陳 帥

（國防大學(xué)研究生院，北京 100091）

0 引言

截至2019 年6 月，我國網(wǎng)民規(guī)模8.54 億，其中通過手機(jī)上網(wǎng)的比例達(dá)99.1%[1]。傳播速度快、影響范圍廣、社會動員能力強(qiáng)的“兩微一抖”等移動社交平臺用戶快速增長，逐漸形成了一種強(qiáng)大的政治、文化力量，深刻影響著國內(nèi)甚至全球事件的走向，移動社交網(wǎng)絡(luò)輿情的控制愈加關(guān)系社會的穩(wěn)定。網(wǎng)民在對某一輿論話題展開討論時，經(jīng)常在幾個社交平臺之間轉(zhuǎn)發(fā)、共享和復(fù)制。平臺之間存在著廣泛的議程互動，“溢散”效果更加明顯。網(wǎng)絡(luò)輿情的傳播控制建模要反映不同社交平臺的獨特信息傳播模式，也要考慮平臺間的互動傳播過程。

1 研究現(xiàn)狀

網(wǎng)絡(luò)輿情的主體包括普通網(wǎng)民、意見領(lǐng)袖、網(wǎng)絡(luò)推手、政府以及媒體等。其中，媒體和政府是具有控制職能的輿情作用主體。相關(guān)研究從作用主體角度進(jìn)行分類，主要分為媒體引導(dǎo)和政府干預(yù)兩大類。

媒體引導(dǎo)。Yang 研究了不同類型話題傳播過程中各類媒體節(jié)點影響力變化對話題演變的影響[2]。朱恒民、浦嬌華等將媒體作為外部傳播節(jié)點與個體相連，分析了媒體數(shù)量、影響范圍、報道力度和可信度等因素的影響[3-4]。蘇繼超等研究了噪聲干擾下媒體引導(dǎo)強(qiáng)度、引導(dǎo)范圍、引導(dǎo)時間等因素對輿論觀點的影響[5]。

政府干預(yù)。項權(quán)等基于政府在輿情干預(yù)過程中對感染者的負(fù)反饋作用，考察了免疫速率、復(fù)發(fā)速率作用下的輿情演化[6]。王治瑩等建立了政府干預(yù)下輿情傳播微分方程組，并結(jié)合案例設(shè)計情境研究了政府應(yīng)對策略[7]。夏一雪、蘭月新等構(gòu)建了多個網(wǎng)絡(luò)傳播平臺間的輿情信息交互模型，研究了大數(shù)據(jù)背景下政府應(yīng)對突發(fā)事件的對策[8]。

已有的研究一般未體現(xiàn)各社交平臺的傳播特性，反映不出平臺間的信息交互，而且少有模型能同時體現(xiàn)媒體、政府兩類作用主體的影響。本文以微博、微信兩種最具有代表性的移動社交平臺為對象，研究媒體引導(dǎo)、政府干預(yù)下多平臺互動傳播和輿情演化。

2 概念模型

構(gòu)建包含微信層（Lwc層）、微博層（Lwb層）、控制層（Lc層）的多層耦合網(wǎng)絡(luò)概念模型，如圖1所示。Lwc層中的所有節(jié)點表示微信用戶，無向邊表示節(jié)點間的微信好友關(guān)系。Lwb層中的所有節(jié)點表示微博用戶，有向邊表示節(jié)點間的關(guān)注、被關(guān)注關(guān)系。Lc層中有一個政府節(jié)點和多個媒體節(jié)點。媒體節(jié)點之間的無向邊表示協(xié)作關(guān)系，互相進(jìn)行信息共享。政府節(jié)點與所有媒體節(jié)點連接。Lwc層與Lwb層之間根據(jù)節(jié)點度排序一一對應(yīng)連接。Lc層中每個媒體節(jié)點根據(jù)自身影響范圍與Lwc層、Lwb層中部分用戶節(jié)點進(jìn)行一對多連接推送信息。Lc層中的政府節(jié)點與Lwc層、Lwb層中所有用戶節(jié)點連接發(fā)送控制信息。

