柴艷杰 劉婷婷 王 瑾

(1.寧波大學(xué)信息科學(xué)與工程學(xué)院，寧波 315211；2.寧波大學(xué)科學(xué)與技術(shù)學(xué)院，寧波 315211)

1 引 言

隨著互聯(lián)網(wǎng)2.0時(shí)代的到來，以Facebook、Twitter、微博為主的社會(huì)媒體迅速擴(kuò)張，受到了廣泛關(guān)注，它具有用戶基數(shù)大、受眾群體廣、時(shí)效性強(qiáng)、傳播迅速等特點(diǎn)(李棟,徐志明,李生,劉挺,&王秀文,2014)。大數(shù)據(jù)時(shí)代下的社會(huì)媒體已成為現(xiàn)實(shí)社會(huì)的投影，信息量的劇增充斥于人們?nèi)粘Ｉ畹母鞣礁髅?。在線社交網(wǎng)絡(luò)通過用戶之間的連接突破了時(shí)空的限制，使信息不依賴于傳統(tǒng)面對(duì)面交流的方式而通過互聯(lián)網(wǎng)實(shí)現(xiàn)跨地域傳播。

突發(fā)事件的爆發(fā)導(dǎo)致情緒以信息為載體伴隨信息同步傳播(Bauch,Ferrara,& Yang,2015)，網(wǎng)民負(fù)面情緒推波助瀾，感染其他用戶最終擴(kuò)散至整個(gè)社交網(wǎng)絡(luò)。例如2018年樂清女孩乘坐滴滴順風(fēng)車遇害這一熱點(diǎn)事件在微博曝光后激起熱議，網(wǎng)民的憤怒情緒迅速蔓延，網(wǎng)絡(luò)輿論經(jīng)社會(huì)媒體發(fā)酵后的影響力遠(yuǎn)大于報(bào)刊、電臺(tái)等傳統(tǒng)傳播方式。由此可見社會(huì)媒體情緒感染的研究對(duì)于輿情監(jiān)測(cè)和網(wǎng)絡(luò)群體性事件的控制具有重要的現(xiàn)實(shí)意義。

情緒一直是心理學(xué)領(lǐng)域研究的重點(diǎn)與熱點(diǎn)，近年來結(jié)合心理學(xué)情緒理論與人工智能技術(shù)對(duì)情緒的擴(kuò)散過程進(jìn)行建模仿真是情緒感染研究的一大熱點(diǎn)趨勢(shì)?，F(xiàn)有社會(huì)媒體情緒感染研究步驟大致可分為以下三步(紀(jì)雪梅&王芳,2015)：首先提取社會(huì)媒體的網(wǎng)絡(luò)結(jié)構(gòu)與信息的情緒特征(李壽山,李逸薇,劉歡歡,&黃居仁,2013)；然后基于信息傳播規(guī)律運(yùn)用多種方法來構(gòu)建情緒感染模型；最后，通過構(gòu)建的情緒感染模型來控制網(wǎng)絡(luò)輿情，避免網(wǎng)絡(luò)群體性事件的發(fā)生。本文回顧了情緒模型相關(guān)研究成果，分析了社會(huì)媒體中情緒感染研究的理論與方法，并提出了未來研究的思路。本文的結(jié)構(gòu)框架如下：第1節(jié)引入相關(guān)背景與研究意義、第2節(jié)介紹了相關(guān)概念、第3節(jié)總結(jié)與歸納現(xiàn)有情緒感染模型，第4節(jié)總結(jié)了現(xiàn)有研究的不足并對(duì)未來研究做出展望。

2 情 緒

2.1 情緒理論

情緒(emotion)廣義上指人對(duì)客觀事物的態(tài)度體驗(yàn)，狹義上指有機(jī)體受到刺激時(shí)產(chǎn)生的暫時(shí)性較劇烈的態(tài)度。情感(feeling)是一個(gè)與情緒既有區(qū)別又有聯(lián)系的概念，情感與情緒一樣是人對(duì)客觀事物的態(tài)度體驗(yàn)，但兩者并不完全相同，區(qū)別如下：

需要不同：情緒是有機(jī)體與生物需要相聯(lián)系的體驗(yàn)形式；情感是人類特有與社會(huì)需要相關(guān)聯(lián)的一種復(fù)雜的態(tài)度體驗(yàn)。

穩(wěn)定性不同：情緒是短暫的、不穩(wěn)定的；情感是長期的、穩(wěn)定的。

獲得方式不同：情緒是人類和動(dòng)物先天與生俱來的；情感是人類社會(huì)特性發(fā)展到一定階段才產(chǎn)生的。

2.2 情緒分類

從個(gè)體情緒體驗(yàn)的角度可將情緒簡(jiǎn)單劃分為積極情緒體驗(yàn)和消極情緒體驗(yàn)。能滿足人的需要、渴求、意向的肯定性的體驗(yàn)會(huì)產(chǎn)生積極情緒，而不能滿足人渴求事物的否定性體驗(yàn)則產(chǎn)生消極情緒。Watson,Clark,和Tellegen(1988)編制了積極情緒消極情緒量表(PANAS)，邱林,鄭雪,和王雁飛(2008)修訂了該量表使其具有更好的區(qū)分度，更加適合國內(nèi)使用。

