基于Multiagent的突發事件網絡輿情演化

董田田 張睿 王姿穎 董學士

摘要：針對突發事件的傳播過程，采用定性與定量相結合的方法，提出了突發事件網絡輿情傳播的“五段六點”模式。根據貝葉斯概率原理，給出了Agent的決策規則，以網絡結構的方式體現Agent之間的內在聯系，建立了基于Multiagent分布的突發事件網絡輿情傳播模型。通過仿真分析Agent情感態的演化，驗證了該模型的有效性，表明該模型能夠較好地分析網絡用戶對突發事件網絡輿情傳播的演化趨勢。

關鍵詞：Multiagent;突發事件;網絡輿情;輿情仿真;決策規則

中圖分類號：TP393

文獻標志碼：A

文章編號：1006-1037（2021）01-0013-05

基金項目：山東省自然科學基金 （批準號：ZR2019MF050）資助。

通信作者：董學士，男，博士，講師，主要研究方向為復雜網絡、數據挖掘、深度學習。E-mail：937635119@qq.com

在互聯網的信息海洋中，網絡用戶雖然有選擇信息的自由，但在某一時刻，由于從眾心理，網絡用戶會先關注熱度較高的事件，造成突發事件網絡輿情傳播的兩極分化現象。預測網絡輿情話題演化趨勢，可有效消減網絡輿情中的“蝴蝶效應”。Sudbury[1]將Kermack等[2]提出的傳染病模型與網絡輿情傳播聯系起來，隨后，不少學者還研究了社交網絡中的信息擴散[3]、話題狀態建模[4]以及創新擴散[5]等問題。梁凱等[6]綜合考慮了網絡輿情擴散的多個環節和主要影響因素，建立網絡輿情擴散的系統動力學模型;WANG等[7]構建了一個多維網絡輿情網絡模型;賀鵬等[8]根據用戶個體差異及其強弱關系，提出了多Agent的微博社交網絡傳播模型;ZHANG等[9]采用期望最大化的方法，推斷信息的傳播速度;孫月明等[10]通過增加兩個新的節點狀態來增強信息傳播，建立了耦合網絡中的網絡輿情傳播模型。本文根據突發事件的傳播特征，對突發事件網絡輿情的演化過程按階段進行分解，提出“六點五段”模式。考慮社交網絡的開放性、交互性，依據其傳播的方式，對Agent進行分類。在Multiagent分布式技術基礎上，本文充分利用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決策規則，以網絡結構的方式體現其內在聯系。通過主體自主性行為，Agent間相互協商、相互協作、相互協調，使得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，描述社交網絡上主體的自主性行為對輿情傳播的影響，從而構建了基于Multiagent的突發事件網絡輿情傳播模型。

1 突發事件網絡輿情的演化過程分析

根據突發事件的傳播特征，對突發事件網絡輿情的演化過程按階段進行分解，演化過程分為孕育階段、顯現階段、發展階段、衰退階段、消亡階段五個階段，上一階段可以平穩地過渡到下一階段，也可能由于網民、媒體、政府這三個主體的干預，使得輿情演化到下一階段失去穩定性。從五個階段具體分析其演化過程如圖1，其中，橫坐標為時間，縱坐標為事件的熱度。

發生點表示現實社會中突發事件發生的時刻，也是網絡輿情發生的時刻，傳播點表示網絡輿情熱度緩慢上升的點，兩點之間稱為孕育階段，此階段持續時間普遍較短，幾乎沒有熱度，參與討論的網絡用戶數量較少，幾乎沒有轉發數量。

發展點表示網絡輿情熱度迅速上升的點，傳播點和發展點之間稱為顯現階段，持續時間普遍較短，熱度會比前者略高，參與討論的網絡用戶數量緩慢增加，跟帖數量也在緩慢提升。隨著突發事件的蔓延，網絡媒體對此事件進行報道，關注事件的用戶逐漸增多，突發事件的網絡輿情轉發數量整體呈上升的趨勢。

高潮點是網絡輿情發展的頂點，發展點和高潮點之間稱為發展階段，此階段持續時間較長，熱度會隨著時間達到最高點，參與討論的網絡用戶數量迅速增加，跟帖數量也在快速提升，由于網絡用戶數量變化率和跟帖數量變化率隨時間的變化整體呈正增長趨勢。在這一階段，由于網絡用戶之間的互動、部分網絡推動者、意見領袖的介入以及網絡媒體的不斷報道，使得突發事件從小規模傳播向大規模擴散轉變。

