基于Multiagent的突發(fā)事件網(wǎng)絡(luò)輿情演化

董田田 張睿 王姿穎 董學(xué)士

摘要：針對(duì)突發(fā)事件的傳播過程，采用定性與定量相結(jié)合的方法，提出了突發(fā)事件網(wǎng)絡(luò)輿情傳播的“五段六點(diǎn)”模式。根據(jù)貝葉斯概率原理，給出了Agent的決策規(guī)則，以網(wǎng)絡(luò)結(jié)構(gòu)的方式體現(xiàn)Agent之間的內(nèi)在聯(lián)系，建立了基于Multiagent分布的突發(fā)事件網(wǎng)絡(luò)輿情傳播模型。通過仿真分析Agent情感態(tài)的演化，驗(yàn)證了該模型的有效性，表明該模型能夠較好地分析網(wǎng)絡(luò)用戶對(duì)突發(fā)事件網(wǎng)絡(luò)輿情傳播的演化趨勢(shì)。

關(guān)鍵詞：Multiagent;突發(fā)事件;網(wǎng)絡(luò)輿情;輿情仿真;決策規(guī)則

中圖分類號(hào)：TP393

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1006-1037（2021）01-0013-05

基金項(xiàng)目：山東省自然科學(xué)基金 （批準(zhǔn)號(hào)：ZR2019MF050）資助。

通信作者：董學(xué)士，男，博士，講師，主要研究方向?yàn)閺?fù)雜網(wǎng)絡(luò)、數(shù)據(jù)挖掘、深度學(xué)習(xí)。E-mail：937635119@qq.com

在互聯(lián)網(wǎng)的信息海洋中，網(wǎng)絡(luò)用戶雖然有選擇信息的自由，但在某一時(shí)刻，由于從眾心理，網(wǎng)絡(luò)用戶會(huì)先關(guān)注熱度較高的事件，造成突發(fā)事件網(wǎng)絡(luò)輿情傳播的兩極分化現(xiàn)象。預(yù)測(cè)網(wǎng)絡(luò)輿情話題演化趨勢(shì)，可有效消減網(wǎng)絡(luò)輿情中的“蝴蝶效應(yīng)”。Sudbury[1]將Kermack等[2]提出的傳染病模型與網(wǎng)絡(luò)輿情傳播聯(lián)系起來，隨后，不少學(xué)者還研究了社交網(wǎng)絡(luò)中的信息擴(kuò)散[3]、話題狀態(tài)建模[4]以及創(chuàng)新擴(kuò)散[5]等問題。梁凱等[6]綜合考慮了網(wǎng)絡(luò)輿情擴(kuò)散的多個(gè)環(huán)節(jié)和主要影響因素，建立網(wǎng)絡(luò)輿情擴(kuò)散的系統(tǒng)動(dòng)力學(xué)模型;WANG等[7]構(gòu)建了一個(gè)多維網(wǎng)絡(luò)輿情網(wǎng)絡(luò)模型;賀鵬等[8]根據(jù)用戶個(gè)體差異及其強(qiáng)弱關(guān)系，提出了多Agent的微博社交網(wǎng)絡(luò)傳播模型;ZHANG等[9]采用期望最大化的方法，推斷信息的傳播速度;孫月明等[10]通過增加兩個(gè)新的節(jié)點(diǎn)狀態(tài)來增強(qiáng)信息傳播，建立了耦合網(wǎng)絡(luò)中的網(wǎng)絡(luò)輿情傳播模型。本文根據(jù)突發(fā)事件的傳播特征，對(duì)突發(fā)事件網(wǎng)絡(luò)輿情的演化過程按階段進(jìn)行分解，提出“六點(diǎn)五段”模式。考慮社交網(wǎng)絡(luò)的開放性、交互性，依據(jù)其傳播的方式，對(duì)Agent進(jìn)行分類。在Multiagent分布式技術(shù)基礎(chǔ)上，本文充分利用Agent的自主性、互動(dòng)性、適應(yīng)性等多重特性，深度剖析Agent個(gè)體之間的自主交互微觀行為，明確Agent決策規(guī)則，以網(wǎng)絡(luò)結(jié)構(gòu)的方式體現(xiàn)其內(nèi)在聯(lián)系。通過主體自主性行為，Agent間相互協(xié)商、相互協(xié)作、相互協(xié)調(diào)，使得輿情在社交網(wǎng)絡(luò)中的傳播特征與網(wǎng)絡(luò)用戶的交互性相關(guān)聯(lián)，描述社交網(wǎng)絡(luò)上主體的自主性行為對(duì)輿情傳播的影響，從而構(gòu)建了基于Multiagent的突發(fā)事件網(wǎng)絡(luò)輿情傳播模型。

