基于多Agent的微博社交網絡信息傳播模型

賀鵬　李軍　董田田　王繼榮

摘要：? 針對傳統微博社交網絡信息傳播模型沒有考慮用戶個體差異性和用戶強弱關系的問題，本文建立了基于多Agent的微博社交網絡信息傳播模型。將微博用戶抽象為Agent，并定義Agent的屬性，分析微博社交網絡信息的傳播機制，定義Agent之間的交互規則，考慮不同強弱關系下影響用戶轉發信息行為的因素，通過仿真實驗探究個體態度、影響力、個體間認同度等因素對微博網絡信息傳播的影響。仿真結果表明，微博信息的傳播呈裂變式擴散模式，微博用戶的態度、影響力等因素對信息的傳播起促進作用，所提出的相關影響變量對有效利用與管控微博信息傳播具有一定的啟示意義。

關鍵詞：? 微博社交網絡; 信息傳播模型; 用戶強弱關系; 多Agent

中圖分類號： TP393.092; G206.2文獻標識碼： A

網絡技術的快速發展使網絡成為人們獲取信息的重要渠道之一，各種社交軟件的出現，標志著在線社交網絡已經成為現代人際交往的重要方式[1]。微博作為一個可以自由發表觀點和交流的平臺[2]，以其高效、開放的特點成為用戶活躍度最高的在線社交平臺之一。在微博上，每個人都具有雙重身份，既是信息的傳播者也是信息的接受者，微博已成為消息擴散和輿論傳播的重要平臺之一，因此研究影響微博信息傳播的相關因素，有利于管理和控制輿情傳播[3]。研究信息傳播最廣為人知的模型是傳染病模型[45]，信息在復雜網絡里的傳播模式與傳染病在網絡中的傳播模式相類似[6]，研究者大多以此為基礎進行模型修改，以揭示信息在網絡中的傳播模式。許曉東等人[7]根據微博網絡結構特性，使用傳染病模型（susceptible infected recovered model，SIR）刻畫了謠言傳播過程;Fei Xiong等人[8]將Twitter網絡中的用戶分為四類，利用傳染病傳播動力學方程，模擬仿真不同傳播速率下網絡模型的動態變化。但由于基于傳染病的模型沒有考慮微博用戶個體的差異性、自主性與交互性[9]，因而無法細致地刻畫信息傳播的過程。近年來，多Agent技術的發展為研究信息傳播提供了新的思路。李志宏等人[10]利用多Agent主體建模方法，并基于Repast平臺模擬了突發性公共危機信息的傳播過程;朱思怡等人[11]結合多Agent技術，對微信惡意代碼的傳播特點及影響進行仿真;蔡淑琴等人[12]以病毒傳播模型為基礎，結合多Agent建模方法，研究了網絡社區中負面口碑信息的傳播;劉長星等人[13]運用多Agent建模理論和方法，建立了網絡輿論傳播模型。基于此，本文利用多主體建模與仿真技術[14]，通過考慮微博用戶個體差異性、用戶之間的強弱關系以及不同關系下影響信息傳播的因素，將微博網絡信息傳播過程中的人抽象為相應的Agent個體，充分考慮個體的自主性和差異性[15]，從微觀層次研究討論相關因素對微博信息傳播的影響。該研究對管控微博信息傳播具有重要意義。

1微博信息傳播機制

微博中，信息傳播主要是依靠用戶的轉發行為[16]。微博用戶關系可分3種，即：互粉、粉絲、陌生人[17]。最基本的用戶關系是通過相互關注或者單向關注而形成，產生關注關系之后，被關注者發布消息就會出現在關注者頁面。同時，微博的熱搜、推薦等功能也為陌生人之間提供了信息獲取渠道，有助于信息在陌生人關系下進行傳播。微博用戶之間可能存在的用戶關系示意圖如圖1所示。圖1中，箭頭指向被關注者，雙向箭頭代表互相關注關系（互粉），單向箭頭代表單向關注關系（粉絲），無連線代表陌生人關系。圖中，用戶A與用戶B為單向關注關系，用戶A與用戶C為互相關注關系，用戶B與用戶C為陌生人關系。

