考慮群組結構的在線社交網絡競爭性輿情信息傳播模型研究

摘要：針對在線社交網絡中競爭性輿情信息同時傳播的問題，在無標度網絡的基礎上引入群組結構，構建競爭性輿情信息傳播模型，考慮輿情信息內容、用戶親密度、社會強化效應因素并進行仿真研究。仿真結果表明，引入群組結構的無標度網絡充分契合了在線社交網絡的復雜性質；群組數量、群組規模、用戶親密度、社會強化效應對競爭性輿情信息的傳播有不同的促進作用；控制輿情信息內容的重要性與模糊度可有效調控競爭性輿情信息的傳播與擴散。

關鍵詞：群組結構； 競爭性輿情信息； 信息內容； 用戶親密度； 社會強化效應

中圖分類號：TP391.9;G206文獻標志碼：A

文章編號：1001-3695（2022）04-016-1054-06

doi：10.19734/j.issn.1001-3695.2021.09.0376

Research on competitive public opinion information dissemination model in

online social networks considering group structure

Hou Yanhui， Meng Fan， Wang Jiakun， Guan Min， Zhang Hao

（College of Economics amp; Management， Shandong University of Science amp; Technology， Qingdao Shandong 266500， China）

Abstract：Aiming at the problem of simultaneous dissemination of competitive public opinion information in online social networks， this paper introduced group structure on the basis of scale-free network， constructed a competitive public opinion information dissemination model， taken into account the content of public opinion information， intimacy of friends， and social strengthening effects to conduct simulation research. The simulation results show that the introduction of group structure of scale-free network fully fits the complex nature of online social networks. The number of groups， group size， intimacy of friends， and social strengthening effects have different promoting effects on the dissemination of competitive public opinion information. Controlling the importance and ambiguity of the content of public opinion information can effectively control the dissemination and diffusion of competitive public opinion information.

Key words：group structure; competitive public opinion information; information content; intimacy of friends; social strengthening effects

0引言

《2020全球數字報告》顯示：全球使用互聯網的人數已增長至45.4億，全球社交媒體用戶已突破38億［1］。新媒體的融合發展極大地變革了信息獲取、傳播與發酵的機制，在人人都是“麥克風”的時代，在線社交網絡儼然成為輿情信息的中轉站和集聚地。

作為社會輿情在網絡空間的映射，網絡輿情對民眾生活和社會穩定的影響與日俱增。如網民可以隨時隨地收發各類信息、企業可以樹立品牌形象走近消費者、政府可以了解基層民眾的心聲。但圍繞某一社會熱點話題，在參差不齊的輿情信息的沖擊下，網民的認知難免會出現盲區和偏差，極有可能誘發情緒化和極端化的集群行為。如疫情期間“雙黃連可預防新型冠狀病毒”的消息在各大社交媒體不脛而走，由于信息充斥著急迫性與不確定性，負向傳播群體迅速壯大，而理性的聲音逐漸被淹沒在焦慮與恐慌情緒中。從網民接觸的輿情信息來看，一類是帶有懷疑、煽動性傾向的負向輿情信息；另一類是帶有理性、認可傾向的正向輿情信息。圍繞某一社會熱點事件，正、負向輿情信息往往在社交網絡中同時存在，并且兩者的傳播表現出明顯的競爭性特征，一類輿情信息的傳播與擴散往往會壓縮另一類輿情信息的生存空間。針對在線社交網絡中正、負向輿情信息共存的特征，研究其動態傳播過程并提出有針對性的輿情應對策略，為營造清朗和諧的網絡空間提供一定的理論與科學參考。

1相關研究

隨著移動互聯網的普及，網絡輿情逐漸成為輿情發展的主要形態，其影響力也早已超出社會輿情的波及范圍，吸引了諸多學科學者的關注。通過系統梳理國內外網絡輿情演化領域的相關研究，本文將其概括為以下方面：

a）網絡輿情傳播的拓撲結構研究。網絡拓撲結構是用戶間連接關系的縮影，是網絡輿情傳播的載體。如考慮到線上、線下活動的相互依賴性，王家坤等人［2］構建了雙層社交網絡上的輿情傳播模型；通過特定的連接關系，魏靜等人［3］利用無標度有向網絡和BA網絡分別模擬微博和微信網絡環境并設計了耦合網絡載體。另外，根據網絡中人群年齡特征耦合關系，李鋼等人［4］構建了基于受眾年齡的新型社交網絡；通過某特定輿情事件挖掘網絡輿情參與用戶ID間的轉發關系，成全等人［5］構建了特定突發事件下網絡輿情的整體用戶社會網絡。

