無標度網絡機制下網絡輿情傳播演化規律分析

任立肖++張亮++張春莉

〔摘 要〕結合agent建模法、復雜網絡理論，基于Netlogo平臺進行仿真實驗和結果分析，著重研究在無標度網絡機制下，網絡規模、個體間交互閾值、意見領袖數量、人為干預的時間點等因素對于網絡輿情的影響，總結網絡輿情傳播與演化的規律。

〔關鍵詞〕網絡輿情；傳播；仿真；Netlogo

DOI：10.3969/j.issn.1008-0821.2014.02.002

〔中圖分類號〕G250.73 〔文獻標識碼〕A 〔文章編號〕1008-0821（2014）02-0008-05

2.0時代，每個網絡用戶都可能成為信息的發布者和傳播者，但是目前的網絡缺乏權威的中心節點，無法對各類信息的真偽進行鑒別和控制，為謠言的傳播提供了溫床。負面輿情傳播的危害是很難預料的，但如果對輿情的發生、發展和演變的模式和規律進行深入研究，就能及時了解負面網絡輿情或謠言的傳播規律，若能進一步對其進行有效的引導和控制，就有可能避免因任其擴散而導致的災難性后果。以微博為代表的社交網絡的迅速崛起，為網絡環境下輿情的傳播和演化提供了最為便利的方式，而社交網絡正是復雜網絡中最為典型的網絡形式，所以本文嘗試利用復雜網絡理論，結合agent建模來探究網絡輿情的傳播演化規律。

1 模型的構建

1.1 網絡的初始構建在復雜網絡理論的研究基礎上，本文主要針對無標度網絡機制來模擬現實社會人際關系網絡，同時采用隨機網絡作為參照網絡機制，進行比較研究。隨機網絡模型是一種最為經典的復雜網絡模型。最為經典的是在20世紀60年代，由著名的數學家Erdos和Renyi提出的ER隨機圖模型[1]。隨機網絡中節點的度有個典型的特點，他們呈現出一個特征性的“平均值”，這是由于隨機網絡形成時各節點之間是隨機連接，使得節點的連接數呈現出鐘形的“泊松分布”[2]。隨機網絡的構建過程如下：（1）設定一個具有N個節點的子網，每時間步長網絡會新增一個節點的無標度網絡輿情演化情況，同時對照較小網絡規模的隨機網絡輿情演化情況、較大網絡規模的隨機網絡輿情演化情況（過程圖及數據略）。通過大量仿真數據表明，在無標度網絡機制下，節點數量越小，其意見領袖的領導和影響作用越強。對應現實社交網絡中，網絡圈子越小，其意見領袖的領導作用相對放大了，通過影響意見領袖來引導輿論傳播這種方式效果明顯。比較不同網絡機制，無標度網絡下意見領袖在引導輿情傳播方面的效果要好于隨機網絡。這是由二者的網絡結構特點所決定的，隨機網絡由于單個節點度很平均，故它本身的"意見領袖"特征不明顯，當期望通過引導意見領袖來引導隨機網絡中的輿情傳播時，可能達不到預期；而無標度網絡最大的特點就是“意見領袖”性，故通過“意見領袖”來引導輿情傳播是一個較理想的出發點。

3.3 意見領袖對輿情傳播的引導作用第三組實驗的目的是探究當意見領袖所占比例不同時，其引導輿情傳播的效果。研究結果顯示，在不同的網絡機制中，意見領袖的比例變動給輿情傳播帶來的影響大致是一樣的，即意見領袖的比例設置越大，通過引導意見領袖來引導輿情傳播的作用就越明顯。如：當期望將輿論和謠言引向有利于社會發展的方向時，意見領袖比例越大，對立群體和中立群體向目標群體轉移的比例也就越大，但為了使模型能夠更好地對真實網絡進行仿真，該取值不宜過大。同時，加入了對輿情傳播進行人為控制的時間點的研究，探究當ticknumber取不同值時，意見領袖的引導作用如何變化。在無標度網絡中，若初始網絡中，與opinion-last取值所屬群體相同的節點數量占比最大，那么在自由交互過程中，這類群體可以帶動輿情向好的方面發展，期間可以“靜觀其變”，當這種帶動作用明顯減弱時，此時人為介入引導意見領袖來引導輿情傳播向有利方向發展的效果最佳。若初始網絡中，與opinion-last取值所屬群體對立的群體數量占比重最大，為了更好地引導輿情向好的方向傳播，一旦爆發輿情，應盡快進行人為干預，且越早越好。這與劉林沙等的實證研究[9]相符，意見領袖應在微博事件的爆發階段表明立場和價值取向，引導輿論事件的發展方向。在隨機網絡中，不論初始構建的網絡輿情是如何分布的，從任何一個時間點進入去引導意見領袖，對輿情傳播的引導效果都很難達到期望值。