2基于多Agent的微博社交網絡信息傳播模型

2.1Agent的屬性

將微博用戶抽象為Agent，通過分析微博用戶的特性，對Agent的屬性描述如下：

1）對信息的態度Si，表示Agenti對信息真偽性所進行的主觀判斷，Si值在區間[0，0.5]上表示相信信息，Si值在區間（0.5，1]上表示懷疑信息。

2）個體網絡影響力Ui，表示Agenti影響力的大小。由Agent所擁有的粉絲數量來衡量，粉絲數越大，其影響力越高。其取值區間為[0，1]，取值越接近1表示影響力越大。

3）主體認同度Idi表示Agenti對傳播用戶認同程度，其值為[0，1]，取值越接近1，表示認同度越高。

4）信息內容與主體興趣相似度Ji表示Agenti的興趣愛好與信息內容的相似程度。用戶對信息感興趣的程度對用戶轉發信息行為有較大影響，其取值為[0，1]，取值越接近1，表示主體興趣相似度越高。

2.2Agent間的關系強度

Agent間關系強度Ri，互相關注表示為強關系，關注雙方一般為朋友、同學、同事等關系，雙方相互了解，相互間的認同感影響較大，用Ri=2表示。單向關注表示為弱關系，關注者單方面受被關注者的網絡影響力影響較大，在微博里一般表現為粉絲追星行為等，用Ri=1表示。陌生人關系由于缺少關注聯系為最弱關系，用Ri=0表示。

2.3信息價值

通常來說，信息本身的價值屬性會決定信息的傳播范圍，如果一個信息的價值微乎其微，那么其信息幾乎得不到有效傳播[18]。因此Agent在信任信息之后，會考慮信息內容價值是否能引起自己的興趣，決定是否要轉發該信息。本文假設信息的基本價值為V，其取值區間為[0，1]。

2.4基于多Agent的決策規則

（1）設用戶Agentj關注Agenti，Agenti作為傳播信息源發出信息，則Agentj作為Agenti的粉絲將接收信息。

（2）若Agentj此前未接觸過信息，且Sj∈0，0.5時，Agentj將信任信息的真實性，當Agentj信任信息之后，會根據用戶關系進一步確定是否轉發信息的決策。

1）當Rj=2，定義Agentj轉發決策函數f1=a1V+b1Idj。如果f1>θ1，Agentj將轉發該信息，否則Agentj將拒絕轉發信息。其中，a1、b1、θ1為常數，且a1+b1=1，其值可根據實際情況作調整。

2）當Rj=1，定義Agentj轉發決策函數f2=a2V+b2Ui。如果f2>θ2，Agentj將轉發信息，否則Agentj將拒絕轉發該信息。其中，a2、b2、θ2為常數，且a2+b2=1，其值可根據實際情況作調整。

3）當Rj=0，定義Agentj轉發決策函數f3=a3V+b3Jj。如果f3>θ3，將轉發信息，否則Agentj將拒絕轉發信息。其中，a3、b3、θ3為常數，且a3+b3=1，其值可根據實際情況作調整。

（3）若Agentj此前未接觸過信息，且Sj∈0.5，1時，Agentj將懷疑信息的真實性，拒絕轉發信息。

（4）若Agentj已接觸并轉發信息，則保持狀態不變，不再進行任何決策行為。

（5）若Agentj已接觸并拒絕轉發信息，則保持狀態不變，不再進行任何決策行為。

Agent決策流程圖如圖2所示。

3.1仿真網絡生成

本文對微博網絡的仿真研究基于無標度網絡模型進行，其仿真網絡構造算法如下：

Step 1： 初始化網絡。網絡初始化為具有n0個節點相互連接的連通網絡。

Step 2： 節點增長特性。每一個時間點都在網絡中生成一個新的節點i，并創建一條新生節點與舊節點j之間的連線。

Step 3： 邊的優先連接特性。新節點i與舊節點j連成新邊的概率與舊節點j的度成正比[19]。

Step 4： 返回Step 3，直到網絡中節點數達到目標要求停止。

Step 5： 對網絡中的邊進行加權，以區分單向關注關系與雙向關注關系。

基于上述設計，采用仿真平臺Netlogo進行仿真實驗，設定網絡節點數N=400，初始狀態未知信息人數為399人，傳播信息人數為1人，仿真參數設置如如圖3所示，初始化網絡如圖4所示。

