李鋼 王聿達

摘 要：[目的/意義]移動互聯網時代謠言傳播模式發(fā)生了巨大的變化，一方面謠言的擴散已不再局限于孤立的線下人際關系網絡或線上互聯網，謠言在耦合網絡之間的傳播變得更加普遍。另一方面，以往通過概率方式研究謠言的傳播存在很大的不準確性，受眾的個體特征差異對謠言的傳播起到了更重要的作用。本文針對上述現象進行了研究。[方法/過程]以受眾的年齡作為兩種網絡的耦合依據，提出基于受眾年齡的新型謠言傳播的耦合社交網絡（ASCN）。從受眾的認知能力、匿名程度、權威性等基本特征，以及受眾的從眾心理、記憶效應、好友的影響作用等心理特征方面對受眾進行畫像，構建多維度函數實現基于受眾畫像的謠言傳播模型。[結果/結論]基于ASCN對本文提出的模型進行模擬仿真。結果表明，ACSN能夠真實地反應出當前網絡環(huán)境下謠言傳播呈現出的“線下引起線上共鳴”、“線上溢散線下”的特征;受眾的基本特征和心理特征能夠對謠言傳播產生巨大的影響，能更好地反映社交網絡中謠言的傳播規(guī)律。

關鍵詞：社交網絡;耦合網絡;謠言傳播;SEIR模型;受眾畫像

DOI：10.3969/j.issn.1008-0821.2020.01.014

〔中圖分類號〕G206.2 〔文獻標識碼〕A 〔文章編號〕1008-0821（2020）01-0123-11

Research on Rumor Dissemination Model Based on

Audience Portrait Under Age Coupled Social Networks

Li Gang Wang Yuda

（School of Economics and Management，Beijing University of Posts and Telecommunications，

Beijing 100033，China）

Abstract：[Purpose/Significance]In the era of mobile Internet，rumors dissemination has undergone tremendous changes.On one hand，the spreading of rumors is no longer limited to isolated offline interpersonal networks or online Internet networks but has become more common in the coupled networks.On the other hand，individuals different characteristics play a more important role in the spreading of rumor rather than the traditional probabilistic way does.For the above reasons，this paper proposed a rumor propagation model based on audience portrait under Age Coupled Social Networks（ACSN）.[Method/Process]Our proposed network（ACSN）was constructed according to the age of the audience.In the network，individual was portrayed from the basic characteristics of the audiences cognitive ability，anonymity and authority，as well as the psychological characteristics of audiences conformity effect，memory effect and the influence of friends.A multi-dimensional function was proposed to realize the rumor dissemination model based on such portrait.[Result/Conclusion]The rumor dissemination model proposed in this paper was simulated under ASCN.The results showed that：1）ACSN could truly reflect the characteristics of rumor transmission under the current network environment;2）the basic and psychological characteristics of audience had a great impact on rumor transmission，and could better reflect rumor transmission in real social networks.

Key words：social network;coupled network;rumor dissemination;SEIR;audience portrait

國內外對于謠言有多種定義。Difonzo N等[1]將謠言定義為未經證實的信息，其內容通常為大眾關心的話題。美國社會學家特·希布塔尼認為謠言是一群人議論過程中的即興新聞?！俄f伯斯特英文大辭典》定義謠言是一種缺乏真實根據，或未經證實，公眾一時難以辨別真?zhèn)蔚妮浾?。奧爾波特[2]描述謠言具備兩個基本條件，即所涉及的話題對于傳播人群的重要性和證據的模糊性。由此可以看出，謠言是一種未經證實的、真實性模糊難辨的、在一定人群范圍和時間周期內具有傳播能力的信息。

在傳統(tǒng)社會里，謠言通過人際關系網絡口口相傳，其傳播渠道和范圍有限。隨著互聯網技術的飛速發(fā)展，特別是智能移動終端的迅速普及，信息的傳播不但在傳播渠道、傳播內容和傳播速度等方面有了很大的變化，傳播受眾的習慣和心理相較以往也發(fā)生了巨大的變化。同時，網絡所帶來的匿名性等特征加劇了信息的模糊性，使信息更加容易轉變?yōu)橹{言從而擴散。正是因為這些原因，受眾每天接觸到大量的難以驗證真實可靠性的信息，這些信息的傳播和控制越來越復雜，所帶來的不可預知的危害也越來越大。因此在互聯網時代，謠言傳播在學術研究和實際社會應用中都有重大意義。

