基于复杂网络的网络舆情论文

1模型应用的必要性

基于网络的真实数据进行实证性研究是研究网络舆情演化规律的有力方向，但由于网络结构复杂、海量的个体和真实数据难以获取等原因，虽有一定进展，但成果不显著．而通过模型构建来反应个体的观点交互进而解释网络舆情的传播规律成为大量学者的选择．模型不是现实，而是虚构的对象，旨在通过某些可测量，在一定程度上达到与所研究现实世界的同构性．模型通常是将研究对象简单化，关于其相关变量和交互都考虑得不够周全，但是模型是获得事实的有益工具．简单的模型可以作为研究更加复杂和精确现实的起点，不完全的模型可以让我们专注于复杂现象的特殊属性或评估缺失变量的重要性．在网络舆情建模研究上，有来自物理学、数学、计算机与信息科学、传播学、心理学、社会学、情报学等多学科的学者分别在自己的研究视域内开展，不同学科的交叉更促进了其发展速度．研究者们利用统计物理学、观点动力学、社会动力学、社会心理学等领域的方法，着重描述个体之间意见交互和观点形成的过程，进而得出群体的宏观舆论涌现，为后续研究储存了深厚的积淀，并产生了深远的影响．舆情网络是典型的社会复杂网络，具有复杂系统的特征．复杂网络理论的逐步发展，提供了比以往其他方法都更有效的表达社会网络结构及关系的方法．复杂网络中的个体行为传播与集体活动的演化等引发了学者们的关注．随着社会系统的复杂化和信息技术的快速发展，网络传播的模式也越来越多元化复杂化，利用复杂网络分析方法分析互联网，尤其是Web2．0网络中的舆情信息发生、发展、演化的机理成为一个研究热点．

2基于复杂网络的网络舆情传播模型

2．1传染病模型由于信息传播与病毒感染的前提条件存在一定的相似性(有向性和相邻性等)，并且具有相同的动力学特点，所以传染病模型被借以模拟网络舆论尤其是谣言的传播［7］．传染病模型最早是1926年Kermack和McKen-drick构造的SIR(susceptibleinfectedrecovered)模型，以及1932年提出的SIS(susceptibleinfectedsus-ceptible)模型．在SIR模型中，将人群分为易感人群(S)，染病人群(I)和免疫人群(R)．该模型适用于染病后自动免疫并不会被二次感染的疾病，如水痘、百日咳，或者不能治愈终会死亡的疾病，如艾滋病等．SIS模型则只有易感人群和染病人群，适用于被治愈以后仍然恢复为易感人群的疾病．对于同一谣言，接触的次数并不影响已经被传播的后果，所以很多谣言传播模型借鉴了SIR模型．Daley和Kendal在1965年首次根据流行病模型构建了谣言传播的D－K模型，该模型借助随机过程理论，将谣言相关个体分为三类，未听说过谣言(相当于易感人群)，传播谣言的人(相当于染病人群)和听说过谣言但不传播(相当于免疫人群)，并假定角色以一定概率转换．Maki和Thompson等随后构建了M－T模型［9］．这两个模型在谣言传播上得到广泛使用．随着复杂网络的兴起，谣言传播重新被学者重视，并取得了较大的研究进展．Kitsak等将谣言传播的SIS模型和SIR模型应用在了一些真实复杂网络中，分别为:LiveJournal．com上的550万人的朋友圈、伦敦大学学院计算机科学系的邮件联系网、瑞典的病人联系网和imdb．com上提供的电影演员的合作网络，并得出了一些重要结论．Zanette首次应用了小世界网络理论研究谣言传播，建立了SIR平均场方程，结论显示，谣言传播有一定的临界值．随后，Zanette比较了谣言传播在小世界网络和动态小世界(dynamicsmallworlds)两种复杂网络机制下的异同，结果显示，动态小世界网络更接近实际，并具有易分析和便于数值处理等优势．Moreno和Nekovee则在无标度网上了构建了谣言传播模型，并对随机分析和计算机模拟两种分析方法得出的结论进行了比较．Xiong等提出了SCIR模型，该模型侧重微博转发行为导致的信息传播，其中，C表示已获知信息但对是否转发该信息尚处于犹豫状态，并基于规则网格和无标度网络进行了仿真．国内也有大批研究成果出现．潘灶峰和汪小帆等在改进的无标度网络(聚类系数可变)上构建了谣言传播模型，发现增加网络聚类系统，即增加信息的透明度是抵制谣言的有效手段．陈静等综合了SIS模型和SIR模型，提出了针对在线网络传播形式的SICRS传播模型．该模型加入了起过渡作用的治疗状态(cured)，通过对该模型的仿真，发现了复杂网络尤其是无标度网络中舆情传播的三阶段规律:初期的爆发、中期的周期性波动和后期的稳定状态．此外，作者还具体阐述了舆情传播的影响因子．陈福集等［20］重要关注了网络舆情传播建模中的衍生效应，通过仿真的数值设定实验，在传统SEIRS模型基础上引入话题衍生率，同时考虑舆情传播的社会影响作用和个体记忆因素等，分析其对舆情传播的影响．陈波基于泛在媒体环境，考虑现有模型对网络个体状态处理太过简单，引入了两个新的变量:直接免疫率和潜伏个体，建立了一个带直接免疫的SEIR模型，并采用了starlogo仿真软件验证了该模型．朱恒民等将SEIR模型应用到BA无标度网络上，重点考虑媒体对网络舆情话题传播的影响，提出了舆情话题传播模型，结果表明，媒体会加快舆情传播速度．钱颖基于SIR模型建立了微博舆情的传播模型．