1 突發(fā)事件網(wǎng)絡(luò)輿情的演化過程分析

根據(jù)突發(fā)事件的傳播特征，對(duì)突發(fā)事件網(wǎng)絡(luò)輿情的演化過程按階段進(jìn)行分解，演化過程分為孕育階段、顯現(xiàn)階段、發(fā)展階段、衰退階段、消亡階段五個(gè)階段，上一階段可以平穩(wěn)地過渡到下一階段，也可能由于網(wǎng)民、媒體、政府這三個(gè)主體的干預(yù)，使得輿情演化到下一階段失去穩(wěn)定性。從五個(gè)階段具體分析其演化過程如圖1，其中，橫坐標(biāo)為時(shí)間，縱坐標(biāo)為事件的熱度。

發(fā)生點(diǎn)表示現(xiàn)實(shí)社會(huì)中突發(fā)事件發(fā)生的時(shí)刻，也是網(wǎng)絡(luò)輿情發(fā)生的時(shí)刻，傳播點(diǎn)表示網(wǎng)絡(luò)輿情熱度緩慢上升的點(diǎn)，兩點(diǎn)之間稱為孕育階段，此階段持續(xù)時(shí)間普遍較短，幾乎沒有熱度，參與討論的網(wǎng)絡(luò)用戶數(shù)量較少，幾乎沒有轉(zhuǎn)發(fā)數(shù)量。

發(fā)展點(diǎn)表示網(wǎng)絡(luò)輿情熱度迅速上升的點(diǎn)，傳播點(diǎn)和發(fā)展點(diǎn)之間稱為顯現(xiàn)階段，持續(xù)時(shí)間普遍較短，熱度會(huì)比前者略高，參與討論的網(wǎng)絡(luò)用戶數(shù)量緩慢增加，跟帖數(shù)量也在緩慢提升。隨著突發(fā)事件的蔓延，網(wǎng)絡(luò)媒體對(duì)此事件進(jìn)行報(bào)道，關(guān)注事件的用戶逐漸增多，突發(fā)事件的網(wǎng)絡(luò)輿情轉(zhuǎn)發(fā)數(shù)量整體呈上升的趨勢(shì)。

高潮點(diǎn)是網(wǎng)絡(luò)輿情發(fā)展的頂點(diǎn)，發(fā)展點(diǎn)和高潮點(diǎn)之間稱為發(fā)展階段，此階段持續(xù)時(shí)間較長(zhǎng)，熱度會(huì)隨著時(shí)間達(dá)到最高點(diǎn)，參與討論的網(wǎng)絡(luò)用戶數(shù)量迅速增加，跟帖數(shù)量也在快速提升，由于網(wǎng)絡(luò)用戶數(shù)量變化率和跟帖數(shù)量變化率隨時(shí)間的變化整體呈正增長(zhǎng)趨勢(shì)。在這一階段，由于網(wǎng)絡(luò)用戶之間的互動(dòng)、部分網(wǎng)絡(luò)推動(dòng)者、意見領(lǐng)袖的介入以及網(wǎng)絡(luò)媒體的不斷報(bào)道，使得突發(fā)事件從小規(guī)模傳播向大規(guī)模擴(kuò)散轉(zhuǎn)變。

衰退點(diǎn)是網(wǎng)絡(luò)輿情快速下降的尾點(diǎn)，高潮點(diǎn)和衰退點(diǎn)之間稱為衰退階段，此階段持續(xù)時(shí)間普遍較長(zhǎng)，熱度會(huì)從最高值逐漸下降，參與討論的網(wǎng)絡(luò)用戶數(shù)量快速減少，跟帖數(shù)量也在迅速下降，網(wǎng)絡(luò)用戶數(shù)量變化率和跟帖數(shù)量變化率隨時(shí)間的變化整體呈負(fù)增長(zhǎng)趨勢(shì)。這是由于新聞媒體報(bào)道減少，且網(wǎng)絡(luò)用戶對(duì)已知的事物評(píng)論減少，使得網(wǎng)絡(luò)輿情逐漸下降。

消亡點(diǎn)表示突發(fā)事件網(wǎng)絡(luò)輿情的熱度接近于0，衰退點(diǎn)和消亡點(diǎn)之間稱為消亡階段，此階段持續(xù)時(shí)間普遍較長(zhǎng)，熱度逐漸的消散，參與討論的網(wǎng)絡(luò)用戶數(shù)量，跟帖數(shù)量緩慢減少直至接近于零。隨著時(shí)間的推移，媒體關(guān)于事件不再報(bào)道，網(wǎng)絡(luò)用戶對(duì)事件不再感興趣等，突發(fā)事件逐漸消失。

