(zhuǎn)發(fā)記錄會(huì)以“//@用戶名”的方式保留轉(zhuǎn)發(fā)路徑；關(guān)注功能，用戶u可以對(duì)自己喜歡的用戶v進(jìn)行關(guān)注，成為用戶v的“粉絲”，這一行為不需要得到受關(guān)注用戶的同意，之后用戶 v更新的所有消息便會(huì)同步出現(xiàn)在用戶u的微博首頁(yè)上；評(píng)論功能，用戶可以對(duì)任何一條微博進(jìn)行評(píng)論。由此，消息I在微博網(wǎng)絡(luò)上的傳播過(guò)程可以簡(jiǎn)述如下：

1）用戶u發(fā)布消息I，消息的形式可能是一句話，一張照片等。

2）u的粉絲可通過(guò)個(gè)人首頁(yè)上系統(tǒng)的新鮮消息提醒和主動(dòng)訪問(wèn)u的微博頁(yè)面這兩種途徑來(lái)獲知消息 I。

3）對(duì)消息I感興趣的粉絲v可能會(huì)對(duì)該消息進(jìn)行評(píng)論，收藏和轉(zhuǎn)發(fā)，從而將信息I進(jìn)行再次傳播。

4）如此重復(fù)過(guò)程2）和3）。

2 信息傳播模型描述

將微博網(wǎng)絡(luò)中的信息傳播機(jī)制和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)相結(jié)合，提出一種基于微博網(wǎng)絡(luò)的信息傳播模型IDM (α, β) ， 其中α∈[0,1]表示消息的敏感度，其值是由消息的來(lái)源，內(nèi)容及表現(xiàn)形式?jīng)Q定的;β∈{-1,0,1}是模型的另一個(gè)參數(shù)，用來(lái)決定選擇轉(zhuǎn)發(fā)信息的節(jié)點(diǎn)的方式。在這個(gè)模型中，網(wǎng)絡(luò)中的節(jié)點(diǎn)只可能處于3種狀態(tài)，一是未激活狀態(tài)，即不知道消息I，記為S0，二是被消息I激活但選擇不作為狀態(tài)，記為S1，三是被消息I激活后對(duì)消息進(jìn)行轉(zhuǎn)發(fā)的狀態(tài)，記為S2。時(shí)間步序列是一個(gè)離散的等間隔（如，5 min）時(shí)間序列。模型定義如下：

1）初始時(shí)刻，將網(wǎng)絡(luò)中所有節(jié)點(diǎn)的狀態(tài)初始化為S0。在時(shí)間步T=0，隨機(jī)選擇一個(gè)節(jié)點(diǎn)v作為發(fā)布消息I的源節(jié)點(diǎn)。節(jié)點(diǎn)v的出度是dout_v。

2）在時(shí)間步T=T+1，關(guān)注節(jié)點(diǎn)v的dout_v個(gè)節(jié)點(diǎn)被激活，其中轉(zhuǎn)發(fā)消息 I的節(jié)點(diǎn)數(shù)量為M( M≤dout_v)，M計(jì)算如下：設(shè)PT是時(shí)間步 T內(nèi)選擇轉(zhuǎn)發(fā)的節(jié)點(diǎn)的集合，即PT={uj}, 其中uj的狀態(tài)為S2。

3）對(duì)關(guān)注節(jié)點(diǎn) v且不屬于集合PT-1的n( n≤dout_v)個(gè)節(jié)點(diǎn)的出度進(jìn)行排序，按照從小到大的順序記為Q={u_(1),u(2),…,u( dout_v )}。若β=1，順序選擇序列Q中前M個(gè)節(jié)點(diǎn)，將它們狀態(tài)設(shè)為S2，放入集合PT+1；若β=-1，順序選擇序列Q最后M個(gè)節(jié)點(diǎn)，將它們狀態(tài)設(shè)為S2，放入集合PT+1; 若β=0,從序列Q中隨機(jī)選出M個(gè)節(jié)點(diǎn)，將它們狀態(tài)設(shè)為S2，放入集合PT+1。將節(jié)點(diǎn)v從集合PT中刪去。

4）對(duì)每一個(gè)節(jié)點(diǎn)v∈PT遞歸執(zhí)行2）和3），直到集合PT為空。

由式（1）可知，微博網(wǎng)絡(luò)中節(jié)點(diǎn)v對(duì)消息傳播的貢獻(xiàn)是與它的出度及消息的敏感度成正比的，這與現(xiàn)實(shí)情況中用戶的粉絲越多，其發(fā)布（轉(zhuǎn)發(fā)）的消息被進(jìn)一步轉(zhuǎn)發(fā)的可能性就越大及消息的敏感度越高，吸引力越大，其轉(zhuǎn)發(fā)率越大是吻合的。在該模型中，利用參數(shù)β來(lái)選擇節(jié)點(diǎn)v的“粉絲”節(jié)點(diǎn)中會(huì)進(jìn)一步轉(zhuǎn)發(fā)消息I的節(jié)點(diǎn)，當(dāng)β=-1時(shí)，選擇出度小的節(jié)點(diǎn)對(duì)信息進(jìn)行轉(zhuǎn)發(fā)，當(dāng)β=1時(shí)，選擇出度大的節(jié)點(diǎn)對(duì)信息進(jìn)行轉(zhuǎn)發(fā)，當(dāng)β=0時(shí)，隨機(jī)選擇出轉(zhuǎn)發(fā)節(jié)點(diǎn)。