b）網絡輿情傳播的影響因素研究。在實際網絡中，輿情信息傳播過程受到諸多因素影響，需從不同角度進行深入研究，通過有機整合以更好地描述其傳播過程。考慮到個體因素、外部好友環境和外部平臺環境的影響，楊磊等人［6］分析了個體因素和外部環境共同影響下的輿情傳播過程；通過增加群體規模、從眾效應和社會強化效應的影響機制，張繼東等人［7］對社會網絡中的輿情傳播機制進行了動態分析。此外，在謠言傳播模型的基礎上，Huo等人［8］推導了考慮科學知識水平和社會強化作用的謠言傳播動力學平均場方程，魏靜等人［9］引入親密度因素動態地設計了傳播互動過程。

c）網絡輿情的傳播模型研究。考慮到實際網絡輿情傳播過程中主體的多樣性，當前學者圍繞傳播模型的構建進行了深入研究。如通過分析謠言傳播機制的影響，Jia等人［10］在SIR模型的基礎上區分了社交網絡上謠言的點對點傳播和群體傳播；考慮到媒體傳播和人際關系對意見傳播的影響，Zhang等人［11］提出了MI-SEIR模型；另外，考慮到造謠者可多賬號發布謠言、網絡監管部門可采取導控措施兩個方面，張金鑫等人［12］構造了SInQR網絡謠言傳播模型；在經典謠言傳播模型的基礎上引入辟謠者（debunker）角色，丁學君等人［13］構建了SIDR謠言傳播模型；從微博社交網絡謠言事件傳播演化一般過程出發，張彬等人［14］從系統動力學視角構建謠言信息和辟謠信息的競爭傳播模型。

綜上所述，圍繞網絡輿情的傳播，學者們從拓撲結構、影響因素和傳播模型三個方面進行了大量的研究工作，其研究思路、方法與結論為本文提供了研究基礎與理論依據，但目前的研究仍存在以下值得進一步探索的空間：a）當前研究仍大多沿用經典的網絡拓撲結構（如隨機網絡、小世界網絡和無標度網絡），少有研究考慮到復雜網絡中的群組現象，而由群組聚集引發的網絡群體極化行為是當前在線社交網絡輿情管控的難點之一;b）作為一個復雜的動力學過程，競爭性輿情信息的傳播與網民對信息的感知息息相關，而反映輿情信息內容的重要性與模糊度等指標究竟起著什么作用？

基于上述問題，本文計劃在無標度網絡的基礎上構造一種考慮群組現象的網絡拓撲結構，隨后提出SPNR競爭性輿情信息傳播模型，并分析群組結構、用戶親密度、社會強化效應、輿情信息內容對在線社交網絡競爭性輿情信息共演化過程的影響。最后，通過仿真實驗進行對比分析，明確競爭性輿情干預與管控的重點方向，為社會各主體積極合理地應對在線社交網絡中競爭性輿情信息的傳播提供理論基礎與實踐依據。

2網絡輿情傳播影響因素分析

2.1網絡拓撲結構

作為網絡輿情傳播的載體，互聯網為公眾提供了一個高流動性、可訪問性和隱蔽性的平臺，讓公眾可以就某些事件發表各自的觀點，從而形成了一個大型網絡圖［15］。網絡拓撲結構對在線社交網絡中輿情信息的傳播路徑以及演化過程具有顯著影響，并且該結論得到了相關學者的證實［16， 17］。

20世紀60年代，Milgram［18］首次提出六度分離理論，為小世界現象與小世界理論的提出奠定了基礎。當前具有強關系的在線社交網絡（如QQ），存在著“朋友的朋友互為朋友”的高聚類現象，并表現出平均路徑較短、集聚系數較大的小世界性質。與此同時，隨著社交網絡平臺規模的動態發展（如新用戶的進入與舊用戶的退出），涌現了一批類似于“大V”的權威節點，其網絡地位與普通用戶差異明顯，社交網絡的無標度特征逐漸顯現。如張宏等人［19］通過分析微信社交網絡的度分布、聚集系數、平均路徑長度等統計指標，發現了微信網絡的無標度特性和小世界現象。通過實踐參考與理論證實，實際社交網絡是具有多種特性的復雜網絡，既存在小世界網絡的現象，同時也體現著無標度網絡的特性。