由于社交網絡中信息的傳播與疾病傳播有著相似之處，學術界關于謠言傳播模型的研究大多來源于經典的傳染病傳播模型。傳染病傳播模型最初是Brauer F等[3]在研究倫敦流行的黑死病時提出的SIR模型，該模型將傳染病流行范圍內的人群分成易感者S，感染者I和免疫者R，人群中每個個體的狀態(tài)在3類之間轉換。Zanette D H[4]首次將SIR模型應用到謠言傳播，并基于復雜網絡理論在小世界網絡上對傳播閾值進行了分析。錢穎等[5]基于SIR模型對微博上的輿情傳播模型進行了研究。Xiong F等[6]以SIR模型為基礎，通過引入接觸狀態(tài)構建了基于SCIR的微博網絡輿情話題傳播模型。

上述對于謠言傳播的研究雖然來源于疾病傳播模型，但又不斷揭示出兩者的差異，即處于社交網絡中的個體不僅具有普遍的物理特征，同時具備不同個體的社會屬性，其知識水平、價值傾向、社交屬性、心理因素等對于信息的選擇與傳播具有重要的作用，因此以概率的方式同質的研究謠言的傳播和演化存在很大的不準確性，不能準確地反映謠言傳播的特征，網絡中不同受眾的個體特征對謠言的傳播起到了更重要的作用。Lv L Y等[7]將個體的差異融入謠言傳播模型，從記憶效應、社會加強作用和非冗余接觸等角度對模型進行了改進。范純龍等[8]基于個體間的親密度和謠言接收次數提出了一種改進的謠言傳播模型，該模型能夠更加準確地反映社交網絡中謠言的傳播規(guī)律。洪巍等[9]在傳統(tǒng)的SIR模型基礎上加入真實信息傳播者，構建了SIRT謠言傳播模型，模型考慮了網民對信息的辨識能力、風險認知水平、媒體發(fā)布信息透明度、媒體公信力、記憶效應等因素對謠言傳播過程的影響。以上這些研究雖然在傳染病模型的基礎上加入了謠言傳播個體的特征以及媒體特征，但考慮的因素還不夠全面。

此外當前真實社交環(huán)境復雜，謠言傳播的模式相較以往發(fā)生了較大的變化。大眾接收和傳播謠言存在傳統(tǒng)的線下人際關系網絡和線上的互聯網，謠言的擴散已不再局限于單個網絡內，兩種網絡之間信息的滲透甚至相互干擾已變得較為普遍。于凱等[10]根據現實中信息的擴散情況，構建了線上線下雙層耦合網絡模型，并結合傳播學和社會心理學理論提出了層間對稱和非對稱的輿情傳播機制。朱恒民等[11]構建了線上線下互動輿情傳播模型，該模型表明線上線下的互動擴大了話題傳播的速度和廣度。從現有研究來看，基于雙層耦合網絡拓撲結構謠言傳播的研究僅處于起步階段，由于謠言在線下網絡中傳播仍然占較大比重[12]，對雙層耦合網絡中謠言傳播進行研究具有重要意義。

綜上，本文首先分析了在線社交網絡與線下人際關系網絡的不同特征，并基于兩個網絡中人群的年齡特征進行了耦合，從而構建了更加真實的基于受眾年齡的新型社交網絡（Age Coupled Social Network，ACSN）。進一步，基于受眾個體特征，通過對每個個體從認知、年齡、匿名度、權威性等基本特征以及從眾效應和記憶效應等心理特征等角度進行差異化分析，提出了基于網絡中受眾畫像的謠言傳播模型。

1 新型耦合社交網絡特征分析及構建

1.1 研究思路

線下網絡是指現實生活中人與人面對面交往形成的真實人際關系網絡，信息的傳播通過個體之間的口口相傳。根據“六度分割理論”，線下人際關系網絡中的節(jié)點能夠通過網絡中數量較少的節(jié)點間接發(fā)生聯系，從復雜網絡的角度來看，線下人際關系網絡有較短的平均路徑長度和較高的聚類系數，具有明顯的小世界特性[13]。