3 數(shù)據(jù)庫(kù)

現(xiàn)利用自動(dòng)搜索程序，獲得了新浪微博網(wǎng)絡(luò)的一個(gè)子網(wǎng)絡(luò)，該網(wǎng)絡(luò)是個(gè)有向圖，記為G=(V, E)，其中節(jié)點(diǎn)v∈V表示一個(gè)微博ID，有向邊(u, v)∈E表示用戶v是用戶u的粉絲, 信息從u流向v。所獲取的子圖的節(jié)點(diǎn)數(shù)N=62 668，平均入度din_mean=248.12, 平均出度dout_mean=329.49。 累積出度的分布如圖1所示，p表示出度值。

4 仿真結(jié)果分析

圖2顯示的是信息敏感度取不同值時(shí)，采取不同的轉(zhuǎn)發(fā)節(jié)點(diǎn)選擇策略，信息在網(wǎng)絡(luò)上的擴(kuò)散面積和擴(kuò)散耗時(shí)的比較，圖2中空心點(diǎn)，倒三角，叉分別代表β取1，0，-1時(shí)信息在網(wǎng)絡(luò)中的擴(kuò)散比例，每一條曲線是通過(guò)對(duì)每對(duì)參數(shù) 50次仿真結(jié)果的統(tǒng)計(jì)平均得到的。從圖2可以看出當(dāng)信息敏感度較小時(shí)，明星用戶在信息傳播過(guò)程中扮演著意見(jiàn)領(lǐng)袖的角色，對(duì)輿論的傳播起著絕對(duì)的推動(dòng)作用；但當(dāng)信息敏感度大于某一臨界值后，明星用戶對(duì)提高信息傳播速度、擴(kuò)大信息傳播面積的作用逐漸減??；當(dāng)信息敏感度趨于1時(shí)，明星用戶在信息傳播中的優(yōu)勢(shì)趨于0。

圖1 累積出度分布

圖2 信息擴(kuò)散密度隨時(shí)間的演化

5 結(jié)語(yǔ)

微博網(wǎng)絡(luò)是復(fù)雜網(wǎng)絡(luò)在實(shí)際人際網(wǎng)絡(luò)的一個(gè)實(shí)例，文中初步構(gòu)建了一個(gè)基于微博網(wǎng)絡(luò)的信息傳播模型，該模型準(zhǔn)確描述了微博網(wǎng)絡(luò)中信息傳播的基本特點(diǎn)，以及輿論演化過(guò)程中每次節(jié)點(diǎn)的選取、節(jié)點(diǎn)策略的轉(zhuǎn)移。通過(guò)在新浪微博的拓?fù)渥泳W(wǎng)上進(jìn)行仿真，得到如下結(jié)論：明星用戶在信息擴(kuò)散的過(guò)程中起著著意見(jiàn)領(lǐng)袖的作用，但當(dāng)信息敏感度大于某一臨界值后，明星用戶對(duì)提高信息傳播速度、擴(kuò)大信息傳播面積的作用逐漸減小，當(dāng)信息敏感度趨于1時(shí)，明星用戶在信息傳播中的優(yōu)勢(shì)趨于0。由于輿論傳播過(guò)程中存在著許多會(huì)影響傳播過(guò)程的不確定因素，因此該模型還有很大的改善空間，例如，信息敏感度的劃分需要更多的實(shí)證研究來(lái)支持。相信隨著這方面研究的深入，復(fù)雜網(wǎng)絡(luò)中的信息傳播機(jī)制會(huì)越來(lái)越得到重視，進(jìn)而更好的提升網(wǎng)絡(luò)空間的文明度和保障人們對(duì)網(wǎng)絡(luò)安全的需求。

[1] JAEWON Y, LESKOVEC J. Modeling Information Diffusion in Implicit Networks[C]//IEEE.2010 IEEE 10thInternational Conference on Data Mining.Berlin,Germany: IEEE,2010:599-608.

[2] GOLDENBERG J, LIBAI B, MOLDOVAN S, et al. The NPV of Bad News[J].International Journal of Research in Marketing,2007,24(03):186-200.

[3] LAHIRI M, CEBRIN M. The Genetic Algorithm as a General Diffusion Model for Social Networks[C]//The 24th AAAI Conference on Artificial Intelligence.Atlanta,Georigia,USA:[s.n.],2010:76-81.

[4] SAITO K, KIMURA M, OHARA K, et al. Learning Continuous Time Information Diffusion Model for Social Behavioral Data Analysis[J]. Advances in Machine Learning, Springer,2009(5828): 322-337.

[5] 惠彥濤，吳靜. 互補(bǔ)結(jié)構(gòu)網(wǎng)絡(luò)建模與統(tǒng)計(jì)特性分析[J].通信技術(shù)，2011,44(05): 94-96.

[6] HADDADI H, BENEVENUTO F, GUMMADI K P. Measuring User Influence in Twitter: The Million Follower Fallacy[C]// Proceedings of International AAAI Conference on Weblogs and Social. Washington,DC:ICWSM,2010:97-105.

[7] BHARATHI S, DAVID K, MAYHAR S. Competitive Influence Maximization in Social Networks Internet and Network Economics[J]. Springer, 2007(2315):306-311.