冷東梅

摘要：網(wǎng)絡(luò)輿情中情感的演化對輿情的走向影響較大，研究網(wǎng)絡(luò)輿情情感遷移對預(yù)測和監(jiān)管輿情的發(fā)展方向、制定應(yīng)對策略具有重要意義。根據(jù)分析輿情情感演化規(guī)律，在傳統(tǒng)傳染病SEIR模型的基礎(chǔ)上，增加S、E直接到R的轉(zhuǎn)化，構(gòu)建改良SEIR模型，運用AnyLogic軟件對模型進(jìn)行仿真，并通過改變參數(shù)值來研究其對情感遷移的影響。

關(guān)鍵詞：網(wǎng)絡(luò)輿情;情感遷移;SEIR模型;仿真

在“互聯(lián)網(wǎng)+”時代，互聯(lián)網(wǎng)普及率高，加之web2.0技術(shù)的發(fā)展，互聯(lián)網(wǎng)成為了網(wǎng)絡(luò)輿情的主要孵化器。網(wǎng)絡(luò)事件借助互聯(lián)網(wǎng)這一平臺，在短時間內(nèi)快速傳播，且迅速積聚網(wǎng)民的觀點和意見，形成巨大的公眾輿論效應(yīng)，如江歌事件、滴滴空姐事件等。而推動輿論發(fā)酵的主要因素就是網(wǎng)民的情感，且網(wǎng)民在接觸到這個事件的時候產(chǎn)生的或積極或消極的情感會隨著輿情的演化不斷傳播、遷移，最終影響輿情的走向。

通過分析個體在復(fù)雜網(wǎng)絡(luò)中的情感遷移規(guī)律，在傳統(tǒng)線性SEIR傳染病模型的基礎(chǔ)上，增加非知情狀態(tài)（S）、知情狀態(tài)（E）直接越級轉(zhuǎn)化成移出狀態(tài)（R），構(gòu)建改良SEIR輿情情感演化模型，并進(jìn)行仿真驗證其正確性和有效性。準(zhǔn)確把握網(wǎng)絡(luò)輿情中情感遷移的走向為相關(guān)部門進(jìn)行輿情監(jiān)管和預(yù)測提供依據(jù)，對相關(guān)輿情工作部門具有重要的指導(dǎo)意義。

一、文獻(xiàn)綜述

（一）情感遷移研究現(xiàn)狀

情感遷移指在兩種有聯(lián)系的事物之間有可能發(fā)生感情或評價的遷移。在網(wǎng)絡(luò)輿情傳播過程中，情感附著在信息中，一般以情緒波動的形式表現(xiàn)。隨著越來越多消極網(wǎng)絡(luò)輿情對人們生活產(chǎn)生影響，情感遷移的研究已經(jīng)引起越來越多學(xué)者的注意。

司夏萌認(rèn)為話題事件本身傳播的流向取決于情感的不同程度。情感遷移就是分析處理帶有情感色彩的主觀性文本時，情感態(tài)度和觀點的演化。何天翔以微博為研究對象，提出基于情感分析的輿情演化分析。

（二）傳染病模型研究現(xiàn)狀

傳染病模型是對疾病傳播過程中的人群分布形式和狀態(tài)轉(zhuǎn)變進(jìn)行數(shù)學(xué)建模的方法，其傳播的特點與網(wǎng)絡(luò)輿情傳播特點類似。傳統(tǒng)傳染病模型主要有SI、SIS、SIR等。ZhuHetal將觀點演化引入信息傳播模型，構(gòu)建新型SEIR模型，在分析個體傳播意圖的同時考慮傳播意圖對信息傳播的影響，從而探究輿情傳播的影響因素。目前傳染病模型對網(wǎng)絡(luò)輿情的相關(guān)研究主要集中在輿情演化預(yù)測、輿情傳播機制等方面，很少利用其來研究網(wǎng)絡(luò)輿情情感遷移。因此，在以往學(xué)者研究成果的基礎(chǔ)上，改良SEIR輿情傳播動力學(xué)模型，通過研究各種狀態(tài)間轉(zhuǎn)化率對情感遷移的影響，得出網(wǎng)民在熱點輿情事件中情感遷移的機制。

