基于Multiagent的社交網絡輿情傳播模型

董田田 李軍 王繼榮

摘要： ?為分析與預測社交網絡中輿情傳播過程和演化趨勢，本文基于Multiagent分布式技術，建立了社交網絡輿情傳播模型，研究社交網絡輿情傳播方式，并根據Agent的行為和狀態特性，對Agent進行分類，分析Agent的屬性特征，通過剖析Agent個體之間的交互微觀行為，依據信息價值時效性、信息源覆蓋率和信息關注度，對轉發行為的影響進行討論，給出了Agent的決策規則，以網絡結構方式體現Agent之間的內在聯系。為驗證模型的有效性，基于Agent的仿真平臺，采用Netlogo 6.0.4進行模擬仿真分析。仿真結果表明，輿情信息的傳播與信息價值呈正相關，信息價值越大，越有利于輿情信息的傳播，且信息源的覆蓋率與轉發Agent數和中止Agent數成正相關，信息關注度對輿情傳播影響甚大，說明該模型能準確分析和預測網絡中輿情傳播的演化趨勢。該研究對相關人員了解社交網絡中輿情的傳播具有重要意義。

關鍵詞： ?Multiagent; 社交網絡; 輿情話題; 傳播模型; 價值時效性; 信息源覆蓋率

中圖分類號： TP393.034 ?文獻標識碼： A

隨著Web 2.0技術的逐步完善及信息技術軟硬件的日益發展，信息網絡的應用日新月異，互聯網用戶規模急速膨脹，社會各階層與網絡的銜接愈加密切。根據中國互聯網信息中心（china internet network information center，CNNIC）第四十五次《報告》顯示，截止到2020年3月，我國網絡用戶數量界限高達9.04億，比例達到64.5%，其中我國手機網絡用戶數量8.96億，上網計數比例達到99.1%。由于互聯網具備自由性、互動性、多元性以及共享性等特征，使互聯網上各類信息顯露出多、快、好、廣等特點。其中，微信、人人網、知乎等為代表的網絡信息傳播平臺的發展，使互聯網日益成為廣大網絡用戶信息傳遞、共享、表達訴求的主要平臺，同時也容易形成網絡輿情。輿情是公眾在一定時期和范圍內，對與自己切身相關的公共事務或自己關注的特定事情所持有的群體性情緒、意愿、態度、意見和要求的總和及其體現，是某一事件發展的趨勢，代表一個過程，它能夠洞察輿論的走勢。不同的輿情傳播研究方法與思路，可以得到不同的傳播模型。A.Sudbury [1]提出的傳染病模型，研究了網絡輿情的傳播方式;WAN J H等人[2]基于機會、信任和動機等混合社會因素，建立了信息傳播模型;K. SznajdWeron等人[3]基于Ising模型，提出了一種在繁多輿論傳播模型中較為盛行的Sznajd模型;K.Saito等人[4]提出了兩個具備連續時間軸的AslC模型和AsLT模型;江淼淼等人[5]通過研究多子網復合復雜網絡模型，建立多關系社交網絡;艾川等人[6]根據個體心理行為，提出了對個體行為的模型;易成岐等人[7]以新浪微博為研究對象，研究了社會網絡的信息傳播問題，抽象出7種信息傳播模型;譚振華等人[8]借鑒引力學思想，建立了GRPModel模型;朱湘等人[9]針對多條微博熱點事件，建立了微博事件傳播網絡拓撲圖;周東浩等人[10]根據節點屬性和信息內容，建立了細粒度傳播模型;孫月明等人[11]采用期望最大化方法，推斷信息的傳播速度;方勁皓等人[12]分析了用戶的行為模式，提出了改進的SCIR模型在社交網絡上的傳播;周小領等人[13]針對區間猶豫模糊集，構建了概率區間猶豫模糊法及其網絡輿情預測模型。以上關于社交網絡輿情傳播的研究，大多選取較傳統的面向對象的開發技術及與復雜網絡、傳染病模型[14]、系統動力學[15]等相結合的研究方法，大部分的社交網絡輿情傳播模型不能確切地描述網絡用戶的微觀交互行為、網絡輿情傳播過程以及演化趨勢。因此，考慮社交網絡的開放性和交互性，本文在Multiagent分布式技術基礎上，充分利用Agent的自主性、互動性、適應性等多重特性，深度剖析Agent個體之間的自主交互微觀行為，明確Agent決策機制，以網絡結構的方式體現其內在聯系。該模型能準確分析、預測網絡中輿情傳播的演化趨勢，為相關研究人員了解社交網絡中輿情的傳播方式提供了理論依據。

