基于社交網絡的輿情多信息交互傳播機制研究

摘要： 為分析社交網絡中同一輿情事件多信息的交互式傳播機制，將多種信息之間的互動分為合作、獨立和競爭三種類型，依據多種信息傳播的交互情況構建信息傳播模型。研究發現信息屬性、信息相互作用因子和網絡拓撲結構對輿情多信息傳播具有不同影響，且多信息交互傳播時不同個體狀態變化特征不同。研究結果可以幫助學者更好地理解社交網絡中輿情多信息交互傳播機制，為輿情信息的最大化傳播或控制信息傳播提供一定的理論指導。

關鍵詞： 多信息；社交網絡；相互作用；交互傳播

中圖分類號： G206；N94文獻標識碼： A

Research on Multi Information Interactive Communication

Mechanism of Public Opinion Based on Social Network

WANG Xiaoli， ZHANG Jing， CHEN Shuqin，QIAN Mengdi

（School of Management， Shanghai University of Engineering Science， Shanghai 201620，China）

Abstract：To analyze the interactive dissemination mechanism of multiple information on the same public opinion event in social networks， this article divides the interaction between multiple information into three types： cooperation， independence， and competition. Based on the interaction situation of multiple information dissemination， an information dissemination model is constructed. Research has found that information attributes， information interaction factors， and network topology have different impacts on the dissemination of public opinion multi information， and different individuals have different characteristics of state changes during the interactive dissemination of multi information. The research results can help scholars better understand the mechanism of multi information interaction and dissemination of public opinion in social networks， and provide certain theoretical guidance for maximizing or controlling the dissemination of public opinion information.

Keywords： multi information; social networks; interaction; interactive communication

隨著互聯網技術的快速發展，信息傳播途徑發生了巨大改變。以互聯網為主要媒介的信息傳播突破了時空限制，輿情事件在引起人們關注后得到快速傳播。尤其是近幾年，社交網絡平臺中涌現出大量同一輿情事件多個信息同時擴散的現象，且很多信息在傳播中存在不同的相互作用關系，如合作、競爭和獨立。多信息之間的交互傳播對網絡環境及相關當事人有著巨大的影響。由于輿情多種信息在社交網絡中交互傳播的復雜性，探索多信息交互傳播時的相互作用影響及多信息傳播機制是十分必要的。

目前，以復雜網絡理論為基礎，利用傳播動力學相關方法進行研究是網絡輿情傳播領域的主流研究趨勢之一。由于在線社交網絡中的信息傳播機制與傳染病傳播機制相似，大多數網絡傳播動力學研究主要基于經典的傳染病傳播模型，如Kermack[1]提出的SIR模型（將模型中的人劃分為三類：S（易感染者）、I（傳播者）、R（免疫者））和Daley和Kendal[2]提出的DK謠言模型。隨著復雜網絡理論研究的發展[3-4]，傳播動力學的研究迎來新契機，部分學者開始嘗試結合復雜網絡模型研究傳播動力學問題。Zanette[5]首次將謠言模型應用在小世界網絡中對傳播過程進行分析，發現小世界網絡中的謠言傳播存在傳播閾值，傳播參數低于傳播閾值時，謠言會自動消亡，并指出復雜網絡的拓撲結構對謠言傳播過程具有非常大的影響。之后，不少學者基于不同網絡結構對輿情信息傳播影響進行研究[6-7]。隨著網絡輿情研究不斷深入，基于單層網絡的輿情傳播研究已經不能滿足當今的輿情傳播現象，許多學者在多層網絡中對輿情傳播進行分析與研究。王家坤等[8]考慮到線上、線下活動的相互依賴性，基于復雜網絡理論和傳播動力學等方法，構建雙層社交網絡中的輿情傳播模型。Xian等[9]提出以一種社交平臺為一層網絡，基于輿情信息在多種社交平臺中的跨平臺傳播，構建開放式和封閉式雙層社交網絡輿情信息傳播模型。