二、模型構(gòu)建

（一）傳統(tǒng)SEIR模型及不足

在網(wǎng)絡(luò)信息的傳播過程中，將網(wǎng)絡(luò)中的用戶個體看成節(jié)點，傳統(tǒng)SEIR模型將特定區(qū)域內(nèi)的人群劃分為四類：易感者（Susceptible）、潛伏者（Exposed）、傳染者（Infective）和免疫者（Removed）。

不同狀態(tài)的個體隨著網(wǎng)絡(luò)熱點事件信息的發(fā)布、傳播，可能會發(fā)生狀態(tài)轉(zhuǎn)移，從而對傳播過程以及網(wǎng)絡(luò)結(jié)構(gòu)帶來影響，如圖1所示，其中λ表示易感者轉(zhuǎn)化為潛伏者的概率;ω表示潛伏者轉(zhuǎn)化為傳染者的概率;γ表示潛伏者轉(zhuǎn)化為免疫者的概率。SEIR模型的動力學(xué)微分方程如公式（1）。

其中S（t）、E（t）、I（t）、R（t）分別表示在t時刻四類人群的密度且S（t）+E（t）+I（t）+R（t）=1。隨著網(wǎng)絡(luò)技術(shù)的發(fā)展，網(wǎng)絡(luò)復(fù)雜度增加，簡單的傳染病模型已經(jīng)不能準(zhǔn)確的展現(xiàn)網(wǎng)絡(luò)輿情的傳播規(guī)律。

在現(xiàn)實網(wǎng)絡(luò)輿情傳播過程中，網(wǎng)民接受到信息之后，不一定只會以某一概率轉(zhuǎn)化為潛伏者，可能會直接轉(zhuǎn)化為免疫者，拒絕信息的干擾和傳播。因此簡單的傳統(tǒng)模型已經(jīng)不能滿足需求。

（二）改良SEIR模型

由于互聯(lián)網(wǎng)的開放性，個體在網(wǎng)絡(luò)輿情傳播過程中的角色多樣化，不再被動接受信息，可以成為輿情傳播的制造者和傳播者，各個狀態(tài)之間的關(guān)系處于非線性狀態(tài)。

非知情狀態(tài)（S）：網(wǎng)民沒有接觸到輿情信息，未出現(xiàn)情緒波動且無免疫能力，與傳播者接觸后易被感染。受到輿情信息影響之后，可能會向知情狀態(tài)和移出狀態(tài)轉(zhuǎn)化。

知情狀態(tài)（E）：指網(wǎng)民已經(jīng)接觸到輿情信息出現(xiàn)情緒波動，但不會傳播，即存在潛在情感波動。該狀態(tài)的網(wǎng)民會向傳播狀態(tài)和移出狀態(tài)這兩方面轉(zhuǎn)化。

傳播狀態(tài)（I）：指網(wǎng)民是攜帶傳染情緒波動的患者，會將情緒波動進(jìn)行傳染。

移出狀態(tài)（R）：指網(wǎng)民已經(jīng)失去對輿情信息興趣或從未對輿情信息產(chǎn)生興趣，不會出現(xiàn)情緒波動，具有免疫能力。

綜合上述網(wǎng)絡(luò)輿情傳播特點分析，在傳統(tǒng)SEIR模型的基礎(chǔ)上，構(gòu)建改良SEIR模型有兩個基本假設(shè)：一是網(wǎng)絡(luò)是靜態(tài)網(wǎng)絡(luò);二是個體發(fā)布和轉(zhuǎn)發(fā)信息后，相連個體都會受到相同影響，不存在由于不在場等原因造成無法接受信息的情況。構(gòu)建模型、微分動力學(xué)方程如圖2和公式（2）所示。