1 社交網絡輿情傳播方式

社交網絡是通過互聯網把人與人銜接起來，進而構成具備某一特定特點的網絡。不同的社交網絡平臺，輿情傳播的方式各具特色，本文主要研究微信社交網絡的輿情傳播問題。

從社交網絡輿情傳播過程來看，輿情傳播只建立在聯系人之間，且封閉在平臺內部。信息傳播渠道主要有三種，一是針對某一聯系人單獨發送信息;二是針對某一用戶群發送信息;三是將信息發送在自己的朋友圈，當設置聯系人可見時，其好友就有機會看到此信息，當好友A在其朋友圈中看到此信息并轉發該信息時，此時A的好友就可以在其朋友圈看到此信息，并以一定的概率將該信息繼續傳播下去。本文主要研究輿情信息傳播渠道的第三類情況。

在社交網絡中，輿情信息傳播只在好友間進行，即只順著好友的邊連接進行傳播，因此，好友關系成為用戶間聯系的紐帶。如某個用戶在其朋友圈發送一條輿情信息，則該用戶朋友圈中的好友，都可能瀏覽到其發出的輿情信息（只要沒有被屏蔽），而瀏覽到該條輿情信息的用戶轉不轉發是由用戶自主決定。由于每個用戶的朋友圈不相同，信息傳遞是從一個用戶的朋友圈傳向另一個用戶的朋友圈，即從一群用戶到另一群用戶間的傳播。社交網絡輿情信息傳播方式如圖1所示。

圖1中的P1～P5代表社交網絡中多個用戶Agent，連線代表好友關系，即代表輿情傳播的方向，其中實線表示Agent之間已經確立為好友關系，虛線表示Agent之間尚未確立好友關系。由圖1可以看出，P1與P2、P3是好友關系;P2與P1、P4、P5是好友關系;P3只與P1是好友關系;P4與P2、P5是好友關系;P5與P2、P4是好友關系。當用戶P1將輿情信息發布在朋友圈時，此時P1是該輿情信息的發布者，P1的好友P2、P3就會以一定的概率看到這條輿情信息，若P2對這條輿情信息不轉發，則P2稱為此輿情信息的中止者，P4、P5不會通過P2的朋友圈看到該輿情信息;若P2轉發了該條輿情信息，則P2的好友P1、P4、P5就會以一定概率看到該條輿情信息，此時P2稱為該條輿情信息的轉發者，P2的好友P1將可能再一次瀏覽到該輿情信息，由于P1在其朋友圈已經轉發過該輿情信息，如對該輿情信息失去興趣不再進行轉發，則P1轉化為該輿情信息的中止者。

2 Multiagent社交網絡輿情傳播模型

2.1 Agent及其類型

用戶是網絡中的節點，將其抽象為Agent，Agent的集合用V表示，Agent之間的好友關系可抽象為節點之間的邊，邊的集合用E表示，節點和邊構成一個網絡拓撲圖G，G=（V，E）。

在社交網絡中，Agent的狀態可以歸納為輿情信息的知情與不知情態，對于知情Agent，又可分為輿情信息的傳播與不傳播態。Agent可以分為以下三種：

1） 發布Agent（Promulgate Agent）。其通過自己寫作發布信息，或通過關注公眾號、微博、知乎等第三方平臺轉載信息，或通過轉發其朋友圈中好友發布的信息等方式將輿情信息發布到其朋友圈，稱為此輿情信息的信息源，發布Agent朋友圈中的其他Agent將有機會看到該輿情信息。

2） 轉發Agent（Transfer Agent）。如果在某一時刻，發布Agent朋友圈中的某Agent看到發布Agent發布的輿情信息，并且轉發該輿情信息，則稱此類Agent為轉發Agent。

3） 中止Agent（Interrupt Agent）。發布Agent朋友圈中的某些Agent，或沒有看到該輿情信息，或雖然看到了該輿情信息，但并沒有轉發該輿情信息，稱此類Agent為此輿情信息的中止Agent。

