基于Netlogo的微信群輿情演化模型實現

摘 要：采用基于Agent的建模和仿真方法和輿情動力學模型，利用Netlogo平臺實現了多Agent微信群輿情演化原型系統，并利用原型系統進行仿真試驗，考察了微信群輿情演化的特點，驗證了模型的有效性。

關鍵詞：微信群；建模與仿真；輿情演化；Netlogo

隨著互聯網技術的飛速發展，網絡傳媒的影響日益突出，深刻影響著社會的政治、經濟、科技和文化等各個領域，網絡已經成為擁有強大社會影響力和輿論動員力量的重要傳播工具。以微博、論壇、微信為代表的網絡媒體對輿情信息傳播的影響更加復雜深刻，我國正處于改革發展的關鍵期和矛盾突發期，網絡輿情信息變成了危害當前社會和諧、穩定的焦點問題。本文采用基于Agent的建模與仿真方法，利用Netlogo平臺實現了微信群輿情傳播的仿真，并給出了試驗結果和分析。

1 微信群輿情信息的傳播模型

根據傳播學奠基人之一拉扎斯菲爾德提出的“二階段傳播理論”，大眾傳播只有通過“意見領袖”的中介作用才能發揮影響，所以網絡信息的傳播通常分為兩個階段，首先會被意見領袖所獲取，然后通過憑借他的影響力傳播給群落中的普通大眾。在傳播過程中，意見領袖充當著信息擴散者的角色，能夠對普通大眾的決策過程施加影響。微信傳播是線上的人際傳播，也將經歷這兩個階段。根據微信群傳播的實際情況，微信群輿情傳播將可以分為3個階段：點對點傳播、群落內傳播、大范圍傳播。

首先，上網者通過自己的親身經歷、所見所聞，或者僅僅從網上收集到一些信息，出于某種目的，在微信上向個別“好友”傳播。然后這個網友把信息發布在微信群中，群里的部分成員往往會簡單地復制到他所屬的另一個微信群，或者直接轉發到“朋友圈”，讓所有的好友都能看到；也有一些成員會對這個信息保持沉默，不傳播這個信息；一些理性的成員會對信息產生質疑，在群內進行討論，并在群內形成一個壓倒性意見，新的壓倒性意見或許與原來的觀點完全相反導致信息“變異”，也可能“強化”了原來的信息，無論是“變異”還是“強化”，都有可能再次激發傳播動力，于是開始大量向外傳播信息。一旦參與傳播的微信群達到一定規模，信息就開始大面積擴散，導致網絡危機事件的出現。

由于研究的目的性，本文假設首次在微信中出現的輿情信息都是負面的。在信息傳播過程中，同樣的信息會再次被轉發到這個微信群，稱之為信息的“回流”。有些微信群將對于“回流”的信息保持沉默，不再進行傳播，這樣的微信群稱之為處于“免疫”狀態。

2 基于Agent的輿情傳播仿真

輿情信息在網絡中的傳播過程是復雜的，目前對它的傳播機理還沒有完全掌握。一般的傳播模型常用微分方程的形式加以描述[1]。但對于微信群輿情傳播建立類似的微分方程動力學模型是不可行的，因為微信群的輿情信息傳播是復雜信息網絡與復雜社會網絡相互作用、共同演化的非線性動力學過程，存在大量復雜的、不確定的因素，而基于微分方程的動力學模型則無法體現細節復雜性、結構復雜性到適應復雜性各個層面的復雜性需求。

輿情演化動力學強調描述個體之間的信息交互過程，參與意見交換的人群構成一定人際關系網絡，根據一定的規則交換意見[2]。采用仿真方法對微信群輿情傳播進行研究則采用了另一種思路，它首先設定一些規則，讓系統在一定的環境中自發演變和發展，考察演化過程中涌現出的若干性質。仿真方法的獨特的優勢在于，它超越了還原論的思想，用基于局部個體空間相互作用的微觀離散動力學模型代替宏觀的整體模型方法，在計算機病毒傳播、傳染病等領域中取得了不少研究成果[3]。本文根據微信群輿情傳播特有的復雜性，提出一種新的基于Agent的建模方法和思路[4]。