這種二分類方式不能劃分具體的情緒類別，比如憤怒、悲傷、恐懼均被劃分為消極情緒，而它們之間存在很大差別。心理學(xué)家們以基本情緒理論為基礎(chǔ)，提出了離散情緒模型和維度情緒模型來對(duì)情緒做進(jìn)一步細(xì)致的劃分。表1對(duì)比總結(jié)了這兩類情緒模型各自的優(yōu)缺點(diǎn)。

表1 兩種情緒模型對(duì)比

2.2.1 離散情緒模型

離散情緒分類將情緒以離散標(biāo)簽的形式劃分為幾種基本的類型，研究者們的分類多種多樣，總結(jié)歸納如表2所示。

離散情緒模型的分類方法比較清晰簡(jiǎn)潔，符合個(gè)體的直觀感受，普遍采用于早期的研究中。但該模型只蘊(yùn)含了幾種基本情緒類型，僅能有限的劃分情緒類別，并且不能表達(dá)同一類型情緒的強(qiáng)度和不同類型情緒間的關(guān)系。

2.2.2 維度情緒模型

維度情緒模型在連續(xù)維度上從情緒的復(fù)雜性、微妙性、連續(xù)性三個(gè)角度對(duì)情緒進(jìn)行建模與劃分。將情緒定義為多維空間內(nèi)的坐標(biāo)點(diǎn)，通過連續(xù)且不間斷的數(shù)值來描述情緒，因此維度情緒模型也稱作連續(xù)情緒模型。

心理學(xué)家Wundt最早提出了三維情緒模型(Wundt & Judd,1897)，該模型將情緒劃分為快樂度、沖動(dòng)度、緊張度三個(gè)維度。每一維度可以表示情緒對(duì)應(yīng)的極性和強(qiáng)弱變化，每種基本情緒均可映射到該三維空間的某一點(diǎn)。在該模型的基礎(chǔ)上學(xué)者們提出其他模型，總結(jié)歸納為表3所示。

表2 離散情緒模型研究進(jìn)展

表3 維度情緒模型研究進(jìn)展

2.3 情緒感染

情緒感染(emotional contagion)廣義上來講，是指因他人情緒影響自身情緒這一現(xiàn)象。截至目前，學(xué)術(shù)界從不同的角度對(duì)情緒感染做出了解釋(張奇勇&盧家楣,2013)，其總結(jié)歸納如表4所示：

表4 情緒感染概念研究

3 情緒感染模型

隨著人工智能領(lǐng)域的興起，學(xué)者們對(duì)情緒的感染過程展開研究，其研究領(lǐng)域涉及生理學(xué)、心理學(xué)、傳播學(xué)、計(jì)算機(jī)信息科學(xué)等多個(gè)方面。早期的研究基于人群中成員之間的情緒傳遞構(gòu)建情緒感染模型，最具代表性的是Bosse等(2009)以熱力學(xué)理論為基礎(chǔ)的情緒吸收模型。考慮到群體成員中個(gè)體之間的交互作用，Maitner,Mackie,Claypool,和Crisp(2010)提出了群際情緒理論。劉箴,金煒,黃鵬,和柴艷杰(2013)基于智能體(Agent)模型，計(jì)算人群擁擠事件中的個(gè)體情緒感染過程。

隨著社會(huì)媒體的普及，情緒突破了時(shí)空的限制，伴隨信息同步傳播。這種傳播過程感染原本無情緒傾向的個(gè)體，傳播速度和范圍遠(yuǎn)大于傳統(tǒng)的群體情緒感染。在原有群體情緒感染模型研究的基礎(chǔ)上，結(jié)合社會(huì)媒體信息傳播特征，越來越多的學(xué)者們著重研究社會(huì)媒體中的情緒感染。通過對(duì)相關(guān)文獻(xiàn)進(jìn)行梳理，將現(xiàn)有情緒感染算法分為三大類：基于流行病動(dòng)力學(xué)的情緒感染模型、基于信息級(jí)聯(lián)模型的情緒感染模型、其他情緒感染模型。

3.1 基于流行病動(dòng)力學(xué)的情緒感染模型

基于流行病動(dòng)力學(xué)的情緒感染模型借鑒了經(jīng)典傳染病模型的思想，將情緒的感染類比為疾病的傳播(譚娟,2015;張發(fā),李璐,&宣慧玉,2011)。將人群分為三種基本狀態(tài)：易感狀態(tài)(Susceptible，S)：暫未感染；感染狀態(tài)(Infected，I)：已感染；免疫狀態(tài)(Recovered，R)：感染后恢復(fù)穩(wěn)定狀態(tài)，不易再次感染。