3.4 意見領袖的引導方式最后一組實驗為了研究無標度網絡機制下，意見領袖的最佳引導方式。首先設置“一步到位”方式來引導網絡輿情發展，這種方式的參數設置如圖5所示。這種方式較極端，結果顯示，經過輿情的傳播和演化，持3種意見的人群所占比值數據變化不明顯，可見“一步到位”方式引導網絡輿情的效果不明顯。

圖5 “一步到位”方式參數設置圖 實驗繼續嘗試采用循序漸進改變意見領袖的值，使opinion-last取值由0.6逐漸變為0.1，稱之為“循序漸進”法，此時的持3種觀點的人群比例比值由37.8%、14.8%、47.4%分別變化為44.6%，19.4%，36%。數據可見，大量減少了持反對意見人群的數量。可見逐漸不斷地改變意見領袖意見值能比較有效引導輿情傳播，同時亦能抵消其他節點給意見領袖帶來的負面影響。對隨機網絡的研究結果與無標度網絡一致，但兩種方式差距不明顯，根本原因還是在于其自身網絡構造特點。

4 結 論本文對輿情傳播與演化的模式進行研究，構建了基于多agent的網絡輿情演化模型，并利用Netlogo平臺對該模型進行了模擬仿真。通過仿真，本文得出了一些重要結論：（1）無標度網絡機制下，網絡中個體交流“門檻”越低，輿情傳播就越迅速，此時通過意見領袖引導輿情傳播效果越好；（2）網絡規模越小，意見領袖的作用就越被放大，其對該網絡輿情的傳播影響就越大；（3）在無標度網絡機制下，如果擬采用意見領袖來引導網絡輿情的發展，“循序漸進”法要優于“一步到位”法；（4）在本文構建的兩種網絡中，由于隨機網絡的自身網絡特點決定，其網絡輿情不易采取通過意見領袖來引導輿情傳播。本文存在的不足之處主要在于對人際關系的復雜性描述不夠，網絡構建略顯粗糙。下一步工作中，將對人際關系復雜網絡模型進行更深入一步的學習和理解，使構造的網絡更貼近真實社會網絡，相應的對網絡輿情傳播的研究結果也會更加有現實意義。

參考文獻

[1]Erdos P，A R.On Random Graphs[J].Publications Mathematical，1959：290-297.

[2]潘新.基于復雜網絡的輿情傳播模型研究[D].大連：大連理工大學，2010.

[3]Barabasi A-L，Albert R.Statistical Mechanics of Complex Network[J].Reviews of Modern Physics，2002：47-97.

[4]王平，謝耕耘.突發公共事件中微博意見領袖的實證研究——以“溫州動車事故”為例[J].現代傳播，2012，（3）：82-85.

[5]遲準，等.網絡危機信息傳播仿真研究——基于政府干預的傳播[J].情報雜志，2012，（11）：27-30.

[6]劉小波.基于Netlogo平臺的輿情演化模型實現[J].情報資料工作，2012，（1）：55-57.

[7]郭強.基于個體局部交互作用的輿情傳播模型研究[J].計算機應用研究，2012，（11）：4086-4112.

[8]Alberto Caballero et al.Using Cognitive Cgents in Social Simulations[J].Engineering Applications of Artificial Intelligence，2011，（24）：1098-1109.

[9]劉林沙，陳默.突發事件中的微博意見領袖與輿情演變[J].電子政務，2012，（10）：50-55.