已有不少學者考慮到多信息同時傳播的現象[10-11]，如Yan等[12]考慮到群體心理的作用，運用動態系統方法研究正面和負面信息的競爭傳播。Zhu等[13]基于信息傳播與傳染病傳播的不同，考慮到記憶效應、社會增強、非冗余和人類異質性的特性從競爭和合作兩方面考慮多信息傳播之間的相互作用。Xiao等[14]基于不同事件信息之間的相互作用和傳播路徑的多樣性提出MM-SIS模型來探討多種網絡中多信息的詳細過程和特征。此外，也有許多學者根據信息真實性將傳播者劃分為謠言傳播者與辟謠傳播者或雙謠言傳播者進行研究。Yang等[15]通過分析Facebook中真實和虛假信息競爭傳播的數據集，發現真實信息傳播者具有關鍵作用。Vosoughi等[16]收集推特2006—2017年相關信息，對虛假信息和真實信息的傳播進行研究，發現虛假信息比真相傳播得更遠、更快，且虛假信息的影響更明顯。

綜上所述，目前關于輿情多信息傳播的研究已經取得了一定的成果，但對于多信息傳播的研究考慮尚不全面：1）關于輿情信息傳播的研究主要集中在單層社交網絡，而如今輿情傳播已呈現出線上線下相連通、多種社交平臺相連通的多重網絡傳播特點；2）在網絡輿情傳播過程中，多數研究采用的狀態轉移概率相對固定，而實際傳播中狀態轉移概率是變量，且輿情信息對每個人吸引度也不相同；3）針對多信息交互傳播的研究主要集中在信息之間的相互作用方面，而少有研究考慮個體在接受多個信息時不同狀態之間的交互作用。因此，為更準確地描述多信息輿情傳播過程，本文首先將多信息之間的相互作用分為合作、獨立和競爭3種類型，結合線性閾值理論，定義網絡傳播過程中個體狀態的轉移概率，以此構建不同網絡結構的多信息交互傳播模型。最后，對構建的多信息交互模型的輿情傳播過程進行仿真實驗，分析社交網絡中輿情多信息交互傳播的規律及特點。

1 輿情多信息交互模型構建

隨著社交平臺的發展，同一輿情事件信息也呈現出多樣性，輿情傳播過程中人群外在特征表現出“未知、已知、傳播和免疫”4個狀態，但個體對不同信息的態度并不完全相同。例如，社交平臺中關于某輿情事件涌現出兩個話題信息A和B，個體V1對信息A是傳播狀態，對信息B是未知狀態；個體V2對信息B是傳播狀態，對信息A是免疫狀態。盡管個體V1、V2都是該輿情事件的傳播者，但對信息A、B的態度是不同的，進而個體在輿情信息傳播過程中的狀態已經不能僅僅以單一的“未知、已知、傳播和免疫”狀態進行表示。因此，本文提出更加細化的多信息交互傳播模型。為了便于理解本文所構建模型的傳播機制，并參考Zhu等[13]研究中的模型傳播可視化，本文以兩個信息為例（本文所構建的模型設計同樣適用于兩個信息以上的輿情多信息交互），將個體對兩種不同信息交互的態度細分為16種狀態進行研究。

顯然，個體在輿情信息傳播過程中的態度會受到其他信息的影響。人們接收到關于同一輿情事件的兩個相似話題時，對該話題信息的接受度會高于僅接收到一條信息時的接受度，且在已知（或傳播）一條信息的狀態下，再接受或拒絕另一條信息的比率會有所不同，即不同信息的傳播之間存在相互作用，且這種相互作用影響著信息的傳播。如以2023年1月29日“失蹤106天，胡鑫宇遺體被發現”事件為例，該事件多次引起媒體的報道和網民的評論，僅在2月2日當天便出現23個微博熱搜詞條，多條輿情信息在社交平臺中擴散傳播，通過收集2月2日微博社交平臺上引起較高熱度且在相同時間范圍傳播擴散的熱搜詞條發現，“胡鑫宇遺體腳掌與地面平行不實”與“胡鑫宇系自縊死亡”詞條相互聯系，且詞條討論具有相似內容。因此此類信息之間是相互促進傳播的關系，也可以說這些信息之間的關系是“合作”關系。“胡鑫宇是Rh陰性血型”與“警方辟謠胡鑫宇為熊貓血”詞條傳播擴散時相互抑制，信息之間屬于“競爭”關系。而“心理專家解讀胡鑫宇事件”與“央視采訪發現胡鑫宇尸體的糧庫員工”詞條傳播擴散時不存在交互行為（表現為兩個微博熱搜詞條廣場中不存在另一條詞條信息），信息之間屬于“獨立”關系。因此，本文根據當前研究基礎和多信息傳播交互的現實情況，將多信息傳播之間的相互作用分為3類：合作、獨立和競爭。