線上社交網絡是指在互聯網環(huán)境中不同用戶通過某一特定平臺產生某種關聯關系，從而形成一種人與人之間的關系網絡狀的結構，比較常見的線上社交網絡包括微博、微信等。以微博為例，微博中用戶之間的關聯關系分為關注關系與粉絲關系，用戶基于這種關注與被關注的關系構成了現實微博關系網絡。在微博關系網絡中，少數用戶擁有大量粉絲，其發(fā)布的信息影響范圍較大，而大部分用戶僅有少數的粉絲，對整個網絡帶來的影響力有限。根據Girvan M等[14]對在線社交網絡結構的分析，以微博為代表的在線社交網絡中節(jié)點的度服從冪分布，與無標度網絡具有相似的特性。

相較于之前，互聯網時代社交網絡所涵蓋的范圍逐步從現實中的人際關系網絡，演變?yōu)樘摂M的互聯網線上社交網絡與現實中的人際關系網絡相互重疊的新型社交網絡。在以微博為代表的自媒體時代，在線社交網絡與線下人際關系網絡的緊耦合使信息傳播呈現出明顯的共鳴效應和溢散效應[15]。所謂共鳴效應是指線下突發(fā)的熱點話題引起網絡輿論共鳴，從而使失真的信息在互聯網中迅速傳播，加劇形成謠言，“余杭中泰垃圾焚燒廠事件”是典型案例。同時微博的大眾媒介特性，又能夠使網絡話題快速溢散到各類人群中，與網絡形成合力促使形成線下事件，“滴滴順風車事件”就是通過微博的刷屏引發(fā)全社會對于公共安全的關注與討論。

從復雜網絡的角度可以理解為線上社交網絡與線下人際關系網絡存在某種耦合關系。根據CNNIC發(fā)布的第43次《中國互聯網絡發(fā)展狀況統(tǒng)計報告》以及騰訊發(fā)布的《2017年微博用戶發(fā)展報告》，中國互聯網網民和微博用戶在年齡結構上均呈現為正態(tài)分布，并以20～30歲的人群為主要群體，也就是說這個年齡段的人既是線下人際關系網絡的參與者，同時又是互聯網信息的主要傳播者。將個體的年齡作為節(jié)點耦合的依據，能夠更加真實地反映出當前新型社交網絡的真實情況。本文定義了耦合度來定量表示兩個網絡的耦合強度。耦合度為線下人際關系網絡中擁有耦合邊的節(jié)點占比。我們定義網絡中受眾年齡服從正態(tài)分布N（μ，σ2），其中μ表示節(jié)點的平均年齡，σ代表年齡的標準差。通過前面的分析可知，耦合度越大表示線上線下能夠耦合的節(jié)點占比越多，也就是耦合節(jié)點的年齡范圍越大。耦合度既反映了兩個網絡之間的耦合強度，同時又反映出民眾互聯網化程度，互聯網化程度越高，使用網絡自媒體的用戶年齡跨度就會越大，相應的兩個網絡之間的耦合越緊密。

基于以上分析，本文提出了基于受眾年齡耦合的新型社交網絡（ACSN）。

1.2 網絡構建

1.2.1 前提假設

本文所構建的ACSN為靜態(tài)網絡，即網絡中的節(jié)點數量及特征不會隨時間發(fā)生變化。

1.2.2 線下網絡構建

由上文分析可知，線下人際關系網絡具有小世界網絡的特征，因此本文以Watts D J等[13]提出的WS小世界網絡為載體，構建線下人際關系網絡模型。構建步驟如下：

1）給定一個含有N個節(jié)點的環(huán)狀最近鄰耦合網絡，其中每個節(jié)點都與它左右相鄰的各K/2個節(jié)點相連，K是偶數;

2）對網絡中每個節(jié)點的每一條邊都以概率p移除并重新與網絡中其他的節(jié)點隨機相連，新添加的邊是距離較遠節(jié)點。

1.2.3 線上網絡構建

線上社交網絡具有無標度網絡的特性，本文依據Albert R等[16]提出的網絡中節(jié)點的度服從冪分布的BA無標度網絡，以微博用戶為節(jié)點，關注關系為邊，構建網絡來模擬微博網絡，構建步驟如下：

1）在初始時刻有m0個互不相連的節(jié)點;

