盧新元 胡智慧 易亞琦

摘 要：[目的/意義]研究在線社交網絡中信息的傳播模型與演化規(guī)律，對于預測微博話題傳播的規(guī)模與效率有重要參考意義。[方法/過程]從信息傳播網絡的三大要素出發(fā)，基于傳統(tǒng)傳播模型，構建融合用戶信任機制與遺忘機制的社交網絡傳播預測模型，通過Matlab仿真對模型進行穩(wěn)態(tài)分析及演化分析，最后爬取微博中熱門話題的相關數據對模型的預測效果進行驗證。[結果/結論]用戶、信息和媒體的不同特征因素對信息的傳播過程產生不同的影響，考慮了用戶信任與遺忘機制的模型預測效果相比傳統(tǒng)模型更好，更加符合實際情況，為信息的趨勢預測提供了重要依據，也為微博的監(jiān)控與管理提供一定的建議。

關鍵詞：用戶信任;遺忘機制;傳播預測模型;社交網絡

DOI：10.3969/j.issn.1008-0821.2020.07.006

〔中圖分類號〕G206 〔文獻標識碼〕A 〔文章編號〕1008-0821（2020）07-0052-11

Social Network Communication Prediction Model Integrating

User Trust and Forgetting Mechanism

Lu Xinyuan1，2 Hu Zhihui1，2 Yi Yaqi1，2

（1.School of Information Management，Central China Normal University，Wuhan 430079，China;

2.E-commerce Research Center of Hubei Province，Wuhan 430079，China）

Abstract：[Purpose/Significance]Studying the spread model and evolution law of information in online social networks has important reference significance for predicting the scale and efficiency of Weibo topic spread.[Method/Process]Starting from the three major elements of the information dissemination network，based on the traditional dissemination model，built a social network network propagation prediction model that combined user trust mechanism and forgetting mechanism.The steady-state analysis and evolution analysis of the model were performed through matlab simulation，and finally the relevant data of the hot topics in Weibo were crawled to verify the prediction effect of the model.[Result/Conclusion]Different characteristics of users，information，and media had different effects on the process of information dissemination.The model that took into account the user trust and forgetting mechanism had a better prediction effect than traditional models and was more in line with actual conditions.It provided important information for the trend prediction of information.Based on this，it also provided certain suggestions for the monitoring and management of Weibo.

Key words：user trust;forgetting mechanism;communication prediction model;social network

眾所周知，信息交互技術在持續(xù)迅速發(fā)展的同時漸漸改變了人們的信息傳播方式，中國互聯網信息中心第43次調查數據顯示，截至2018年12月，我國相比2017年新增了5 653萬網民，互聯網普及率已達到59.6%[1]。在網民規(guī)模迅速擴大的同時，一些新的問題隨之出現如網絡輿論、虛假信息散播、網絡詐騙等，這十分不利于社會的穩(wěn)定和諧。而微博作為人們進行實時熱點咨詢、獲取信息的重要途徑，同樣存在上述許多亟需解決的信息傳播問題。根據微博的2019年第3季度財報數據可知，微博的月活躍用戶高達4.97億，較上年同期凈增長約5 100萬，微博垂直領域數量擴大至60多個，月閱讀量過百億領域達30多個[2]。微博用戶往往更加關注熱點話題的進展，微博網絡中傳播速度快、傳播人數多、時效高的信息也往往是帶有話題標簽的信息。在一個帶有話題標簽的信息傳播過程中，不同用戶會因為對話題的不同態(tài)度和一些外界因素的影響經歷不同角色的變換，從而形成了復雜的網絡。許多學者為了更好地理解在線網絡中信息傳播方式，開展了很多關于信息傳播網絡的研究。

鑒于此，本文將構建社交網絡傳播預測模型，探究在線社交網絡信息傳播過程中，信息發(fā)布者、信息接收者、信息傳播媒介等因素對信息感染過程的影響機理，同時在傳播預測模型中創(chuàng)新性地融合用戶信任與遺忘機制，使網絡傳播過程與實際網絡情況更貼切，并將本文提出的模型與其他模型進行預測效果對比。