同時，輿情在不同網絡結構中傳播時具有不同的演化機制，為了探索多信息交互在不同網絡結構中的傳播過程和傳播機制，本文以雙層網絡為例，構建輿情多信息交互模型。

1.1 模型描述

本文以兩條信息為例進行研究，其中未知者S表示不知道輿情信息的人群；已知者E表示知道輿情信息，但并未進行傳播的人群；傳播者I表示正在傳播輿情信息的人群；免疫者R表示傳播過輿情信息，或對輿情信息不再感興趣的人群。根據線性閾值理論，未知者S從正在傳播輿情信息的鄰居節點中接收信息變為已知者E，若已知者E對信息的興趣屬性達到信息接受度，直接變為傳播者I進行傳播。若已知者E的信息興趣屬性較低，則表示對輿情不感興趣，變為免疫者R。否則，已知者E保持狀態不變，直至在多次接受鄰居節點的輿情信息，達到信息接受閾值后變為傳播者I。

輿情事件的兩種信息A和B在傳播過程中，個體對信息A和B的態度呈現出不同組合，參考楊超等[17]構建的雙謠言信息狀態變化，依據每一個個體的狀態都是對兩個信息狀態的復合原則，將人群分為16種狀態，分別是SASB、SAEB、EASB、EAEB、SARB、EARB、RASB、RAEB、SAIB、IASB、EAIB、IAEB、IAIB、IARB、RAIB、RARB。其中，SASB表示個體對信息A和信息B均未知的狀態，SAEB表示個體對信息A未知，對信息B已知的狀態，其他狀態類似。依據16種狀態人群的外在特征將其劃分為4類：未知者（SASB）：不知道輿情信息的人群；已知者（SAEB、EASB、EAEB、SARB、EARB、RASB、RAEB）：知道輿情信息但并未傳播或不傳播人群；傳播者（SAIB、IASB、EAIB、IAEB、IAIB、IARB、RAIB）：知道輿情信息且正在傳播的人群；免疫者（RARB）：已經傳播過輿情信息或對輿情信息不感興趣的人群。16種狀態人群的劃分如圖1所示，其中，實線表示個體對信息狀態的變化，虛線表示個體對不同信息的狀態交互。

假設信息A和信息B在網絡G上傳播，節點代表個體，邊代表個體間的社會關系。輿情信息在傳播過程中受到信息因素、環境因素和個體因素[18]三方面的影響。1）信息因素方面：每個信息包含一個信息屬性，用IL表示；兩條信息之間具有相互作用，用β表示。其中，若β=0時表示兩條信息相互獨立，若β>0時，表示兩條信息相互合作，若β<0時，表示兩條信息相互競爭。2）環境因素方面：個體尚未傳播信息時，多次通過鄰居節點接收輿情信息，用ML（v，t）表示節點V受到接收信息次數影響的累計總量。考慮到興趣衰減理論[17]，令ML（v，t）=e－d（n－1），其中d為興趣衰減率，n為接受信息次數。同時，信息在傳播過程中會受到政府、媒體等相關主體的正向或負向的干預，即社會強化，用C表示（C＞0表示正強化，C＜0表示負強化）。3）個人因素方面：根據線性閾值理論和人類異質性特點可知，每個個體對信息的接受度是不同的，用I′L（V）表示每個節點初次接收到信息的接受度，將其設置為服從正態分布的離散數值[13]。用Φ表示信息排斥性，個體的信息屬性低于Φ，接收到輿情信息時，直接變為免疫者，此外，傳播者遇見相同傳播者時也直接變為免疫者。用表示傳播者活躍度，即信息傳播者峰值。