（本文責任編輯：馬 卓）

〔摘 要〕結合agent建模法、復雜網絡理論，基于Netlogo平臺進行仿真實驗和結果分析，著重研究在無標度網絡機制下，網絡規模、個體間交互閾值、意見領袖數量、人為干預的時間點等因素對于網絡輿情的影響，總結網絡輿情傳播與演化的規律。

〔關鍵詞〕網絡輿情；傳播；仿真；Netlogo

DOI：10.3969/j.issn.1008-0821.2014.02.002

〔中圖分類號〕G250.73 〔文獻標識碼〕A 〔文章編號〕1008-0821（2014）02-0008-05

2.0時代，每個網絡用戶都可能成為信息的發布者和傳播者，但是目前的網絡缺乏權威的中心節點，無法對各類信息的真偽進行鑒別和控制，為謠言的傳播提供了溫床。負面輿情傳播的危害是很難預料的，但如果對輿情的發生、發展和演變的模式和規律進行深入研究，就能及時了解負面網絡輿情或謠言的傳播規律，若能進一步對其進行有效的引導和控制，就有可能避免因任其擴散而導致的災難性后果。以微博為代表的社交網絡的迅速崛起，為網絡環境下輿情的傳播和演化提供了最為便利的方式，而社交網絡正是復雜網絡中最為典型的網絡形式，所以本文嘗試利用復雜網絡理論，結合agent建模來探究網絡輿情的傳播演化規律。

1 模型的構建

1.1 網絡的初始構建在復雜網絡理論的研究基礎上，本文主要針對無標度網絡機制來模擬現實社會人際關系網絡，同時采用隨機網絡作為參照網絡機制，進行比較研究。隨機網絡模型是一種最為經典的復雜網絡模型。最為經典的是在20世紀60年代，由著名的數學家Erdos和Renyi提出的ER隨機圖模型[1]。隨機網絡中節點的度有個典型的特點，他們呈現出一個特征性的“平均值”，這是由于隨機網絡形成時各節點之間是隨機連接，使得節點的連接數呈現出鐘形的“泊松分布”[2]。隨機網絡的構建過程如下：（1）設定一個具有N個節點的子網，每時間步長網絡會新增一個節點的無標度網絡輿情演化情況，同時對照較小網絡規模的隨機網絡輿情演化情況、較大網絡規模的隨機網絡輿情演化情況（過程圖及數據略）。通過大量仿真數據表明，在無標度網絡機制下，節點數量越小，其意見領袖的領導和影響作用越強。對應現實社交網絡中，網絡圈子越小，其意見領袖的領導作用相對放大了，通過影響意見領袖來引導輿論傳播這種方式效果明顯。比較不同網絡機制，無標度網絡下意見領袖在引導輿情傳播方面的效果要好于隨機網絡。這是由二者的網絡結構特點所決定的，隨機網絡由于單個節點度很平均，故它本身的"意見領袖"特征不明顯，當期望通過引導意見領袖來引導隨機網絡中的輿情傳播時，可能達不到預期；而無標度網絡最大的特點就是“意見領袖”性，故通過“意見領袖”來引導輿情傳播是一個較理想的出發點。

3.3 意見領袖對輿情傳播的引導作用第三組實驗的目的是探究當意見領袖所占比例不同時，其引導輿情傳播的效果。研究結果顯示，在不同的網絡機制中，意見領袖的比例變動給輿情傳播帶來的影響大致是一樣的，即意見領袖的比例設置越大，通過引導意見領袖來引導輿情傳播的作用就越明顯。如：當期望將輿論和謠言引向有利于社會發展的方向時，意見領袖比例越大，對立群體和中立群體向目標群體轉移的比例也就越大，但為了使模型能夠更好地對真實網絡進行仿真，該取值不宜過大。同時，加入了對輿情傳播進行人為控制的時間點的研究，探究當ticknumber取不同值時，意見領袖的引導作用如何變化。在無標度網絡中，若初始網絡中，與opinion-last取值所屬群體相同的節點數量占比最大，那么在自由交互過程中，這類群體可以帶動輿情向好的方面發展，期間可以“靜觀其變”，當這種帶動作用明顯減弱時，此時人為介入引導意見領袖來引導輿情傳播向有利方向發展的效果最佳。若初始網絡中，與opinion-last取值所屬群體對立的群體數量占比重最大，為了更好地引導輿情向好的方向傳播，一旦爆發輿情，應盡快進行人為干預，且越早越好。這與劉林沙等的實證研究[9]相符，意見領袖應在微博事件的爆發階段表明立場和價值取向，引導輿論事件的發展方向。在隨機網絡中，不論初始構建的網絡輿情是如何分布的，從任何一個時間點進入去引導意見領袖，對輿情傳播的引導效果都很難達到期望值。

