微信傳播建模分析

王小立

〔摘 要〕結合復雜網絡與Agent的建模方法對微信信息的傳播進行研究。通過分析微信信息的交互規律構建復雜網絡，并在對影響個體傳播行為的相關變量進行探究的基礎之上建立Agent模型。針對Agent之間的信息交互，提出3種基于各變量的演化規則。研究利于揭示微信信息傳播的關鍵機理，并有助于對微信平臺進行有效利用和管控。

〔關鍵詞〕復雜網絡建模；Agent建模；信息傳播；演化規則

DOI：10.3969/j.issn.1008-0821.2015.07.010

〔中圖分類號〕G202；TP393 〔文獻標識碼〕A 〔文章編號〕1008-0821（2015）07-0053-04

〔Abstract〕The information dissemination of the WeChat is studied with the method which combines complex-network-based modeling and agent-based modeling.The complex network is established through the analysis on the interactive rule of information，and the Agent model is built upon the work searching for relevant variables which affect individual dissemination behaviors.For the information interacation between Agents，three evolution rules based on these variables are presented.This study revealed the mechanism of WeChat information diffusion and contributes to controlling and making better use of WeChat.

〔Key words〕complex-network-based modeling；agent-based modeling；information dissemination；evolution rule

隨著我國經濟社會以及網絡技術的發展，特別是移動終端設備的普及，我國網民規模急速膨脹。CNNIC第34次報告顯示，截至2014年6月，我國網民規模達到632億，其中手機網民達527億，手機上網比例（834%）首超傳統PC上網比例（809%）。網絡已經成為人們社會生活中獲取信息和交流思想的重要平臺，特別是微信于2011年1月21日推出以后，微信用戶迅速膨脹，已經成為人們獲取信息的一種重要渠道。

微信信息的傳播，實際是社會網絡信息傳播的一種方式。目前，眾多學者對于網絡信息的傳播演化過程進行深入研究，取得了大量成果。Hegselmann等把人與人之間的信息傳播抽象成規則網絡進行數學建模，分析輿情傳播和演化的規律[1-5]；Zhou等利用傳染病傳播的模型分析網絡謠言的特點和規律[6]；曾祥平等通過建模指出個體本身和環境因素對其所持觀點的影響[7]。蘭月新等通過建立微分方程，分析得出網絡輿情發展可分為4個階段[8]；方薇等利用元胞自動機模型，解釋了輿情傳播中主體偏好和環境適應的影響[9]。王根生通過實證分析網絡輿情演化的無標度特性，將其分為觀點形成和觀點交互兩個階段[10]。這些研究的對象主要集中在網絡輿情方面，特別是突發事件、謠言等負面信息，而在微信平臺傳播的信息中，不僅包括這些，還有大量知識性、綜合性內容。通過對微信信息的傳播演化過程進行分析，有助于揭示微信信息在人們生活中影響力的作用機理、影響因素等方面的內容，對我們利用微信平臺進行知識傳播、輿論引導、信息公開等具有重要的意義。

本文從復雜網絡的觀點出發，運用復雜網絡的相關理論和Agent的建模方法，對微信信息這一微內容[11]的傳播演化進行建模，分析了信息價值、傳播者的興趣愛好、交際習慣、意見氣候等對微信信息傳播演進的影響規律。

1 微信傳播分析

在微信平臺中不同用戶通過好友關系相互鏈接形成獨立的微信用戶社會網絡。微信信息通過該網絡在不同好友間傳播。不同用戶對特定微信信息的傳播行為影響該信息的傳播范圍、傳播速度等，同時，信息也在不停傳播中潛移默化地對用戶發生作用。

11 微信傳播網絡模型

在微信用戶社會網絡中，將參與信息傳播的用戶抽象成節點，將用戶間社交關系抽象成邊，則構成微信信息傳播網絡，如圖1所示。

圖1 微信信息傳播網絡示意圖

微信中用戶社交關系往往是基于朋友、同事、同學、家庭等強關系構成的，微信信息傳播網絡可看成人際社會網絡的虛擬化，是典型的復雜網絡[12]，具有小世界[13]、無標度[14]特性。當前的研究表明人際關系網絡通常平均節點間距離較小、聚類系數較高而且節點的度成冪律分布。當前普遍用于模擬人際關系網絡的模型主要有NW小世界網絡和BA無標度網絡。小世界網絡強調高聚類系數、較小平均距離但度分布卻不符合冪律分布，無標度網絡則相反。微信用戶社交關系是強關系，不同交際性格、交際能力、職業、閱歷等因素使得網絡中各節點度的分布非常不均，網絡的無標度特性明顯。因此，本文基于BA無標度網絡[15]模型進行改進來近似微信信息傳播網絡。具體生成網絡的步驟如下：