1.2 雙層網絡輿情多信息交互傳播模型

在當今社會化媒體時代的背景下，輿情信息之間的傳播已經不僅僅局限于單層網絡之間的傳播。人們可利用線上和線下不同渠道進行互通，并在微博和微信等不同社交平臺進行轉換，多層網絡之間的信息擴散已經占據主流。因此，本節構建雙層網絡對輿情多信息交互傳播模型進行研究。

考慮到當今互聯網普及率的不斷增長，參與到輿情信息傳播的人群大多有多個獲取信息的方式，在一個社交平臺中度較高的節點往往在其他社交平臺中也是如此，因此本文在構建雙層社交網絡結構時假設兩層網絡中節點數相同，并選擇同配方式連接兩層網絡的節點。雙層網絡中輿情信息在層內傳播時與單層網絡傳播的規則相同，在層間傳播時規則設置如下：在T時刻，若兩個網絡層中相對應的節點狀態不一致，參考當前關于信息在雙層網絡研究中的節點轉換設置[19]，結合各節點狀態的含義，根據“R>I>E>S”的規則進行轉換。如兩個網絡層中同一節點的狀態分別為RASB與RAEB，則此節點在兩個網絡層中同時變為狀態RAEB，類似地狀態RASB與狀態SAEB變為狀態RAEB、狀態EASB與狀態SAEB變為狀態EAEB，狀態IASB與狀態SAIB變為狀態IAIB、狀態IAEB與狀態EAIB變為狀態IAIB、狀態RASB與狀態SARB變為狀態RARB、狀態RAEB與狀態EARB變為狀態RARB、狀態IARB與狀態RAIB變為狀態為RARB。

在信息傳播開始時，在一個網絡層中隨機選擇兩個節點作為傳播源，其他節點處于“未知”狀態。

第1步：這兩個傳播源將信息傳播給他們的所有鄰居，然后成為“免疫”狀態。

第2步：判斷每個節點在兩個網絡層中的狀態是否一致，若不一致，按照上述層間傳播規則進行狀態轉換。如果在T步（T≥1）中任意一個網絡層有新的個體接受信息，信息將繼續傳播，即在（T+1）步中將信息同時傳播給他們的鄰居；否則，整個傳播過程就結束了。

假設至少有一個個體接受（T-1）步（T≥2）中的信息，且個體V是其狀態為“未知”或“已知”的鄰居之一，則根據下述方法判斷是否接受該信息：

1）如果IA′≤Ф，則以一定的比例轉化為免疫者。如果IA′>Ф，并且IA<IA′［C（MA（V，T）+βMB（V，T））］，個體V將接受第T步的信息A，并在（T+1）步傳播給所有鄰居，個體V處于“免疫”狀態；否則，無論接收到多少次信息，個體V始終保持在“已知”狀態。

2）如果IB′≤Ф，則以一定的比例轉化為免疫者。如果IB′>Ф，并且IB<IB′［C（MB（V，T）+βMA（V，T））］，個體V將接受第T步的信息B，并在（T+1）步傳播給所有鄰居，個體V處于“免疫”狀態；否則，無論個人收到多少次信息，個體V始終保持在“已知”狀態。

但是，如果個體V在第T步中沒有接收到信息A和B，個體V將在（T+1）步中不做任何事情。

2 不同影響因素對輿情傳播的影響分析

為分析多信息交互的網絡輿情在不同社交網絡中的傳播過程，本節對具有不同網絡結構的輿情傳播模型進行仿真模擬。其中選取了當前研究較為普遍且具有代表性的NW小世界網絡、BA無標度網絡和斯坦福網絡分析項目分享的真實社交網絡Facebook網絡（http：//snap.stanford.edu/data/ego-Facebook.html）為研究對象。為保證研究結果的可比性，NW小世界網絡與BA無標度網絡的節點數和平均度與Facebook網絡保持一致。3種網絡的拓撲結構參數見表1。同時，為了降低實驗結果的隨機性導致的誤差，采用100次實驗結果的平均值作為最終結果進行分析。本文進行仿真模擬時，參考已有研究的參數設置[13]，除特殊說明外，參數設置為：IA=IB=0.8，IA′（V）～N（0.4，0.152），IB′（V）～N（0.4，0.152），C=1，d=0.5，Ф=0.1，初始傳播源為隨機選擇的節點數為平均度的節點。

