基于傳染病模型的熱點輿情事件情感遷移研究

冷東梅

摘要：網絡輿情中情感的演化對輿情的走向影響較大，研究網絡輿情情感遷移對預測和監管輿情的發展方向、制定應對策略具有重要意義。根據分析輿情情感演化規律，在傳統傳染病SEIR模型的基礎上，增加S、E直接到R的轉化，構建改良SEIR模型，運用AnyLogic軟件對模型進行仿真，并通過改變參數值來研究其對情感遷移的影響。

關鍵詞：網絡輿情;情感遷移;SEIR模型;仿真

在“互聯網+”時代，互聯網普及率高，加之web2.0技術的發展，互聯網成為了網絡輿情的主要孵化器。網絡事件借助互聯網這一平臺，在短時間內快速傳播，且迅速積聚網民的觀點和意見，形成巨大的公眾輿論效應，如江歌事件、滴滴空姐事件等。而推動輿論發酵的主要因素就是網民的情感，且網民在接觸到這個事件的時候產生的或積極或消極的情感會隨著輿情的演化不斷傳播、遷移，最終影響輿情的走向。

通過分析個體在復雜網絡中的情感遷移規律，在傳統線性SEIR傳染病模型的基礎上，增加非知情狀態（S）、知情狀態（E）直接越級轉化成移出狀態（R），構建改良SEIR輿情情感演化模型，并進行仿真驗證其正確性和有效性。準確把握網絡輿情中情感遷移的走向為相關部門進行輿情監管和預測提供依據，對相關輿情工作部門具有重要的指導意義。

一、文獻綜述

（一）情感遷移研究現狀

情感遷移指在兩種有聯系的事物之間有可能發生感情或評價的遷移。在網絡輿情傳播過程中，情感附著在信息中，一般以情緒波動的形式表現。隨著越來越多消極網絡輿情對人們生活產生影響，情感遷移的研究已經引起越來越多學者的注意。

司夏萌認為話題事件本身傳播的流向取決于情感的不同程度。情感遷移就是分析處理帶有情感色彩的主觀性文本時，情感態度和觀點的演化。何天翔以微博為研究對象，提出基于情感分析的輿情演化分析。

（二）傳染病模型研究現狀

傳染病模型是對疾病傳播過程中的人群分布形式和狀態轉變進行數學建模的方法，其傳播的特點與網絡輿情傳播特點類似。傳統傳染病模型主要有SI、SIS、SIR等。ZhuHetal將觀點演化引入信息傳播模型，構建新型SEIR模型，在分析個體傳播意圖的同時考慮傳播意圖對信息傳播的影響，從而探究輿情傳播的影響因素。目前傳染病模型對網絡輿情的相關研究主要集中在輿情演化預測、輿情傳播機制等方面，很少利用其來研究網絡輿情情感遷移。因此，在以往學者研究成果的基礎上，改良SEIR輿情傳播動力學模型，通過研究各種狀態間轉化率對情感遷移的影響，得出網民在熱點輿情事件中情感遷移的機制。

二、模型構建

（一）傳統SEIR模型及不足

在網絡信息的傳播過程中，將網絡中的用戶個體看成節點，傳統SEIR模型將特定區域內的人群劃分為四類：易感者（Susceptible）、潛伏者（Exposed）、傳染者（Infective）和免疫者（Removed）。

不同狀態的個體隨著網絡熱點事件信息的發布、傳播，可能會發生狀態轉移，從而對傳播過程以及網絡結構帶來影響，如圖1所示，其中λ表示易感者轉化為潛伏者的概率;ω表示潛伏者轉化為傳染者的概率;γ表示潛伏者轉化為免疫者的概率。SEIR模型的動力學微分方程如公式（1）。

其中S（t）、E（t）、I（t）、R（t）分別表示在t時刻四類人群的密度且S（t）+E（t）+I（t）+R（t）=1。隨著網絡技術的發展，網絡復雜度增加，簡單的傳染病模型已經不能準確的展現網絡輿情的傳播規律。

在現實網絡輿情傳播過程中，網民接受到信息之后，不一定只會以某一概率轉化為潛伏者，可能會直接轉化為免疫者，拒絕信息的干擾和傳播。因此簡單的傳統模型已經不能滿足需求。

（二）改良SEIR模型

由于互聯網的開放性，個體在網絡輿情傳播過程中的角色多樣化，不再被動接受信息，可以成為輿情傳播的制造者和傳播者，各個狀態之間的關系處于非線性狀態。

非知情狀態（S）：網民沒有接觸到輿情信息，未出現情緒波動且無免疫能力，與傳播者接觸后易被感染。受到輿情信息影響之后，可能會向知情狀態和移出狀態轉化。

知情狀態（E）：指網民已經接觸到輿情信息出現情緒波動，但不會傳播，即存在潛在情感波動。該狀態的網民會向傳播狀態和移出狀態這兩方面轉化。

傳播狀態（I）：指網民是攜帶傳染情緒波動的患者，會將情緒波動進行傳染。

移出狀態（R）：指網民已經失去對輿情信息興趣或從未對輿情信息產生興趣，不會出現情緒波動，具有免疫能力。

綜合上述網絡輿情傳播特點分析，在傳統SEIR模型的基礎上，構建改良SEIR模型有兩個基本假設：一是網絡是靜態網絡;二是個體發布和轉發信息后，相連個體都會受到相同影響，不存在由于不在場等原因造成無法接受信息的情況。構建模型、微分動力學方程如圖2和公式（2）所示。

其中 S（t）表示易感染節點密度，E（t）表示潛在節點密度，I（t）表示感染節點密度，R（t）表示免疫節點密度，因此 S（t）+E（t）+I（t）+R（t）=1;λ，μ，α，β，γ表示各節點之間轉化的概率，0≤λ，μ，α，β，γ≤1。下面將通過實驗仿真來驗證模型的準確性。