傳染病模型的主要思想是針對(duì)這三種狀態(tài)的轉(zhuǎn)變過程進(jìn)行數(shù)學(xué)建模，利用動(dòng)力學(xué)演化方程組抽象描述人群狀態(tài)隨時(shí)間的演化關(guān)系?；灸Ｐ蜑镾I模型(S狀態(tài)個(gè)體在與I狀態(tài)個(gè)體接觸時(shí)以固定概率β被感染為I狀態(tài))、SIS模型(被感染的I狀態(tài)個(gè)體以概率y恢復(fù)為S狀態(tài))、SIR模型(被感染的I狀態(tài)個(gè)體以概率y轉(zhuǎn)換為R狀態(tài))、SIRS模型(R狀態(tài)個(gè)體在恢復(fù)之后又以概率λ感染為S狀態(tài))，如圖1所示：

一些學(xué)者結(jié)合具體問題在此基礎(chǔ)上提出了改進(jìn)模型來研究社會(huì)媒體情緒感染現(xiàn)象，總結(jié)如表5所示。

3.1.1 基于SIS模型

Bergstrom等(2010)和Hill等(2010)提出了SISa模型，其貢獻(xiàn)在于突出易感狀態(tài)(S)轉(zhuǎn)換為感染狀態(tài)(I)不僅受周圍的被感個(gè)體接觸的影響，還增加了一個(gè)自發(fā)感染的過程。其缺陷在于并未對(duì)情緒進(jìn)行劃分，Liu等(2014)基于SISa模型將感染狀態(tài)(I)嵌入情緒特征劃分為樂觀狀態(tài)(O)和悲觀狀態(tài)(P)，提出了SOSa-SPSa模型。該模型將樂觀情緒和悲觀情緒分開討論，并證明悲觀情緒更容易感染他人。但未考慮樂觀情緒與悲觀情緒之間的相互轉(zhuǎn)換，Song等(2016)基于此問題做了進(jìn)一步完善。

趙衛(wèi)東等(2015)針對(duì)網(wǎng)絡(luò)突發(fā)事件，結(jié)合多智能體的思想分析了情緒由個(gè)體擴(kuò)散至群體的演化過程。Q.Wang等(2015)提出了ESIS模型，該模型將情緒分為七類，通過式1計(jì)算用戶i傳播給用戶j的信息中每種情緒化信息o所占權(quán)重，證明了情緒的擴(kuò)散取決于信息的傳播概率和傳播強(qiáng)度。不足之處在于在情緒化信息的傳播過程中，情緒可能會(huì)發(fā)生變化，該模型不能還原多種情緒的演變過程。

表5 傳染病改進(jìn)模型

其中Ni,j,o表示用戶i從用戶j轉(zhuǎn)發(fā)的情緒o的信息數(shù)量；Ni,j表示從用戶i轉(zhuǎn)發(fā)用戶j的信息總數(shù)。

3.1.2 基于SIR模型

F.Xiong等(2012)將所有接受信息還暫未被情緒感染的狀態(tài)定義為閱讀狀態(tài)(C)，若感染了某種情緒則轉(zhuǎn)換為感染狀態(tài)(I)，否則轉(zhuǎn)換為免疫狀態(tài)(R)；趙劍華和萬克文(2017)將易感狀態(tài)(S)的用戶劃分了三種心理特征，結(jié)合粒子群算法構(gòu)建了網(wǎng)絡(luò)輿情傳播動(dòng)力學(xué)模型，實(shí)驗(yàn)結(jié)果的均方值遠(yuǎn)低于傳統(tǒng)SIR模型，可準(zhǔn)確預(yù)測(cè)輿情傳播趨勢(shì)；陳業(yè)華和張曉倩(2018)將情緒穩(wěn)定狀態(tài)(R)進(jìn)一步劃分為暫時(shí)穩(wěn)定狀態(tài)R1和永久穩(wěn)定狀態(tài)R2，并站在政府干預(yù)的角度為遏制消極情緒擴(kuò)散提供思路；姚晶晶等(2018)綜合分析情緒理論、信息偏差、轉(zhuǎn)換速度等因素，通過實(shí)驗(yàn)得出當(dāng)網(wǎng)絡(luò)中積極情緒的用戶的占比較大時(shí)，用戶情緒會(huì)在短時(shí)間內(nèi)趨于穩(wěn)定的結(jié)論。史敏和石巖(2015)通過分析球場(chǎng)觀眾的情緒演化過程，構(gòu)建了遏制球場(chǎng)觀眾暴力行為的動(dòng)力學(xué)模型；張永和和凱(2018)加入一類假免疫節(jié)點(diǎn)(D)，定義了三個(gè)傳播概率函數(shù)提出SDIR模型，證明了初始傳播概率會(huì)對(duì)傳播過程產(chǎn)生重要影響。