3.4 意見領袖的引導方式最后一組實驗為了研究無標度網絡機制下，意見領袖的最佳引導方式。首先設置“一步到位”方式來引導網絡輿情發展，這種方式的參數設置如圖5所示。這種方式較極端，結果顯示，經過輿情的傳播和演化，持3種意見的人群所占比值數據變化不明顯，可見“一步到位”方式引導網絡輿情的效果不明顯。

圖5 “一步到位”方式參數設置圖 實驗繼續嘗試采用循序漸進改變意見領袖的值，使opinion-last取值由0.6逐漸變為0.1，稱之為“循序漸進”法，此時的持3種觀點的人群比例比值由37.8%、14.8%、47.4%分別變化為44.6%，19.4%，36%。數據可見，大量減少了持反對意見人群的數量。可見逐漸不斷地改變意見領袖意見值能比較有效引導輿情傳播，同時亦能抵消其他節點給意見領袖帶來的負面影響。對隨機網絡的研究結果與無標度網絡一致，但兩種方式差距不明顯，根本原因還是在于其自身網絡構造特點。

4 結 論本文對輿情傳播與演化的模式進行研究，構建了基于多agent的網絡輿情演化模型，并利用Netlogo平臺對該模型進行了模擬仿真。通過仿真，本文得出了一些重要結論：（1）無標度網絡機制下，網絡中個體交流“門檻”越低，輿情傳播就越迅速，此時通過意見領袖引導輿情傳播效果越好；（2）網絡規模越小，意見領袖的作用就越被放大，其對該網絡輿情的傳播影響就越大；（3）在無標度網絡機制下，如果擬采用意見領袖來引導網絡輿情的發展，“循序漸進”法要優于“一步到位”法；（4）在本文構建的兩種網絡中，由于隨機網絡的自身網絡特點決定，其網絡輿情不易采取通過意見領袖來引導輿情傳播。本文存在的不足之處主要在于對人際關系的復雜性描述不夠，網絡構建略顯粗糙。下一步工作中，將對人際關系復雜網絡模型進行更深入一步的學習和理解，使構造的網絡更貼近真實社會網絡，相應的對網絡輿情傳播的研究結果也會更加有現實意義。

參考文獻

[1]Erdos P，A R.On Random Graphs[J].Publications Mathematical，1959：290-297.

[2]潘新.基于復雜網絡的輿情傳播模型研究[D].大連：大連理工大學，2010.

[3]Barabasi A-L，Albert R.Statistical Mechanics of Complex Network[J].Reviews of Modern Physics，2002：47-97.

[4]王平，謝耕耘.突發公共事件中微博意見領袖的實證研究——以“溫州動車事故”為例[J].現代傳播，2012，（3）：82-85.

[5]遲準，等.網絡危機信息傳播仿真研究——基于政府干預的傳播[J].情報雜志，2012，（11）：27-30.

[6]劉小波.基于Netlogo平臺的輿情演化模型實現[J].情報資料工作，2012，（1）：55-57.

[7]郭強.基于個體局部交互作用的輿情傳播模型研究[J].計算機應用研究，2012，（11）：4086-4112.

[8]Alberto Caballero et al.Using Cognitive Cgents in Social Simulations[J].Engineering Applications of Artificial Intelligence，2011，（24）：1098-1109.

[9]劉林沙，陳默.突發事件中的微博意見領袖與輿情演變[J].電子政務，2012，（10）：50-55.