其中 S（t）表示易感染節(jié)點密度，E（t）表示潛在節(jié)點密度，I（t）表示感染節(jié)點密度，R（t）表示免疫節(jié)點密度，因此 S（t）+E（t）+I（t）+R（t）=1;λ，μ，α，β，γ表示各節(jié)點之間轉(zhuǎn)化的概率，0≤λ，μ，α，β，γ≤1。下面將通過實驗仿真來驗證模型的準(zhǔn)確性。

三、模型仿真及結(jié)果分析

（一）數(shù)據(jù)設(shè)置

涉及的網(wǎng)民總數(shù)（total）1000人，設(shè)最初只有1人被感染，S與I接觸被感染的概率（infectivity）0.6，每人平均每天接觸（contact）1.25人，非知情狀態(tài)進(jìn)入知情狀態(tài)后，在知情狀態(tài)持續(xù)10天（exposedtime），感染階段持續(xù)15天（illtime）。

（二）模型參數(shù)變化對網(wǎng)絡(luò)輿情情感遷移的影響

根據(jù)設(shè)置，通過AnyLogic 8.3.3 University軟件對改良SEIR模型進(jìn)行仿真，并在此基礎(chǔ)上對改良SEIR模型的參數(shù)進(jìn)行分析，目的在于找出網(wǎng)絡(luò)輿情中的情感傳播規(guī)律。

如圖3所示，在第一個知情狀態(tài)節(jié)點經(jīng)過20天的情感遷移過程后，才會產(chǎn)生新的知情狀態(tài)節(jié)點，知情狀態(tài)節(jié)點密度（e）的增長在40天左右達(dá)到峰值，而知情狀態(tài)節(jié)點在經(jīng)歷大約10天的情感遷移過程后才會產(chǎn)生新的傳播狀態(tài)節(jié)點，且傳播狀態(tài)節(jié)點密度（i）的增長比知情狀態(tài)節(jié)點密度更緩，影響的時間更長，可見在網(wǎng)絡(luò)輿情事件中情感遷移產(chǎn)生影響緩慢但持續(xù)時間長。從非知情狀態(tài)節(jié)點密度（s）來看，在第50天后，1000個網(wǎng)民均已從非知情狀態(tài)節(jié)點轉(zhuǎn)變?yōu)槠渌鼱顟B(tài)節(jié)點，而免疫節(jié)點密度（r）會隨著傳播狀態(tài)節(jié)點密度的變化幅度增長，最終在第100天時1000名網(wǎng)民均會停止對該網(wǎng)絡(luò)輿情事件的情感遷移。

（三）參數(shù)λ、參數(shù)μ對情感傳播節(jié)點的影響分析

λ表示網(wǎng)絡(luò)輿情中的非知情狀態(tài)節(jié)點的用戶在瀏覽信息后，成為知情狀態(tài)節(jié)點用戶的概率。圖4給出了在α、β、μ、γ保持不變，即與初值相同的情況下，λ分別取值0.2、0.5、0.8時，網(wǎng)絡(luò)內(nèi)情感傳播節(jié)點曲線。

μ表示網(wǎng)絡(luò)輿情傳播中存在潛在情感波動的知情用戶在接觸到輿情信息后轉(zhuǎn)變?yōu)閭鞑デ楦胁▌佑脩舻母怕?。在α、β、λ、γ保持不變，即與初值相同的情況下，μ分別取值0.2、0.5、0.8時，如圖5繪制了網(wǎng)絡(luò)內(nèi)情感傳播節(jié)點的曲線。

圖4和圖5中λ、μ分別同比例增長時，其對應(yīng)的傳播節(jié)點的圖也幾乎同比例變化，到達(dá)相應(yīng)比例峰值后保持不變。說明在網(wǎng)絡(luò)輿情傳播中，若該輿情信息是網(wǎng)民所感興趣或關(guān)注的，則發(fā)生情感遷移的機率越大，參與輿情傳播的網(wǎng)民數(shù)量也會增加。同時，網(wǎng)民受從眾心理和情緒感染的影響，也會影響μ值。