3.1.3 基于SIRS模型

Fu等(2014)結(jié)合了元胞自動(dòng)機(jī)方法提出CA-SIRS模型，定義個(gè)體i進(jìn)行移動(dòng)時(shí)受周邊鄰居j的情緒影響Dij如式2所示：

其中，E為情緒強(qiáng)度，Ai,j為接受率，Bi,j為傳輸率。L表示個(gè)體之間的距離。個(gè)體情緒M(i,t)為所有鄰居情緒影響與個(gè)體前一時(shí)刻情緒的累加之和，計(jì)算方法如式3所示：

該模型模擬了移動(dòng)人群中的情緒感染過程，但仿真結(jié)果的直觀性較差，不能動(dòng)態(tài)觀察群體中不同情緒個(gè)體的數(shù)量變化。

X.Wang等(2016)加入潛伏和敏感狀態(tài)提出SLIRS模型，通過結(jié)合最優(yōu)控制策略，能夠最大限度地抑制消極情緒擴(kuò)散。

3.2 基于圖論的情緒感染模型

基于圖論的模型以社交網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，運(yùn)用復(fù)雜網(wǎng)絡(luò)理論，通過分析網(wǎng)絡(luò)結(jié)構(gòu)中節(jié)點(diǎn)的連接來研究情緒的擴(kuò)散過程。本節(jié)介紹以信息級(jí)聯(lián)模型為基礎(chǔ)的情緒感染模型，在信息級(jí)聯(lián)模型中，將用戶抽象為網(wǎng)絡(luò)中的節(jié)點(diǎn)，用戶之間的關(guān)系抽象為節(jié)點(diǎn)之間的連接。節(jié)點(diǎn)存在激活與非激活兩種狀態(tài)，節(jié)點(diǎn)的狀態(tài)只受相鄰節(jié)點(diǎn)的影響。信息級(jí)聯(lián)模型主要可以分為兩大類：獨(dú)立級(jí)聯(lián)模型(Saito,Nakano,& Kimura,2008)和線性閾值模型(Granovetter,1978)。

3.2.1 基于獨(dú)立級(jí)聯(lián)模型

在獨(dú)立級(jí)聯(lián)模型中，激活狀態(tài)的節(jié)點(diǎn)只有一次機(jī)會(huì)以固定的概率去激活相鄰處于非激活狀態(tài)的節(jié)點(diǎn)，各節(jié)點(diǎn)之間的激活過程是相互獨(dú)立的，節(jié)點(diǎn)被激活的順序并不唯一。

情緒會(huì)影響用戶是否轉(zhuǎn)發(fā)某條信息(Chen,Liu,& Zou,2017)，文獻(xiàn)(Q.Wang,Jin,Yang,& Cheng,2017)基于用戶與用戶通過轉(zhuǎn)發(fā)信息構(gòu)建的單層網(wǎng)絡(luò)，提出了一種基于獨(dú)立級(jí)聯(lián)模型的情緒感染模型(EIC)，在Twitter數(shù)據(jù)集上分三步來研究情緒感染的過程。首先計(jì)算傳播概率來預(yù)測(cè)用戶是否會(huì)轉(zhuǎn)發(fā)消息；然后綜合考慮用戶特征、結(jié)構(gòu)特征、信息特征預(yù)測(cè)用戶的情緒是否變化；最后通過計(jì)算轉(zhuǎn)換概率預(yù)測(cè)用戶變化后情緒。仿真結(jié)果表明17.9%的用戶情緒發(fā)生了變化。該模型可以預(yù)測(cè)傳播過程用戶情緒的變化。仍存在的不足是僅考慮轉(zhuǎn)發(fā)這一單一傳播方式，而忽視了評(píng)論、點(diǎn)贊、提及等其他傳播方式。

基于這一問題，學(xué)者們將社交網(wǎng)絡(luò)看作由多個(gè)相同節(jié)點(diǎn)、不同連接的單層網(wǎng)絡(luò)所組成的多重網(wǎng)絡(luò)，X.Xiong等(2018)分析了多層社交網(wǎng)絡(luò)交互機(jī)制，考慮轉(zhuǎn)發(fā)、評(píng)論、提及這三種交互行為，提出情緒獨(dú)立級(jí)聯(lián)模型(eIC)，將每種交互行為看作子網(wǎng)絡(luò)層，用戶節(jié)點(diǎn)的情緒值為各子網(wǎng)絡(luò)層相鄰節(jié)點(diǎn)影響的加權(quán)之和，計(jì)算公式如式4所示：

