网络舆情事件演化的仿真实践研究

总结了网络舆情的形成机理以及场势深化规律，不过研究中并不涉及量化测度网络舆情场[3]。高歌在分析网民、媒介和政府对网络舆情影响后，运用系统动力学和传播学理论与模型，对网络舆情演进进行仿真，探究网民、媒介和政府三者对网络舆情的影响力[4]。本文在学者们的研究基础上，基于NetLogo仿真平台以无标度网络模型BA（Barabasi-Albert）和传染病模型SIR（Susceptible -Infective-Removal）实现图形化网络群体性事件的演化过程。

1 复杂网络与NetLogo

1.1 复杂网络概述

1998年，Duncan Watts和Steven Strogatz最先提出了从规则网络到随机网络转变的小世界网络模型[5]，1999年，Albert-Laszlo和Barabasi指出很多网络中点的连接是没有明显的特征长度的幂律形式，具有这种形式的网络被称为无标度网络。同时具有小世界和无标度这些特性的网络就可以称为是复杂网络[6]。现实社会中可以用复杂网络来描述很多复杂的系统，这些系统分布在科研网、万维网、电力、航空和生物学等领域[7]。在一个复杂网络中，网络节点代表系统元素，连接节点的线代表元素之间的相互作用。应用到社会网络中，节点可以用来表示个体、组织或者机构，边就用来表示这些个体或组织间的社会关系。复杂网络和其他网络相比复杂性主要体现在3个方面。第一，复杂网络的网络结构很复杂，各个节点之间的关系没有具体明确的界定；第二，它的网络节点数量处于动态变化中，连接节点的关系也随之呈现复杂化、多样化；第三，它的动力学因素较为复杂，节点属于非线性系统，有很多非线性动力学特征[8]。

目前学者们对复杂网络的研究主要有3个方面。第一个是网络的形成与演化模型机制，就是通过建立模型来模仿网络的真实运转行为；第二个是研究复杂网络的稳定性，在它面对不同突发状况时的动作能力；第三是它的动力学因素，也是研究的最终形式，掌握复杂网络的动力学知识能更好的控制网络舆情和其他信息在网络上的传播。本文在复杂网络的信息传播理论的基础上，对网络群体性事件的演化过程进行模拟仿真研究。

1.2 NetLogo仿真平台

Netlogo是一个可编程的建模环境，主要用来对自然和社会现象进行仿真模拟[9]。它是由美国西北大学连接学习和计算机建模中心（Center for Connected Learning and Computer- Based Modeling；CCL）开发并负责持续开发，其研发目的正是为科研教育机构提供一个强大且易用的计算机辅助工具，本文采用NetLogo4.1版本。

Netlogo的特点让它很适合随时间变化的复杂系统，它会向系统中的智能代理发布指令，可以用来探究个体行为的微观层面和多个代理之间交互完成的宏观模式之间的联系[10]。Netlogo主要功能有：多Agent建模、运行控制、仿真实验、系统动力学仿真、参与式仿真和模型库等。其中的多Agent建模指的是将分布在系统中独立的Agent同步更新，从而整体随时间变化而变化[11]。实验管理是Netlogo平台存在的行为空间，即Behavior Space自动管理仿真运行，并记录结果。而仿真的输出主要是提供多种手段实现仿真运行监视和结果输出。

Netlogo的仿真通常包括主体、空间表达和仿真推进三个层面[12]。主体又可以简单分为四类，即Turtles（小海龟）、Patches（瓦片）、Observer（观察者）和Links（连接），它们可以表示出虚拟世界中的主体和联系。空间表达即虚拟世界中的一种坐标，通过是一种连续的空间。仿真推进是对某个例程的不断执行，通过设置模型中初始化状态以及仿真模拟两个例程实现。

2 网络群体性事件演化模型

2.1 SIR模型分析

本文選取传染病模型SIR来对网络群体事件的演化进行仿真。在SIR中，已经感染了的感染者可以去感染易感染者并使之成为新的感染者，感染者可以被治好并同时具有一定的免疫力[13]。在SIR仓库模型中针对传染病把人群分为三类[14]：S类用来表示易被感染的人，用s（t）来表示t时刻这类人的数量；I类用来表示被感染的人，用i（t）来表示t时刻这类人的数量；R类用来表示从染病者恢复的人，用r（t）来表示t时刻这类人的数量。对应到舆情事件中的角色来即为（易被影响者）易感染，（已被影响者）染病者，（非影响者）移出者，用S来代表没有收到信息的用户，I指那些收到信息并且转发的用户，R是收到信息但不做出反应的用户[15]。

