基于傳播模型的輿情演化研究

曹寧+吳菊華+陳曉璇

摘 要 在信息快速發展的時代，輿情反轉事件頻頻出現，對輿情演化過程的研究是當前的研究熱點。文章對國內外關于輿情傳播模型的相關文獻進行梳理，從整體網絡和用戶兩個角度對現有文獻進行了綜述，一方面探討了網絡結構對輿情傳播范圍和周期的影響，一方面分析了影響用戶傳播的影響因素，供輿情研究和信息傳播領域的學者進一步研究和探討。

關鍵詞 網絡輿情；信息傳播；輿情演化；傳播模型

中圖分類號 G2 文獻標識碼 A 文章編號 1674-6708（2018）205-0052-02

2016年以來，網絡上出現了“上海女逃離江西農村”，接著是“哈爾濱天價魚事件”，然后是“右腎丟失”等熱門話題。輿情反轉現象接連上演，已成為網民普遍關注和討論的熱點話題。輿情反轉事件受到學術界越來越大的關注，研究輿情演反轉事件傳播過程的關鍵在于找到相關的“反轉點”，更進一步研究輿情演化過程。在宏觀方面，立足于從整體網絡分析，輿情發展過程中網絡大環境的變化，研究的重點在于預測輿情的傳播范圍和傳播周期，在微觀方面，從用戶的角度出發，分析影響用戶傳播的因素，關注個體傳播行為。

1 輿情傳播模型研究現狀

我們從整體網絡和用戶兩個角度整理信息傳播模型的研究進展，分析輿情傳播模型的研究現狀。從整體網絡的角度，關于信息傳播的網絡結構的分析，輿情傳播模型分為社會影響力模型和傳染病模型。從用戶角度，基于用戶過往行為、用戶文本興趣、所受群體影響的因素，輿情傳播模型分為有限信任模型、主題模型等。

1.1 基于整體網絡的信息傳播模型

關于社會影響力模型的相關研究。Galuba et al在線性閾值模型的基礎上提出At-LeastOne（ALO）模型， 可以用于個性化URL推薦[ 1 ]。Tripathy et al提出了多嘗試獨立級模型（MutiTry Independent Cascade，MTIC）對抗社交網絡的謠言[2]。

基于傳染病模型的相關研究。林芹，郭東強基于個體的心理特征對模型中的傳播個體進行分類，考慮個體的沉浸體驗，情感距離和對信息風險的感知程度[3]。黃遠等提出集社交、信息、心理、觀點四層子場為一體的微博輿論場超網絡模型，對加入輿論場的新個體態度進行預測[4]。吳尤可以SI模型為基礎提出微信輿情控制模型，一定數量的免疫節點（智者）來抑制、減緩輿論傳播的擴散速度及范圍[5]。

基于整體網絡的信息傳播模型，強調了網絡結構以及網絡節點之間的互相影響。以獨立級聯模型和線性閾值模型為代表的信息級聯模型，用戶的傳播行為取決于所有相鄰節點對它的影響是否超過激活閾值，強調影響傳播的積累性，傳統的級聯模型通常將激活概率和激活閾值設置為固定值或固定分布，在后續的研究中，將激活概率和激活閾值設置為關于用戶之間影響、時間、信息文本等多種因素的函數，強調在網絡傳播過程中，識別節點的影響力，以及如何將其的影響力最大化。在對傳染病模型的研究方面，借助SI模型，SIS模型，SIR模型，SIRS模型以及其優化模型，對社會網絡中存在的謠言信息。輿情信息及廣告信息的傳播機制提供了一個有效的分析方法。因為信息本身存在的特殊性以及人群內部存在的“從眾效應”，使得社區網絡的信息傳播機制與模式在傳染病的基礎上還存在一些新的特點，值得我們對網絡中的信息、輿情以及知識傳播的動力學機制進一步研究。

1.2 基于用戶角度的信息傳播模型

有限信任模型的相關研究。陳桂茸等提出基于影響力和信任閾值、含有雙重選擇機制的網絡輿論演化模型[6]。姜磊等借鑒石油開發中油藏數值模擬技術，通過對所監控社區的歷史事件進行擬合，來確定所使用的網絡輿情演化模型的有效性，并獲取符合真實情況的模型參數[7]。

主題模型的相關研究。曹麗娜&唐錫晉建立動態主題模型（DTM）挖掘隨時間變化的動態話題鏈，從詞語變化的微觀角度分析熱門事件下公眾意見的變遷[8]。陳曉美等利用LDA模型的文本摘要和內容深度識別的方法，構建主要觀點提取與深度評論判定的方法框架[9]。

基于用戶角度的信息傳播模型，注重的是個體觀點的交互過程以及個體的差異性。在有限信任模型的研究方面，存在兩個問題：一是個體在進行觀點更新時需計算并比較其他全部個體與自己觀點的距離，計算量過大；二是在網絡環境下，用戶數量巨大不可能去參考其他全部個體的觀點。主題模型一般用于對社交網絡用戶文本興趣建模對于文本內容較少的用戶一般很難挖掘到其真正感興趣的內容，時間因素是其傳播過程中重點考慮的，即實時熱點和用戶興趣的變化。

2 結論

隨著技術的不斷突破與革新，可能會出現更為復雜難控的突發事件網絡輿情。因此，輿情演化規律的分析，是一個長期性課題，與時俱進的包容性視野以及多維研究視角的綜合運用，將成為未來研究的必然方向，輿情反轉事件頻發，結合整體網絡和用戶角度的輿情傳播模型才能更好地運用到現實的反轉事件演化研究中。

參考文獻

[1]Galuba W， Aberer K， Chakraborty D， et al. Outtweeting the twitterers-predicting information cascades in microblogs[J]. WOSN， 2010， 10： 3-11.

[2]Tripathy R M， Bagchi A， Mehta S. Towards combating rumors in social networks： Models and metrics[J]. Intelligent Data Analysis， 2013， 17（1）： 149-175.

[3]林芹，郭東強.優化SIS模型的社交網絡輿情傳播研究——基于用戶心理特征[J].情報科學，2017（3）：53-56，75.

[4]黃遠，沈乾，劉怡君.微博輿論場：突發事件輿情演化分析的新視角[J].系統工程理論與實踐，2015，35（10）：2564-2572.

[5]吳尤可.微信輿情“涌現”機制及控制方法研究[J].情報理論與實踐，2017（3）：24-29.

[6]陳桂茸，蔡皖東，徐會杰，等.網絡輿論演化的高影響力優先有限信任模型[J].上海交通大學學報，2013，47（1）：155-160.

[7]姜磊，楊濟運，陳芳，等.網絡輿情歷史擬合研究與實現[J].情報雜志，2014（7）：141-145.

[8]曹麗娜，唐錫晉.基于主題模型的BBS話題演化趨勢分析[J].管理科學學報，2014，17（11）：109-121.

[9]陳曉美，高鋮，關心惠.網絡輿情觀點提取的LDA主題模型方法[J].圖書情報工作，2015，59（21）：21-26.endprint