Ej其中為用戶j的情緒值，α為三個(gè)行為層(轉(zhuǎn)發(fā)、評(píng)論、提及)之一，εinα為情緒傳輸率，ΔEij為情緒差值，t為時(shí)間點(diǎn)。

該模型未計(jì)算“關(guān)注”關(guān)系對(duì)用戶情緒傳播的影響。文獻(xiàn)(熊熙et al.,2018)進(jìn)一步做了完善，在多層網(wǎng)絡(luò)中引入時(shí)空特征，用精確數(shù)值定量的表達(dá)用戶情緒值是社會(huì)媒體情緒感染研究極具突破性的一步，實(shí)驗(yàn)結(jié)果表明比單層網(wǎng)絡(luò)傳播模型更加貼近社交網(wǎng)絡(luò)的情緒感染。

周東浩、韓文報(bào)和王勇軍(2015)考慮到實(shí)際傳播過程中存在的延遲時(shí)間，在對(duì)三大傳播特征(主題特征、客體特征、信息特征)進(jìn)行討論分析后，構(gòu)建了基于非同步獨(dú)立級(jí)聯(lián)模型的細(xì)粒度傳播模型，實(shí)驗(yàn)證明能夠提升預(yù)測(cè)的準(zhǔn)確率。

綜上所述，基于獨(dú)立級(jí)聯(lián)模型的情緒感染模型均以傳播者為中心，用戶是否被感染取決于自身的激活概率。

3.2.2 基于線性閾值模型

在線性閾值模型中，初始時(shí)有一組處于激活狀態(tài)的節(jié)點(diǎn)會(huì)同步的激活處于非激活狀態(tài)的相鄰節(jié)點(diǎn)。每個(gè)非激活節(jié)點(diǎn)a都存在一個(gè)激活閾值θ，鄰居節(jié)點(diǎn)b對(duì)節(jié)點(diǎn)a的影響為I_ba；當(dāng)a受其所有鄰居節(jié)點(diǎn)B的影響∑bBIba>θ時(shí)，節(jié)點(diǎn)a將會(huì)被激活。激活狀態(tài)的節(jié)點(diǎn)有多次機(jī)會(huì)激活相鄰處于非激活狀態(tài)的節(jié)點(diǎn)。

Galuba,Chakraborty,Aberer,Despotovic和Kellerer(2010)通過分析網(wǎng)絡(luò)結(jié)構(gòu)與情緒化信息特征提出了一個(gè)傳播預(yù)測(cè)算法，實(shí)驗(yàn)結(jié)果與真實(shí)數(shù)據(jù)對(duì)比具有較高的準(zhǔn)確度。Gui,Sun,Han和 Brova(2014)通過不同的關(guān)系類型引入兩個(gè)變量，來預(yù)測(cè)用戶的傳播行為。Khalil,Dilkina和Le(2014)通過改變線性閾值模型的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，可以阻止消極情緒化信息的擴(kuò)散。Bozorgi,Samet,Kwisthout和Wareham(2017)從信息接收者的角度出發(fā)，研究了多條信息在傳播過程中的競(jìng)爭(zhēng)，提出了DCM模型。鄭蕾(2011)綜合考慮用戶的個(gè)性提出了基于節(jié)點(diǎn)影響力的計(jì)算模型，并將其應(yīng)用到多條信息并行傳播的過程中。

綜上所述，基于線性閾值的改進(jìn)模型均以信息接受者為中心，用戶是否被感染取決于相鄰用戶的加權(quán)影響力之和是否超過給定的閾值(羅雙玲,夏昊翔,&王延章,2015)。

3.3 其他模型

3.3.1 基于微分方程

Zhao等(2014)提出情緒感染過程中樂觀情緒(“+”)與悲觀情緒(“-”)、樂觀情緒與樂觀情緒、悲觀情緒與悲觀情緒之間都會(huì)相互影響，并建立了二元情緒轉(zhuǎn)移方程。通過Runge-Kutta方法求解并在復(fù)雜網(wǎng)絡(luò)中進(jìn)行數(shù)值仿真，實(shí)驗(yàn)結(jié)果表明所有個(gè)體最終會(huì)趨于同一情緒。不足之處在于該模型單純地使用加權(quán)的方法，所得結(jié)果與實(shí)際情況誤差較大，如何使其更貼近現(xiàn)實(shí)，有待于在未來深入研究