2．2观点动力学模型研究舆论或共识形成过程的模型可以追溯到应用数学领域的French模型，该模型创建于1956年，研究在离散条件下，考虑个体以某种不同权重值采用他人意见时，团队内部的意见相互影响的复杂性问题．随着问题不断被研究者重视，出现了多个能用于模拟网络舆情传播的模型，经典的元胞自动机模型、Sznajd模型、Hegselmann－Krause模型、Deffuant模型、Wu－Huberman模型等均在一定程度上影响了后续网络舆情传播模型的构建．随后，大量学者将观点动力学上的模型应用到舆情中观点的传播，进一步考察舆论的形成等．Alves［等首次提出宏观的舆论模型正逐渐被基于局部个体空间相互作用的微观离散动力学模型所代替．国内学者纷纷在元胞自动机模型的基础上提出多个改进模型．方薇团队考虑元胞坚定性特点设计了元胞移动遍历的舆情传播模型，并进一步构建了协同元胞自动机模型．王鹍鹏提出了三位元胞自动机模型来模拟网络舆情传播动态．潘新等改进了Wu－Huberman模型，考虑社会网络中的个体交互，构建了网络舆情传播模型，该模型可用来衡量舆情传播的速度．

2．3其他模型博弈论因为其分析个体关系的优越性，被应用到网络舆情传播中．王杨等基于博弈论，考虑网络社区内外部对舆情传播的影响，构建了网络舆情的传播模型．结果表明，网络舆情在网络社区中的传播具有初期传播稳定、后期形成具有影响力的舆论的一般特点．韩少春、刘锦德等利用了不完全信息演化博弈模型，分析了网络舆情传播的羊群行为，并提出了控制羊群行为的主要策略．其他学者抛开经典模型，尝试构建新的病毒模型来模拟舆情传播、模拟群体极化的动力模型;也有学者利用复杂网络的方法，分析网络舆情传播的特点和规律，或者构建相应的模型，对实际的网络舆情引导起到指导作用，例如在新浪微博、高校BBS等方面的应用．

3现有研究的总结及发展趋势

3．1研究总结

3．1．1建模方法多数网络舆情传播模型采用了自上而下的建模方法，重点关注网络舆情宏观的演变及群体整体的观点变化．这类模型将研究对象看成一个系统，在不同层次研究系统的整体．最典型就是利用传染病模型模拟谣言传播过程进而反映网络舆论的传播过程．

3．1．2建模工具基于复杂网络的模型构建，利用恰当的软件或工具能起到事半功倍的效果．目前常用的建模工具有Starlogo、Netlogo、Swarm、Ucinet、Pa-thon等软件工具．也有不少学者自行开发了相关软件平台，如武汉大学信息管理学院开发了NEView-er，用于复杂网络的演化分析，这些工具都在相关研究中发挥了重要的作用．

3．1．3模型对实践的指导目前，大多是结合理论研究和实证分析来研究网络舆情传播的规律和特点，从理论上深入探讨网络舆情传播演化的数学或物理模型，建立清晰准确的理论框架，同时在大数据的背景上，借助数据仓库和数据挖掘等先进信息技术获取大量实证数据，验证理论模型的有效性，修正理论模型的假设．尽管目前已构建了基于不同理论基础的多个模型，但是模型如何指导实践，用于引导网络舆情朝正确方向发展，或控制负面舆情的发展等方面，仍需要进一步深入研究．

3．2发展趋势随着复杂网络理论的不断发展，网络拓扑结构更加接近真实网络，促进了基于复杂网络理论建模的复兴．通过网络微观生产机制来探寻网络宏观性质成为一项有意义且极具挑战性的工作．尽管统计物理学和数学等学科领域的经典模型可以借助到网络舆情的观点演化研究上，学者也展开了一些实际的应用研究，但是社会网络的复杂性，使得目前学界的研究成果对于描述实际网络舆情演化状况仍显简化，存在较大的改进空间．移动网络已成为更重要的舆情传播阵地，所以针对移动网络社区的舆情传播特性，例如微信群等，构建相应模型将成为一个新的研究热点．自适应网络代表了一类新的网络结构和网络行为，主要特点是能够相互反馈，这类网络能够反应真实的合作演化过程，所以流行病模型在自适应网络上的应用受到越来越多的关注。

作者：任立肖檀柏红张亮单位：天津科技大学经济与管理学院