由于社交網絡的包圍滲透以及社交媒體的蓬勃發展，具有相同志趣、相似訴求的人們在持續交互中自發組建起規模各異的網絡社群，形成了眾多相對封閉、互動活躍的社交圈層。正如Sela等人［20］在研究中指出社群是在社交網絡中擴大信息傳播的有效方法，隨著虛假新聞的大量涌現，人們傾向于通過參與傳播的用戶數量來評估新聞的可靠性。由此可見，網絡社群以其高效的圈層傳播優勢，在網絡輿情傳播領域展現出強大的組織動員能力，如在微信群、朋友圈中時常可見某熱議話題的刷屏現象，網絡社群極大地促進了正向有用信息的傳播，而其圈層封閉性與私密性也為一些負向不良信息的呈現與擴散提供了“社交黑箱”，大大增加了輿情監測與管控的難度。因此，基于圈層傳播的網絡社群儼然成為了競爭性輿情信息傳播的助推器。

基于上述分析，本文在網絡規模為N0的無標度網絡中引入群組結構，其中群組數量為G，群組規模服從以X為均值的正態分布。具體的構建規則如下：

a）初始隨機網絡與群組。m0個初始節點隨機連接，形成初始隨機網絡；另外，m0個初始節點均隨機地加入G個群組中。

b）增長與引入群組。每一個步長均引入一個新的節點，以概率與初始網絡中的m（m≤m0）個節點相連；與此同時，所有節點均以概率加入到一個或多個群組。

c）優先連接與擇優選擇。一個新節點與網絡中已存在節點i相連的概率pi與節點i的度ki滿足：pi=ki/∑jkj；同時，網絡中的節點加入群組G的概率qg與群組G的規模wg之間滿足：qg=wg/∑kwk。同一社群用戶之間為全連接。

基于上述構建規則，有、無群組結構下網絡拓撲結構的度分布如圖1所示。

由實驗結果可知，加入群組的網絡拓撲結構整合了復雜網絡的無標度特性和小世界性質。網絡的度分布由拖尾的冪律分布轉變為泊松分布與冪律分布共存；聚類系數明顯增大，由0.066 8增至0.600 9；平均路徑長度明顯縮短，由2.732 9降至2.254 6。本文改進的網絡結構不僅顯現了強關系社交網絡中的小世界現象，而且保留了無標度網絡節點增長和偏好連接的動態性質，實驗結果貼合實際社交網絡，符合本文的理論分析。

2.2輿情信息內容

作為影響網絡輿情傳播的重要內部因素之一，輿情信息內容直接影響著網絡用戶的傳播意愿和傾向。謠言心理學領域的學者奧爾波特［21］于1947年總結了謠言傳播的規律，提出著名的謠言傳播公式：rumor=importance×ambiguity。網絡謠言的傳播往往會引發謠言輿情，進而引發網絡輿情危機，上述研究結論為謠言傳播提供理論基礎的同時，也為本文競爭性輿情信息內容的研究提供了重要參考。

網絡輿情得以在社交網絡中傳播與擴散，除借助于宣傳手段外，其往往更加依賴于輿情信息的內容，而重要性和模糊度是體現輿情信息內容或價值的兩個重要指標。匡文波等人［22］在研究中證實了網絡謠言具有潛在危害性，其主題內容和主題人物的重要性容易引發民眾的廣泛關注，其模糊性容易引發群體性事件等帶有偏見性的行為。綜上所述，輿情信息內容的重要性和模糊度作用機制各異，在信息內容雙指標的綜合影響下，在線社交網絡中競爭性輿情信息的傳播將表現出不同的態勢。在文獻［21，22］的基礎上，本文引入imp∈［0.1，0.9］與amb∈［0.1，0.9］兩個指標分別描述輿情信息內容的重要性與模糊度特征。

2.3用戶親密度及社會強化效應

除輿情信息內容的影響外，網民在進行輿情傳播行為決策時還會受到其好友及所在社群其他用戶的影響。基于此，本文引入用戶親密度及社會強化效應，以描述周圍環境因素對用戶輿情信息傳播意愿與行為的影響。

親密度是衡量好友親密關系的重要指標，用戶與好友的親密關系代表著雙方的信任程度。一般而言，網絡用戶更傾向于相信與其關系親密的熟識好友發布的信息，而對不夠親密的路人好友傳播的信息會表示懷疑并忽略［9］。故本文分別引入好友親密度ω1和群友親密度ω2兩個變量，在引入群組的網絡拓撲結構中設置不同分布的邊權進行模擬和構建用戶之間的親密關系。

其次，用戶對網絡輿情的真實性感知將隨輿情信息曝光次數的增多而逐漸強化，用戶傳播意愿也呈現遞增趨勢，本文將各類輿情信息的曝光次數定義為用戶接受輿情信息的社會強化效應。正如Centola［23］通過在線社區傳播實驗得出的結論，當參與者從社交網絡中的多個鄰居處獲得社交強化信息時，個人選擇采納信息的可能性就更大，故本文在競爭性輿情信息的基礎上分別引入正、負向輿情信息在用戶社交關系中的曝光次數m1、m2衡量用戶接受的社會強化效應。