2 基于Multiagent的突發(fā)事件網(wǎng)絡(luò)輿情傳播模型

2.1 Agent類型及其屬性

在突發(fā)事件網(wǎng)絡(luò)輿情傳播中，通過剖析Agent個(gè)體之間的交互行為，將Agent分為三類：意見領(lǐng)袖Agent;網(wǎng)絡(luò)用戶Agent，保持自身特性，如信念度（尋求事件的真相和支持或懷疑政府的行為），從眾性等來對(duì)網(wǎng)絡(luò)輿情進(jìn)行轉(zhuǎn)發(fā)傳播;政府Agent，根據(jù)政府公信力、政府傳播力、政府議程設(shè)置引導(dǎo)力等屬性，對(duì)網(wǎng)絡(luò)輿情信息傳播進(jìn)行干預(yù)。

2.2 Agent決策過程分析

從網(wǎng)絡(luò)用戶Agent的認(rèn)知推理角度出發(fā)，將網(wǎng)絡(luò)用戶Agent對(duì)信息處理過程分為三個(gè)階段：信息接收階段、信息認(rèn)知階段和信息傳播階段。首先，網(wǎng)絡(luò)用戶通過關(guān)系網(wǎng)判斷是否能接收到信息，若是能接收信息，獲知信息后對(duì)信息進(jìn)行認(rèn)知，否則，將會(huì)不轉(zhuǎn)發(fā);其次，判斷對(duì)此信息是否給網(wǎng)絡(luò)用戶帶來情感上的表達(dá)和收益，進(jìn)入下一判斷;最后，網(wǎng)絡(luò)用戶Agent在處理信息之后考慮是否傳播信息。依此不斷執(zhí)行，網(wǎng)絡(luò)用戶Agent對(duì)網(wǎng)絡(luò)輿情信息處理流程圖如圖2。

2.3 Agent決策規(guī)則

在社交網(wǎng)絡(luò)輿情傳播過程中，{Positive，Opposite，Neutral}分別表示Agent對(duì)該信息的觀點(diǎn)是積極的，消極的還是中性的，若在傳播過程中Agent沒有干預(yù)，則表示Agent的觀點(diǎn)處于中立態(tài);{True，F(xiàn)alse}分別表示Agent是否干預(yù)輿情信息的傳播;{Stable，Diffusion，Dissipate}分別表示該輿情信息走勢(shì)處于平穩(wěn)、擴(kuò)散和消退。政府是否干預(yù)的概率用P（S）表示，輿情走勢(shì)概率用P（H）表示，意見領(lǐng)袖概率用P（O）表示[11]。依據(jù)貝葉斯概率原理

其中，hi表示第i種事件，ui 表示該事件發(fā)生時(shí)，傳播輿情信息給Agent帶來的收益，c表示該事件發(fā)生時(shí)，傳播輿情信息給Agent帶來的成本。

總效用U的期望值

其中，α表示情感表達(dá)和傳播收益的相對(duì)權(quán)重系數(shù)。

在網(wǎng)民Agent做出期望預(yù)判后，起始時(shí)Agent對(duì)于該信息通常處于觀望狀態(tài)，不會(huì)即刻對(duì)該信息進(jìn)行轉(zhuǎn)發(fā)，針對(duì)這一問題，本文設(shè)置一個(gè)決策意愿R，概率P（W）決定最終的執(zhí)行策略，Agent傳播信息的概率

其中，E（u（0））為Agent傳播輿情時(shí)的總期望值，若R≤P（W），則Agent轉(zhuǎn)發(fā)該輿情信息，否則不轉(zhuǎn)發(fā)。

3 仿真實(shí)驗(yàn)與分析

仿真實(shí)驗(yàn)在Netlogo建模與仿真軟件平臺(tái)上進(jìn)行。在Netlogo平臺(tái)上，Agent之間的交互作用是一個(gè)Agent從其他Agent獲取信息，然后根據(jù)自身的信息積累、狀態(tài)和決策規(guī)則，修改自身的原始狀態(tài)，并將信息傳播給其他Agent進(jìn)行交互的過程，通過這些形式的交互，突出顯示系統(tǒng)環(huán)境所具有的和單個(gè)Agent所不具備的整體行為。