1 相關研究

近年來國內外關于社交網絡中信息傳播模型的研究成果很多，這類研究大都是通過建立模型對信息傳播的過程和結果進行描述與預測，而這些模型主要是基于理論分析，如經典的傳染病模型、線性閾值模型、獨立級聯模型等等[3]，它們不依賴于社交網絡中的實際數據，只是基于理論基礎和信息傳播的特點將傳統(tǒng)的模型根據不同的研究內容進行一定程度的改進。比如，張鵬等[4]在傳統(tǒng)SEIR模型的基礎上加入評論節(jié)點C構建SEIRC模型來研究微信強關系網絡的信息傳播機理。陳莫凡等[5]通過建立SEIQR演化博弈模型，同時考慮媒體與政府的博弈策略行為來探討不同情境下政府和媒體的不同引導策略對網絡輿情發(fā)展走勢的影響。劉小洋等[6]則將用戶屬性和信息特征融入傳統(tǒng)的ASIC模型中，通過建模來模擬輿情的演化過程。這些研究成果雖然也在一定程度上反映了信息傳播的特性，但多數是只針對網絡中一條信息的傳播規(guī)律進行研究，并沒有考慮信息傳播過程中所涉及的幾個關鍵性因素，即信息的主體、客體、傳播媒介、信息本身等，研究過程中僅僅由節(jié)點的狀態(tài)變化而沒有節(jié)點屬性特征來模擬的傳播過程也是無法與實際情況相契合的。

在現實生活和在線網絡中人與人之間的信息交流網絡是十分復雜的，傳播過程會同時受到傳播主體、客體的異質性和傳播媒介等各方面因素的影響[7]，各個因素的變化會產生不同的傳播效果。因此，本文將一個完整的信息傳播網絡組成部分劃分為用戶、信息和媒體3個部分，通過信息發(fā)布者、信息接收者、信息質量、信息傳播媒介等角度模擬社交網絡中信息感染傳播的具體過程。雖然前文中劉小洋也在模型中融入了用戶的屬性，但是他沒有考慮在信息傳播的過程中會存在用戶間的信任問題。另外本文也將在模型中納入遺忘機制，不同于楊湘浩等[8]、王筱莉等[9]、魏靜等[10]文章中關于信息和知識隨時間遺忘的研究，本文融入的遺忘機制是考慮在話題傳播的持續(xù)時間里，用戶對話題信息的興趣會隨著周圍好友中話題知曉人數而變化，從而使模擬的傳播過程更符合社交網絡中的實際情況。基于以上分析，為了彌補現有網絡傳播研究的缺憾，本文借鑒以往研究成果，在傳統(tǒng)傳染病模型的基礎上融合用戶信任程度與遺忘機制，構建具有飽和接觸率的SEIRO微博熱門話題傳播網絡模型，并在仿真研究的基礎上使用真實微博話題數據對模型的預測效果進行驗證。

2 模型構建

2.1 模型假設

網絡信息傳播與疾病傳播的原理十分相似，首先，兩個傳播機制都是通過傳染途徑，疾病傳播就是健康人與患者接觸后被傳染，在線網絡中也是不知道該話題信息的人群與傳播者接觸后被感染從而使信息進一步傳播;其次，傳統(tǒng)的傳染病模型將人群劃分為健康人、感染者、痊愈者，同樣在一個完整的在線信息傳播網絡中也可以將用戶劃分為不知曉該信息的人群、知曉還未選擇傳播的人群、知曉后并選擇傳播行為的人群、對該信息免疫的人群等幾類。因此本文將以傳染病模型為基礎來研究在線社交網絡中的信息傳播機制。

假設前提：信息在社交網絡中傳播的過程中，總人數固定;微博的好友數量與關系保持不變;用戶在傳播該信息之后不會再次接觸同一信息;用戶對信息的興趣程度不會保持不變，會受到周圍好友的影響;并且好友之間的信任關系也會影響用戶對該信息的可信度。

2.2 信息傳播模型

信息傳播的主體主要是由信息的傳播者以及接收者構成，在信息傳播過程中，一般將信息傳播者和信息接收者分別看成一個節(jié)點，在微博中所有用戶都有一定的概率看到此信息，并且有一定的概率進行轉發(fā)、評論或者直接免疫，因此，根據此種傳播機理以及用戶潛在的行為反應，綜合考慮微博信息傳播流程，將微博網絡中的節(jié)點分為以下5種形態(tài)：