（四）參數(shù)α、參數(shù)β對情感傳播節(jié)點的影響分析

α表示非知情用戶瀏覽輿情信息后轉(zhuǎn)化為移出輿情情感傳播的概率。在β、λ、μ、γ保持不變，即與初值相同的情況下，α分別取值0.1、0.5、0.9時，如圖6，繪制網(wǎng)絡(luò)內(nèi)情感傳播節(jié)點的曲線，α值越大，峰值越小。

β表示存在潛在情感波動的用戶與傳染情緒波動狀態(tài)的傳播者接觸后不出現(xiàn)情緒波動，對輿情情感波動免疫而移出網(wǎng)絡(luò)輿情情感傳播過程的概率。在α、λ、μ、γ保持不變，即與初值相同的情況下，β分別取值0.1、0.3、0.5時，如圖7，繪制網(wǎng)絡(luò)內(nèi)情感傳播節(jié)點的曲線。β值越大，曲線到達(dá)峰值所需的時間越長，且峰值越小。

在現(xiàn)實輿情情感傳播中，若網(wǎng)民對該輿情信息不感興趣或不信任，則不會參與輿情情感傳播，從而導(dǎo)致α、β值增大，加快向移出狀態(tài)（R）轉(zhuǎn)化的速率。當(dāng)網(wǎng)民接觸信息并對其深度了解后發(fā)現(xiàn)該信息沒有價值或可信度不高時，就會移出輿情情感傳播，從而導(dǎo)致β值增大。從β值變化帶來的影響可以看出，當(dāng)對該輿情信息不再關(guān)注的知情者數(shù)量增多，即β值增大，會導(dǎo)致輿情信息傳播速率變緩，感興趣的網(wǎng)民發(fā)生情感波動的時間變長。

四、結(jié)語

為了更好的研究熱點輿情事件中的情感遷移，綜合考慮輿情信息與網(wǎng)民情感傳播特性，在傳統(tǒng)線性SEIR模型的基礎(chǔ)上，增加了兩條到R的分支，構(gòu)建改良SEIR模型來研究情感遷移。通過模擬仿真以及調(diào)整模型中各參數(shù)值，研究其對傳播節(jié)點的影響。結(jié)果可總結(jié)為兩點，一是α、β均與傳播節(jié)點變化成負(fù)相關(guān)，其中β值的影響最大，說明在現(xiàn)實輿情情感傳播中，知情者對信息產(chǎn)生免疫移出傳播過程的概率增大會導(dǎo)致輿情情感傳播到達(dá)峰值的時間變長。二是λ、μ均與傳播節(jié)點變化成正相關(guān)，且產(chǎn)生的影響較大，說明在現(xiàn)實輿情情感傳播中，網(wǎng)民對輿情信息的關(guān)注度越高，到達(dá)的值越大。

綜上，對網(wǎng)絡(luò)輿情治理提出兩點建議。一是通過信息的標(biāo)題、內(nèi)容等來判斷網(wǎng)民對該信息的關(guān)注度和信任度，進(jìn)而預(yù)測其對該信息產(chǎn)生情感波動的方向，在發(fā)生消極輿情時提前做好相應(yīng)的應(yīng)對措施將其向正確方向引導(dǎo)。二是通過監(jiān)測網(wǎng)民發(fā)言情況來確定輿情傳播所處階段，并在感染人數(shù)到達(dá)峰值之前，采取措施抑制輿情情感傳播，控制輿情導(dǎo)向。

參考文獻(xiàn)：

[1]Si X M， Wang W D， Zhai C Q， et al. A topic evolution model with sentiment

and selective attention[J].Physica A Statistical Mechanics & Its Applications，2016（471）.

[2]何天翔，張暉，李波，等.一種基于情感分析的網(wǎng)絡(luò)輿情演化分析方法[J].軟件導(dǎo)刊，2015（05）.

[3]Zhu H， Kong Y， Wei J， et al. Effect of usersopinion evolution on information diffusion in online social networks[J].Physica A：Statistical Mechanics and its Applications，2018（492）.

*基金項目：2018年大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃（STITP）省級一般項目（項目編號：SYB2018015）。

（作者單位：南京郵電大學(xué)）