（本文責任編輯：馬 卓）

〔摘 要〕結合agent建模法、復雜網絡理論，基于Netlogo平臺進行仿真實驗和結果分析，著重研究在無標度網絡機制下，網絡規模、個體間交互閾值、意見領袖數量、人為干預的時間點等因素對于網絡輿情的影響，總結網絡輿情傳播與演化的規律。

〔關鍵詞〕網絡輿情；傳播；仿真；Netlogo

DOI：10.3969/j.issn.1008-0821.2014.02.002

〔中圖分類號〕G250.73 〔文獻標識碼〕A 〔文章編號〕1008-0821（2014）02-0008-05

2.0時代，每個網絡用戶都可能成為信息的發布者和傳播者，但是目前的網絡缺乏權威的中心節點，無法對各類信息的真偽進行鑒別和控制，為謠言的傳播提供了溫床。負面輿情傳播的危害是很難預料的，但如果對輿情的發生、發展和演變的模式和規律進行深入研究，就能及時了解負面網絡輿情或謠言的傳播規律，若能進一步對其進行有效的引導和控制，就有可能避免因任其擴散而導致的災難性后果。以微博為代表的社交網絡的迅速崛起，為網絡環境下輿情的傳播和演化提供了最為便利的方式，而社交網絡正是復雜網絡中最為典型的網絡形式，所以本文嘗試利用復雜網絡理論，結合agent建模來探究網絡輿情的傳播演化規律。

1 模型的構建

1.1 網絡的初始構建在復雜網絡理論的研究基礎上，本文主要針對無標度網絡機制來模擬現實社會人際關系網絡，同時采用隨機網絡作為參照網絡機制，進行比較研究。隨機網絡模型是一種最為經典的復雜網絡模型。最為經典的是在20世紀60年代，由著名的數學家Erdos和Renyi提出的ER隨機圖模型[1]。隨機網絡中節點的度有個典型的特點，他們呈現出一個特征性的“平均值”，這是由于隨機網絡形成時各節點之間是隨機連接，使得節點的連接數呈現出鐘形的“泊松分布”[2]。隨機網絡的構建過程如下：（1）設定一個具有N個節點的子網，每時間步長網絡會新增一個節點的無標度網絡輿情演化情況，同時對照較小網絡規模的隨機網絡輿情演化情況、較大網絡規模的隨機網絡輿情演化情況（過程圖及數據略）。通過大量仿真數據表明，在無標度網絡機制下，節點數量越小，其意見領袖的領導和影響作用越強。對應現實社交網絡中，網絡圈子越小，其意見領袖的領導作用相對放大了，通過影響意見領袖來引導輿論傳播這種方式效果明顯。比較不同網絡機制，無標度網絡下意見領袖在引導輿情傳播方面的效果要好于隨機網絡。這是由二者的網絡結構特點所決定的，隨機網絡由于單個節點度很平均，故它本身的"意見領袖"特征不明顯，當期望通過引導意見領袖來引導隨機網絡中的輿情傳播時，可能達不到預期；而無標度網絡最大的特點就是“意見領袖”性，故通過“意見領袖”來引導輿情傳播是一個較理想的出發點。

3.3 意見領袖對輿情傳播的引導作用第三組實驗的目的是探究當意見領袖所占比例不同時，其引導輿情傳播的效果。研究結果顯示，在不同的網絡機制中，意見領袖的比例變動給輿情傳播帶來的影響大致是一樣的，即意見領袖的比例設置越大，通過引導意見領袖來引導輿情傳播的作用就越明顯。如：當期望將輿論和謠言引向有利于社會發展的方向時，意見領袖比例越大，對立群體和中立群體向目標群體轉移的比例也就越大，但為了使模型能夠更好地對真實網絡進行仿真，該取值不宜過大。同時，加入了對輿情傳播進行人為控制的時間點的研究，探究當ticknumber取不同值時，意見領袖的引導作用如何變化。在無標度網絡中，若初始網絡中，與opinion-last取值所屬群體相同的節點數量占比最大，那么在自由交互過程中，這類群體可以帶動輿情向好的方面發展，期間可以“靜觀其變”，當這種帶動作用明顯減弱時，此時人為介入引導意見領袖來引導輿情傳播向有利方向發展的效果最佳。若初始網絡中，與opinion-last取值所屬群體對立的群體數量占比重最大，為了更好地引導輿情向好的方向傳播，一旦爆發輿情，應盡快進行人為干預，且越早越好。這與劉林沙等的實證研究[9]相符，意見領袖應在微博事件的爆發階段表明立場和價值取向，引導輿論事件的發展方向。在隨機網絡中，不論初始構建的網絡輿情是如何分布的，從任何一個時間點進入去引導意見領袖，對輿情傳播的引導效果都很難達到期望值。