1）S節(jié)點：未知者節(jié)點，指具有獲取信息的能力和渠道，能夠瀏覽到信息的節(jié)點用戶。

2）E節(jié)點：潛伏者節(jié)點，指在微博中已經瀏覽過信息，但還未做出傳播決定的節(jié)點用戶。

3）I節(jié)點：傳播者節(jié)點，指在微博中已經瀏覽過信息，并明確做出傳播決定的節(jié)點用戶。

4）R節(jié)點：弱免疫者節(jié)點，指瀏覽過信息后暫時拒絕傳播的一類節(jié)點用戶，但仍可能由于周圍用戶的影響而再次傳播。

5）O節(jié)點：退出節(jié)點，包括免疫者猶豫后仍然退出的用戶以及傳播之后選擇退出的用戶。

用N來代表微博中全部節(jié)點的數目，假定在一定的時間內節(jié)點數目是恒定的，即處在不同節(jié)點的用戶總數保持為N。以S（t）代表t時刻未知節(jié)點數，E（t）代表t時刻潛伏形態(tài)節(jié)點數，I（t）代表t時刻處在傳播節(jié)點狀態(tài)節(jié)點數量，R（t）代表t時刻處在弱免疫狀態(tài)節(jié)點數量，O（t）指t時刻處在退出的節(jié)點數。根據以上理論模型的分析，建立動力學微分方程：

2.3 特征提取

2.3.1 用戶特征

1）用戶興趣衰減率。德國心理學家艾賓浩斯通過重學法揭示了信息價值會隨著時間流逝而呈現的非線性衰減特征[11]，反映出衰減特性對信息傳播的顯著影響。相關文獻把這種現象稱為遺忘機制[12]，并通過仿真模擬證明該機制能夠抑制信息擴散并降低信息傳播規(guī)模[13]，后來也有學者在知識傳播過程中考慮遺忘機制的作用，分析遺忘率對傳播速度的影響[14]，但是以上這些研究均認為信息是隨時間而衰減的。而在以微博為代表的在線社交網絡平臺上，用戶停止或者減少轉發(fā)信息的次數往往是因為周圍好友中知曉該信息的人數越來越多，從而失去了轉發(fā)的興趣，因此，信息傳播的衰減特征可以表示為具有飽和效應的函數，知道消息的用戶越多，用戶轉發(fā)興趣越小，衰減效用就越大[15]。

若在線社交網絡上的用戶多次收到來自于鄰居節(jié)點的同一消息時，該用戶會默認信息已經較為廣泛傳播，從而產生一個衰減因子，并在該因子的影響下減少或停止自己的傳播行為。因此，本文將引用具有飽和效應的函數來表示微博中熱門話題的傳播過程中的興趣衰減：μ=a-be-δI（t）。其中，a是最大衰減率，b為可調節(jié)衰減系數，I（t）為t時刻傳播者節(jié)點數。

2）用戶間信任度。信任從傳統(tǒng)意義上理解是人與人之間的一種依賴關系，人們之間的信任建立取決于個人價值觀、態(tài)度、心情與情緒等各種相關因素[16]，在信息傳播網絡中，信任是雙方進行互動的基礎，它促進信息的提供方和接受方之間的有效信息交流，進而促進信息地進一步傳播。也就是說，在微博話題的傳播過程中，信任使信息的接受者對提供者所傳播的信息做出一定的傳播行為，例如有點贊、評論、轉發(fā)等，進而引起下一步的建立信任促進信息傳播的過程。簡而言之，信任減少了信息接受者對知識的驗證過程使之更愿意接受并且進一步傳播提供者的知識，它對知識的共享起著重要作用，促進整個知識傳播網絡的擴大。

2.3.2 信息特征

傳播概率，包括感染率、免疫率、免疫傳播率、退出率等，即在網絡信息傳播的過程中用戶在不同狀態(tài)之間變化的概率。顧名思義，感染率就是健康用戶轉化為感染用戶的概率，免疫傳播率即用戶從免疫狀態(tài)轉為傳播狀態(tài)的概率等等。目前關于利用傳染病模型描述傳播網絡的研究中大都是通過不同概率描述用戶活躍狀態(tài)的變化，節(jié)點數量也就是當前狀態(tài)的節(jié)點數目可以一定程度上說明當前狀態(tài)用戶的活躍程度。