3.1 數(shù)據(jù)來源

仿真實(shí)驗(yàn)數(shù)據(jù)來源于慧科數(shù)據(jù)平臺(tái)檢索關(guān)鍵字“女網(wǎng)紅進(jìn)入機(jī)長(zhǎng)駕駛艙”（ 2019年11月3日爆料）的相關(guān)微博，該微博被轉(zhuǎn)發(fā)7 000+以上，最多轉(zhuǎn)發(fā)達(dá)12級(jí)層次，前后擁有30個(gè)以上分級(jí)關(guān)鍵傳播節(jié)點(diǎn)轉(zhuǎn)發(fā)。

考慮到實(shí)驗(yàn)的方便性和快捷性，在仿真環(huán)境中，嵌塊集是由43×43的patch構(gòu)成，嵌塊大小為11像素，正常速度下每秒的幀數(shù)為30。其中，政府Agent、意見領(lǐng)袖Agent、網(wǎng)絡(luò)用戶Agent分別有1個(gè)、1個(gè)、300個(gè)，社交網(wǎng)絡(luò)中有一個(gè)傳播者，為簡(jiǎn)化仿真實(shí)驗(yàn)，本文中的權(quán)重系數(shù)設(shè)為同樣重要，均等取值。

3.2 無政府的干預(yù)

網(wǎng)絡(luò)輿情發(fā)生后，在沒有政府干預(yù)的情況下，根據(jù)相關(guān)政府官方內(nèi)容在事件過程中的分析，網(wǎng)絡(luò)用戶Agent的情感趨勢(shì)性變化趨勢(shì)如圖3。可知，當(dāng)無政府干預(yù)時(shí)，積極情緒和負(fù)面情緒的網(wǎng)絡(luò)用戶Agent隨著時(shí)間的推移而增加，當(dāng)?shù)竭_(dá)一定數(shù)量時(shí)，網(wǎng)絡(luò)用戶數(shù)在小范圍內(nèi)震蕩變化，發(fā)帖數(shù)量不斷增加，中立情緒化的網(wǎng)絡(luò)用戶Agent不斷轉(zhuǎn)變成積極或負(fù)面的網(wǎng)絡(luò)用戶Agent。當(dāng)網(wǎng)絡(luò)用戶在網(wǎng)絡(luò)輿情事件下處于焦慮情緒且政府仍處于被動(dòng)處理狀態(tài)時(shí)，網(wǎng)絡(luò)用戶往往不相信政府的行為，Agent希望查明事件的真相，以及網(wǎng)絡(luò)用戶Agent對(duì)負(fù)面發(fā)展的情感傾向，此時(shí)，Agent有意反饋公眾意見，督促政府積極應(yīng)對(duì)網(wǎng)絡(luò)輿情事件。

3.3 有政府的干預(yù)

其他條件不變，當(dāng)政府Agent開始干預(yù)介入時(shí)，網(wǎng)絡(luò)用戶的情感趨勢(shì)性變化趨勢(shì)如圖4。可以看出，隨著政府對(duì)突發(fā)網(wǎng)絡(luò)輿情事件的態(tài)度由負(fù)面轉(zhuǎn)變?yōu)榉e極時(shí)，網(wǎng)絡(luò)用戶的情感性變化趨勢(shì)向著積極的方向發(fā)展。在前期不變的狀態(tài)下，隨著時(shí)間的推移，積極情緒化的網(wǎng)絡(luò)用戶數(shù)快速增加，對(duì)應(yīng)的負(fù)面情緒化網(wǎng)絡(luò)用戶數(shù)直線下降。處于中立態(tài)是網(wǎng)絡(luò)用戶不斷的轉(zhuǎn)變?yōu)榉e極網(wǎng)絡(luò)用戶。

3.4 模型有效性驗(yàn)證

為了驗(yàn)證本文提出的Multiagent體社交網(wǎng)絡(luò)輿情傳播模型的有效性，將本文提出的Multiagent社交網(wǎng)絡(luò)輿情傳播模型與真實(shí)的數(shù)據(jù)進(jìn)行對(duì)比，真實(shí)數(shù)據(jù)網(wǎng)民情緒占比如圖5所示，圖5（a）表示各媒體進(jìn)行轉(zhuǎn)發(fā)后，航空公司未進(jìn)行聲明網(wǎng)民情緒占比，圖5（b）表示航空公司發(fā)出聲明后的網(wǎng)民情緒占比。