从公式中很容易得知当t无限大时，i（t）=0，其中p表示一个门槛值，应该降低传染系数k并且提高恢复系数l，这无论是在控制传染病上还是在控制网络舆情上都具有很重要的现实意义。

2.2 模型构建

通过对复杂网络和相关模型的分析，网络群体事件信息的传递特点符合BA无标度网络模型的特点[16]，网络群体性事件的演化具有以下4个特点。

1）意见领袖现象。网络舆情中的意见领袖指的是在网络中有着大范围影响力的活跃分子，在群体事件中发出的观点能得到公众的认可，从而引导舆论的走向[17]。这些意见领袖体现在网络上就是一个个较大的网络节点。

2）社会群体现象。物以类聚，人以群分。在社会中每个人都有自己的社交圈。假设A有朋友B和C，那么B和C互为朋友的概率也很大。在群体性事件的参与中，不仅参与者之间有联系，他们也与事件外的人有联系，个人和群体都处于整个网络的大环境中[18]。群体现象也就是网络结构上的集群系统。

3）反映人际关系的亲疏。人们在网络的地位并不是对等的，在不同事件中会有着不同的影响能力。当一个成员与其他成员都是直接联系时，在这个网络此节点不存在结构洞，那么他的影响能力的权值就比较大，权值反映了意见相互影响的程度[19]。

4）反映朋友的数量限制。150法则（rule of 150）指出人类智力上限允许我们的稳定社交人数约150人[20]。不管是社交网络还是现实生活中都受这一条件限制，网络节点的度或者相应的权重也会受到一定的限制。

3 模型仿真及实验结果分析

3.1 NetLogo模型仿真实践

网络舆情事件在它的发展过程中，会不断地在网络与现实中产生互动。因为网络舆情事件的来源事件本身会随着时间的变化而发展，网络舆情也会随着事件的发展而发展。此外事件中的参与者或者事件外的旁观者也会有自身利益、观念和情绪的变化，这样大多网络舆情事件都会经历一个由形成期到高涨、波动的过程，最终淡化在新的舆情事件中[21]。

1）网络舆情的形成

网络舆情的起因有很多，社会事件或者突发事件的发生都有可能引起网络舆论。这些事件的共同特征在于它们是网民关注的重点，可能与网民利益或信仰相关，它们一发生就可以成为这些网民关注的焦点，很容易在网络上扩散开来。

2）网络舆情的高涨

在网络舆情基本形成后，意见领袖参与转发评论，可能进一步影响网民的情绪和意见，这样会使参与传播和讨论的人数不断增多。网络上各种头条和热点会自动推荐这些信息给更大范围的网民，网络舆情的影响会越来越大，并且根据事件的重要程度和政府相关部门的措施持续一段时间。

3）网络舆情的波动

在持续期间，舆情事件会在事件进展和意见领袖的引导下产生变化，各种舆论观点会产生相应的反应，合并相同的舆论观点并分化出不同的观点，此期间的舆论在一个较高关注度中小幅波动。

4）网络舆情的淡化或沉默

在网络舆情的平稳期，随着没有新的促进因素产生，网民会产生疲劳心里，关注热度也随之下滑，这一轮的网络舆情事件会慢慢淡化出网络。如果发生新的舆情事件，网络舆情就会很快进入新的一轮发展到淡化的过程。

本文所采用的仿真模型具有两个阶段——“setup”，然后“go”阶段。在安装阶段，创建一个网络。这一步是处理器密集型的，可能需要几分钟。世界产生一个定义的组数量，然后创建1或2组长，和1、2或3个组员。然后创建组长（意见领导者），让组员们 以75%的时间分配自己的注意力去最近的组，加入任何其他组。

最后，组长以社交网络形式，通过选择一定数量的附近的朋友，然后剩余数量的朋友从更远的地方选择。如果两个组长活跃在同一个社区里，他们将获得高达75%的社区成员。

在“go”阶段，每个受影响的个人要求每个链接评估他们是否会被影响，基于界面中输入的值。如果影响传播，这将成为明显的影响因素。一旦影响，虽然组员影响力较小，但是随着时间的推移，许多将被排除在组的风险，但仍有可能传播到组中。