3在線社交網絡中競爭性輿情信息傳播模型的構建

不失一般性，本文將在線社交網絡中的用戶定義為節點，用戶之間的好友關系抽象為節點之間的連邊，輿情信息只能通過節點之間的連邊進行傳播［24］。隨后在經典信息傳播模型的基礎上，本文將社交網絡中的節點劃分為尚未接觸輿情的易感者（S）、正向輿情傳播者（P）、負向輿情傳播者（N）、已知曉輿情但無興趣繼續傳播的免疫者（R）四類群體。

3.1競爭性輿情信息傳播規則

基于以上定義，結合在線社交網絡中競爭性輿情信息的實際傳播過程，定義傳播規則如下：

a）當易感者與輿情傳播者接觸時，首先根據鄰居中正（負）向傳播群體與自身的親密度關系判斷優先傳播傾向，其次根據輿情信息內容的重要性和模糊度指標感知輿情性質，最后在輿情信息內容、用戶親密度、社會強化效應因素的綜合作用下以概率α1成為正向輿情傳播者，以概率α2成為負向輿情傳播者。

b）隨著傳播過程的進行，由于輿情的競爭性傳播及周圍好友狀態的變化，正向（負向）輿情傳播者會以概率β1（β2）發生狀態置換成為負向（正向）輿情傳播者；另外，考慮到信息的時效性，傳播者均以概率γ對網絡輿情失去傳播興趣或能力，退出傳播過程成為免疫者。

c）免疫者狀態作為網絡輿情傳播過程的終極狀態，不再發生變化。

綜上所述，在線社交網絡中的競爭性輿情信息傳播模型如圖2所示。其中α1和α2為易感者傳播率；β1和β2為傳播者傳播傾向置換率；γ為傳播者免疫率。

假設在線社交網絡中競爭性輿情信息傳播階段用戶總人數不變，不考慮傳播期用戶的進入與退出，將網絡中t時刻的易感者、正向輿情傳播者、負向輿情傳播者、免疫者人數分別定義為S（t）、P（t）、N（t）、R（t），根據以上分析可得到描述SPNR模型的動力學微分系統為

dS（t）dt=－α1P（t）S（t）－α2N（t）S（t）

dP（t）dt=α1P（t）S（t）+β2P（t）N（t）－β1P（t）N（t）－γP（t）

dN（t）dt=α2N（t）S（t）+β1N（t）P（t）－β2N（t）P（t）－γN（t）

dR（t）dt=γP（t）+γN（t）（1）

3.2用戶狀態轉移概率

在線社交網絡中競爭性輿情信息的傳播是一個復雜的動力學過程，考慮到網絡用戶發生狀態轉移的概率會受到諸多因素的影響，故本節將重新定義用戶的狀態轉移概率。

1）易感者傳播率

對易感者而言，其向正（負）向輿情傳播者發生狀態轉移的過程中，會受到輿情信息內容、用戶親密度、社會強化效應因素的綜合影響，首先根據本文對輿情信息的分類，將用戶對輿情信息內容的正、負向感知λP與λN分別定義為

λP=（1+imp）（1－amb）（2）

λN=（1+amb）（1－imp）（3）

易感者轉換為正、負向輿情傳播者的概率α1與α2分別定義為

α1=1－∏m1k=1（1－Rij×λPλmax）（4）

α2=1－∏m2k=1（1－R′ij×λNλmax）（5）

其中：Rij和R′ij分別代表用戶i與其正、負向輿情傳播者鄰居的親密度集合；λmax表示用戶i對輿情信息內容綜合感知的最大值。

2）傳播者置換率

對社交網絡中正、負向輿情傳播者而言，其在傳播某傾向輿情信息時不可避免地會接觸到對立面輿情傳播者，并受到對方的同化作用進而造成自身傳播傾向的轉變。故本文將正向輿情傳播者置換率定義為β1=1－（1－θ）m2，負向輿情傳播者置換率定義為β2=1－（1－θ）m1，其中θ為傳播者初次接觸反向傳播者的置換概率，m1與m2分別表示負向與正向輿情傳播者的鄰居中，對立面輿情傳播者的數量。