2.1 模型假定

為了便于研究，對建模條件進行一些必要的、簡化性的假設。

假設1：在微信群中，傳播的輿情信息只有兩類：負面信息、正面信息，首次出現在微信中的輿情信息總是負面信息，因為我們建模主要關注負面信息的傳播。

假設2：一個微信群只能有一個代表性意見。盡管微信群的成員很多，持有的意見也不盡相同，但總是有一個壓倒性的態度，這個總體態度決定了此微信群在輿情傳播中的作用。

假設3：在微信群討論過程中，輿情信息可能發生變異。變異指的是負面信息轉變為正面信息，或者正面信息轉變為負面信息。如果信息被強化，不算是變異。

假設4：微信群可以具有免疫能力。免疫指的是如果同樣的輿情信息再次傳播到此微信群，此微信群不再進行二次傳播。

2.2 屬性設定

把每個微信群作為一個Agent看待，每個Agent具有自己的屬性，包括群內活躍度、群間活躍度、對輿情（主要指負面信息）的態度、變異度和處于的免疫狀態。

Agent的群內活躍度（D）：代表群內成員的交流、討論的熱情，決定了輿情信息引發討論的概率。

Agent的群間活躍度（S）：代表了群內成員與其他群交換意見的意愿，決定了向外傳播輿情的概率。

Agent的態度（A）：微信群對輿情信息的判斷。有3種可能：未接受到輿情信息、正面態度、負面態度。

Agent的變異度（H）：代表了此微信群成員對輿情信息的理性程度，決定了通過群內討論，引發信息變異的概率。

Agent的免疫狀態（I）：對此輿情信息是否免疫。

2.3 規則設定

微信群從接收輿情信息被激活、內部討論到向外傳播都需要遵循一定的局部規則，通過迭代性的自發演化，體現出涌現性。

步驟1：在網絡中隨機激活一個或者多個Agent，此時這些Agent接收負面的輿情信息，處于負面態度。

步驟2：被激活的Agent的邊也被激活，根據群間活躍度（S）進行第一次傳播，周邊部分Agent被負面信息侵占。

步驟3：某個Agent根據群內活躍度（D）判斷是否進行群內討論，如果選擇討論，信息以變異度（H）的概率發生變異。

步驟4：某個Agent根據免疫度，確定向外傳播，或者保持沉默讓輿情在此Agent消亡。

步驟5：某個Agent根據群間活躍度（S）進行第二次傳播。

步驟6：重復步驟2到步驟6。

3 仿真結果及結論

根據上文的設定的規則，在Netlogo[5]平臺上進行仿真實現。如圖1所示，其中綠色表示對輿情持正面態度（或者尚未接收到這個輿情），紅色表示對輿情持負面態度；藍色表示對輿情處于免疫狀態，橫坐標是運行時步，縱坐標是持不同態度微信群所占的百分比。

通過不斷修改和調整Agent的屬性值，可以有效模擬不同情況下微信群輿情信息傳播的過程，從而考察微信群輿情信息演化的規律特點

3.1 輿情信息傳播存在著明顯的周期性特征

輿情信息傳播都體現了初期快速擴散、中期穩定傳播、后期逐步消亡的過程特征，即存在一個共性的生命周期。在輿情傳播的初期，由于對此信息的免疫能力普遍不夠，因此傳播的速度會很快，然后進入傳播的中期，微信群內的一些理性討論會引導信息發生變異，不同的微信群呈現“拉鋸戰”特征，隨著真相的逐步厘清，具有免疫能力的微信群數量增加，輿情信息的傳播會逐步消失。

3.2 微信群的拓撲關系決定了輿情演化的初期效果

微信群之間通過其成員的“好友”關系，構成了一定拓撲結構的網絡結構，這個結構對輿情演化起到了較大影響。每個微信群的相關群的數量稱之為度（Degree）。通過仿真發現，微信群的度影響的是輿情處于傳播初期狀態的時間長短，度越大則傳播的時間越短，輿情很快進入蔓延階段。一旦將微信群之間的關系數量降下來，輿情初期傳播的速度也隨之降低。

3.3 微信群的活躍度影響輿情傳播速度

微信群的活躍程度對輿情傳播的速度有很大影響。在現實世界中，微信群成員的的在線率、理性程度是決定群活躍程度的主要因素。通過仿真發現，群間活躍度越大，輿情信息傳播速度呈幾何級數影響。如果群間活躍度很大，只要經過幾個步長，其傳播覆蓋面就可以達到很大比例。

3.4 微信的變異度極大影響輿情演化的走勢

變異度代表了信息轉化的可能性，對輿情演化的影響非常大。在微信群輿情信息傳播過程中，群內的理性討論程度越高，則越能夠識別輿情信息，從而促使負面信息轉化為正面信息，將輿情引導為理想的結果。反之，很有可能演變成網絡公共危機事件。通過仿真還發現，信息變異發生的越早，對負面信息傳播收斂的越快，對輿情演變的結果就越有利。在現實世界中，群內成員的理性討論一方面來自于群內成員的信息意識的成熟，另一方面需要受到外界因素的影響，比如官方媒體對事件真相的公開等。因此，應對輿情危機的有效方法是盡早給出權威的合理解釋。

從仿真模型及實驗結果來看，該模型能較好體現微信群輿情演化的一般特征，但對輿情演化的分析還相對初步，比如微信群之間構成的網絡應該是無尺度網絡[6]，而不是本文模擬的純隨機網絡。盡管如此，這個模型與現實世界的微信群表現可以相互印證，較好地揭示了微信群輿情信息傳播的機理，為進一步研究微信群輿情演化與監管提供了一種有益的思路和方法。

[注釋]

[1]汪小帆，李翔，陳關榮.復雜網絡理論及其應用[M].北京：清華大學出版社，2006：73-86.

[2]Claudio Castellano，Santo Fortunato，Vittorio Loreto. Statistical physics of socail dynamics[EB/OL].[2013-10-4].http：//arxiv.org/PS_cache/arxiv/pdf/0710/0710.3256v2.pdf.

[3]Barrett C L，Eubank S G，Smith J P.If small pox strikes portland[J].Scientific American， 2005，3：42-49.

[4]Zagreb，Croatia.An introduction to agent based modeling and simulation of social processes[EB/OL].[2013-10-20].http：//arxiv.org/ftp/cond-mat/papers/0409/0409312.pdf

[5]Netlogo[EB/OL].[2013-10-4].http：//cc.northwestern.edu/netlogo

[6]Barab si A L，Albert R.Emergence of scaling in random networks[J].Science.1999，286：509-512.

[參考文獻]

[1]汪小帆，李翔，陳關榮.復雜網絡理論及其應用[M].北京：清華大學出版社，2006：73-86.

[2]Claudio Castellano，Santo Fortunato，Vittorio Loreto. Statistical physics of socail dynamics[EB/OL].[2013-10-4].http：//arxiv.org/PS_cache/arxiv/pdf/0710/0710.3256v2.pdf

[3]Barrett C L，Eubank S G，Smith J P.If small pox strikes portland[J].Scientific American，2005，3：42-49.