2.2 Agent的屬性定義及分析

2.2.1 Agent的屬性定義

Individualdefinition=（turtle， net_influence， net_behavior， sta_transition），其中：

turtle：主元。Agent的唯一標識符，標識為[1，N]區間上的整數。

net_ influence：Agent的影響力。Agent的影響力與Agent在網絡中的中心度有關，體現Agent的日常訪問量、發帖數量、知名度，標識為[0，N-1]區間上的整數。

net_behavior：Agent的傳播自主行為。Agent根據信息的時效性，以創建、瀏覽、點贊、評論、交流、討論、轉發等行為，達到輿情傳播的目的。

sta_transition：Agent的狀態。Agent事先并不知道自己屬于哪一種狀態，只能根據接收到的輿情信息由Agent自主性做出狀態改變，狀態轉換具有隨機性，轉換規則并不唯一。

2.2.2 Agent的屬性分析

1） 自主性。在社交網絡中，Agent并不能預先知道會不會接收到輿情信息，以及接收到的輿情信息是什么。每一個Agent都只能依據自身的狀態行為和周圍的狀況，對自身的狀態和行為進行控制與調整。看不看輿情信息或轉不轉輿情信息都以Agent的意愿為前提，由Agent自主決定，即Agent具有自主性。

2） 交互性。在社交網絡中，當某Agent轉發了輿情信息，此Agent的朋友圈環境將會改變。Agent能夠感知所處環境的改變，實現與環境互動。Agent能夠在無外界信息干擾的情況下，主動采取行動，與其他Agent進行多種形式和靈活多樣的互動，并對相關事件做出適時反應。Agent之間相互協商、相互協調、相互協作，使輿情信息繼續傳播。

2.3 Agent的決策規則

Agent的決策規則就是Agent如何決定轉發信息還是不轉發信息，主要從信息價值、信息源的覆蓋率和信息關注度對轉發行為的影響進行探討。為簡化研究，不考慮社交網絡中網絡用戶Agent的移入和移出，假設社交網絡結構相對穩定，即節點規模和邊關系不隨時間發生改變，且好友關系和輿情傳播均為雙向、自主。影響信息傳播的主要因素如下：

1） 設N表示在社交網絡中用戶的總數量。

2） 信息價值時效函數C（t）。Agent主要根據信息價值決定轉不轉發信息，信息價值具有時效性。設信息價值時效函數為C（t），C（t）∈[0，1]，C（t）越接近1，信息價值越高。 信息價值時效函數C（t）為分段函數，即

3 仿真實驗與分析

為分析與預測社交網絡中輿情傳播的過程和演化的趨勢，驗證模型的有效性。Agent仿真平臺主要有Swarm、Einstein和Netlogo等，本文采用Netlogo 6.0.4進行模擬仿真。仿真過程不考慮社交網絡中網絡用戶節點Agent的變更。

3.1 數據來源

仿真實驗數據來源于“Facebook social network dataset”，用戶數據集共包括4 039個節點，88 234 條邊。仿真參數包括總Agent數、信息價值、具有信息源的Agent數、信息的瀏覽度和關注度。

考慮實驗的方便性和快捷性，在仿真環境中，嵌塊集是由43×43的patch構成，嵌塊大小為11個像素，在正常速度下，30幀/s。至少兩個Agent構成一個社交網絡，社交網絡中總Agent設定后，網絡隨機生成，發布Agent隨機分布。社交網絡輿情傳播模型參數如表1所示。

3.2 結果與分析

3.2.1 初始環境

初始模擬系統主頁面如圖4所示。圖中包含2個按鈕、7個滑動塊、1個圖表和1個運行界面。由運行界面可以看出，節點和邊構成一個社交網絡，它們至少兩兩交互。其中，有8個紅色的節點，代表在社交網絡中某一時刻具有同一個輿情信息的信息源數，剩余Agent為藍色節點。

當總Agent數為500，信息價值為0.3，信息源覆蓋率為0.1，信息的關注度為0.4時，在基準環境下，社交網絡輿情傳播隨時間變化曲線如圖5所示。

由圖5可以看出，當信息價值為0.3時，輿情信息在短期內消散，周期短，由于信息價值小，轉發Agent很快達到一個較小的峰值后緩慢降低，中止Agent也逐漸呈較小的上升趨勢，發布Agent數量以小趨勢下降，發布Agent數量的下降是因為小部分Agent轉變成中止Agent所導致。