在影响力低的种群，最初的模拟有时会失败。因此有一个规则，如果没有影响传播，自动复位，重新开始在同一个世界。

首先设置价值观。选择有多少组和其中多少百分比是隔绝影响的，也可以改变多少最初被影响和世界的总大小（补丁大小规模比例保持显示相同的大小）。

准备好后，单击设置。等到“模拟状态”读“ready”之前，点击。如果想看网络形成，使用开关按钮（注意，“传播路径切换”只工作一次仿真已经完成）。

单击Go运行仿真，点击step1后会出现的界面如图3左半部分所示，其中品红色的组长与紫色和绿色的组员还有大方块代表社区中出现的即时事件。小组成员之间的联系如图3右半部分所示。

点击step2： go until steady后显示如图4所示。其中黄色小节点表示事件发生后具有较大影响力的人，而红色大方块表示在此次事件后归为较大有影响的事件。

图4是在整个事件发生时候几类受影响的群体数目的变化依次分为：easyaffected（易受影响的，图中用紫色表示）、agree（同意，图中用红色表示）、immune（免除的，图中用绿色表示）、ever agree（不确定，图中用橙色表示）。

3.2 具体演化过程图示

通过设置意见领袖舆情传播率、小组间舆情传播率、小组成员舆情传播率、小组数、意见领袖数量、事件认同率、世界大小等变量参数，将仿真初始值与预期设定分为三类：常规网络舆情事件传播、突发大规模事件传播、一般的小范围传播。本小节以截图分别来演示这三类仿真过程。

3.2.1 常规爆发模式下模型变化

1）网络舆情的形成过程，本文选取ticks为0、5、8、14的时刻，主要是网络舆情发生的初始阶段，这4个典型的截图可以代表舆情形成的简要过程，如图5所示。

2）网络舆情的高涨过程即舆情已经形成且具有一定的规模，处理较为稳定的活跃状态，如图6所示。

3）网络舆情的波动变化，是由多种原因引起的网络舆情不规则变动，由于只是一个小波动过程，并不会影响舆情趋势，此处不演示图例。

4）网络舆情的淡化或沉寂状态即舆情淡出网民的关注，开始恢复到舆情形成之前的狀态。

3.2.2 突发大规模事件传播实验对比

在突发大规模事件中，变量的设置应更加极端。设置意见领袖的数量极多与极少对比如图7所示。

意见领袖之间舆情传播概率由0.02变化为0.10，小组之间舆情传播概率由0.20变化为0.01，小组成员之间舆情传播概率由0.005变化为0.05。完全爆发的最终态如图8所示。

3.2.3 一般的小范围传播（意见领袖影响力减少）

在小范围传播中意见领袖的影响力减小设置由80%变化为7%。事件完全沉寂终态如图9所示。

沉寂后事件在世界中形成孤岛现实表现为事件消失，可以看出最后只形成极小的意见孤岛。实验模拟小组由1510变化为220，这个变量改变并没有多大意义，因为现实世界中是有足够多的对象。

3.3 实验结论分析

仿真实验中所用的数据变化的实验结果如表1所示，仿真实验对比如图10所示。

由图10可以看出，在变量处于极端的情况下（主要分为了变量极大与变量极小，分别对应两类事件即事件迅速疯长与事件迅速消亡），而这都是不正常的事件传播情况，现实中的事件更加倾向于参数变量符合常规的数学模型。

实验中黄色舆情组长节点的意见，随着领导者意见从黄色变为红色组长也随之影响组员的状态，组员的颜色也随之变换，最终世界中大部分节点颜色都与部分舆情领导者状态一致。而实验的变化是不确定的，事件产生数是随机事件，可变化的是舆情领导者节点数，每次实验的结果呈现多样化，随着对多次实验的结果以及世界节点变化分析可以清晰表明，在常规舆情演化中话题数随时间逐渐减少，意见领袖的作用依旧显著，最后界面中保留的大节点（话题）基本与吸引力强大的意见领袖话题保持一致并且节点（话题）数有明显减少。与前期分情况分析结果基本一致。意见领袖影响力在舆情传播过程占据重要地位。即使在这个大众传媒和大众广告铺天盖地时代，据统计多达80%的公众意见都是受别人的影响，而这一现象很好地在本模型中展现出来。

结合本模型的仿真结果，可以得到以下三个结论。

①识别了在虚拟网络社区中网络群体性事件演化过程中意见领袖的作用，与常规节点相比，意见领袖有更大的度而发挥更大的传播作用。

②发现了控制网络群体性事件传播速度的条件。增加节点个数，增强意见领袖的度，或意见领袖之间的联系都可以让其传播速度在一定范围内有所增加，反之则减小。

③证实了网络群体性事件所引起的网络舆情传播具有的周期性。网络舆情在形成阶段，网民对信息的抗性能力低，因此信息会很快扩散出去；在高涨期内，出现整体稳定，局部波动的特征；最后一个事件的舆情会随着事件的发展而淡出网络。