3.3.2 基于系統(tǒng)動(dòng)力學(xué)方法

李從東和洪宇翔(2014)以及李從東、洪宇翔和謝天(2013)通過系統(tǒng)動(dòng)力學(xué)方法搭建了群體情緒演化模型，并結(jié)合元胞自動(dòng)機(jī)模擬個(gè)體間的情緒感染，來預(yù)測(cè)突發(fā)事件的情緒感染過程。葉瓊元、蘭月新、王強(qiáng)、夏一雪和楊謹(jǐn)鋮(2017)采用系統(tǒng)動(dòng)力學(xué)建模方法，將網(wǎng)民情緒演化過程分為“萌芽-爆發(fā)-成熟-衰退”四個(gè)時(shí)期。通過分析用戶自身、媒體環(huán)境、政府控制三個(gè)因素，得出突發(fā)事件下社會(huì)媒體情緒演化規(guī)律。不足之處在于對(duì)影響網(wǎng)民情緒演化的變量提取不夠全面，且主要研究情緒強(qiáng)度的變化而未考慮多種情緒的演化，因此僅適用于特定輿情事件。目前基于系統(tǒng)動(dòng)力學(xué)方法的情緒演化研究還有很大的挖掘空間，有待學(xué)者們進(jìn)一步深入研究。

3.3.3 基于馬爾科夫鏈

Dong,Pentland,和Heller(2012)提出了一種基于圖形耦合隱馬爾可夫模型(GCHMM)的情緒感染模型。Z.Du,Yang,Cai,Zhang,和Bai(2018)在此研究基礎(chǔ)上提出了一種衡量個(gè)體消極情緒程度的指標(biāo)，通過推斷個(gè)體消極程度模擬不同個(gè)體之間消極情緒的擴(kuò)散。使用Gibbs采樣方法在合成網(wǎng)絡(luò)數(shù)據(jù)集和真實(shí)網(wǎng)絡(luò)數(shù)據(jù)集下驗(yàn)證了所提出的模型的有效性。不足之處在于主要采集用戶手機(jī)端社交網(wǎng)絡(luò)中的消極情緒，但個(gè)別用戶無論積極還是消極情緒從言語中表述出的均為消極情緒，若可以篩選出這類用戶則可以提高模型的準(zhǔn)確率。

3.3.4 基于智能體(Agent)方法

基于智能體的方法將用戶看作智能體，通過對(duì)智能體進(jìn)行建模來模擬用戶情緒的感染過程。最早的研究基于單個(gè)智能體(Agent)，僅能模擬單一個(gè)體的情緒演化(Marsella & Gratch,2009)。為模擬群體成員隨著時(shí)間推移的情緒感染過程，文獻(xiàn)(Bosse,Duell,Memon,Treur,& van der Wal,2014)提出了基于多個(gè)Agent的情緒感染模型，側(cè)重于群體間的情緒擴(kuò)散。但只能模擬單一情緒在群體中的傳播，不能模擬不同情緒的擴(kuò)散?；谶@一問題，文獻(xiàn)(Rui Fan,Xu,& Zhao,2018)研究多種情緒(喜悅、憤怒、厭惡、悲傷)在不同關(guān)系的用戶間擴(kuò)散的過程，定義了傳播閾值τ，若wuv*e(ci-1)>τ(wuv表示關(guān)系強(qiáng)度，ci表示情緒相關(guān)度)，則認(rèn)為情緒會(huì)擴(kuò)散，仿真結(jié)果表明憤怒情緒比喜悅情緒更容易在陌生人中傳播。不足之處為定義的傳播閾值唯一，但對(duì)于不同Agent應(yīng)定義不同的傳播閾值來模擬不同情景下的情緒擴(kuò)散過程。

3.4 模型對(duì)比

本小節(jié)首先從理論上分析不同方法的特點(diǎn)，然后比較其具體算法，最后對(duì)比分析各實(shí)驗(yàn)結(jié)果。

3.4.1 方法對(duì)比

基于流行病動(dòng)力學(xué)方法通常用于從宏觀角度描述群體情緒感染規(guī)律。此類方法側(cè)重整體情緒感染情況，關(guān)注情緒感染過程中用戶在幾個(gè)狀態(tài)之間的轉(zhuǎn)移,比較適合估計(jì)整體范圍內(nèi)計(jì)算某時(shí)刻處于某狀態(tài)個(gè)體的比例。缺陷在于用疾病接觸感染過程表示情緒在用戶之間的擴(kuò)散過程過于簡(jiǎn)化，并沒有考慮社交網(wǎng)絡(luò)結(jié)構(gòu)、用戶之間的連接、用戶個(gè)體之間的差異。

Q.Wang等(2015)優(yōu)勢(shì)在于比其他模型擁有更好的數(shù)據(jù)擬合性，情緒分類較全面。不足之處在于只考慮了情緒本身的因素，未考慮社交網(wǎng)絡(luò)轉(zhuǎn)發(fā)推送機(jī)制與多種網(wǎng)絡(luò)行為對(duì)情緒傳播的影響。