3）傳播者免疫率

另外，隨著輿情信息時效性和用戶傳播興趣的減弱，輿情傳播者均以一定概率退出傳播過程，進入免疫狀態，故定義傳播者的免疫概率為γ=1－e－μ×t，其中μ為免疫系數。

4仿真實驗及分析

本文旨在研究在線社交網絡中競爭性輿情信息的傳播過程，從傳染病動力學角度構建SPNR模型，通過實際案例驗證模型的有效性，并進一步研究群組結構、用戶親密度、輿情信息內容等對輿情傳播的影響。而對于相關實驗參數的定義，在參考文獻［2，6，14～16］以及本文模型假設的基礎上，定義實驗參數如下：網絡中節點總數N=2 000，m0=20，m=10；初始正向輿情傳播者數量p0=10，初始負向輿情傳播者數量n0=10；好友親密度ω1∈（0.5，0.8），群友親密度ω2∈（0，0.2）；傳播者初始置換率θ=0.1，免疫系數μ=0.02。

4.1初始仿真結果討論及模型有效性驗證

在上述參數的基礎上，考慮到現實社交網絡的群組有限性以及本文仿真節點的數量，模型所用的群組結構為G=100，X=50；其次考慮到大部分輿情事件的信息內容重要性和模糊度處于均等水平，因此設置信息重要性imp=0.4，信息模糊度amb=0.5，模型初步仿真結果如下：

綜合考慮輿情信息內容的重要性和模糊度指標，本文選取了2020年“雙黃連口服液可抑制新型冠狀病毒”事件作為研究案例，采集發布時間在2020年1月31日22時～2020年2月1日6時的熱門微博，共計得到1 026條微博評論。圖3為使用jieba分詞后的詞云展示。

通過詞云（圖4）可以看出，網民評論出現明顯的兩極化傾向，以“脫銷”“斷貨”為代表的負向輿情信息主導搶購雙黃連口服液；以“研究”“數據”為代表的正向輿情信息主導理性看待雙黃連口服液的抑制效果。

通過snownlp情感分析模塊結合人工標注對評論內容進行情感傾向分析，研究此類輿情事件爆發后競爭性輿情信息的傳播結果，如圖5所示。

通過實際案例中競爭性輿情信息的傳播結果（圖5）與模型仿真結果（圖3）的對比發現，本文構建的SPNR模型較好地模擬了現實中正、負向輿情信息的傳播趨勢，模型的有效性得到了驗證。

4.2群組結構對競爭性輿情信息傳播過程的影響

接下來本文分別對網絡拓撲群組結構中的群組數X和群規模G指標進行靈敏度分析，選擇輿情傳播總人數比例I（t）=P（t）+N（t）N（t）作為測度指標，探究群組結構影響網絡輿情傳播的內部機制，實驗結果如圖6所示。

由圖6可知，隨著社交網絡中群組數量的增長和群規模的增大，網絡輿情的傳播范圍依次擴大、傳播速度逐步提升。具體而言，在圖6（a）中，當群組數為20時，網絡中傳播者總人數在t=9時刻達到其峰值0.35，輿情信息在網絡中小范圍傳播；當群組數為100時，網絡中傳播者總人數在t=7時刻峰值接近0.7，此時輿情信息在網絡中大范圍傳播，幾乎遍布整個社交網絡。在圖6（b）中，當群規模X為10時，網絡中傳播者總人數于t=10時刻達到峰值0.18；而當群規模X為50時，網絡中傳播者總人數于t=7時刻達到峰值0.71。顯然，群組數量和群規模的擴大，一方面提升了群成員對所在群聊的歸屬感，另一方面增加了群成員對群聊信息的重視程度，進而增大了輿情信息的曝光概率及其傳播速度與范圍。

綜上所述，在社交網絡好友關系的基礎上，群組結構增加了因某共同屬性聚集起來的群友關系。網絡用戶只需將某輿情信息在群組中轉發，便可以直接達到“一傳百”的效果。群組現象的存在，促進了正向輿情信息傳播的同時，也給負向輿情信息的擴散提供了搭便車的機會。在進行輿情管控時，政府及平臺監管主體應重視社交網絡中的群組數量和規模，可對社交網絡中擁有群組數量顯著高于一般用戶的特殊用戶進行識別，重點關注其輿情信息傳播行為，防止該類用戶傳播負向輿情信息而導致負向輿情的大范圍擴散；另外對于群組規模，平臺可設置上限控制群組無限增長，如微信群規模的500人上限，防止網民過度聚集導致群體極化行為。此外，對于群組中用戶信息傳播行為的管理，應該規范與完善大規模群組的監管機制，如通過群聊責任人制度間接管理社群；建立全民參與的監督與舉報機制，在合理利用社交網絡中的群組提升工作效率、正向輿情傳播效率的同時，有效地管控社交網絡中非理性信息的傳播。