衰退點是網絡輿情快速下降的尾點，高潮點和衰退點之間稱為衰退階段，此階段持續時間普遍較長，熱度會從最高值逐漸下降，參與討論的網絡用戶數量快速減少，跟帖數量也在迅速下降，網絡用戶數量變化率和跟帖數量變化率隨時間的變化整體呈負增長趨勢。這是由于新聞媒體報道減少，且網絡用戶對已知的事物評論減少，使得網絡輿情逐漸下降。

消亡點表示突發事件網絡輿情的熱度接近于0，衰退點和消亡點之間稱為消亡階段，此階段持續時間普遍較長，熱度逐漸的消散，參與討論的網絡用戶數量，跟帖數量緩慢減少直至接近于零。隨著時間的推移，媒體關于事件不再報道，網絡用戶對事件不再感興趣等，突發事件逐漸消失。

2 基于Multiagent的突發事件網絡輿情傳播模型

2.1 Agent類型及其屬性

在突發事件網絡輿情傳播中，通過剖析Agent個體之間的交互行為，將Agent分為三類：意見領袖Agent;網絡用戶Agent，保持自身特性，如信念度（尋求事件的真相和支持或懷疑政府的行為），從眾性等來對網絡輿情進行轉發傳播;政府Agent，根據政府公信力、政府傳播力、政府議程設置引導力等屬性，對網絡輿情信息傳播進行干預。

2.2 Agent決策過程分析

從網絡用戶Agent的認知推理角度出發，將網絡用戶Agent對信息處理過程分為三個階段：信息接收階段、信息認知階段和信息傳播階段。首先，網絡用戶通過關系網判斷是否能接收到信息，若是能接收信息，獲知信息后對信息進行認知，否則，將會不轉發;其次，判斷對此信息是否給網絡用戶帶來情感上的表達和收益，進入下一判斷;最后，網絡用戶Agent在處理信息之后考慮是否傳播信息。依此不斷執行，網絡用戶Agent對網絡輿情信息處理流程圖如圖2。

2.3 Agent決策規則

在社交網絡輿情傳播過程中，{Positive，Opposite，Neutral}分別表示Agent對該信息的觀點是積極的，消極的還是中性的，若在傳播過程中Agent沒有干預，則表示Agent的觀點處于中立態;{True，False}分別表示Agent是否干預輿情信息的傳播;{Stable，Diffusion，Dissipate}分別表示該輿情信息走勢處于平穩、擴散和消退。政府是否干預的概率用P（S）表示，輿情走勢概率用P（H）表示，意見領袖概率用P（O）表示[11]。依據貝葉斯概率原理

其中，hi表示第i種事件，ui 表示該事件發生時，傳播輿情信息給Agent帶來的收益，c表示該事件發生時，傳播輿情信息給Agent帶來的成本。

總效用U的期望值

其中，α表示情感表達和傳播收益的相對權重系數。

在網民Agent做出期望預判后，起始時Agent對于該信息通常處于觀望狀態，不會即刻對該信息進行轉發，針對這一問題，本文設置一個決策意愿R，概率P（W）決定最終的執行策略，Agent傳播信息的概率

其中，E（u（0））為Agent傳播輿情時的總期望值，若R≤P（W），則Agent轉發該輿情信息，否則不轉發。

3 仿真實驗與分析

仿真實驗在Netlogo建模與仿真軟件平臺上進行。在Netlogo平臺上，Agent之間的交互作用是一個Agent從其他Agent獲取信息，然后根據自身的信息積累、狀態和決策規則，修改自身的原始狀態，并將信息傳播給其他Agent進行交互的過程，通過這些形式的交互，突出顯示系統環境所具有的和單個Agent所不具備的整體行為。

3.1 數據來源

仿真實驗數據來源于慧科數據平臺檢索關鍵字“女網紅進入機長駕駛艙”（ 2019年11月3日爆料）的相關微博，該微博被轉發7 000+以上，最多轉發達12級層次，前后擁有30個以上分級關鍵傳播節點轉發。

考慮到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像素，正常速度下每秒的幀數為30。其中，政府Agent、意見領袖Agent、網絡用戶Agent分別有1個、1個、300個，社交網絡中有一個傳播者，為簡化仿真實驗，本文中的權重系數設為同樣重要，均等取值。