2.3.3 媒體特征

信息接觸率，也可理解為用戶增加率，用戶通過媒體的作用開始接觸到該信息的傳播。目前關于傳染病模型的研究中大多是應用雙線性接觸率或者標準接觸率[17]，認為接觸率與接觸人數成正比。但在如今復雜的社交網絡中，這兩種接觸率都不符合實際情況，因為一個人在龐大的傳播系統(tǒng)中，其接觸率和傳染率的能力都是有限的，最終都會趨近于飽和的狀態(tài)。因此，本文將引用Capasso V等[18]提出的飽和接觸率如式（8），它介于雙線性接觸率和標準接觸率之間，但更好地描述了飽和狀態(tài)，有研究表明，飽和增長率更符合實際情況[19]。

3 模擬仿真實驗

3.1 模型穩(wěn)態(tài)分析

傳統(tǒng)研究分析網絡傳播模型的平衡穩(wěn)定性大多是在實際背景下的有界區(qū)域內求解具體模型的平衡點，通常認為任何傳播系統(tǒng)都包括求解零傳播平衡點與內部平衡點兩種傳播態(tài)勢[20]，零傳播平衡點即隨著時間的推移，信息在傳播的過程中會逐漸消失，而內部平衡點則表示隨著時間的不斷變化，信息在傳播系統(tǒng)中會呈現長期穩(wěn)定的形勢。并且傳染病在傳播過程中存在閾值（也稱基本再生數）[19]，閾值不僅決定了傳播行為的與否，而且還對傳播范圍和形勢有一定的影響，當閾值小于等于1時，信息的傳播會隨著時間的變化自然地消亡，而當閾值大于1時，信息就會在一定時間的一定范圍內爆發(fā)。閾值越大越容易對傳播過程進行控制[21]，因此在實際的話題傳播中，可以通過擴大傳播閾值來對傳播過程進行控制，避免造成不必要的社會恐慌。對本文SEIRO模型方程的數值平衡點解進行求解，來分析該模型的平衡點變化對模型的整體影響。以μ2為例，分析在不同取值下對E節(jié)點、I節(jié)點與R節(jié)點平衡點的變化情況，結果如圖2所示：

對E節(jié)點數目隨時間變化的分析可知，模型平衡點的位置處于圖形的最高點（也可以說是極值點），在這一位置，潛伏者、弱免疫者與傳播者各自處于相對均衡的狀態(tài)。由圖2可知，隨著μ2從0.1～0.9的不斷增大，潛伏者節(jié)點數目的平衡點呈現先增大后減小的趨勢，也就是說，當潛伏者節(jié)點轉為傳播者節(jié)點的概率逐漸增大時，潛伏者節(jié)點的極值先增大后減小，而不是一直持續(xù)增長，因此在實際社交網絡中對于特定微博話題的宣傳與曝光來說，也并不是曝光度越高越好，而是應該提前掌握好最佳值，在花費合適的宣傳代價的同時，使傳播效率達到最佳。傳播者節(jié)點的極值也是不斷增加的，因此在現實中的話題傳播者要想話題有更多的熱度，就需要加大力度使更多的潛伏者轉化為傳播者。

在分析SEIRO模型的平衡點變化的過程中可以了解到不同的傳播概率對不同節(jié)點的平衡點極值的影響，分析節(jié)點數極值的變化情況可以與實際社交網絡中信息傳播的最大流通量聯系起來，在實際的話題傳播過程中就可以通過調節(jié)不同過程中的概率來使傳播效果達到最佳。接下來在規(guī)定好初始值的前提之下，通過調節(jié)其中部分參數的取值，對信息傳播產生重要性作用的因素進行仿真，獲取不同條件下話題傳播的規(guī)律。

3.2 興趣衰減系數

用戶的興趣衰減系數也可以理解為用戶的免疫率，免疫率是指潛伏者在經過一段時間后最終決定不進行信息的傳播行為轉化為弱免疫者的概率，微博用戶的免疫率就是用戶對話題的興趣度降低，這個過程通過調節(jié)函數的衰減因子b1與b2，同樣保證各參數初始值不變，仿真結果如圖3所示。

當調節(jié)衰減因子b值從0.1～0.5增加時，隨著時間的變化，潛伏者以更快的速度降為零，而弱免疫者節(jié)點數最后的峰值明顯增大，原因就是潛伏者以更快的速度轉化為弱免疫者，傳播者數目的最大值隨著衰減系數的增大而劇烈減小，并且在達到最大值之后的衰減速度變快，顯然隨著遺忘機制的作用增大用戶對于知識與信息的興趣度會減弱得更快，退出者數目的增加速度也會相對變快。