3.2.2 信息價值對輿情傳播的影響

社交網絡中，在保證其它參數穩定的情形下，通過調整信息價值的大小，分析與預測信息價值對輿情傳播過程和演化趨勢的影響效果。當信息價值為0.7時，輿情傳播隨時間變化曲線如圖6所示。由圖6可以看出，當信息價值為0.7時，轉發Agent有一個上升趨勢，達到峰值后快速下降，發布Agent下降趨勢相比圖5快，相對應中止Agent就會增加，且幅度相對圖5高。總之，信息價值對輿情信息的傳播起促進作用，信息價值越大，越有利于輿情信息的傳播。

3.2.3 信息源的覆蓋率對輿情傳播的影響

在保證其它參數穩定的情形下，通過調整信息源覆蓋率的大小，說明信息源數對輿情傳播趨勢的影響效果。當信息源覆蓋率為0.4時，輿情傳播隨時間變化曲線如圖7所示。

對比圖5和圖7可以看出，當信息源覆蓋率為0.1時，即初始具有信息源數較低的情況下，轉發Agent小幅度增加，到達一個峰值后，緩慢下降，最終趨向于零，中止Agent下降緩慢，發布Agent呈現緩慢增長趨勢，當轉發Agent達到峰值點時，發布Agent和中止Agent均趨于穩定，變化幅度較小;當信息源覆蓋率為0.4時，發布Agent數量增加，轉發Agent快速達到一個峰值，且比前一種情況的峰值數量明顯偏高，達到峰值后，迅速下降，中止Agent數量達到穩定狀態的個數數量也比前者明顯偏低。由實驗驗證，信息源的覆蓋率與轉發Agent數和中止Agent數成正相關。

3.2.4 信息關注度對輿情傳播的影響

在保證其它參數穩定的情形下，通過比較Agent對信息的關注度，說明輿情演化趨勢的影響效果。當關注度為0.8時，輿情演化趨勢隨時間變化曲線如圖8所示。

對比圖5和圖8可以看出，當信息關注度為0.4時，輿情信息在短期內消散，周期短，由于轉發強度并不大，轉發Agent達到峰值后緩慢下降，最后趨向于零，發布主體呈現緩慢上升，并很快達到穩定狀態，由于輿情信息是在社交網絡中傳播，有部分Agent對此信息不感興趣，沒有轉發此信息，其好友沒能看到此信息，關注度小，造成中止Agent人數下降緩慢，最終趨于穩定，社交網絡的Agent大部分都處于中止Agent。當信息關注度為0.8時，周期比前者更長久，轉發Agent快速增加，相比前者增加幅度大，達到峰值后，趨于穩定一段時間，逐漸減少，發布Agent數量快速上升，達到穩定后，發布Agent數量比圖5高出很多，此時中止Agent數量比前者少很多。由此可見，信息關注度對輿情傳播影響較大。

4 模型有效性驗證

當前關于社交網絡輿情傳播的演化趨勢大多選取較傳統的傳染病模型，為了驗證本文提出的多智能體社交網絡輿情傳播模型的有效性，將本文提出的多智能體社交網絡輿情傳播模型與文獻[17]給出的傳染病模型在同一標準數據集下進行仿真（仿真結果見圖5）。由于多智能體社交網絡輿情傳播模型與傳染病模型針對同一個問題，將圖5與文獻[17]中的圖6進行比較，由于二者的演化趨勢具有一致性，因此驗證了本文提出的多智能體社交網絡輿情傳播模型的有效性。

通過本模型與傳染病的社交網絡輿情話題傳播模型進行對比可知，傳染病模型的社交網絡輿情傳播，不能確切地描述網絡用戶的微觀交互行為，而本文提出的多智能體分布的社交網絡輿情傳播模型，能夠利用智能體的自主性、交互性、反應性等特性，剖析網絡用戶的微觀交互行為，智能體間相互協商、相互協作、相互協調，使輿情在社交網絡中的傳播特征與網絡用戶的交互性相關聯，能夠更好地分析與預測社交網絡中輿情傳播過程和演化趨勢。