2）每次加入1個新的節(jié)點，這個新的節(jié)點連接到網絡中已存在的m個節(jié)點上。新加入的節(jié)點與網絡中已存在的節(jié)點i連接的概率p與節(jié)點i的度ki有關。

1.2.4 層間節(jié)點耦合

根據ASCN研究思路，本文所構建的網絡中線上與線下兩層網絡的節(jié)點數相同，每個節(jié)點的年齡隨機并服從正態(tài)分布。為了便于實驗驗證，參考《2017年微博用戶發(fā)展報告》，本文取微博用戶平均年齡25歲，標準差5歲，即節(jié)點的年齡服從N（25，52）。節(jié)點根據耦合度所對應的年齡確定該節(jié)點在兩個網絡間是否耦合。

2 基于受眾畫像的謠言傳播模型

2.1 新型耦合社交網絡受眾特征分析及受眾畫像

受眾作為謠言傳播的主體，其個體特征對謠言的傳播起到了重要的作用，甚至比謠言的源頭動因更加重要。因此本文所提出的傳播模型基于受眾的特征，對社交網絡中的個體進行畫像，不同的個體對于同一謠言的傳播概率并非一個確定的常數。本文主要從個體的基本特征和心理特征兩類特征對網絡中的受眾進行畫像。

2.1.1 受眾的基本特征分析

受眾的基本特征包括受眾的認知能力、受眾在社交網絡中的匿名程度以及受眾本身的權威性等。

1）認知能力：受眾的辨識能力對于謠言的傳播具有很重要的作用。廣大受眾基本常識的缺乏、“寧可信其有，不可信其無”的心態(tài)，導致受眾在對信息準確性缺乏認識判斷的情況下對這些信息進行傳播;

2）匿名度：互聯網環(huán)境中，信息傳播的雙方主要通過文字或者圖片進行溝通，個人的性別、年齡、外貌、社會身份甚至真實姓名都可能會被隱匿。這種匿名會讓受眾在社交網絡中無所顧忌的表達出隱藏在心中的真實想法。因此個人在網絡中的匿名會導致一些虛假信息的擴散，促使謠言的形成及傳播;

3）權威性：在社交網絡中存在意見領袖的現象，也就是說一個權威用戶具有較高的社會影響力，其言行會影響到多數用戶。因此權威性較高的個體，往往有自己的觀點體系，較難受到其他觀點的影響，不會輕易相信并轉發(fā)未經核實的謠言。

2.1.2 受眾的心理特征分析

受眾的心理特征是受眾特征的重要組成部分，對謠言的傳播行為會產生重要的影響。作者之前已就受眾心理特征對傳播的影響進行了詳細研究[17]，本文引用之前的研究成果，從周邊好友的影響效應、從眾效應和記憶效應3個方面刻畫受眾心理特征。

1）好友效應：從心理學角度來講，好友間親密度越高，說明兩者有著近似的興趣愛好、價值觀與知識，謠言更容易在兩者之間傳播;

2）從眾效應：從眾效應是一種追隨別人行為的常見心理效應，是指個體受到群體的影響而改變自己的觀點、判斷和行為，以和他人保持一致。在社交網絡謠言傳播中，從眾效應對于謠言傳播既有積極的促進作用，同時也會抑制謠言的傳播;

3）記憶效應：互聯網中信息的轉載非常容易，受眾很容易在短時間內從不同渠道或者不同傳播者口中多次接收到相同的謠言，強化受眾記憶，從而增大信息傳播的概率。

2.2 新型耦合社交網絡謠言傳播模型算法描述

2.2.1 受眾狀態(tài)分類

在移動互聯網時代，由于信息轉發(fā)的便捷性以及信息發(fā)布者的匿名性等原因使得信息傳播的門檻降低，受眾每天被動接觸到的信息呈現一種爆炸式的增長，謠言產生的頻率隨之劇增。受到大量無法辨識真?zhèn)蔚男畔⒌臎_擊，受眾對于信息所持的態(tài)度不再局限于未知、感興趣從而進行傳播、不感興趣從而拒絕傳播3種狀態(tài)，更多的是處于已知該信息，并觀望該信息的發(fā)展的狀態(tài)，因此本文采用了SEIR模型[8]，即在傳統(tǒng)的SIR模型的基礎上增加了已知狀態(tài)，具體狀態(tài)描述如下：