3.4 意見領袖的引導方式最后一組實驗為了研究無標度網絡機制下，意見領袖的最佳引導方式。首先設置“一步到位”方式來引導網絡輿情發展，這種方式的參數設置如圖5所示。這種方式較極端，結果顯示，經過輿情的傳播和演化，持3種意見的人群所占比值數據變化不明顯，可見“一步到位”方式引導網絡輿情的效果不明顯。

圖5 “一步到位”方式參數設置圖 實驗繼續嘗試采用循序漸進改變意見領袖的值，使opinion-last取值由0.6逐漸變為0.1，稱之為“循序漸進”法，此時的持3種觀點的人群比例比值由37.8%、14.8%、47.4%分別變化為44.6%，19.4%，36%。數據可見，大量減少了持反對意見人群的數量。可見逐漸不斷地改變意見領袖意見值能比較有效引導輿情傳播，同時亦能抵消其他節點給意見領袖帶來的負面影響。對隨機網絡的研究結果與無標度網絡一致，但兩種方式差距不明顯，根本原因還是在于其自身網絡構造特點。

4 結 論本文對輿情傳播與演化的模式進行研究，構建了基于多agent的網絡輿情演化模型，并利用Netlogo平臺對該模型進行了模擬仿真。通過仿真，本文得出了一些重要結論：（1）無標度網絡機制下，網絡中個體交流“門檻”越低，輿情傳播就越迅速，此時通過意見領袖引導輿情傳播效果越好；（2）網絡規模越小，意見領袖的作用就越被放大，其對該網絡輿情的傳播影響就越大；（3）在無標度網絡機制下，如果擬采用意見領袖來引導網絡輿情的發展，“循序漸進”法要優于“一步到位”法；（4）在本文構建的兩種網絡中，由于隨機網絡的自身網絡特點決定，其網絡輿情不易采取通過意見領袖來引導輿情傳播。本文存在的不足之處主要在于對人際關系的復雜性描述不夠，網絡構建略顯粗糙。下一步工作中，將對人際關系復雜網絡模型進行更深入一步的學習和理解，使構造的網絡更貼近真實社會網絡，相應的對網絡輿情傳播的研究結果也會更加有現實意義。

參考文獻

[1]Erdos P，A R.On Random Graphs[J].Publications Mathematical，1959：290-297.

[2]潘新.基于復雜網絡的輿情傳播模型研究[D].大連：大連理工大學，2010.

[3]Barabasi A-L，Albert R.Statistical Mechanics of Complex Network[J].Reviews of Modern Physics，2002：47-97.

[4]王平，謝耕耘.突發公共事件中微博意見領袖的實證研究——以“溫州動車事故”為例[J].現代傳播，2012，（3）：82-85.

[5]遲準，等.網絡危機信息傳播仿真研究——基于政府干預的傳播[J].情報雜志，2012，（11）：27-30.

[6]劉小波.基于Netlogo平臺的輿情演化模型實現[J].情報資料工作，2012，（1）：55-57.

[7]郭強.基于個體局部交互作用的輿情傳播模型研究[J].計算機應用研究，2012，（11）：4086-4112.

[8]Alberto Caballero et al.Using Cognitive Cgents in Social Simulations[J].Engineering Applications of Artificial Intelligence，2011，（24）：1098-1109.

[9]劉林沙，陳默.突發事件中的微博意見領袖與輿情演變[J].電子政務，2012，（10）：50-55.

（本文責任編輯：馬 卓）