2.1 接受次數和信息吸引度對輿情傳播的影響

只考慮信息屬性A時，由1.1節可知，IA（V）=I′A（V）*（C*∑e－d（n－1）），表示個體V最終轉發信息率，若其大于信息屬性IA，則個體轉發信息A，變為傳播者，否則為已知者。圖2展示了個體V對信息A的初始興趣值I′A（V）和接受信息次數n的變化對傳播信息A的影響。其他參數取值參考Zhu等[13]的研究，社會強化C取值為-0.5，興趣衰減率d取值為5，信息A的轉發屬性IA取值為0.8，可認為是信息傳播閾值（紫色平面），即信息被個體轉發的臨界值。由圖2可知，隨著I′A（V）的增加，個體最終轉發信息A的比率明顯增大，隨著接受信息次數n的增加，前期個體最終轉發信息A的比率明顯增大，而后期變化不明顯，這是由于個人多次接受信息時具有興趣衰減的現象[14]，當IA（V）的取值隨著n和I′A（V）的增長達到信息傳播閾值IA時，即取值在紫色平面上方時，則個體V將傳播信息成為傳播者。

2.2 信息相互作用因子對輿情傳播的影響

信息之間相互作用的大小對個體在接觸輿情信息時的狀態變化有重要影響，也決定了不同輿情信息在傳播過程中的走向。因此，本文選取真實社交網絡Facebook數據集進行實驗，探索信息之間相關作用因子β的大小對個體狀態變化的影響。

圖3展示了β取不同值時個體在輿情多信息傳播過程中的狀態變化。由圖3可知，當信息之間具有合作關系（β>0）時，隨著合作關系的加強，未知者人數下降，已知者人數減少，傳播者人數增加。可以看出合作關系促進了信息傳播，提高了輿情傳播峰值，個體進行傳播后最終停留在免疫狀態。當信息之間具有獨立關系（β=0）時，個體先由未知者轉化為已知者，之后逐漸由已知者和傳播者轉化為免疫者，即前期人群主要停留在已知狀態，后期人群主要停留在免疫狀態。當信息之間具有競爭關系（β<0）時，隨著競爭關系的加強，個體對信息的傳播有明顯下降，大多個體最終停留在已知狀態，此時輿論場并不是穩定的，一旦某個信息傳播人數得到上漲，會快速進行擴散，再次引起輿情的傳播，即二次傳播現象。

圖4展示了β分別取0，-0.5，0.5時，輿情傳播過程中傳播者的比例變化?？芍?0.5時傳播者人數最多，且傳播過程早于β=0和β=-0.5時。β=-0.5時傳播者人數最少，說明多信息傳播之間相互競爭時，傳播者人數明顯下降。

此外，為了深入分析輿情信息之間相互競爭時的二次傳播現象，對β=-0.5時輿情信息競爭導致的二次傳播現象進行模擬，仿真結果如圖5所示。由圖5a可知，當信息之間相互競爭時，輿情傳播在t=6和t=10時達到傳播峰值，整個傳播過程呈現明顯的二次傳播趨勢。圖5b展示了將傳播者細分為兩種相互競爭的信息傳播者后，在輿情傳播過程中的變化趨勢。由圖5b可知，當兩種信息相互競爭傳播時，一種信息占上風后進行快速擴散，達到傳播峰值后有明顯下降趨勢，傳播者轉化為免疫狀態。當第1種信息傳播人群進入免疫狀態達到較高比例后，第2種話題信息開始占據上風進行傳播，進而再次引起兩種信息的競爭，并最終進入免疫狀態。且由圖4可知，兩種信息屬性值相同時，雖然出現二次傳播的現象，但傳播峰值較低，說明相互競爭關系的多信息交互抑制了輿情傳播。