1）未知狀態(tài)S（Susceptible）：該類節(jié)點從未接觸過謠言，有接收謠言信息的能力。

2）已知狀態(tài)E（Exposed）：該類節(jié)點已經接觸過謠言，對謠言持懷疑態(tài)度，暫時觀望并不傳播。

3）傳播狀態(tài)I（Infected）：該類節(jié)點聽信謠言，并在網絡中將謠言傳播給其好友節(jié)點。

4）免疫狀態(tài)R（Removed）：該類節(jié)點對謠言失去傳播興趣，不再參與謠言的傳播。

2.2.2 層內受眾狀態(tài)轉移規(guī)則

在本文所描述的模型中，每一個時間周期遍歷網絡中的每一個節(jié)點，根據其層內鄰居節(jié)點的狀態(tài)來決定此時鐘間周期的狀態(tài)，直到所有節(jié)點遍歷一次后該時間周期結束。單層網絡內節(jié)點的狀態(tài)，根據圖1的演化規(guī)則進行狀態(tài)轉移，轉移規(guī)則如下：

1）如果受眾處于未知狀態(tài)S，當周圍存在傳播狀態(tài)I的節(jié)點時，未知狀態(tài)的節(jié)點因為接觸到謠言傳播者而以概率p1轉為傳播狀態(tài)，或者以概率p2=1-p1轉為已知狀態(tài)。根據上文分析，概率p1由受眾的基本特征和受眾的心理特征共同組成，其數學表達式如下：p1=（1-A）*B*C*D*E。其中，A表示受眾的認知能力，服從正態(tài)分布，值介于0～1之間，0代表認知水平最低，1代表認知水平最高;B表示網絡中客觀存在的匿名度，用介于0和1之間的連續(xù)變量θ加以描述，B=1+1e-1eθ，0表示在社交網絡中完全不匿名，而匿名度1表示完全匿名，對于線下人際關系網絡，匿名度為0;C表示受眾的權威性，通過受眾在網絡中的度k與網絡中最大的度kmax來表示，C=1-kkmax;D表示受眾受到從眾效應的影響，根據論文[17]的結論，D=12+12*1-e-m（t）k+e-n（t）k-11-1e;E表示好友的親密度，根據論文[8]，E=1-e-wij，其中wij表示傳播者i與用戶j的社交關系度，用共同好友數量占節(jié)點i所有好友的比。

2）如果受眾處于已知狀態(tài)E，也就是受眾已經接觸過謠言，但對謠言持懷疑態(tài)度，暫時處于觀望期間。區(qū)別于傳統(tǒng)的SEIR模型，在本文所提出的模型中，處于E狀態(tài)的節(jié)點并不是以概率的形式轉變?yōu)镮狀態(tài)或者R狀態(tài)，而是由受眾心理特征中的記憶效應所決定。我們認為對于同一條謠言，受眾很容易在短時間內從不同渠道或者不同傳播者口中多次接收到相同的信息，此時受眾傳播謠言的機會必然會增大，與之相對的，如果處于E狀態(tài)的節(jié)點在后續(xù)的時間周期內沒有再次收到同樣的信息，那么受眾傳播該信息的概率就會降低。我們設置一個用戶接收到同樣信息的次數累積量s（t），初始時刻將s（t）設置為0，表示該節(jié)點剛從S狀態(tài)轉變?yōu)镋狀態(tài)，如果在下一個時間周期，該節(jié)點周圍有新轉變?yōu)镮狀態(tài)的節(jié)點，那么s（t）=s（t）+1，否則s（t）=s（t）-1。我們設置閾值ε，如果記憶效應的累加量s（t）高于了閾值，那么下一時間周期改節(jié)點轉變?yōu)镮狀態(tài)，如果s（t）低于閾值，該節(jié)點將會變?yōu)镽狀態(tài)。

3）如果受眾處于謠言傳播狀態(tài)I，區(qū)別于傳統(tǒng)的SEIR模型中通過概率的方式轉變?yōu)镽狀態(tài)，本文我們通過記憶和謠言熱度的衰減來決定狀態(tài)的轉移。我們使用標準指數函數來表示時間的衰減，通過周圍有關聯邊的節(jié)點中I狀態(tài)節(jié)點的占比來表示謠言傳播熱度的衰減，所以衰減因子a（t）=e-t*m（t）k，其中t表示處于I狀態(tài)的時間，m（t）表示在t時刻周邊I狀態(tài)節(jié)點的數量，k表示該節(jié)點的度。同樣此處我們設置閾值δ，當衰減因子a（t）低于閾值，該節(jié)點將轉變?yōu)镽狀態(tài)。