3.2實驗結果與討論

1）微博信息傳播效果隨時間的變化。微博信息傳播的變化趨勢圖如圖5所示，由圖5可以看出，曲線M代表未知信息個體數在初期短時間內呈現出迅速下降的趨勢，并最終變化為曲線P代表的傳播信息個體與Q代表的拒絕傳播信息個體，知道微博信息的人數迅速增加，這體現了微博信息裂變式的擴散模式。

2）個體懷疑性對微博信息傳播的影響。微博社交網絡中用戶個體對信息存在積極與消極兩種不同的態度，一是相信，二是懷疑。設置微博用戶個體的初始態度[20]為[0，0.5]和[0，1]，設定信息懷疑閾值為0.5。個體懷疑性對信息傳播的影響如圖6所示。圖6a為微博個體用戶初始態度在[0，0.5]，即相信信息，對信息持有積極的態度。圖6b為微博個體用戶初始態度在[0，1]，即既有積極的信任態度，也有消極的懷疑態度。從實驗結果上分析，當微博個體存在懷疑性時，網絡中傳播信息個體數為76人，拒絕傳播信息的人數為324人，而不存在懷疑性時，網絡中傳播信息的個體數為137人，拒絕傳播信息的人數為263人。用戶態度對信息傳播有一定阻礙作用，因此，為了信息傳播的范圍更廣，發布者要提高信息描述的規范性與準確性，使其他用戶可以正確判斷信息真假。

3）信息價值對微博信息傳播的影響。微博信息傳播的效果很大程度上取決于信息本身所含價值的大小。信息價值對信息傳播的影響如圖7所示。圖7a～圖7c分別代表信息價值為0.8，0.5，0.2時網絡中的個體變化情況。對比曲線P代表傳播信息的人數，從左至右依次為118，50，14人，信息的價值越小，參與信息傳播的人數越小，當信息的價值接近于0時，網絡中傳播此信息的人數非常少，大部分人對此條無價值的信息都是持拒絕轉發的態度，由圖7可以看出，曲線Q代表拒絕傳播信息的人數越來越多。

4）影響力對微博信息傳播的影響。影響力對信息傳播的影響如圖8所示。圖8a和圖8b分別表示影響力為0.8和0.2時，網絡中的個體變化情況，圖8a中，曲線P代表的傳播信息個體數量大約為143人，圖8b為98人。曲線M代表網絡中尚未接觸的人數，由實驗結果可得，圖8a中信息傳遍網絡的時間為1 336個時間點，圖8b為1 559個時間點。

由圖8及實驗結果分析可知，微博個體影響力越大，受其影響而轉發信息的用戶越多，信息傳播的廣度越大，而信息傳播廣度的增加又加速了信息的傳播效率，使達到最大傳播范圍所用的時間越少。因此，對于一些積極正面的信息或者重大信息需要快速傳播，可以通過這些影響力大的微博個體用戶進行傳播。對于政府監控一些負面虛假消息的傳播時，應著重監控影響力大的節點，從而降低負面消息的傳播速率。同時，影響力越大的用戶越應該提高自身素質，堅決抵制傳播虛假與負面信息。

4結束語

本文運用多Agent建模的方法對微博社交網絡中信息傳播和影響因素進行建模，定義了微博用戶的屬性與交互規則，從微觀層次描述了信息傳播的過程，進一步豐富了微博社交網絡信息傳播的理論研究。并且通過仿真實驗，分析了個體態度、影響力等因素對微博信息傳播的影響，對個人或政府部門有效利用微博信息，宣傳有價值信息、加強網絡信息監控等具有一定實際意義。但本研究還存在一定的不足，本文的仿真網絡是基于無標度網絡算法生成的，下一步將考慮運用實際微博數據構建仿真網絡。

參考文獻：

[1]彭川， 李元香. 在線社交網絡信息傳播問題研究綜述[J]. 計算機與數字工程， 2016， 44（11）： 21982203.

[2]崔金棟， 鄭鵲， 孫碩. 微博信息傳播模型及其演化研究綜述[J]. 圖書館論壇， 2018， 38（1）： 6877.

[3]游新年， 劉群. 基于傳染病模型的微博信息傳播預測研究[J]. 計算機應用與軟件， 2016， 33（5）： 5356.