（1）生成一個初始網絡，即僅兩個節點相連組成。

（2）每個時間步長增加一個新節點并與已有節點相連，與某已有節點相連的概率正比于該節點的度，當某節點的度大于300時不再連接新節點（假設一般微信好友的數量不超過300人）。endprint

（3）設定時間單位T，則生成具有T+2個節點的近似BA無標度網絡。

（4）若網絡中與任意兩節點A、B共連的節點數N大于3，則把A、B兩節點相連（增強聚類系數，即A、B有3個以上的共同朋友則A、B是朋友）。

（5）若網絡中與任意兩節點A、B共連的節點數N大于50，則在共連節點中隨機選取N-50個節點，斷開與A或B的連接，斷開概率反比于A或B的度（假設一般微信共同好友的數量不超過50）。

（6）對于每一條連接兩個節點的邊，按照一定概率隨機賦予權重，代表相鄰兩節點的親疏度關系。

12 微信信息傳播流程

依據微信在生活中的應用，可以把微信信息傳播的主體分為三類：信息推送者、信息接收者和未接收信息者。通過微信進行信息傳播，發布者進行信息推送之后接收者的反應往往有兩種情況：一是積極向外（微信好友、朋友圈或微信群）推送，此時接收者對外相當于次推送者；二是雖接收信息但不向外傳播。

微信中信息的傳播，除新聞推送外，大都在微信聯系人間進行。微信通過微信好友、朋友圈、微信群構成了微信信息傳播的3種基本渠道，而通過此3種渠道進行傳播的信息，正是本文研究的主要對象。從微信信息的傳播過程來看，微信信息總是封閉在微信平臺內部傳播，通過微信向外傳播的情況本文不予考慮。微信信息的源頭通常有兩種，一種是微信用戶自己的創作；另一種是通過鏈接引用其它媒介的信息，但是一旦這類信息引入到微信，即只在微信平臺內部傳播。無論何種來源的信息，一旦在微信平臺中發布，傳播該信息時每個微信用戶的地位基本相同，既是信息接收者又是信息推送者，但該信息在微信平臺3種渠道的傳播方式和影響力不盡相同。第一種是通過朋友圈發布的信息，在發布者積極推送時任何微信好友都可見，因此其影響范圍大。第二種是通過微信群發布的信息，只對該群成員可見。第三是僅對某一好友推送的信息，這類信息往往針對特定對象（如對方感興趣的信息）。實際生活中，微信信息只通過特定好友傳播或者只在不同群內傳播的情況很少，往往由這兩種渠道轉入朋友圈中傳播，因此，本文只考慮第一種傳播方式。

13 微信信息傳播模型

信息在微信網絡中傳播過程，其實是信息對不同微信網絡用戶大腦發生作用的過程，類似傳染病的傳播。本文利用傳染病SIR模型來描述，S表示未接收信息者，I表示接收到信息并主動向外推送者，R表示接收到信息但不向外推送者（潛水者）。微信信息傳播的過程以及推送節點i與被推送節點j之間的關系可以描述如下：

這里把對某特定信息持推送態度的節點i作為主要對象，當被推送鄰節點中有S狀態節點j存在則向其推送信息，并且在一定條件下j節點亦轉為新的推送節點如式（1）；當鄰節點j全部是I、R狀態則不再推送信息，而且j節點狀態保持不變如式（2）和式（3）。在現實生活中由于交際性格、習慣等原因，微信信息接收者在接到信息后，是轉變為I（向朋友圈發布）還是R（潛水）具有極大的慣性，即潛水者一般不會對所接收到的信息再次向朋友圈發布。另外，推送節點i的推送熱情、信息價值的時效性都隨著時間而降低，在達到某一閾值時i節點則不再具有推送力。微信信息傳播網絡是有限的，假設某一時刻有一個或幾個節點得到某一特定信息并向鄰節點推送，即轉入I狀態，則信息將按照上述規則傳播直至網絡中沒有I的狀態節點存在止。

2 基于Agent微信信息傳播建模

基于Agent的建模仿真（Agent-based Modeling and Simulation，ABMS）是一種自底向上的仿真范式，它將復雜系統中的組成實體抽象構建單個Agent模型，通過對Agent的自主行為及其之間的管理策略、協議、交互關系的規范描述，進而得到復雜系統的宏觀行為表現。微信信息的傳播系統具有典型的復雜系統性特征，通過Agent的建模方法建立的微信傳播模型系統與實際生活中微信信息傳播系統具有較高的結構上的相似性或同構性。