4）謠言免疫狀態(tài)的節(jié)點將不會再對此類謠言進行傳播，相應的狀態(tài)將不會發(fā)生變化。

2.2.3 層間狀態(tài)協同規(guī)則

根據費斯廷格的認知失調理論，受眾對某事件產生觀點、態(tài)度或情緒的矛盾時，希望協同自身不同認知之間的平衡，以消除這種矛盾所帶來的緊張感?；谠摾碚?，在本文中，受眾在某時間周期一旦產生線上、線下認知不協調或相互沖突的情況，將對該沖突進行協同，并將協同后的狀態(tài)作為下個時間周期的狀態(tài)，以保證線上、線下狀態(tài)的一致。

考慮沉默雙螺旋理論，受眾在線上可受相鄰節(jié)點的影響決定自身在線上及線下的傳播狀態(tài)，同時輿論在網絡中呈現著匿名性的特點，使得意見的發(fā)表具有自由性，受眾線下的觀點可自由在線上網絡中表達。這種層間狀態(tài)協同符合“線下引起線上共鳴”、“線上溢散線下”的特征[15]。

1）初始t=1時刻，選擇線上節(jié)點3作為謠言傳播源，其余節(jié)點都處于S態(tài)。此時根據線上的謠言溢散到線下，線下網絡中的節(jié)點3同時變?yōu)镮狀態(tài)。

2）當t=2時，謠言在線上網絡中完全散播，網絡中的1、3、5、6節(jié)點都收到了該謠言，節(jié)點1、4、5變?yōu)榱擞^望E狀態(tài)，節(jié)點6變?yōu)镮狀態(tài)，同時謠言在線下網絡中也傳播開，節(jié)點2和節(jié)點3受到影響，其中幾點2變?yōu)镋狀態(tài)，而節(jié)點3變?yōu)镮狀態(tài)，根據線上網絡中的謠言溢散到線下的特征，線下網絡中的1、5隨之變?yōu)镋狀態(tài)，6變?yōu)镮狀態(tài)，而線下網絡同樣引起線上共鳴，4節(jié)點變?yōu)镮狀態(tài)。

3）當t=3時，由于時間衰減的作用，線上網絡中的3、5節(jié)點變?yōu)镽狀態(tài)，由于線上信息較為豐富，能夠抑制線下網絡謠言，所以線下網絡的3、5節(jié)點隨之也變?yōu)镽狀態(tài)。

4）當t=4時，所有節(jié)點均變?yōu)镽狀態(tài)。

3 實驗與結果分析

本文使用C語言構建社交網絡并仿真分析輿情話題傳播過程，所構建的ACSN由線上無標度網絡和線下小世界網絡組成，網絡規(guī)模為1 600個節(jié)點。其中線下網絡基于WS網絡，重連概率為0.8，平均度為6。線上網絡基于BA網絡，聚類系數為0.23，最大度為92。根據前文所提出的模型，每個節(jié)點具有年齡屬性，為便于實驗驗證，節(jié)點的平均年齡25歲，標準差5歲，即節(jié)點的年齡服從N（25，52）。由于傳播概率p1=（1-A）*B*C*D*E，在初始系統(tǒng)設定中，設定平均認知能力A=0，平均匿名度B=1，此時認知能力和匿名度對傳播概率的無影響，其他特征對p1的敏感性最大化，同時受眾的權威性C、從眾效應D及好友效應E等3個特征值都默認存在。

由于本文所提出的耦合模型和傳播模型是基于靜態(tài)網絡的，因此本文暫不考慮網絡的動態(tài)變化，即認為謠言傳播過程中網絡的規(guī)模和結構保持不變。實驗過程中，在初始時刻將一個節(jié)點的狀態(tài)置為傳播狀態(tài)，其余所有節(jié)點為未知狀態(tài)，在隨后的100個時間周期內統(tǒng)計每個時間周期的未知態(tài)、已知態(tài)、傳播態(tài)、免疫態(tài)的節(jié)點的數量。為降低實驗結果的偶然性，每組實驗的結果采用100次仿真的平均值。