基于信息級(jí)聯(lián)模型方法以社交網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，將用戶節(jié)點(diǎn)作為基本單元，綜合考慮了節(jié)點(diǎn)之間的連接和不同節(jié)點(diǎn)之間影響力的差異構(gòu)建情緒感染模型。適用于對(duì)某一個(gè)體某一時(shí)刻下情緒感染狀態(tài)的估計(jì)。缺陷在于信息級(jí)聯(lián)模型假設(shè)所有用戶獲取信息的渠道均來源與相鄰節(jié)點(diǎn)，而現(xiàn)實(shí)社交網(wǎng)絡(luò)中信息往往直接來源于自身搜索、媒體推送或熱點(diǎn)話題。

熊熙等(2018)優(yōu)勢(shì)在于引入多層拓?fù)渚W(wǎng)絡(luò)來表示社交網(wǎng)絡(luò)的多種交互機(jī)制。與ESIS算法的時(shí)間復(fù)雜度一致，但與真實(shí)數(shù)據(jù)的擬合度更好，描述情緒傳播特征更加充分，對(duì)社交網(wǎng)絡(luò)中情緒傳播預(yù)測(cè)效果更好。不足之處在于該算法僅劃分積極和消極兩種情緒，不能表示多種情緒的演化過程。

基于其他模型的方法各具特色，微分方程方法具有數(shù)學(xué)的嚴(yán)密性；系統(tǒng)動(dòng)力學(xué)方法結(jié)合了定性描述與定量分析；智能體方法綜合考慮了用戶的獨(dú)立性與自主性，其中最具代表性的算法為：

Rui Fan等(2018)優(yōu)勢(shì)在于通過考慮推送-重新發(fā)布機(jī)制、親密度等多種特征，比其他模型模擬情緒感染效果更好，不足之處在于未充分考慮個(gè)性因素，不能表示群體情緒演化過程。

3.4.2 實(shí)驗(yàn)對(duì)比

針對(duì)實(shí)驗(yàn)部分存在兩種情況：第一種為仿真實(shí)驗(yàn)，仿真實(shí)驗(yàn)將模型進(jìn)行數(shù)值仿真。通過對(duì)仿真結(jié)果進(jìn)行分析，結(jié)合現(xiàn)實(shí)生活中存在的一些問題提出一些建議；另一種為對(duì)比試驗(yàn)，與其他已有模型通過各類評(píng)價(jià)指標(biāo)進(jìn)行對(duì)比試驗(yàn)。本節(jié)總結(jié)了有關(guān)情緒感染算法的對(duì)比實(shí)驗(yàn)，如表6所示：

表6 情緒感染算法的對(duì)比實(shí)驗(yàn)

4 總結(jié)與展望

本文首先介紹了情緒模型相關(guān)研究成果，引入情緒感染的概念，通過總結(jié)大量相關(guān)文獻(xiàn)發(fā)現(xiàn)目前學(xué)者們對(duì)于社會(huì)媒體情緒感染算法的研究主要有兩大體系：基于傳染病模型的情緒感染算法、基于信息級(jí)聯(lián)模型的情緒感染算法。傳染病模型由于其較高的靈活性衍生出大量的改進(jìn)模型，通過構(gòu)建用戶各狀態(tài)之間的轉(zhuǎn)移模擬情緒感染規(guī)律，并可以在模型基礎(chǔ)上為網(wǎng)絡(luò)輿情監(jiān)控提供控制策略，再由仿真實(shí)驗(yàn)驗(yàn)證其合理性。信息級(jí)聯(lián)模型通過分析節(jié)點(diǎn)之間相互激活作用來研究情緒化信息的傳播與演化，以用戶節(jié)點(diǎn)為基本單位可以精準(zhǔn)模擬情緒感染過程。其他的方法由于側(cè)重點(diǎn)不同，各有千秋，但它們?nèi)源嬖谝恍┲档美^續(xù)深入探索的問題。本節(jié)將在總結(jié)現(xiàn)有研究不足的基礎(chǔ)上對(duì)未來研究做出展望，以期對(duì)深入開展社會(huì)媒體情緒感染算法提供借鑒。

(1)動(dòng)態(tài)建模。

目前大多數(shù)情緒感染算法都基于靜態(tài)的用戶行為與網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。但是根據(jù)調(diào)查顯示，個(gè)體在社區(qū)內(nèi)的互動(dòng)遠(yuǎn)大于社區(qū)間的互動(dòng)，會(huì)使同一社區(qū)內(nèi)用戶的情緒越來越相近，聯(lián)系也越來越緊密，便逐漸與不同情緒的用戶斷開連接。而社會(huì)媒體中不斷產(chǎn)生的新用戶與新信息也伴隨著社交網(wǎng)絡(luò)結(jié)構(gòu)動(dòng)態(tài)演化?，F(xiàn)有研究基于歷史數(shù)據(jù)集或靜態(tài)網(wǎng)絡(luò)拓?fù)潢P(guān)系，對(duì)動(dòng)態(tài)網(wǎng)絡(luò)建模研究不足。可以利用在線機(jī)器學(xué)習(xí)等動(dòng)態(tài)預(yù)測(cè)模型對(duì)情緒演變進(jìn)行建模，這仍需要在未來進(jìn)行深入的研究。