21 Agent個體模型

微信信息在微信用戶所構成的社會網絡中傳播，進而對相關微信用戶產生影響，同時，不同微信用戶對該信息的態度產生的3種不同反應（積極推送、沉默以對、明確反對），反過來影響該信息的傳播范圍。在此，本文將每個微信用戶抽象為個體Agent建模，它代表了社會網絡中的人，其對微信信息的作用力受到多方面因素的影響。根據微信信息傳播的特點，本節探究影響微信信息接收者成為推送者的幾個關鍵因素：

211 信息的價值因素value（i，t）

某種程度上講信息本身屬性一開始便決定了信息的傳播范圍，一個毫無價值的信息幾乎得不到有效傳播。影響信息傳播范圍的基本屬性有很多，如信息主題的受關注度、信息內容的價值、信息價值的時效等。一條影響深遠的時政信息遠比一個毫無價值的事件的受關注度高、價值量大、存在意義時間長。由于每個具體信息本身的影響力具有一定的穩定性，可以近似為一個常數v0。另外，信息是具有價值時效的，隨著時間的增長信息的價值也會出現“老化”。網絡信息與文獻信息老化的規律具有一定的相似性，依據文獻老化規律的負指數模型，把信息價值的時效定義為value（i，t）=v0e-λi（t-t0），表示t時刻信息在Agenti處的時效價值，t0表示信息產生的某一固定時間。信息關注因子λi代表信息在微信網絡之外傳播，如網站、微博、新聞媒體等，從而形成大眾對該信息的關注度，該關注度亦影響信息在Agenti眼中的價值。外界關注度越高，信息關注因子越小。

212 人的相關因素infij

網絡中某一Agent節點受特定信息感染（接收）的影響因素有很多與人相關。信息接收者各不相同的身份背景、興趣愛好、文化程度、心理因素等導致對信息的偏好、交際性格各不相同，加之對該信息的支持、中立、反對的不同態度，直接影響Agentj由S向I狀態的轉變的概率。從推送者的角度看，推送者Agenti的影響力infi有著至關重要的作用，它是信息傳播的關鍵推動力。infi的影響力和推送者Agenti的交際性格、推送力度、推送者與接收者之間的關系等因素相關。現實生活中某一推送者的交際性格越活躍、推送力度越大、與接收者關系越緊密，其推送的影響力往往也越大，反之，隨著推送時間的增長，其推送熱情和推送的影響力也迅速降低。從接收者的角度看，接收者Agentj的因素直接影響其由S向I狀態的轉變概率。在得到信息后Agentj是否選擇向外推送，和他的興趣愛好、交際習慣infj和對于信息的態度Aj有關。現實生活中喜歡刷朋友圈的人向外推送信息的積極性遠遠高于喜歡潛水的用戶。Agentj對于信息的態度Aj，一般用[-1，1]上連續實數表示。其中，-1為最大反對，0為中立，1為最大支持。因此，本文定義：infij=infi·infj·Aj來衡量兩Agent本身的影響。endprint

213 微信群體影響因素invi

德國輿情學家伊麗莎白·諾莉·紐曼在其《重歸大眾傳媒的強力觀》中首次提出“沉默的螺旋”理論。她指出輿論的形成主要取決于意見氣候，面對支持者眾多的意見氣候，意見相左者必然因害怕孤立而保持沉默。群體影響因素主要指受多數意見和社會壓力的心理傾向[9]，在這里主要指微信群、朋友圈中其他好友的討論以及評論所形成的意見氣候。現實社會中由于微信群體往往是因為一定社會關系緊密聯系起來的，其成員關于該信息的討論、推送亦對其他成員產生較大影響，若某個Agent的多個好友都在討論、推送某一信息，則該Agent由S轉為I或R狀態的概率大幅增加（如圖1中Agent6）。

22 基于各變量的演化規則

基于以上分析，兩相鄰節點Agenti（信息推送者）和Agentj（信息接收者）進行信息交互時主要受三方面原因制約：

221 信息本身價值的制約

信息本身的價值value（i，t）=v0e-λi（t-t0）從根本上影響信息接收者的態度。對于價值閾值值ε1，v（i，t）≤ε1表示在t時刻，被推送節點Agentj保持S狀態不變的傾向。現實生活中對于一些類似只有標題的鏈接，當其價值表現較小時人們幾乎不去打開閱讀，此時可認為Agentj保持S狀態不變。

222 兩Agent節點之間的制約規則

信息在兩相鄰Agent節點之間傳遞時，影響Agentj（信息接收者）由S向I轉變的主要因素包括信息本身的價值因素value（i，t）以及推送者、接收者兩方人的相關因素infi。這里定義：

Φ（i，j，t）=value（i，t）·infij=Aj·v0e-λi（t-t0）·infi·infj

選取交互閾值ε2，Φ（i，j，t）≤ε2表示對于一個有足夠傳播價值的信息，Φ值越大表示Agentj由S轉變為I狀態的傾向越大，反之則表示S轉變為R狀態的傾向越大。其中，Agentj（信息接收者）的態度Aj有正負之分并具有絕對影響力。這與現實生活中對某一特定信息持不贊成態度的人一般是不會向別人推薦的情況是相符的。