3.1 耦合對謠言傳播的影響

本實驗將對比耦合對于謠言傳播的影響。我們設置了3組實驗，第一組實驗是一個平均度為6的小世界人際關系網絡，第二組實驗為一個聚類系數為0.23、最大度為92的無標度線上社交網絡，第三組實驗為基于受眾年齡耦合的新型社交網絡（ACSN），我們將耦合度F設置為0.8，也就是線下人際關系網絡中擁有耦合邊的節(jié)點占比為0.8。

從圖3（a）和圖3（c）中可以看出，當初始1個節(jié)點傳播謠言時，在獨立的線下人際關系網絡中，只有與初始節(jié)點相連的4個節(jié)點受到影響，而且這4個節(jié)點并未進一步變?yōu)閭鞑顟B(tài)。與之形成鮮明對比的是，在ASCN中，處于傳播狀態(tài)的節(jié)點最多達到753個，并且所有的節(jié)點最終都處于R狀態(tài)，耦合后的網絡極大地促進了原本在線下網絡中無法廣泛傳播的謠言。對比圖3（b）和圖3（d），兩個網絡耦合后，在線網絡中處于I狀態(tài)的節(jié)點數量從463個增加90%至882個，同時R狀態(tài)節(jié)點增多了57%，并且可以明顯看到I狀態(tài)的曲線變陡峭，說明耦合使話題在在線社交網絡中的傳播速度更快、影響范圍更廣。

通過實驗我們可以分析出，在現實世界中，由于線下人際關系網絡和線上社交網絡的同時存在，以及信息的相互耦合傳播，一些原本在線下無法傳播開的話題將會迅速傳播，一些原本在線上社交網絡中沒有大范圍傳播的事件能夠覆蓋整個網絡，引發(fā)大量受眾的關注，成為熱門話題，從而引發(fā)輿情危機。本實驗驗證了線上線下網絡耦合后，輿情傳播“線下引起線上共鳴”、“線上溢散線下”的特征。

3.2.6 記憶效應對傳播的影響

本仿真實驗用于驗證不同記憶效應閾值對最終傳播范圍的影響。實驗中，除記憶效應之外的其他受眾特征同上述實驗。我們設置了3組實驗，對應記憶效應閾值為1、3、5，表示處于已知狀態(tài)的受眾分別連續(xù)1、3和5個時間周期內有新增傳播狀態(tài)的鄰居時，該受眾的狀態(tài)由于記憶效應而從已知態(tài)轉變?yōu)閭鞑B(tài)。初始時刻將一個節(jié)點的狀態(tài)置為傳播狀態(tài)，最終社交網絡受眾狀態(tài)穩(wěn)定后，記錄免疫狀態(tài)節(jié)點個數。

如圖9所示，記憶效應閾值為1的網絡中，最終免疫狀態(tài)節(jié)點的個數是閾值為3的網絡的1.4倍，是閾值為5的網絡的2.3倍。實驗結果驗證了受眾記憶效應對于謠言傳播范圍擴大的促進作用。在當前新型社交網絡環(huán)境下，對于同一條謠言，受眾很容易在短時間內從不同渠道或者不同傳播者口中多次接收，這種短時間的多次記憶強化，促使處于已知狀態(tài)的受眾轉變?yōu)閭鞑顟B(tài)，這就是所謂的“三人成虎”。同時從實驗結果可以看到，記憶效應的閾值越小，表明受眾在更短的時間內更容易轉變觀點，更能夠促進謠言的傳播范圍。

4 結 論

本文以社交網絡謠言的傳播為研究對象，分析當前謠言傳播的特點，提出了一種基于受眾畫像的新型社交網絡謠言傳播模型。首先，針對當前大眾社交環(huán)境中，謠言的擴散已不再局限于單獨的線下人際關系網絡或者線上的互聯網，兩種網絡之間信息的滲透甚至相互干擾已變得較為普遍這一現象，結合兩類網絡的特征，提出了一種通過受眾年齡耦合的新型謠言傳播的社交網絡（ACSN）。其次，考慮將受眾的認知能力、匿名程度、權威性等基本特征，以及受眾的從眾效應、記憶效應、好友的影響作用等心理特征等方面進行畫像，將傳統(tǒng)謠言傳播模型中的謠言的傳播從一個概率值變?yōu)榛谑鼙姸嗑S度畫像的函數，從而提出了基于網絡中受眾畫像的謠言傳播模型。最后，通過構建ACSN仿真驗證本文提出的謠言傳播模型。