(2)多元異構(gòu)。

情緒感染過程中的異構(gòu)性體現(xiàn)在用戶、信息、網(wǎng)絡(luò)三個(gè)方面。第一，用戶具有異構(gòu)性，通過研究不同用戶在Instagram上觀看陌生人積極帖子的情緒變化發(fā)現(xiàn)(Vries,M?ller,Wieringa,Eigenraam,& Hamelink,2017)：一部分用戶在社交媒體上看到陌生人的積極帖子會(huì)受到鼓舞產(chǎn)生正面情緒，另一部分用戶會(huì)對(duì)比自己不堪的現(xiàn)狀而產(chǎn)生負(fù)面情緒。用戶的情感復(fù)雜多樣導(dǎo)致相同的信息對(duì)不同用戶的影響不同。第二，信息也具有異構(gòu)性，憤怒情緒比喜悅情緒更容易感染用戶(R.Fan,Zhao,Chen,& Xu,2014)。第三，傳播網(wǎng)絡(luò)具有異構(gòu)性，相同的信息會(huì)同時(shí)在不同的網(wǎng)絡(luò)平臺(tái)傳播。而目前的模型未綜合考慮這些不同角度的異構(gòu)性，這對(duì)我們未來的研究工作來說也是一個(gè)很大的挑戰(zhàn)。

(3)信息關(guān)聯(lián)與競(jìng)爭(zhēng)。

目前社交網(wǎng)絡(luò)的信息量急劇增加，而大多數(shù)用戶不會(huì)每時(shí)每刻查閱社交媒體，這會(huì)導(dǎo)致信息堆積，當(dāng)用戶再次進(jìn)行查看的時(shí)候，已經(jīng)積攢了很多未讀信息。這些信息之間存在競(jìng)爭(zhēng)，用戶在心情煩躁時(shí)會(huì)在網(wǎng)絡(luò)中尋找相同經(jīng)歷的信息導(dǎo)致消極情緒再度惡化，也有可能通過一些積極情緒信息來調(diào)整自己的心情。信息之間除了競(jìng)爭(zhēng)關(guān)系外，信息關(guān)聯(lián)現(xiàn)象也普遍存在。某一熱點(diǎn)信息的爆發(fā)，通常會(huì)導(dǎo)致其他共同主體或主題的信息隨之曝光，信息主體與其轉(zhuǎn)發(fā)評(píng)論之間也存在關(guān)聯(lián)。目前情緒感染算法研究中每條情緒化信息都是孤立存在，并未考慮信息的關(guān)聯(lián)特征。如何定量分析信息間的關(guān)聯(lián)與競(jìng)爭(zhēng)有待繼續(xù)深入的研究。

(4)輿情反轉(zhuǎn)可視化。

大多數(shù)用戶在社會(huì)媒體中圍繞著一個(gè)主題或事件宣泄情緒。一些事件往往存在輿論倒戈現(xiàn)象，網(wǎng)民情緒因此受到影響。如今還不能在時(shí)間序列上直觀地呈現(xiàn)某話題的情緒演變過程，若可以通過情緒可視化技術(shù)實(shí)時(shí)動(dòng)態(tài)呈現(xiàn)群體情緒隨時(shí)間序列的變化曲線，便可更好的觀測(cè)輿論事件的反轉(zhuǎn)與群眾情緒的走向。

(5)多模態(tài)情緒感染。

目前的研究都是基于單條情緒化信息。人類的語言內(nèi)涵較為豐富，漢語言也存在著歧義性。比如一句話可能暗含多種情緒，一條看似積極消息也許同時(shí)摻雜著挖苦與嘲諷。現(xiàn)有研究主要以文本信息為主，對(duì)圖片、音頻、視頻等多媒體信息中情緒的挖掘十分罕見，未來的研究中可以融合消息中的表情、配圖等綜合考慮多種情緒的傳播。情緒在傳播過程中的不斷演化也需要繼續(xù)探索，這樣可以更好地控制網(wǎng)絡(luò)輿情。

社會(huì)媒體作為廣大用戶信息交流、情緒宣泄的平臺(tái)，蘊(yùn)含大量映射了用戶心理行為的多媒體信息。利用心理學(xué)情緒結(jié)構(gòu)理論與計(jì)算機(jī)模擬仿真相結(jié)合的方法研究社會(huì)媒體情緒感染這一社會(huì)現(xiàn)象，推動(dòng)了心理學(xué)研究領(lǐng)域的發(fā)展。相信在學(xué)術(shù)界的不斷探索和嘗試下，社會(huì)媒體情緒感染模型在未來幾年會(huì)取得更大的發(fā)展和突破。