3.2 無政府的干預

網絡輿情發生后，在沒有政府干預的情況下，根據相關政府官方內容在事件過程中的分析，網絡用戶Agent的情感趨勢性變化趨勢如圖3。可知，當無政府干預時，積極情緒和負面情緒的網絡用戶Agent隨著時間的推移而增加，當到達一定數量時，網絡用戶數在小范圍內震蕩變化，發帖數量不斷增加，中立情緒化的網絡用戶Agent不斷轉變成積極或負面的網絡用戶Agent。當網絡用戶在網絡輿情事件下處于焦慮情緒且政府仍處于被動處理狀態時，網絡用戶往往不相信政府的行為，Agent希望查明事件的真相，以及網絡用戶Agent對負面發展的情感傾向，此時，Agent有意反饋公眾意見，督促政府積極應對網絡輿情事件。

3.3 有政府的干預

其他條件不變，當政府Agent開始干預介入時，網絡用戶的情感趨勢性變化趨勢如圖4。可以看出，隨著政府對突發網絡輿情事件的態度由負面轉變為積極時，網絡用戶的情感性變化趨勢向著積極的方向發展。在前期不變的狀態下，隨著時間的推移，積極情緒化的網絡用戶數快速增加，對應的負面情緒化網絡用戶數直線下降。處于中立態是網絡用戶不斷的轉變為積極網絡用戶。

3.4 模型有效性驗證

為了驗證本文提出的Multiagent體社交網絡輿情傳播模型的有效性，將本文提出的Multiagent社交網絡輿情傳播模型與真實的數據進行對比，真實數據網民情緒占比如圖5所示，圖5（a）表示各媒體進行轉發后，航空公司未進行聲明網民情緒占比，圖5（b）表示航空公司發出聲明后的網民情緒占比。

Multiagent社交網絡輿情傳播模型仿真結果圖3與真實數據圖5（a）比較，4日上午無官方聲明和無政府參與，二者的情緒占比具有一致性，Multiagent社交網絡輿情傳播模型仿真結果圖4與真實數據圖5（b）比較，4日上午官方發出聲明，網名的積極情緒快速上升，負面情緒下降，加上政府正面引導，網絡用戶的情感向著積極的方向發展，積極情緒的占比會超越實際情況占比，由此驗證了本文提出的Multiagent社交網絡輿情傳播模型的有效性。

4 結論

針對突發事件網絡輿情傳播問題，在分析當前研究現狀的基礎上，根據仿真實驗結果可知，在突發事件網絡輿情傳播初期，網絡中各Agent的密度不斷增加，當達到一定的演化時間后，網絡中各Agent的密度慢慢趨于穩定，該過程與突發事件網絡輿情實際變化特點相吻合;根據突發事件網絡輿情傳播模型參數的變化情況可知，由于社交網絡的連通性較強，當政府Agent干預時，網絡用戶Agent接收到政府Agent的正面引導，中立態向積極態轉變，此時積極情緒占比大于負面情緒占比，該突發事件網絡輿情的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。對比官方通告前后網絡情感傾向，網絡用戶在通告后對某航空的正面評價明顯上升，某網絡用戶Agent對某一突發事件處于積極情感下時，則有利于信息的傳播。

參考文獻

[1]SUDBURY A. The proportion of the population never hearing a rumour[J]. Journal of Applied Probability， 1985， 22（2）： 443-446.

[2]KERMACK W O， MCKENDRICK A G. A contribution to the mathematical theory of epidemics[J]. Bulletin of Mathematical Biology，1991，53（1-2）：57-87.

[3]LUCERI L， BRAUN T， SILVIA G. Analyzing and inferring human real-life behavior through online social networks with social influence deep learning[J].Applied Network Science， 2019， 4（1）： 1-25.

[4]XU J， ZHANG L， MIAO A. Bayesian network-based static topic tracking model[J].Data Analysis and Knowledge Discovery， 2020，4（Z1）： 200-206.

[5]朱江，包崇明，王崇云，等.基于圖結構特征分析的Top-k結構洞發現算法[J].計算機工程，2020，46（5）： 94-101+108.

[6]梁凱，孫夢嬌，崔玲. 網絡輿情擴散的系統動力學仿真[J].青島大學學報（自然科學版），2013，26（1）：96-101.

[7]WANG G， CHI Y. Studies on a multidimensional public opinion network model and its topic detection algorithm[J]. Information Processing & Management， 2019， 56（3）： 584-608.

[8]賀鵬，李軍，董田田，等.基于多Agent的微博社交網絡信息傳播模型[J].青島大學學報（工程技術版），2020，35（2）： 43-47+56.

[9]ZHANG L F， SU C. Cross-network dissemination model of public opinion in coupled networks[J]. Information Sciences， 2018， s：（451-452）： 240-252.

[10] 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）： 541-553.

[11] 繆秋云. 基于MAS的移動社交網絡輿情演化模型構建與仿真研究[D].南京： 南京航空航天大學，2017.