4.3用戶親密度對網絡輿情傳播過程的影響

本節將好友親密度ω1和群友親密度ω2分別作為調控變量，其余參數不變，研究用戶親密度與網絡輿情傳播過程之間的關聯關系，實驗結果如圖7所示。

由圖7可以看出，社交網絡中用戶好友與群友間的親疏關系均影響網絡輿情的傳播過程，隨著用戶親密度的提升，網絡輿情的傳播速度及傳播規模均變化顯著。具體而言，圖7（a）中，在好友親密度ω1上限值由0.6增至0.8的過程中，網絡輿情傳播總人數比例的峰值不斷增加，但增長幅度逐漸減小，傳播比例在0.69～0.72；圖7（b）中，在群友親密度ω2上限值由0.1增至0.3的過程中，網絡輿情傳播總人數峰值比例明顯增大，傳播比例在0.63～0.75。

綜上所述，與好友親密度相比，群友親密度的變化對輿情信息傳播的促進作用更加顯著。究其原因，群聊中群友親密度一般處于較低水平，群友親密度增大，用戶會更容易相信群聊中信息的真實性并進行轉發擴散；而好友親密度的增加并沒有明顯促進輿情信息的傳播，這是因為相對群友關系，網絡好友擁有聊天與分享的親密空間，繼續增加其親密關系，輿情信息擴散的邊際效應呈遞減趨勢。在進行輿情管控時，監管主體應引導網民理性對待網絡輿情信息，面對群聊中網絡群友發布的各類輿情信息要有基本的甄別意識，不能因關系親密、志趣相投而聽之信之、盲目轉發。

4.4信息內容對競爭性輿情信息傳播過程的影響

信息內容的重要性和模糊度顯著影響著網絡用戶發表言論的謹慎性以及傳播某網絡輿情的情感傾向，故在上述參數的基礎上，調整輿情信息內容的重要性imp和模糊度amb指標進行仿真實驗，分別以網絡中正、負向輿情傳播者比例的最大值作為測度指標，研究信息內容對競爭性輿情信息傳播過程的作用規律。

由實驗結果可知，信息內容顯著影響著競爭性輿情信息的傳播過程，整體而言，當輿情信息內容的重要性大于其模糊度（impgt;amb）時，正向輿情的擴散明顯占據優勢，并且隨著信息內容重要性指標的增加、模糊度指標的降低，正向輿情得以在社交網絡中大范圍傳播，而負向輿情的傳播被顯著抑制；反之，正向輿情的傳播則被顯著抑制。

具體而言，在圖8的左上角（當信息重要性較高且模糊度較低時），正向輿情傳播者比例最大而負向輿情傳播者比例最小。如民法典頒布、脫貧攻堅取得全面勝利等具體確定性重大事件，對于該類輿情信息，網絡用戶一般會謹慎地選擇自己的傳播行為，更傾向于傳播正向輿情信息，而負向輿情信息的傳播會受到抑制。在圖8的右下角（當信息模糊度較高且重要性較低時），正向輿情傳播者比例最小，而負向輿情傳播者比例達到最大值。如事關社會民生類等生活謠言信息、故意隱瞞相關事實的報道等不確定性事件，對于該類輿情信息，由于寧可信其有觀念和好奇心的存在，網絡用戶往往會傳播帶有懷疑、擔憂等負向情感的信息，此時正向輿情信息的傳播會受到抑制，上述兩種情景下的實驗結果符合預期。

值得注意的是，在圖8的左下角（當信息重要性和模糊度均比較低時），網絡中正、負向輿情傳播者比例相當并維持在比較高的水平，例如娛樂八卦新聞（如明星動態、路透等）、區域性信息（如某促銷活動、社區通知）等。對于該類輿情信息，網民本著吐槽以尋求共鳴的想法，傳播即時信息以賺取網絡流量的目的，會積極分享并討論相關事件。另外在圖8的右上角（當信息重要性和模糊度均比較高時），網絡中正、負向輿情傳播者比例均較低，如日本東京奧運會推遲、山東金礦爆炸事故等重大事件，對于該類輿情信息，網絡用戶抒發情感會有一定的自我限制，發表言論相對謹慎，不會隨意猜測或轉發帶有情感傾向的信息，一般知而不傳、靜觀其變，因此傳播人數維持在較低水平。

由上述分析可知，輿情信息內容重要性的增加會顯著促進正向輿情的傳播，而信息內容模糊度的增大則會顯著促進負向輿情的擴散。故在進行網絡輿情管控時，政府等監管主體應積極發揮自身的宏觀調控作用，根據輿情信息內容率先明確自身的態度，對于一些易引起社會較大范圍恐慌及動亂的熱點事件，及時介入以提高網民對輿情信息內容的重要性感知，通過簡明易懂的信息公示降低信息內容的模糊度，進而有效調節在線社交網絡中競爭性輿情信息的傳播與擴散。