2.3 網絡拓撲結構對輿情傳播的影響

為了分析社交網絡的不同拓撲結構對輿情多信息交互傳播過程的影響，分別在單層網絡和雙層網絡中進行多信息交互傳播過程的仿真模擬。其中單層網絡選擇NW小世界網絡、BA無標度網絡和Facebook網絡。相關研究表明在雙層社交網絡結構中，線下網絡相對勻質[20]，而線上網絡的異質性較為明顯[21]，學者們常使用NW/ER網絡模擬線下社交網絡，使用BA網絡模擬線上社交網絡，于是選擇NW-Facebook網絡代表線上（Facebook）線下（NW小世界網絡）相連的雙層社交網絡結構，BA-Facebook網絡代表不同社交平臺相連的雙層社交網絡結構，其中BA無標度網絡表示不同于Facebook的線上社交平臺網絡。

圖6展示了當β取0.5、0及-0.5時，傳播者在NW小世界網絡、BA無標度網絡、Facebook網絡、NW-Facebook網絡和BA-Facebook網絡5個不同網絡中的傳播趨勢。由圖6可知，β取0.5、0及-0.5不同值時，傳播者在5個不同網絡中均呈現先上升后下降的趨勢。兩種信息在不同作用情況下，β=0.5時的傳播峰值最高，且出現峰值的時間最早，即相互合作的關系促進了輿情更大規模的傳播且加速了輿情傳播速度。β=-0.5時的傳播峰值最低，相比于β=0時的傳播情況，相互競爭的多信息交互情況下的傳播者峰值明顯下降，且輿情傳播時間也明顯推遲。此外，輿情傳播前期（T=2、3、4時），雙層網絡結構下的輿情傳播者相比單層網絡下數值高，說明雙層網絡的連通性可以加快輿情前期的傳播速度。

由圖6a可知，β=0.5時傳播者在5個網絡中峰值的大小和出現峰值的時間關系為BA無標度網絡>BA-Facebook網絡>NW小世界網絡>NW-Facebook網絡>Facebook網絡。由此可知在雙層網絡中傳播者活躍度介于兩個單層網絡之間，這是由于β=0.5時個體主要停留在免疫狀態（2.2結論），而雙層網絡的連通性使得個體較早進行傳播，且增加了傳播者與傳播者相鄰的概率，進而在下一時間步轉化為免疫狀態，即雙層網絡的連通性使傳播者更快進入免疫狀態。因此從離散數學的角度來看，雙層網絡的連通性也會弱化輿情傳播的爆發，促使個體較早進入免疫狀態，增加了網絡輿情的穩定性。由圖6b可知，β=0時傳播者在五個網絡中峰值的大小和出現峰值的時間關系為：NW-Facebook網絡>NW小世界網絡>BA無標度網絡>BA-Facebook網絡>Facebook網絡。由此可知此時NW-Facebook網絡的傳播者活躍度及傳播速度均大于單層網絡，但BA-Facebook網絡中傳播者活躍度介于兩個單層網絡之間[8]。由圖6c可知，β=-0.5時傳播者在5個網絡中峰值的大小和出現峰值的時間關系為：BA-Facebook網絡>BA無標度網絡>NW-Facebook網絡>NW小世界網絡>Facebook網絡。由此可知此時雙層網絡的傳播者活躍度及傳播速度均大于單層網絡，且雙層網絡下輿情傳播的峰值較接近于傳播峰值較大的單層網絡（BA無標度網絡）。

綜上可知，相較于相互獨立關系的輿情傳播過程，相互合作關系的多信息交互傳播速度快，影響范圍大，而相互競爭關系的多信息交互傳播有明顯的抑制現象（與2.2節結論相同）。此外，不同網絡結構的信息交互傳播趨勢大致相同，但數值有著明顯差別，說明網絡拓撲結構對輿情傳播范圍和峰值有明顯影響。雙層網絡的連通性加快了輿情前期的傳播速度，促進了相互獨立和相互競爭關系的多信息交互傳播，而對相互合作關系的多信息交互傳播影響不大。

3 個體在輿情傳播過程中的狀態變化

進入后真相時代以來，信息的有效發布與傳播對突發事件網絡輿情的引導和治理具有重要的意義。多信息交互傳播現象下的人群狀態具有復雜性和模糊性，為了深入了解多信息交互傳播時不同人群的狀態變化，將個體細分至16種狀態人群進行分析，便于相關部門對不同人群執行更加精準的個性化營銷或免疫策略。以β=0時輿情信息傳播為例，選取真實社交網絡Facebook數據集進行實驗仿真，其他參數設置同上節，不同人群狀態變化如圖7所示。