4 总结与展望

本文结合复杂网络的特点，针对舆情发展的演化规律进行仿真，在理论上完成了基于多代理的复杂网络模型框架。并在理论的基础上用Netlogo来模拟整个网络舆情系统运作，证实了理论的正确性和可靠性，具有一定的理论和现实意义。

本文中叙述理论和模型还有两点不足，一个是当前现实中传播分析迫切地需要基于动态关系网络的理论，而目前已有的理论大多基于静态网络结构；另一点是本文在分析网络传播时没有区分整个网络的传播和局部社区网络的传播，现实中舆情的传播更多的是在某个地区达到高潮和稳定，而目前采用的传播方案多基于网络整体。今后研究可以从探寻动态网络结构理论出发，找到更适合真实世界中网络传播的理论模型。同时也要结合实际社区结构，考虑一个社区内部结构对舆情传播的影响。

参 考 文 献

[ 1 ] 迟准，王昌伟，梁静国，等. 网络危机信息传播仿真研究——基于政府干预的传播[J]. 情报杂志，2012，31（11）：23-29.

[ 2 ]郭小安，王国华. 网络群体性事件的概念辨析及指标设定[J]. 情报杂志，2012，31（2）：6-11.

[ 3 ] 黄微，高俊峰，滕广青. 网络舆情场形成与极性演化机理研究[J]. 情报理论与实践，2016，39（12）：19-24.

[ 4 ] 高歌，张艺炜，丁宇，等. 基于系统动力学的网络舆情演进机理及影响力研究[J]. 情报理论与实践，2016，39（12）：39-45.

[ 5 ] Barabasi A L，Bonabeau E. Scale-Free Networks[J]. Scientific American，2003，288（5）：60-69.

[ 6 ]范如国. 复杂网络结构范型下的社会治理协同创新[J]. 中国社会科学，2014，（4）：98-120.

[ 7 ]刘业政，周云龙. 无尺度网络平均路径长度的估计[J]. 系统工程理论与实践，2014，（6）：1566 -1571.

[ 8 ]樊宇. 基于复杂网络理论的无线传感器网络同步技术研究[D]. 重庆：重庆大学，2013.

[ 9 ]Wilensky U. NetLogo[J]. Oklahoma Tobacco Settlement Endowment Trust Fund，1999，22（4）：595-599.

[ 10 ]刘小波. 基于NetLogo平臺的舆情演化模型实现[J]. 情报资料工作，2012，（1）：55-60.

[ 11 ]杨亚频. 政府投资项目决策系统演化机理及其仿真研究[D]. 长沙：中南大学，2011.

[ 12 ]汪洁. 企业网络中临近性对知识转移绩效的影响研究[D]. 杭州：浙江大学，2010.

[ 13 ]佘廉，沈照磊. 非常规突发事件下基于SIR模型的群体行为分析[J]. 情报杂志，2011，30（5）：14-17.

[ 14 ]张十嘉. 一类SIR传染病模型[D]. 成都：四川师范大学，2010.

[ 15 ]王小立. 微信传播建模分析[J]. 现代情报，2015，35（7）：53-56.

[ 16 ] 李增扬，韩秀萍，陆君安，等. 内部演化的BA无标度网络模型[J]. 复杂系统与复杂性科学，2005，（02）：1-6.（ Li Zhengyang，Han Xiuping，Lu Junan.A BA Scale Free Network Model with Inner Evolving[J]. Complex Systems and Complexity Science，2005，（02）：1-6.）

[ 17 ]张润莲，兰月新，王彩华，等. 网络群体性事件演化博弈分析及对策研究[J]. 图书与情报，2016，（4）：24-30.

[ 18 ] 潘骏，沈惠璋，陈忠. 社会群体事件的微博传播和复合生长曲线研究[J]. 情报杂志，2016，35（5）：72-78.

[ 19 ]郭秋萍，赵静，郭祥. 基于结构洞的人际情报网络分析[J]. 情报理论与实践，2016，39（3）：26-31.

[ 20 ] Schneier B. Security，Group Size，and the Human Brain[J]. IEEE Security & Privacy Magazine，2009，7（4）：88.

[ 21 ]姜胜洪. 网络舆情形成与发展规律研究[J]. 兰州学刊，2010，（5）：77-79.

（本文责任编辑：孙国雷）

推荐访问:舆情 演化 仿真 实践 事件