3.3 心理信任系數

心理系數α表示社交網絡中用戶對傳播者的信任程度，心理系數越小表示用戶對消息的傳送者越相信，也就認為消息的可靠性越大。相反，如果信息系數增大，那么用戶將對接收到的信息持懷疑態(tài)度從而增加了弱免疫者節(jié)點的數量。同樣保證各參數初始值不變，改變心理作用系數，其仿真結果如圖4所示。

當心理作用系數增大時，未知者節(jié)點轉化為潛伏者節(jié)點的速度變慢很多，因為未知者對傳播者存在較大的心理作用導致對信息信任程度降低從而使很多未知者以更緩慢的速度轉化為潛伏者，且潛伏者、傳播者與弱免疫者軍以更慢的速度增加且峰值也變小。也就是說在社交網絡中，如果用戶之間存在較大的信任問題，那么整個話題信息的傳播過程速度都會減慢，效率也會明顯降低。

3.4 接觸率

接觸率就是指未知者節(jié)點在之前沒有接觸過該話題前在受到已有傳播者的影響下，轉換為潛伏者

節(jié)點的幾率。在仿真實驗中假定參數取值，觀察不同取值下的接觸率對微博熱門話題傳播機理的影響，試驗過程中通過λ來改變μ1，同時保持其他參數不變。仿真結果如圖5所示。

接觸率逐漸增大時，伴隨著時間的改變，未知者節(jié)點數目以更快的速度降低，最終趨于0。而潛伏者節(jié)點數則以更快的速度增加，并且潛伏者節(jié)點的最大值有所增大，傳播者與弱免疫者節(jié)點數目達到最大值的時間不斷縮減。也就是說在微博熱門話題的信息傳播過程中，接觸率越高，未知節(jié)點的轉化速度越快，也就是信息可以更快速地傳播擴散。這種變化也是與實際社交網絡中的情況高度相符的，當一個熱門話題產生時，如果有更多的用戶在傳播該信息，那么就可以在很短時間內使話題迅速產生高熱量與關注度。

3.5 感染率

感染率是指潛伏者節(jié)點用戶在經過一定時間的觀望之后，最終決定傳播、弱免疫或評論的概率。對感染率的多種取值進行仿真測試，觀察在微博熱門話題信息傳播過程中各節(jié)點隨著時間推進的改變狀況。在實驗中，保證其他參數不變的前提下，將感染率μ2的取值依次改取為0.1、0.2、0.4、0.6、0.8，其仿真結果如圖6所示。

感染率變大時，隨著時間的改變，潛伏者節(jié)點數量以更快的速度達到峰值，且此時的峰值隨著感染率的增加而降低，同時潛伏者數量下降得更快。傳播節(jié)點I（t）的數量呈現大幅遞增現象，且遞增的速率與最大值有明顯上升。弱免疫節(jié)點R（t）數量最大值伴隨感染率的增加而變小，同時弱免疫節(jié)點數量由最大值到達零的速率也呈現遞增趨勢。退出節(jié)點O（t）數量在t=0～10s期間，以更快的速率增加，繼而趨于平緩。基于以上仿真分析可知，感染率對信息在微博中的傳播意義深遠，在信息傳播過程中，感染率可能會受到微博信息傳播機理和用戶關系等多種因素影響，可以通過改變感染率的取值來進行信息傳播控制。

3.6 免疫傳播率

免疫傳播率是指弱免疫者在受到傳播者的影響

下，直接轉換為傳播者的概率。為了研究免疫轉化率對微博信息傳播過程的作用，在保證其他參數不變的前提之下，將免疫轉化率μ4依次取值為0.1、0.3、0.6、0.9，其仿真結果如圖7所示：

圖7 免疫傳播系數變化時各節(jié)點變化情況

從圖中可以了解到，當免疫傳播率提升時，隨著時間的推進，傳播者節(jié)點數量最大值不斷增加，相反弱免疫者節(jié)點數的峰值則不斷變小，原因就是潛伏轉化率的不斷增大導致更多的免疫者轉化為傳播者。由以上的分析可知，在在線社交平臺的信息傳播網絡中，它的三大要素用戶、信息與媒介中的各個因素都會對傳播效率和速度產生不同的影響。