5結束語

在無標度網絡的基礎上，本文考慮到在線社交網絡中的群組現象，構建了含有社群的網絡拓撲結構，重點引入用戶親密度、輿情信息內容與社會強化效應等因素，動態地設計了在線社交網絡的競爭性輿情信息傳播與演化的過程；隨后，利用仿真實驗分析了網絡拓撲結構、用戶親密度、輿情信息內容對在線社交網絡中競爭性輿情信息傳播過程的影響。

研究結果表明：a）相較于無標度網絡，加入群組的網絡拓撲結構綜合體現了在線社交網絡的社區結構、無標度性和小世界現象，并且群組結構的引入顯著改變了競爭性輿情信息的傳播速度及傳播范圍；b）用戶親密度、社會強化效應與輿情信息內容特征均顯著影響著輿情的傳播過程。親密度越高，網絡用戶之間的聯系就越緊密，用戶對輿情信息的接受程度越高；輿情曝光次數即社會強化效應對競爭性輿情信息的傳播概率存在倍增的效果；輿情信息內容則直接影響用戶的傳播傾向，信息內容重要性的增加會促進正向輿情的傳播，而信息內容模糊度的提升則會促進負向輿情的擴散。基于上述研究結果，本文對在線社交網絡中競爭性輿情信息的傳播提出了具有針對性的引導手段與控制建議，具有一定的理論價值與實踐意義。

在線社交網絡中競爭性輿情信息的傳播是一個非常復雜的動力學過程，本文構建的考慮群組的網絡拓撲結構與實際的社交網絡仍有一定的差距，運用有關社群劃分的算法搭建更加符合實際的網絡拓撲結構，將會是未來研究工作的主要方向。

參考文獻：

[1]Kemp S. Digital 2020 reports［R］.［S.l.］：We Are Social amp; Hootsuite，2020.

［2]王家坤，王新華.雙層社交網絡上的企業輿情傳播模型及控制策略研究［J］.管理科學，2019，32（1）：28-41.（Wang Jiakun， Wang Xinhua. Research on enterprise public opinion communication model and control strategy on two-layer social network［J］.Journal of Ma-nagement Science，2019，32（1）：28-41.）

［3]魏靜，黃陽江豪，朱恒民.基于耦合網絡的社交網絡輿情傳播模型研究［J］.現代情報，2019，39（10）：110-118.（Wei Jing， Huang YangJianghao， Zhu Hengmin. Research on social network public opinion communication model based on coupling network［J］.Journal of Modern Information，2019，39（10）：110-118.）

［4]李鋼，王聿達.基于受眾畫像的新型耦合社交網絡謠言傳播模型研究［J］.現代情報，2020，40（1）：123-133，143.（Li Gang， Wang Yuda. Research on rumor spreading model of new coupled social network based on audience profile［J］.Journal of Modern Information，2020，40（1）：123-133，143.）

［5]成全，劉國威，李藝全.考慮用戶主題興趣度的網絡輿情演化建模與仿真研究［J］.管理評論，2020，32（11）：128-139.（Cheng Quan， Liu Guowei， Li Yiquan. Research on modeling and simulation of internet public opinion evolution considering user subject interest［J］.Management Review，2020，32（11）：128-139.）

［6]楊磊，封永雪，侯貴生，等.個體因素與外部環境共同作用下的跨平臺社交網絡輿情傳播模型研究［J］. 現代情報，2021，41（3）：138-147，158.（Yang Lei， Feng Yongxue， Hou Guisheng， et al. Research on cross-platform social network public opinion communication model under the combined action of individual factors and external environment［J］.Journal of Modern Information，2021，41（3）：138-147，158.）

［7]張繼東，蔣麗萍.融入用戶群體行為的移動社交網絡輿情傳播動態演化模型研究［J］.現代情報，2021，41（5）：159-166，177.（Zhang Jidong， Jiang Liping. Research on the dynamic evolution model of mobile social network public opinion dissemination integrating user group behavior［J］.Journal of Modern Information，2021，41（5）：159-166，177.）

［8]Huo Liangan， Chen Sijing. Rumor propagation model with consideration of scientific knowledge level and social reinforcement in heterogeneous network［J］.Physica A： Statistical Mechanics and Its Applications，2020，559：125063.

［9]魏靜，丁樂蓉，朱恒民，等.基于情感和親密度的社交網絡輿情傳播模型研究［J］.情報科學，2021，39（4）：37-46.（Wei Jing， Ding Lerong， Zhu Hengmin， et al. Research on social network public opi-nion communication model based on emotion and intimacy［J］.Information Science，2021，39（4）：37-46.）

［10]Jia Pingqi， Wang Chao， Zhang Gaoyu， et al. A rumor spreading model based on two propagation channels in social networks［J］.Physica A： Statistical Mechanics and Its Applications，2019，524：342-353.