圖7a展示了將16種狀態人群依據個體外在特征分為4類人群時的狀態變化，圖7b和圖7c展示了已知者和傳播者包含的7種不同人群的狀態變化?？梢钥闯鍪褂谜鎸嵣缃痪W絡Facebook數據集進行傳播實驗，模擬得到的個體變化結果符合現實信息傳播的狀態變化，間接驗證了本文所構建模型的有效性。

由圖7可知，16種人群在整個輿情傳播過程中，具有明顯的三階段生命周期（擴散階段d1-爆發階段d2-衰退階段d3）。由圖7a可知，未知者節點呈現出先急速下降后緩慢下降最后停留在較小數值的趨勢，已知者節點呈現出先急速上升后緩慢上升最后緩慢下降至一定數值的趨勢，傳播者節點呈現出先急速上升后緩慢上升最后緩慢下降至較小數值的趨勢，免疫者節點呈現出先緩慢上升后急速上升最后緩慢上升并停留在一定數值的趨勢。由圖7b可知，已知者包含的7種不同已知狀態在三個生命周期階段中變化不同：1）SE、ES和EE狀態節點在d1階段上升在d2階段下降。2）ER、RE狀態節點在d2階段先上升后下降，3）SR、RS狀態節點在d1、d2階段上升在d3階段下降。由圖7c可知，傳播者包含的7種不同傳播狀態在三個生命周期階段中變化較為相似：7種傳播狀態節點均呈現出先上升后下降的趨勢，其中，IS和SI兩類傳播人群先達到峰值，IR和RI兩類傳播人群的峰值最大。

基于上述分析，在真實社交網絡的多信息交互傳播中，對于具有同一外在表現的不同狀態人群，其走向趨勢和所處生命周期階段并不一定是相同的。因此，政府等相關部門在制定和實施控制輿情的策略時需要根據個體在平臺中或生活中的具體表現判斷其對于不同信息的態度，進而判斷其所處階段，根據人群所處的具體狀態對其制定有針對性的疏導和干預，進而更加精準地實現對不同人群的輿情管控。

4 結語

本文將輿情多信息在傳播過程中的相互作用分為三類：合作、獨立和競爭，將每一個個體的狀態表示為對兩個信息狀態的復合，結合離散數學理論，建立輿情多信息交互傳播模型。基于在NW小世界網絡、BA無標度網絡、Facebook網絡及雙層網絡中的多信息傳播過程仿真模擬，分析了接受次數和信息吸引度、信息相互作用強度及網絡拓撲結構對輿情傳播的影響及多信息交互傳播時的個體狀態變化特征。通過大量仿真實驗，得到結論：1）多信息相互合作時，大部分個體最終停留在免疫狀態；多信息相互競爭時，大部分個體最終停留在已知狀態，此時輿論場是不穩定的，極易產生輿情的二次傳播。2）網絡的拓撲結構對多信息交互傳播具有顯著影響。3）多信息交互傳播時人群具有明顯的擴散爆發衰減生命周期，將人群分至16種人群后可以為輿情管控工作帶來更加精準的干預策略和理論建議。本文的研究結果可以幫助學者更好地理解社交網絡中輿情多信息交互傳播機制，為輿情信息的最大化傳播（如創新、觀點、技術）和控制信息傳播（如謠言、病毒）提供一定的理論指導。研究不足之處在于輿情多信息的交互與實際事件聯系緊密度較高，由于數據獲取的困難性，本文未通過真實輿情事件案例對模型進行全方面的實證分析。在接下來的研究中本團隊將會與相關社交平臺取得合作，通過獲取更多真實的輿情案例數據信息進行模型有效性驗證，進而更好地揭示其主要本質規律。

參考文獻：

[1]KERMACK W O， MCKENDRICK A G. A contribution to the mathematical theory of epidemics[J]. Proceedings of the Royal Society of London. Series A， Containing Papers of a Mathematical and Physical Character， 1927， 115（772）： 700721.