4 實驗對比分析

在微博上，每時每刻都會產生關于不同領域的話題，根據生命周期理論可以將這些話題的傳播過程劃分為潛伏期→成長期→成熟期→衰退期4個階段[22]，如圖8所示。為了更客觀地驗證本文所提出的社交網絡信息傳播預測模型的可行性與合理性，本文將對話題傳播生命周期的4個階段進行定量分析，分別用SEIRO模型與前人研究較多的SEIR模型對每個階段的傳播數據進行預測，并將預測結果與實際數據進行對比分析。

本文以微博平臺為例，首先抓取2019年熱門話題#翟天臨涉學術造假#、#翟天臨涉學術論文造假#和#翟天臨學術事件大結局#中的微博數據，包括點贊數、轉發(fā)數等，并以此作為微博話題在真實社交網絡中的傳播數據。然后根據2019年1月至9月的微博數據特點將其劃分為潛伏期、成長期、成熟期和衰退期，接著通過遺傳算法進行擬合得出近似優(yōu)化參數[23]，詳細數值如表2所示，最后采用RMSE可以更直觀地比較兩個模型的預測效果，均方根誤差數值越小表示預測效果越好。

成長期微博話題的傳播力度呈現加速增強的趨勢，因此處于該階段的用戶接觸率、感染率和免疫傳播率要明顯高于其他階段，并且由于傳播量較多用戶對傳播信息的心理系數也較小，興趣衰減率相比潛伏期、成熟期和衰退期也要小很多，社交用戶在該階段對目前的熱門話題保持著高興趣度。4個階段的模型擬合情況與實際數據的對比圖分別如圖9、圖10所示。

由圖9可知，根據實際數據與模型所呈現的每個階段狀態(tài)與圖8中的話題傳播生命周期示意圖基本吻合;從4個階段的總體上看，SEIRO模型與SEIR模型相比于實際數據更加相近;潛伏期階段SEIRO與SEIR模型的擬合結果均大于實際數據，原因是潛伏階段傳播數據較少;成長階段與衰退階段中，SEIRO的模擬結果與實際情況相近，而SEIR的結果較高于實際;成熟期SEIRO的結果低于實際而SEIR的結果仍高于實際，原因就是前者考慮了完整傳播過程中退出者的存在，使傳播者數量較低，但也更加符合實際情況。

圖10中的潛伏期與成長期階段SEIRO模型的均方根誤差始終小于SEIR模型;在話題處于成熟階段時，前一段時間前者的誤差高于后者，原因可能是成熟期的前一階段的傳播者數量仍處于上升階段導致退出者的數量很少，因此在這一階段后者模型與實際情況更吻合;而衰退期的前一階段前者誤差也高于后者，這在于成熟期的后一段時間傳播者數量雖然在下降但仍高于衰退期后期數量?？傮w來說，SEIRO模型相比SEIR模型，其與實際數據相比后的均方根誤差普遍較低，也更有力地說明本文所構建的社交網絡傳播預測模型更加貼合實際情況。

5 結論與展望

本文從大數據環(huán)境下在線社交網絡中信息傳播網絡的三大要素即主用戶、信息、媒介角度出發(fā)，以傳染病模型為出發(fā)點，融合用戶信任機制與遺忘機制，構造網絡信息傳播演化預測模型SEIRO模型，得出以下結論：1）對本文構建的模型進行的穩(wěn)態(tài)分析，通過分析不同過程的傳播概率對節(jié)點數平衡點數目的影響可以了解如何在實際話題傳播過程中調節(jié)控制傳播速度從而使傳播效果達到最佳。2）對微博中話題信息傳播的影響因素進行研究，根據仿真結果可以看出：接觸率、感染率、免疫傳

播率與信息傳播速率成正比，即相應的值越大，信息傳播效率就越低;心理信任系數、衰減系數與微博熱門話題的傳播速率成反比。這些關鍵因素在信息傳播過程中發(fā)揮了重大作用，對這些因素進行調節(jié)控制，可以提高信息傳播效率。3）本文的傳播預測模型與SEIR模型相比，預測效果更佳也更加貼合實際，進一步驗證了模型的可行性與可靠性。

本文仍存在一定的局限性，真實社交網絡中的一條微博可以涉及到的真實人數非常巨大，但由于仿真程序運行的限定，設置參與的總人數有所限制;另外，由于現實中影響微博轉發(fā)量的因素涉及到人們復雜的心理因素等，模型仍舊存在一定的偏差，在未來的研究中，可以進一步優(yōu)化模型，全面考慮影響微博傳播的因素，從而更加貼近現實，為微博的監(jiān)控與管理提供更好的借鑒作用。

參考文獻

[1]中國互聯網絡信息中心.第43次中國互聯網絡發(fā)展狀況統(tǒng)計報告[EB/OL].http：//www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201902/P020190318523029756345.pdf，2019-02.