［11]Zhang Yuexia， Feng Yixuan， Yang Ruiqi. Network public opinion propagation model based on the influence of media and interpersonal communication［J］.International Journal of Modern Physics B，2019，33（32）：1950393.

［12]張金鑫，王麗婷，張金華.具有多個傳播源的網絡謠言傳播與導控模型研究［J］.情報科學，2020，38（11）：115-120.（Zhang Jinxin， Wang Liting， Zhang Jinhua. Research on network rumor dissemination and guidance and control model with multiple transmission sources［J］.Information Science，2020，38（11）：115-120.）

［13]丁學君，李臨霄.反沉默螺旋效應下社交媒體謠言傳播動力學研究［J］.系統工程理論與實踐，2020，40（12）：3149-3163.（Ding Xuejun， Li Linxiao. Research on the spread dynamics of social media rumors under the anti-silence spiral effect［J］.Systems Engineering Theory and Practice，2020，40（12）：3149-3163.）

［14]張彬，黃瑩瑩，石佩霖.基于競爭性信息傳播模型的信息失真治理研究［J］.中國管理科學， 2021，29（2）：237-248.（Zhang Bin， HuangYingying， Shi Peilin. Research on governance of information distortion based on competitive information dissemination model［J］.Chinese Journal of Management Science，2021，29（2）：237-248.）

［15]Lian Ying， Dong Xuefan， Lyu Yijun. Topological evolution of the internet public opinion［J］.Physica A： Statistical Mechanics and Its Applications，2017，486（15）：567-578.

［16]覃志華，劉詠梅.基于三層微信網絡的謠言傳播模型仿真研究［J］.情報科學，2017，35（5）：119-124.（Qin Zhihua， Liu Yongmei. Simulation research on rumor spreading model based on three-layer WeChat network［J］.Information Science，2017，35（5）：119-124.）

［17]Pierri F， Piccardi C， Ceri S. Topology comparison of Twitter diffusion networks effectively reveals misleading information［J］.Scientific Reports，2020，10（1）：1-9.

［18]Milgram T S. An experimental study of the small world problem［J］.Sociometry，1969，32（4）：425-443.

［19]張宏，李杰.復雜網絡的微信網絡信息傳播研究［J］.科學技術與工程，2014，14（17）：244-247.（Zhang Hong， Li Jie. Research on WeChat network information dissemination based on complex network［J］.Science Technology and Engineering，2014，14（17）：244-247.）

［20]Sela A， Milo O， Kagan E， et al. Improving information spread by spreading groups［J］.Online Information Review，2019，44（1）：24-42.

［21]奧爾波特.謠言心理學［M］.劉水平，梁元元，黃鸝，譯. 沈陽：遼寧教育出版社，2003：17.（Allport. Rumor psychology［M］.Liu Shuiping， Liang Yuanyuan， Huang Li， trans. Shenyang： Liaoning Education Press，2003：17.）

［22]匡文波，周倜.論網絡輿論風暴公式［J］.國際新聞界，2019，41（12）：131-153.（Kuang Wenbo， Zhou Ti. On the Internet public opinion storm formula［J］.Chinese Journal of Journalism amp; Communication，2019，41（12）：131-153.）

［23]Centola D. The spread of behavior in an online social network experiment［J］.Science，2010，329（5996）：1194-1197.

［24]王家坤，王新華.一種基于線性閾值的網絡謠言離散傳播模型［J］.情報科學，2019，37（6）：163-169.（Wang Jiakun， Wang Xinhua. A discrete propagation model of Internet rumor based on linear threshold［J］.Information Science，2019，37（6）：163-169.）

收稿日期：2021-09-09；

修回日期：2021-11-04

基金項目：國家自然科學基金資助項目（51574157）；山東省自然科學基金資助項目（ZR2021QG035）；山東省社會科學規劃研究項目（20CGLJ21）

作者簡介：侯艷輝（1978-），男，山東濰坊人，副教授，碩導，博士，主要研究方向為決策理論與系統優化；孟帆（1998-），女，山東青島人，碩士研究生，主要研究方向為網絡輿情傳播；王家坤（1993-），男（通信作者），山東聊城人，副教授，博士，主要研究方向為網絡輿情管理（shandongwjk@163.com）；管敏（1997-），女，山東濰坊人，碩士研究生，主要研究方向為網絡輿情；張昊（1996-），男，山東淄博人，碩士研究生，主要研究方向為網絡輿情.