223 意見氣候的制約

對于某一特定信息，即使信息接收者在接收到信息時傾向于將該信息向外推送，也會受到當時意見氣候的影響。若意見氣候invi和Agenti的態度同向，則會強化Agenti的推送決心；若Agenti的態度Ai與之相反，則Agenti的狀態只由S轉為R。

3 建模試驗

基于Agent的建模方法能夠很好地對個體異構性進行模擬并有助于分析系統的宏觀涌現性。目前較為成熟的基于Agent的仿真平臺有很多，主要有Swarm、Repast、MASON和Netlogo[16]，本研究基于Netlogo平臺進行模型仿真實現。Netlogo是繼承了Logo語言的編程開發平臺，它可以在建模中控制無數個體來模擬微觀個體的行為，進而涌現出宏觀特征。Netlogo適用于對自然和社會現象的模擬，特別適合模擬隨時間變化的復雜系統。由于篇幅限制，具體建模實驗將在另外一文中闡述。

4 結 論

為了分析影響微信信息傳播過程的各個相關因素，本文采用復雜網絡與Agent建模仿真相結合的方法，并借助傳播學基本理論，對微信信息的傳播流程、影響因素進行建模分析。復雜網絡能有效分析網絡拓撲結構對信息傳播的影響和系統的宏觀涌現性，但其復雜性不利于對組成個體以及其行為規則的演繹細節的描述。Agent建模卻能夠克服這一問題，在微觀層次描述個體活動。兩種建模方法的結合，有助于我們理清各個因素如何影響微信信息的傳播以及這種影響的宏觀程度。本文的主要工作對于我們有效利用微信平臺進行輿論引導、宣傳工作、知識傳播等具有一定意義。但是本文還存在著一些不足，由于無法獲取真實生活中微信網絡的相關數據，模型的準確性和可靠性還需要進一步的驗證。另外，在研究影響因素時存在著一個矛盾，如果考慮的影響因素太多，模型過于復雜則不便于分析各因素的影響，而考慮因素過少則不足于模擬現實情況，這也是下一步研究的重點。

參考文獻

[1]Hegselmann R，Krause U.Opinion dynamics and bounded confidence models，analysis，and simulation[J].Journal of Artificial Societies and Social Simulation（JASSS），2002，5（3）：2-34.

[2]Slanina F，Lavicka H.Analytical results for the Sznajd model of opinion formation[J].The European Physical Journal B，2003，35（2）：279-288.

[3]Schulze C.Sznajd opinion dynamics with global and local neighbourhood[J].International Journal of Modern Physics C，2004，15（6）867-872.

[4]Rodrigues E A，Costa L F.Surviving opinions in Sznajd models on complex network[J].International Journal of Modern Physics C，2005，16（11）：1785-1792.

[5]Toscani G.Kinetic models of opinion formation[J].Communications in Mathematical Sciences，2006，4（3）：481-496.endprint

[6]Zhou J，Liu Z，Li B.Influence of network structure on rumor propagation[J].Physics Letters A，2007，368（6）：458-463.

[7]曾祥平，方勇，袁媛，等.基于元胞自動機的網絡輿論激勵模型[J].計算機應用，2007，27（11）：2686-2688.

[8]蘭月新，鄧新元.突發事件網絡輿情演進規律模型研究[J].情報雜志，2011，30（8）：47-50.

[9]方薇，何留進，宋良圖，等.因特網輿情傳播的協同元胞自動機模型[J].計算機應用，2012，32（2）：399-402.

[10]王根生.無標度特性下的網絡輿情演化遷移元胞模型[J].小型微型計算機系統，2013，34（5）：1085-1090.

[11]柳軍，蔡淑琴.微內容的網絡輿情傳播特征分析[J].情報雜志，2013，32（1）：1-4.

[12]Newman M E J.The structure and function of complex networks[J].SIAM Review，2003，45（2）：167-256.

[13]Agiza H N，Elgazzar A S，Youssef S A.Phase transitions in some epidemic models defined on small-world networks[J].Int J Mod Phys C，2003，14（6）：825-833.

[14]Moreno Y，Pastor-Satorras R，Vespignani A.Epidemic outbreaks in complex heterogeneous networks[J].Eur Phys J B，2002，26（4）：521-529.

[15]Barabasi A L，Albert R.Emergence of scaling in random networks[J].Science，1999，286：509-512.

[16]廖守億.復雜系統基于Agent的建模與仿真方法研究及應用[D].長沙：國防科技大學研究生院，2005.

（本文責任編輯：孫國雷）endprint