圖1 多層耦合網(wǎng)絡(luò)概念模型

3 輿情傳播控制模型

本文借鑒SEIR 模型，利用基于多智能體的建模方法在Anylogic 上構(gòu)建輿情傳播控制模型。

3.1 主體屬性

主體屬性如表1所示。其中，吸引度表示用戶對信息感興趣的程度；圈群規(guī)模表示用戶群聊對象以及朋友圈的可見范圍；興趣閾值、厭倦閾值表征用戶對群體意見的敏感度；跨層傳播傾向表示用戶將信息傳播到另一平臺的概率；被關(guān)注度表示用戶擁有粉絲的情況；活躍度表示用戶的活躍程度；傳播力表示用戶微博被傳播的效率；用戶數(shù)量表示媒體的影響人數(shù)與總用戶人數(shù)的比值；報道力度表示媒體通過發(fā)布信息引導(dǎo)用戶傳播信息的力度；干預(yù)范圍表示政府干預(yù)的作用對象占總?cè)藬?shù)的比例；干預(yù)強(qiáng)度表示政府制止用戶傳播信息的力度。以上屬性均在連續(xù)區(qū)間[0，1]取值。

表1 主體屬性

3.2 狀態(tài)轉(zhuǎn)移關(guān)系

3.2.1 微信、微博層狀態(tài)轉(zhuǎn)移關(guān)系

微信、微博用戶狀態(tài)轉(zhuǎn)移關(guān)系如圖2 所示。其中，M表示未知者在媒體引導(dǎo)下接收消息變?yōu)闈摲?，σ為媒體引導(dǎo)潛伏概率；O表示潛伏者、感染者在政府干預(yù)下變?yōu)槊庖哒?，ρ為政府干預(yù)免疫概率。

圖2 微博、微信用戶狀態(tài)轉(zhuǎn)移關(guān)系

微信群體多由具有一定現(xiàn)實社會關(guān)系的個人緊密聯(lián)系起來的，對于同一條消息，用戶轉(zhuǎn)發(fā)的意愿受到周圍好友轉(zhuǎn)發(fā)人數(shù)的影響。微信用戶i由潛伏者轉(zhuǎn)化為感染者的感染概率與鄰居節(jié)點傳播人數(shù)的關(guān)系如式（1）所示，其中k表示鄰居節(jié)點中感染者的比例，c為非零常數(shù)。b=a·k0/(k1-k0)表示信息厭倦度，用來衡量用戶得知周圍朋友轉(zhuǎn)發(fā)該條消息人數(shù)過多時對消息的反感程度。

微博平臺中存在大V 用戶和普通用戶兩類用戶。大V 用戶作為意見領(lǐng)袖，信息經(jīng)大V 用戶傳播后能引起網(wǎng)民更多關(guān)注。用戶的轉(zhuǎn)發(fā)行為與關(guān)注對象的綜合影響力密切相關(guān)，用戶綜合影響力由被關(guān)注度、活躍度和傳播力構(gòu)成。節(jié)點i由潛伏者轉(zhuǎn)化為感染者的感染概率用傳播節(jié)點的綜合影響力在所有鄰居節(jié)點綜合影響力所占比重表示，如式（2）所示。其中wj表示節(jié)點i的傳播節(jié)點j的綜合影響力，Σwj表示節(jié)點i所有關(guān)注節(jié)點綜合影響力之和。

在受到媒體引導(dǎo)時，用戶由未知者變?yōu)闈摲叩母怕适苊襟w權(quán)威性和報道力度的影響。媒體節(jié)點k的媒體引導(dǎo)潛伏概率δk=ok·sm。在受到政府干預(yù)時，用戶由潛伏者或感染者變?yōu)槊庖哒叩母怕适苷帕透深A(yù)強(qiáng)度的影響。政府干預(yù)免疫概率ρ=v·so。