[2]新浪財經.微博發(fā)布2019年第三季度財報[EB/OL].http：//finance.sina.com.cn/stock/usstock/c/2019-11-14/doc-iihnzahi0884153.shtml，2019-11-14.

[3]彭川，李元香.在線社交網絡信息傳播問題研究綜述[J].計算機與數字工程，2016，44（11）：2198-2203，2262.

[4]張鵬，趙動員，謝毛迪，等.基于強關系的移動社交網絡信息傳播機理建模與仿真研究[J].情報科學，2019，37（3）：105-111.

[5]陳莫凡，黃建華.基于SEIQR演化博弈模型的突發(fā)網絡輿情傳播與控制研究[J].情報科學，2019，37（3）：60-68.

[6]劉小洋，唐婷，何道兵.融合社交網絡用戶自身屬性的信息傳播數學建模與輿情演化分析[J].中文信息學報，2019，33（9）：115-122.

[7]黃微，李瑞，孟佳林.大數據環(huán)境下多媒體網絡輿情傳播要素及運行機理研究[J].圖書情報工作，2015，59（21）：38-44，62.

[8]楊湘浩，段哲哲，王筱莉.考慮遺忘機制的企業(yè)隱性知識傳播SIR模型研究[J].中國管理科學，2019，27（7）：195-202.

[9]王筱莉，趙來軍，謝婉林.無標度網絡中遺忘率變化的謠言傳播模型研究[J].系統(tǒng)工程理論與實踐，2015，35（2）：458-465.

[10]魏靜，黃陽江豪，朱恒民.基于耦合網絡的社交網絡輿情傳播模型研究[J].現代情報，2019，39（10）：110-118.

[11]Ebbinghaus，Hermann.Memory：A Contribution to Experimental Psychology[J].Annals of Neurosciences，2013，20（4）.

[12]Zhao L，Qiu X，Wang X，et al.Rumor Spreading Model Considering Forgetting and Remembering Mechanisms in Inhomogeneous Networks[J].Physica A：Statistical Mechanics and its Applications，2013，392（4）：987-994.

[13]Zhao L，Wang Q，Cheng J，et al.Rumor Spreading Model with Consideration of Forgetting Mechanism：A Case of Online Blogging LiveJournal[J].Physica A，2011，390（13）：2619-2625.

[14]楊湘浩，段哲哲，王筱莉.考慮遺忘機制的企業(yè)隱性知識傳播SIR模型研究[J].中國管理科學，2019，27（7）：195-202.

[15]張亞明，唐朝生，李偉鋼，等.在線社交網絡謠言傳播興趣衰減與社會強化機制研究[J].情報學報，2015，34（8）：833-844.

[16]溫丹丹，楊嵐，張建華.知識傳播中基于參與者環(huán)境和行為的信任評價機制研究[J].情報科學，2015，33（3）：85-89.

[17]Fan M，Li M Y，Wang K.Global Stability of an SEIS Epidemic Model with Recruitment and a Varying Total Population Size[J].Mathematical Biosciences，2001，170（2）：199-208.

[18]Capasso V，Serio G.A Generalization of the Kermack-McKendrick Deterministic Epidemic Model[J].Mathematical Biosciences，1978，42（1-2）：0-61.

[19]孫莉玲.基于傳染病模型的網絡謠言傳播與控制研究[J].南京財經大學學報，2017，（6）：70-78.

[20]陳業(yè)華，張曉倩.網絡突發(fā)群體事件網民群體情緒傳播模型及仿真研究[J].情報科學，2018，36（3）：151-156.

[21]陳福集，游丹丹.基于系統(tǒng)動力學的網絡輿情事件傳播研究[J].情報雜志，2015，（9）：118-122.

[22]王曰芬，王一山.傳播階段中不同傳播者的輿情主題發(fā)現與對比分析[J].現代情報，2018，38（9）：28-35，144.

[23]游新年，劉群.基于傳染病模型的微博信息傳播預測研究[J].計算機應用與軟件，2016，33（5）：59-62.

（責任編輯：陳 媛）