三、模型仿真及結果分析

（一）數據設置

涉及的網民總數（total）1000人，設最初只有1人被感染，S與I接觸被感染的概率（infectivity）0.6，每人平均每天接觸（contact）1.25人，非知情狀態進入知情狀態后，在知情狀態持續10天（exposedtime），感染階段持續15天（illtime）。

（二）模型參數變化對網絡輿情情感遷移的影響

根據設置，通過AnyLogic 8.3.3 University軟件對改良SEIR模型進行仿真，并在此基礎上對改良SEIR模型的參數進行分析，目的在于找出網絡輿情中的情感傳播規律。

如圖3所示，在第一個知情狀態節點經過20天的情感遷移過程后，才會產生新的知情狀態節點，知情狀態節點密度（e）的增長在40天左右達到峰值，而知情狀態節點在經歷大約10天的情感遷移過程后才會產生新的傳播狀態節點，且傳播狀態節點密度（i）的增長比知情狀態節點密度更緩，影響的時間更長，可見在網絡輿情事件中情感遷移產生影響緩慢但持續時間長。從非知情狀態節點密度（s）來看，在第50天后，1000個網民均已從非知情狀態節點轉變為其它狀態節點，而免疫節點密度（r）會隨著傳播狀態節點密度的變化幅度增長，最終在第100天時1000名網民均會停止對該網絡輿情事件的情感遷移。

（三）參數λ、參數μ對情感傳播節點的影響分析

λ表示網絡輿情中的非知情狀態節點的用戶在瀏覽信息后，成為知情狀態節點用戶的概率。圖4給出了在α、β、μ、γ保持不變，即與初值相同的情況下，λ分別取值0.2、0.5、0.8時，網絡內情感傳播節點曲線。

μ表示網絡輿情傳播中存在潛在情感波動的知情用戶在接觸到輿情信息后轉變為傳播情感波動用戶的概率。在α、β、λ、γ保持不變，即與初值相同的情況下，μ分別取值0.2、0.5、0.8時，如圖5繪制了網絡內情感傳播節點的曲線。

圖4和圖5中λ、μ分別同比例增長時，其對應的傳播節點的圖也幾乎同比例變化，到達相應比例峰值后保持不變。說明在網絡輿情傳播中，若該輿情信息是網民所感興趣或關注的，則發生情感遷移的機率越大，參與輿情傳播的網民數量也會增加。同時，網民受從眾心理和情緒感染的影響，也會影響μ值。

（四）參數α、參數β對情感傳播節點的影響分析

α表示非知情用戶瀏覽輿情信息后轉化為移出輿情情感傳播的概率。在β、λ、μ、γ保持不變，即與初值相同的情況下，α分別取值0.1、0.5、0.9時，如圖6，繪制網絡內情感傳播節點的曲線，α值越大，峰值越小。

β表示存在潛在情感波動的用戶與傳染情緒波動狀態的傳播者接觸后不出現情緒波動，對輿情情感波動免疫而移出網絡輿情情感傳播過程的概率。在α、λ、μ、γ保持不變，即與初值相同的情況下，β分別取值0.1、0.3、0.5時，如圖7，繪制網絡內情感傳播節點的曲線。β值越大，曲線到達峰值所需的時間越長，且峰值越小。

在現實輿情情感傳播中，若網民對該輿情信息不感興趣或不信任，則不會參與輿情情感傳播，從而導致α、β值增大，加快向移出狀態（R）轉化的速率。當網民接觸信息并對其深度了解后發現該信息沒有價值或可信度不高時，就會移出輿情情感傳播，從而導致β值增大。從β值變化帶來的影響可以看出，當對該輿情信息不再關注的知情者數量增多，即β值增大，會導致輿情信息傳播速率變緩，感興趣的網民發生情感波動的時間變長。

四、結語

為了更好的研究熱點輿情事件中的情感遷移，綜合考慮輿情信息與網民情感傳播特性，在傳統線性SEIR模型的基礎上，增加了兩條到R的分支，構建改良SEIR模型來研究情感遷移。通過模擬仿真以及調整模型中各參數值，研究其對傳播節點的影響。結果可總結為兩點，一是α、β均與傳播節點變化成負相關，其中β值的影響最大，說明在現實輿情情感傳播中，知情者對信息產生免疫移出傳播過程的概率增大會導致輿情情感傳播到達峰值的時間變長。二是λ、μ均與傳播節點變化成正相關，且產生的影響較大，說明在現實輿情情感傳播中，網民對輿情信息的關注度越高，到達的值越大。

綜上，對網絡輿情治理提出兩點建議。一是通過信息的標題、內容等來判斷網民對該信息的關注度和信任度，進而預測其對該信息產生情感波動的方向，在發生消極輿情時提前做好相應的應對措施將其向正確方向引導。二是通過監測網民發言情況來確定輿情傳播所處階段，并在感染人數到達峰值之前，采取措施抑制輿情情感傳播，控制輿情導向。

參考文獻：

[1]Si X M， Wang W D， Zhai C Q， et al. A topic evolution model with sentiment

and selective attention[J].Physica A Statistical Mechanics & Its Applications，2016（471）.

[2]何天翔，張暉，李波，等.一種基于情感分析的網絡輿情演化分析方法[J].軟件導刊，2015（05）.

[3]Zhu H， Kong Y， Wei J， et al. Effect of usersopinion evolution on information diffusion in online social networks[J].Physica A：Statistical Mechanics and its Applications，2018（492）.

*基金項目：2018年大學生創新創業訓練計劃（STITP）省級一般項目（項目編號：SYB2018015）。

（作者單位：南京郵電大學）