3.2.2 控制層狀態(tài)轉(zhuǎn)移關(guān)系

媒體和政府狀態(tài)轉(zhuǎn)移關(guān)系用一定規(guī)則代替原SEIR 模型中的狀態(tài)轉(zhuǎn)移概率，如圖3 所示。未知者表示節(jié)點未接收到消息。節(jié)點得知信息后變?yōu)闈摲?，開始關(guān)注輿情走向，并與其他節(jié)點分享該消息。當(dāng)感染者人數(shù)達(dá)到一定比例，即NI(t)＞I0·N0，表明輿情達(dá)到了一定熱度，媒體和政府開始介入，變?yōu)楦腥菊?。?dāng)免疫者人數(shù)達(dá)到一定比例即NR(t)＞R0·N0，節(jié)點停止控制輿情，變?yōu)槊庖哒?。?jié)點也可以在接收到輿情控制任務(wù)時直接由未知者變?yōu)楦腥菊摺?/p>

圖3 媒體、政府狀態(tài)轉(zhuǎn)移關(guān)系

3.3 輿情傳播過程

選取一定數(shù)目的用戶節(jié)點或媒體節(jié)點作為信息傳播源置為感染者。單層網(wǎng)絡(luò)傳播采取異步更新模式。

（1）若前一時刻節(jié)點狀態(tài)為未知者。在受媒體引導(dǎo)時，以概率σ變?yōu)闈摲?，以概率?1-σ變?yōu)槊庖哒摺o媒體引導(dǎo)時，判斷鄰居節(jié)點是否存在感染者。若不存在感染者，狀態(tài)不變；若存在感染者，微博網(wǎng)絡(luò)中節(jié)點狀態(tài)發(fā)生改變，微信網(wǎng)絡(luò)中節(jié)點狀態(tài)以概率λ改變。節(jié)點狀態(tài)改變時，以概率α變?yōu)闈摲?，以概率?1-α直接變?yōu)槊庖哒摺?/p>

（2）若前一時刻節(jié)點狀態(tài)為潛伏者。受政府干預(yù)時以概率ρ變?yōu)槊庖哒摺o政府干預(yù)時，在微博網(wǎng)絡(luò)中，根據(jù)傳播節(jié)點的綜合影響力和信息吸引度以概率β轉(zhuǎn)變?yōu)楦腥菊?，否則直接變?yōu)槊庖哒摺Ｔ谖⑿啪W(wǎng)絡(luò)中，根據(jù)鄰居節(jié)點轉(zhuǎn)發(fā)該消息人數(shù)、心理閾值以及信息吸引度以概率β轉(zhuǎn)變?yōu)楦腥菊?，否則直接變?yōu)槊庖哒摺?/p>

（3）若前一時刻節(jié)點狀態(tài)為感染者。受政府干預(yù)時，以概率ρ變?yōu)槊庖哒?。無政府干預(yù)時，以概率θ變?yōu)槊庖哒摺?/p>

（4）若前一時刻節(jié)點狀態(tài)為免疫者。以概率η變?yōu)楦腥菊撸駝t狀態(tài)不變。

層間傳播采取同步更新模式，由首先發(fā)生狀態(tài)改變的網(wǎng)絡(luò)層中節(jié)點狀態(tài)決定另一層對應(yīng)節(jié)點的狀態(tài)。

3.4 載體網(wǎng)絡(luò)

在線社交網(wǎng)絡(luò)是典型的具有冪律度分布的復(fù)雜網(wǎng)絡(luò)，本文選取無標(biāo)度網(wǎng)絡(luò)作為載體網(wǎng)絡(luò)。利用文獻(xiàn)[9]的算法在微信層構(gòu)建BA 無標(biāo)度網(wǎng)絡(luò)，在微博層構(gòu)建無標(biāo)度有向網(wǎng)絡(luò)?？刂茖用襟w節(jié)點采用隨機(jī)網(wǎng)絡(luò)，政府節(jié)點與所有媒體節(jié)點連接。