實驗結果表明：1）由于兩類網絡之間耦合的存在，一些原本在線下無法廣泛傳播的話題將會迅速傳播，一些原本在線上社交網絡中沒有大范圍傳播的事件能夠覆蓋整個網絡，本文提出的ACSN能夠真實地反應出這種輿情傳播“線下引起線上共鳴”、“線上溢散線下”的特征;2）在這種新型的社交網絡下，受眾的認知、匿名度等基本特征和記憶效應、從眾效應等心理特征能夠對謠言傳播產生巨大的影響。受眾的認知能力的提升，能夠有效地降低謠言傳播的范圍。受眾的匿名程度對謠言的生成和傳播時起到了催化劑的作用，當網絡的平均匿名度高到一定程度時，任何謠言都可能會擴散到整個網絡中。在謠言傳播率較低時，受眾的從眾心理能夠阻礙信息的傳播，而當信息傳播速率較高的時候，從眾又能夠極大的促使謠言的傳播。受眾的記憶效應，能夠促進謠言的傳播，印證“三人成虎”這一現象。

雖然本文對所提出的ASCN以及基于受眾畫像的謠言傳播模型在通過計算機模擬兩類網絡以及用戶特征來仿真驗證的，但我們相信本文所做的研究對于政府決策部門提前獲知謠言的傳播以及監(jiān)管輿情的衍化具有一定的作用。后續(xù)我們將重點根據實驗仿真結果抓取真實數據進行驗證。

參考文獻

[1]Difonzo N，Bordia P，Rosnow R L.Reining in Rumors[J].Organizational Dynamics，1994，23（1）：47-62.

[2]奧爾波特.謠言心理學[M].沈陽：遼寧教育出版社，2003.

[3]Brauer F.The Kermack-McKendrick Epidemic Model Revisited[J].Mathematical Biosciences，2005，198（2）：119-131.

[4]Zanette D H.Dynamics of Rumor Propagation on Small-world Networks[J].Physical Review E，2002，65（4）.

[5]錢穎，張楠，趙來軍，等.微博輿情傳播規(guī)律研究[J].情報學報，2012，31（12）：1299-1304.

[6]Xiong F，Liu Y，Zhang Z，et al.An Information Diffusion Model Based on Retweeting Mechanism for Online Social Media[J].Physics Letters A，2012，376（376）：2103-2108.

[7]Lv L Y，Chen D B，Zhou T.The Small World Yields the Most Effective Information Spreading[J].New Journal of Physics，2011，13（12）：123005.

[8]范純龍，宋會敏，丁國輝.一種改進的SEIR網絡謠言傳播模型研究[J].情報雜志，2017，（3）：90-95.

[9]洪巍，王虎.基于SIRT的網絡謠言傳播演化模型的研究[J].現代情報，2017，（6）：38-44.

[10]于凱，榮莉莉，郭文強，等.基于線上線下網絡的輿情傳播模型研究[J].管理評論，2015，（8）：200-212.

[11]朱恒民，楊柳，馬靜，等.基于耦合網絡的線上線下互動輿情傳播模型研究[J].情報雜志，2016，（2）：139-144.

[12]沈超，周姝怡，朱恒民.網絡謠言傳播中群體角色研究[J].情報雜志，2016，35（11）：113-118.

[13]Watts D J，Strogatz S H.Collective Dynamics of‘small-worldNetworks[J].Nature，1998，393（6684）：440-442.

[14]Girvan M，Newman M E.Community Structure in Social and Biological Networks[J].Proceedings of the National Academy of Sciences of the United States of America，2002，99（12）：7821-7826.

[15]董天策，陳映.試論傳統(tǒng)媒體與網絡媒體的議程互動[C]//中國傳播學會成立大會暨全國傳播學研討會，2006.

[16]Albert R，Barabasi A.Statistical Mechanics of Complex Networks[J].Reviews of Modern Physics，2001，74（1）：47-97.

[17]Wang Y，Li G.The Spreading of Information in Online Social Networks through Cellular Automata[J].Complexity，2018：1-9.

（責任編輯：孫國雷）