[4]Kermack W O， McKendrick A G. Contributions to the mathematical theory of epidemics[J]. Proceedings of the Royal Society A， 1927， 115（5）： 700721.

[5]Hethcote H W. The mathematics of infectious diseases[J]. SIAM Review， 2000， 42（4）： 599653.

[6]Hegselmann R， Krause U. Opinion dynamics and bounded confidence models， analysis， and simulation[J]. Journal of Artificial Societies and Social Simulation， 2002， 5（3）： 2.

[7]許曉東， 肖銀濤， 朱士瑞. 微博社區的謠言傳播仿真研究[J]. 計算機工程， 2011， 37（10）： 272274.

[8]Xiong F， Liu Y， Zhang Z J， et al. An information diffusion model based on retweeting mechanism for online social media[J]. Physics Letters A， 2012， 376 （30/31）： 20132018.

[9]李瑋， 畢貴紅， 張壽明. 基于Agent動態網絡的疾病傳播模型[J]. 計算機工程， 2012， 38（1）： 2428.

[10]李志宏， 王海燕， 白雪. 基于網絡媒介的突發性公共危機信息傳播仿真和管理對策研究[J]. 公共管理學報， 2010， 7（1）： 8593.

[11]朱思怡. 基于Agent的微信移動社交平臺惡意代碼傳播模型[D]. 黑龍江： 哈爾濱工業大學， 2016.

[12]蔡淑琴， 王偉， 周鵬， 等. 基于多智能體的網絡社區負面口碑信息傳播研究[J]. 計算機科學， 2016， 43（4）： 7075.

[13]劉常昱， 胡曉峰， 羅批， 等. 基于Agent的網絡輿論傳播模型研究[J]. 計算機仿真， 2009， 26（1）： 2023.

[14]李春發， 劉凱， 王晟鍇. 基于MultiAgent的政府干預下虛假輿情傳播規律與控制決策[J]. 現代情報， 2018， 38 （5）： 5561.

[15]賀筱媛， 胡曉峰. 基于Agent的Web網信息傳播仿真模型[J]. 系統仿真學報， 2010， 22（10）： 24262431.

[16]陳慧娟， 鄭嘯， 陳欣. 微博網絡信息傳播研究綜述[J]. 計算機應用研究， 2014， 31（2）： 333338.

[17]張永， 華姍姍， 張航. 基于轉發行為影響因素的SCIR信息傳播模型[J]. 計算機工程， 2018， 44（11）： 282288， 299.

[18]王小立. 智能多Agent網絡的微信信息傳播仿真研究[J]. 現代圖書情報技術， 2015（6）： 8592.

[19]Barabási A L， Albert R. Emergence of scaling in random networks[J]. Science， 1999， 286（5439）： 509512.

[20]黃宏程， 孫欣然， 胡敏. 基于節點態度的社交網絡信息傳播模型[J]. 工程科學與技術， 2018， 50（1）： 113119.

Multi-Agent Based Information Dissemination Model of

Microblog Social NetworkHE Penga， LI Juna， DONG Tiantiana， WANG Jirongb

（a. College of Computer Science & Technology;

b. School of Electromechanic Engineering， Qingdao University， Qingdao 266071， China）Abstract：? An information transmission model of microblog social network was established based on multiagent， considering the individual differences of users and the relationship strengths among users. The microblog users have been abstracted as agents. The attributes of agents are defined. The information spread mechanisms in microblog social network are analyzed. The interaction rules among agents are defined. The factors influencing information transmission behavior under different relationship strengths among microblog users are considered. The simulation results show that the spread of microblog information is a fission diffusion mode， and the attitude and influence of microblog users play an important role in promoting the spread of information. The relevant influence variables proposed in the study have certain enlightenment for the effective use and control of microblog information dissemination.

Key words：? microblog social network; information dissemination model; user strength relationship; multi-agent

收稿日期： 2020-01-10; 修回日期： 2020-02-13

作者簡介：? 賀鵬（1994-），男，碩士研究生，主要研究方向為系統仿真與建模。

通信作者：? 李軍（1963-），男，博士，教授，碩士生導師，主要研究方向為系統仿真與建模。 Email： lijun@qdu.edu.cn