4 仿真結(jié)果與分析

使用Anylogic8.5.0 軟件進(jìn)行建模仿真實驗。實驗參數(shù)設(shè)置如下：用戶總數(shù)N0=1 000，媒體數(shù)量=10，開始引導(dǎo)閾值=0.1，停止引導(dǎo)閾值=0.9。報道力度sm=0.7，開始干預(yù)閾值=0.15，停止干預(yù)閾值=0.9，干預(yù)范圍χ=0.5，干預(yù)強(qiáng)度so=0.7。仿 真 時 間t=60，α=0.5，φ=0.05，η=0.1，θ=0.001，a=0.9，ε=0.5。

微博、微信平臺中未知者的狀態(tài)是嚴(yán)格同步的，且未知者數(shù)量能同時直觀表現(xiàn)媒體引導(dǎo)和政府干預(yù)的效果，因而以微信層未知者數(shù)量變化為參照進(jìn)行仿真實驗，研究輿情在單平臺傳播和雙平臺同步傳播的差異，以及媒體引導(dǎo)和政府控制在單平臺實施和雙平臺同步實施的差異。設(shè)置6 種情景：情景1，單平臺傳播，不加入輿情控制；情景2，雙平臺傳播，不加入輿情控制；情景3，雙平臺傳播，在微信平臺進(jìn)行媒體引導(dǎo)；情景4，雙平臺傳播，在雙平臺進(jìn)行媒體引導(dǎo)；情景5，雙平臺傳播，在微信平臺進(jìn)行政府干預(yù)；情景6，雙平臺傳播，在雙平臺進(jìn)行政府干預(yù)。仿真結(jié)果如圖4 所示。

圖4 單/雙平臺輿情傳播控制仿真結(jié)果

情景1 曲線在仿真時間內(nèi)保持在1 左右，尚未形成輿情（t=90 左右開始下降）；情景2 較情景1曲線迅速下降，輿情開始傳播，表明多平臺互動傳播使輿情演化弛豫時間縮短，輿情事件發(fā)生的概率也相應(yīng)提高；情景4 較情景2 穩(wěn)態(tài)未知者數(shù)量有明顯下降，演化弛豫時間減少，表明媒體報道使網(wǎng)民更快知曉信息，輿情演化速度加快；情景3 不如情景4 效果明顯，表明多平臺媒體協(xié)同引導(dǎo)較單平臺更有效果；情景6 較情景2 穩(wěn)態(tài)未知者數(shù)量有明顯上升，演化弛豫時間減少，表明政府干預(yù)使得輿情迅速平息，并且部分網(wǎng)民沒有接觸到信息；情景5較情景6 弛豫時間長，穩(wěn)態(tài)未知者數(shù)量少，表明雙平臺同時控制較單平臺更有效。仿真結(jié)果說明，跨平臺信息交互促進(jìn)了輿情的演化；媒體引導(dǎo)要在多社交平臺同時發(fā)聲，才能引起網(wǎng)民的廣泛關(guān)注，引導(dǎo)輿情走向；政府干預(yù)要加強(qiáng)聯(lián)控聯(lián)防，多平臺同時著手。

5 結(jié)語

本文利用SEIR 模型和多智能體建模方法，構(gòu)建了符合微信、微博信息傳播特點的微信社交網(wǎng)絡(luò)層和微博社交網(wǎng)絡(luò)層，能同時反映媒體引導(dǎo)和政府干預(yù)影響的輿情控制層?；隈詈暇W(wǎng)絡(luò)描述層間信息交互和控制關(guān)系，構(gòu)建了“微信層-微博層-控制層”多層耦合網(wǎng)絡(luò)輿情傳播控制模型。在Anylogic 平臺上進(jìn)行仿真實驗，研究了輿情在單平臺傳播和雙平臺平臺同步傳播的差異、媒體引導(dǎo)和政府控制在單平臺實施和雙平臺同步實施的差異。仿真結(jié)果表明，跨平臺信息交互促進(jìn)了輿情的演化，輿情控制中要加強(qiáng)媒體間的協(xié)作和多平臺間的協(xié)同控制。該模型很好地刻畫了微信、微博平臺信息傳播特性，反映了輿情的跨平臺傳播效應(yīng)。