自媒體復雜網絡消息傳播模型

盛成成 劉亞平 朱勇

摘 要：由經典傳染病模型SIR衍生出的消息傳播模型，對現實中的自媒體網絡來說過于簡單，無法適用。依據自媒體網絡屬于非均質的無標度網絡、傳染者自行退化特點建立了退化機制，并利用PageRank算法計算節(jié)點權威值，表達消息的傳播概率，建立改進模型，提出新消息影響增強因子。考慮新消息發(fā)布的時機不同，在不同時間將傳播概率疊加上增強因子，在原有傳播人數達到最大值的時間前后發(fā)布，以增大傳播者數量，延長傳播時間。對不同消息的傳播改變了固有的傳播率。固有傳播率越大，傳播范圍越廣，傳播時間越長，即越受社會關注的消息傳播越快越廣泛，延續(xù)時間也越長。

關鍵詞：SIR模型;PageRank算法;自媒體;無標度網絡

DOI：10. 11907/rjdk. 173234

中圖分類號：TP393文獻標識碼：A文章編號：1672-7800（2019）003-0157-05

0 引言

相對于傳統(tǒng)媒體，以互聯網技術為基礎的自媒體以其信息傳播的即時性、交往方式的平等性和交往身份的虛擬性等特點，成為公民獲取信息、表達感情與思想、參與社會公共生活的重要載體，并逐漸滲透到政治、經濟、文化、社會等諸多領域。研究消息在這些自媒體上的傳播，對于了解輿情、輿論掌控具有重要意義。

由于現實中的自媒體網絡等信息交互系統(tǒng)十分復雜，受諸多因素影響，所以消息傳播研究都從建立一個合理有效的數學傳播模型開始，用這些模型進行仿真實驗獲得有價值的傳播機理[1]。現今的傳播模型大多改進于經典傳染病模型SIR（Susceptible-Infective-Removal），如DK謠言傳播模型[2-3]、考慮積極和消極兩極社會加強的傳播模型[4]、考慮潛伏期的SEIR模型[5]，但模型對現今以微博為代表的大規(guī)模自媒體網絡來說不夠完善，難以應用[6]。所以，要結合現實中自媒體網絡用戶活躍度，分析人們對事件興趣的減退情況[7]，建立傳染者退化機制。上述模型都基于場均假設[8]，考慮到現實自媒體網絡是一個非均質網絡，每個用戶成為傳播的可能性不同，因此用節(jié)點的權威度作為用戶免疫力標準。PageRank[9]算法基于某網頁A的重要性判斷A的重要程度，故采用PageRank算法生成節(jié)點的權威程度[10]，并考慮外部社會因素對傳播的影響效果[11-12]。

網絡消息傳播過程中，通常在初始消息后會接著出現后續(xù)消息[13]，比如新的事件進展、官方發(fā)布的消息等，所以要考慮新舊消息不同時期出現的疊加效果。

1 傳染病改進模型

自媒體平臺本質上是一個復雜網絡，如用圖表示則用戶是節(jié)點，用戶間的關注關系是圖中的有向邊，用戶粉絲數是用戶的出度，意為該用戶可將消息傳播給其粉絲。將傳播網絡中的節(jié)點分為未知者、傳播者以及免疫者3類[14]，考慮用戶在線概率，由于時間推移消息接收者逐漸失去興趣等因素，建立基于常微分方程的模型。

1.1 活躍度

在現實自媒體網絡中，每個用戶的活躍狀態(tài)都不盡相同，故在這里引入概率θ，代表用戶在線概率，由于真實網絡中不同用戶在線情況十分復雜，故設為一個所有用戶都相同的常數。

1.2 退化機制

在現實傳播網絡中，隨著時間[t]的推移，人們的興趣會逐漸消失，而接收者免疫概率會增加，消息的傳播能力會減弱，所以定義傳播者免疫概率函數如下：

新浪微博活躍人數多，信息更新快，對“國務院決定設立河北雄安新區(qū)”這條消息進行研究。新浪微博附屬人數達標后可生成一個話題，在內容中會有兩個#的標志，其間的內容就是話題內容，如#雄安新區(qū)#，使用Python 爬蟲將在此話題內所有發(fā)表內容的用戶唯一標識符uid 抽取出來，并獲取其粉絲列表，獲得前50 頁，遞歸兩層，獲得???? 27 939 條節(jié)點，40 701 條邊，平均度為4.16，平均路徑長度為4.028，聚類系數接近于0，由此可知這是一個隨機網絡模型。部分節(jié)點和網絡如圖6、圖7所示。