[2]DALEY D J， KENDALL D G. Epidemics and rumours[J]. Nature，1964，204（4963）： 11181118.

[3]WATTS D J， STROGATZ S H. Collective dynamics of "small-world" neteorks[J].Nature，1998， 393（6684）：440442.

[4]NEWMAN M E J， WATTS D J. Renormalization group analysis of the small-world network model[J].Physics Letters A，1999，263：341346.

[5]ZANETTE D H.Dynamics of rumor propagation on small world networks[J].Physical Review E，2002，65（4）：19081916.

[6]ZHANG R X， LI D Y. Rumor propagation on networks with community structure[J].Physica A：Statistical Mechanics and Its Applications， 2017， 483：375385.

[7]ZHU L， WANG Y G. Rumor diffusion model with spatio-temporal diffusion and uncertainty of behavior decision in complex social networks[J].Physica A：Statistical Mechanics and Its Applications，2018，502：2939.

[8]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）：2841.

WANG J K， WANG X H.Research on the enterprise public opinion spreading model and control strategy in two-layer social networks[J].Journal of Management Science，2019，32（1）：2841.

[9]XIAN J J， YANG D， PAN L M， et al. Misinformation spreading on correlated multiplex networks[J]. Chaos： an Interdisciplinary Journal of Nonlinear Science， 2019， 29（11）： 113123.

[10] STANOEV A， TRPEVSKI D， KOCAREV L. Modeling the spread of multiple concurrent contagions on networks[J]. PloS One， 2014， 9（6）： e95669.

[11] 王治瑩，梁敬.突發事件中多種異質信息在出現時間差異情境下的競爭傳播研究——兩階段競爭模型[J].管理評論， 2019， 31（10）：263272.

WANG Z Y，LIANG J. Competitive propagation of multi-heterogeneous information with occurrence time differences in emergencies—two-stage competition model[J].Management Review， 2019， 31（10）：263272.

[12] YAN X B， JIANG P. Effect of the dynamics of human behavior on the competitive spreading of information[J]. Computers in Human Behavior， 2018， 89： 17.

[13] ZHU Z Q， GAO C， ZHANG Y M， et al. Cooperation and competition among information on social networks[J]. Scientific Reports， 2020， 10（1）： 112.

[14] XIAO Y P， ZHANG L， LI Q， et al. MM-SIS： Model for multiple information spreading in multiplex network[J]. Physica A： Statistical Mechanics and Its Applications， 2019， 513： 135146.

[15] YANG D， CHOW T W S， ZHONG L， et al. True and fake information spreading over the Facebook[J]. Physica A： Statistical Mechanics and Its Applications， 2018， 505： 984994.

[16] VOSOUGHI S， ROY D， ARAL S. The spread of true and false news online[J]. Science， 2018， 359（6380）： 11461151.

[17] 楊超，王友國，朱亮.在線社交網絡中雙謠言擴散的閾值研究[J].計算機仿真，2020，37（8）：206209+370.

YANG C，WANG Y G，ZHU L.Research on threshold of double rumor spread in online social networks[J]. Computer Simulation，2020，37（8）：206209，370.

[18] 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，202 41（3）：138147，158.

YANG L， FENG Y X， HOU G S， et al.Research on cross-platform social network public opinion propagation model under the joint action of individual factors and external environment[J].Journal of Modern Information，202 41（3）：138147，158.

[19] ZHU L H， LIU W S， ZHANG Z D. Interplay between epidemic and information spreading on multiplex networks[J]. Mathematics and Computers in Simulation， 202 188： 268279.

[20] 李丹丹，馬靜.雙層社會網絡上的輿情傳播動力學分析[J].系統工程理論與實踐，2017，37（10）：26722679.

LI D D，MA J.Public opinion spreading dynamics in a two-layer social network[J].Systems Engineering-Theory&Practice，2017， 37（10）：26722679.

[21] LI D D， MA J， TIAN Z H， et al. An evolutionary game for the diffusion of rumor in complex networks[J]. Physica A： Statistical Mechanics and Its Applications， 2015， 433： 5158.

（責任編輯 耿金花）