5 結束語

本文提出一種基于Multiagent分布式技術的社交網絡輿情傳播模型，并采用 Facebook數據集對模型進行仿真分析。仿真實驗結果表明，在社交網絡輿情話題傳播初期，網絡中各節點的密度不斷增加，當達到一定的演化時間后，網絡中各節點的密度慢慢趨于穩定，該過程與社交網絡輿情話題實際變化特點相吻合;由社交網絡中Agent之間的交互微觀行為可知，由于社交網絡的連通性較強，Agent間相互協商、相互協作、相互協調，使輿情在Agent間傳播;社交網絡的傳播速度與信息價值時效性、信息源的覆蓋率、信息關注度相關，信息價值時效性越強，信息價值越大，輿情傳播能力也會隨之增強，信息源的覆蓋率越大，轉發Agent就會越多，傳播范圍越廣，信息關注度越大，信息在網絡中的傳播速度就快，反之輿情話題的信息傳播速度相對較慢，這主要是由于社交網絡信息傳播節點的邊越多，傳播速度相對越快。該研究不但有助于人們很好的研究Agent行為及社交網絡的相互作用對輿情傳播演化過程的影響，而且也有助于研究人員進一步了解社交網絡中輿情傳播方式，為深入探討輿情信息傳播演化規律提供新的研究思路。下一步，將針對輿情信息好壞的傳播進行研究。

參考文獻：

[1] Sudbury A. The proportion of the population never hearing a rumour[J]. Journal of Applied Probability， 1985， 22（2）： 443446.

[2] Wan J， Chen J， Du Y， et al. Information propagation model based on hybrid social factors of opportunity， trust and motivation[J]. Neurocomputing， 2019， 333： 169184.

[3] SznajdWeron K， Sznajd J. Opinion evolution in closed community[J]. International Journal of Physics C， 2000， 11（6）： 11571165.

[4] Saito K， Kimura M， Ohara K， et a1. Behavioral analyses of information diffusion models by observed data of social network[C]∥Proceedings of the 3rd International Conference on Social Computing. Berlin： SpringerVerlag， 2010： 149158.

[5] 江淼淼， 孫更新， 賓晟， 等. 多關系社交網絡中社團結構發現算法[J]. 計算機科學與探索， 2019， 13（7）： 11341144.

[6] 艾川， 陳彬， 劉亮， 等. 面向網絡輿情仿真的人物智能體建模[J]. 系統仿真學報， 2017， 29（9）： 22212226.

[7] 易成岐， 鮑媛媛， 薛一波， 等. 新浪微博的大規模信息傳播規律研究[J]. 計算機科學與探索， 2013， 7（6）： 551561.

[8] 譚振華， 時迎成， 石楠翔， 等. 基于引力學的在線社交網絡空間謠言傳播分析模型[J]. 計算機研究與發展， 2017， 54（11）： 25862599.

[9] 朱湘， 賈焰， 聶原平， 等. 基于微博的事件傳播分析[J]. 計算機研究與發展， 2015， 52（2）： 437444.

[10] 周東浩， 韓文報， 王勇軍， 等. 基于節點和信息特征的社會網絡信息傳播模型[J]. 計算機研究與發展， 2015， 52（1）： 156166.

[11] 孫月明， 張運加， 顏錢， 等. 無需感染時間信息的傳播網絡快速推斷算法[J]. 計算機科學與探索， 2019， 13（4）： 541553.

[12] 方勁皓， 錢曉東. 改進的SCIR模型中社交網絡信息傳播研究[J]. 計算機工程與應用， 2020， 56（19）： 105113.

[13] 周小領， 馬慶功. 概率猶豫模糊算法及其網絡輿情預測模型選擇[J]. 計算機工程與應用， 2019， 55（4）： 179184.

[14] Han S Y， Lei C X. Global stability of equilibria of a diffusive SEIR epidemic model with nonlinear incidence[J]. Applied Mathematics Letters， 2019， 98： 114120.

[15] Perissi I， Falsini S， Bardi U， et al. Mechanisms of meme propagation in the mediasphere： a system dynamics model[J]. Kybernetes， 2019， 48（1）： 7990.

[16] 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.

[17] 田世海， 張家毓， 孫美琪， 等. 基于改進SIR的網絡輿情信息生態群落衍生研究[J]. 情報科學， 2020， 38（1）： 39， 16.