對這個網絡使用MATLAB 進行仿真研究，仿真消息傳播情況如圖8所示。

在圖12中，由于消息固有傳播率[λ]較小，所以傳播者的密度較小，表中所示最大密度為0.139 5，由于消息所受關注度較小，所以傳播時間也較短，S、R收斂速度較快。迭代20 輪以后，模型達到設定的穩(wěn)態(tài)。在圖13中，由于消息固有傳播率λ 很高，社會原本對此類消息關注度高，所以傳播人數在所有節(jié)點中的密度較高，最大密度為0.206 3，而同時S、 R 的收斂速度變慢。當迭代到32 輪時， S、R 達到設定的穩(wěn)態(tài)。

3 結語

傳播者I的密度迅速上升，說明自媒體時代消息傳播速度極快，在I的密度達到最高點后，下降速度有所放緩但速率仍然不小，說明信息的淹沒性很強。模型中S的密度一般會收斂于0，說明互聯網時代信息不僅傳播快，并且傳播范圍廣，但是如“雄安新區(qū)”這條消息所示，最終S 的密度收斂于0.7，說明就算在自媒體時代，仍有人處于消息傳播范圍之外。在疊加消息傳播建模中，研究新產生消息對原有消息以及兩者綜合影響，得到在消息傳播之初便對消息的傳播施加影響的啟示。自媒體平臺可以依據此點進行輿論控制，這樣效果更為顯著。

參考文獻：

[1] 蒙在橋，傅秀芬. 基于在線社交網絡的動態(tài)消息傳播模型[J]. 計算機應用， 2014，34（7）：452-455.

[2] ZHAO L，WANG J，CHEN Y，et al. SIHR rumor spreading model in social networks[J]. Physica A，2012，391（7）：2444-2453.

[3] MORENO Y，NEKOVEE M，PACHECO A F. Dynamics of rumor spreading in complex networks[J].? Physical Review E，2004，69（6）： 66-130.

[4] MA J，LI D D，TIAN Z H. Rumor spreading in online social networks by considering the bipolar social reinforcement[C]. Physica A：Statistical Mechanics and Its Libraries SIDL-WP-1999-0120，1999.

[5] 顧亦然，夏玲玲. 在線社交網絡中謠言的傳播與抑制[J]. 物理學報，2012，61（23）：544-550.

[6] BORGE-HOLTHOEFER J，MELONI S，GONALVES B，et al. Emergence of influential spreaders in modified rumor models[J]. Journal of Statistical Physics，2013，151（1/2）：383-393.

[7] 張彥超，劉云，張海峰，等. 基于在線社交網絡的信息傳播模型[J]. 物理學報，2011，60（5）：505-510.

[8] 王輝，韓江洪，鄧林，等. 基于移動社交網絡的謠言傳播動力學研究[J]. 物理學報，2013，62（11）：106-117.

[9] PAGE L，BRIN S，MOTWANI R，et al. The pagerank citation ranking：bring order to the web[C]. Stanford Digital Libraries SIDL-WP-1999-0120，1999.

[10] 陳皋，吳廣潮. 基于PageRank的在線社交網絡消息傳播模型[J]. 計算機與現代化，2017（5）：257-260.

[11] LYU L，CHEN D B，ZHOU T. The small world yields the most effective information spreading[J]. New Journal of Physics，2011，13（12）：123-125.

[12] 蒙在橋，傅秀芬，陳培文，等. 基于OSN的謠言傳播模型及影響力節(jié)點研究[J]. 復雜系統(tǒng)與復雜科學，2015，12（3）：45-52.

[13] 張立凡，趙凱. 媒體干預下帶有討論機制的網絡輿情傳播模型研究[J]. 現代圖書情報技術，2015，31（11）：60-67

[14] 黃宏宏，蔣艾鈴. 基于社交網絡的信息傳播模型分析[J]. 計算機應用研究，2016，33（9）：1024-1030.

[15] 方濱興. 在線社交網絡分析[M]. 北京：電子工業(yè)出版社，2014.

（責任編輯：杜能鋼）