Multiagent社交網(wǎng)絡(luò)輿情傳播模型仿真結(jié)果圖3與真實(shí)數(shù)據(jù)圖5（a）比較，4日上午無官方聲明和無政府參與，二者的情緒占比具有一致性，Multiagent社交網(wǎng)絡(luò)輿情傳播模型仿真結(jié)果圖4與真實(shí)數(shù)據(jù)圖5（b）比較，4日上午官方發(fā)出聲明，網(wǎng)名的積極情緒快速上升，負(fù)面情緒下降，加上政府正面引導(dǎo)，網(wǎng)絡(luò)用戶的情感向著積極的方向發(fā)展，積極情緒的占比會(huì)超越實(shí)際情況占比，由此驗(yàn)證了本文提出的Multiagent社交網(wǎng)絡(luò)輿情傳播模型的有效性。

4 結(jié)論

針對(duì)突發(fā)事件網(wǎng)絡(luò)輿情傳播問題，在分析當(dāng)前研究現(xiàn)狀的基礎(chǔ)上，根據(jù)仿真實(shí)驗(yàn)結(jié)果可知，在突發(fā)事件網(wǎng)絡(luò)輿情傳播初期，網(wǎng)絡(luò)中各Agent的密度不斷增加，當(dāng)達(dá)到一定的演化時(shí)間后，網(wǎng)絡(luò)中各Agent的密度慢慢趨于穩(wěn)定，該過程與突發(fā)事件網(wǎng)絡(luò)輿情實(shí)際變化特點(diǎn)相吻合;根據(jù)突發(fā)事件網(wǎng)絡(luò)輿情傳播模型參數(shù)的變化情況可知，由于社交網(wǎng)絡(luò)的連通性較強(qiáng)，當(dāng)政府Agent干預(yù)時(shí)，網(wǎng)絡(luò)用戶Agent接收到政府Agent的正面引導(dǎo)，中立態(tài)向積極態(tài)轉(zhuǎn)變，此時(shí)積極情緒占比大于負(fù)面情緒占比，該突發(fā)事件網(wǎng)絡(luò)輿情的信息在網(wǎng)絡(luò)中的傳播速度就快，反之輿情話題的信息傳播速度相對(duì)較慢。對(duì)比官方通告前后網(wǎng)絡(luò)情感傾向，網(wǎng)絡(luò)用戶在通告后對(duì)某航空的正面評(píng)價(jià)明顯上升，某網(wǎng)絡(luò)用戶Agent對(duì)某一突發(fā)事件處于積極情感下時(shí)，則有利于信息的傳播。

參考文獻(xiàn)

[1]SUDBURY A. The proportion of the population never hearing a rumour[J]. Journal of Applied Probability， 1985， 22（2）： 443-446.

[2]KERMACK W O， MCKENDRICK A G. A contribution to the mathematical theory of epidemics[J]. Bulletin of Mathematical Biology，1991，53（1-2）：57-87.

[3]LUCERI L， BRAUN T， SILVIA G. Analyzing and inferring human real-life behavior through online social networks with social influence deep learning[J].Applied Network Science， 2019， 4（1）： 1-25.

[4]XU J， ZHANG L， MIAO A. Bayesian network-based static topic tracking model[J].Data Analysis and Knowledge Discovery， 2020，4（Z1）： 200-206.

[5]朱江，包崇明，王崇云，等.基于圖結(jié)構(gòu)特征分析的Top-k結(jié)構(gòu)洞發(fā)現(xiàn)算法[J].計(jì)算機(jī)工程，2020，46（5）： 94-101+108.

[6]梁凱，孫夢(mèng)嬌，崔玲. 網(wǎng)絡(luò)輿情擴(kuò)散的系統(tǒng)動(dòng)力學(xué)仿真[J].青島大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，26（1）：96-101.

[7]WANG G， CHI Y. Studies on a multidimensional public opinion network model and its topic detection algorithm[J]. Information Processing & Management， 2019， 56（3）： 584-608.

[8]賀鵬，李軍，董田田，等.基于多Agent的微博社交網(wǎng)絡(luò)信息傳播模型[J].青島大學(xué)學(xué)報(bào)（工程技術(shù)版），2020，35（2）： 43-47+56.

[9]ZHANG L F， SU C. Cross-network dissemination model of public opinion in coupled networks[J]. Information Sciences， 2018， s：（451-452）： 240-252.

[10] 孫月明， 張運(yùn)加， 顏錢，等. 無需感染時(shí)間信息的傳播網(wǎng)絡(luò)快速推斷算法[J]. 計(jì)算機(jī)科學(xué)與探索， 2019， 13（4）： 541-553.

[11] 繆秋云. 基于MAS的移動(dòng)社交網(wǎng)絡(luò)輿情演化模型構(gòu)建與仿真研究[D].南京： 南京航空航天大學(xué)，2017.