薛振中　肖雄城

摘 要 本文运用传染病模型以状态标识人群的思想，建立了一种自上而下进行舆情传播预测的宏观模型；又运用多Agent建模方法和舆论演化动力学模型，建立了一种自下而上进行舆情传播预测的微观模型；论文运用正、反两种舆情传播模型，为控制和研究社会舆情提供必要的帮助。

关键词 网络 舆论战 模型

中图分类号：C206 文献标识码：A

0引言

社会舆情从一定层面上反映了社会的动态和方向，代表着部分群众对社会和社会事件的态度，蕴含着社会状态和可能发展的态势。深入研究社情舆情传播规律，建立科学有效的舆情传播模型，并对舆情进行合理有效地分析和预测就显得尤为重要。

1舆情传播宏观模型的设计

1.1模型的假设

建立模型时，假设在舆情传播期区内总人数N不变，不考虑外来人员加入，也不考虑内部人员离开，即舆情传播系统内的个体总数不变。模型将传播系统内人群分为八类，即舆情传播系统存在八种状态的人群：不知舆情者、知道正面舆情但不传播者、传播正面舆情者、引导正面舆情者、知道负面舆情但不传播者、传播负面舆情者、极端分子和被隔离者。

不同状态之间相互转化时，会出现的参量有正面舆情传播率、负面舆情传播率、IR转换率、RI转换率、极端分子被捕率、极端分子感化率、极端分子释放率和引导正面舆情者失望率。

传播负面舆情者和极端分子都会向人群传播负面舆情，统称为负面舆情传播者；传播正面舆情者和引导正面舆情者都会向人群传播正面舆情，统称为正面舆情传播者。

定义符号如下：

N——总人数；

S——不知舆情者；

B——知道负面舆情但不传播者；

G——知道正面舆情但不传播者；

I——传播负面舆情者；

R——传播正面舆情者；

T——极端分子；

L——引导正面舆情者；

P——被隔离者；

g——正面舆情传播率；

b——负面舆情传播率；

——RI转换率；

——IR转换率；

——极端分子感化率；

1——极端分子被捕率；

2——极端分子释放率；

——引导正面舆情者失望率；

s（t）——不知舆情者占总人数的比例；

b（t）——知道负面舆情但不传播者占总人数的比例；

i（t）——传播负面舆情者占总人数的比例；

t（t）——极端分子占总人数的比例；

p（t）——被隔离者占总人数的比例；

g（t）——知道正面舆情但不传播者占总人数的比例；

r（t）——传播正面舆情者占总人数的比例；

（t）——引导正面舆情者占总人数的比例。

1.2模型的建立

建立模型时考虑正面和负面两种舆情传播情形，两种舆情在传播时互相影响且相互抑制，各状态人群相互转化要合情合理符合客观实际。因此，模型状态转

化示意图如下：

图1：模型的状态转化示意图

负面舆情和正面舆情传播规律是相同的，只有在特定状态下，传播两种舆情的人群在模型上会发生转换，并且负面舆情传播比正面舆情传播多了一类人群，即被隔离者（被抓捕的人群，只有對社会产生有害行为的个体才会被抓捕与社会隔离起来）。

以负面舆情传播模型为例进行分析。假设，每个负面舆情传播者在单位时间内，会向个S传播信息并使得他们知道该负面舆情。因为有个负面舆情传播者，所以单位时间内共有个不知舆情者转变为B人群，于是就是B人群的增加率。同样，单位时间内共有个知道负面舆情但不传播者转变为I人群，于是就是B人群的减少率。用微分方程表示B人群的状态转化如下：

= -+ （1）

根据上述状态微分方程的构建方法和传染病模型建模方法，可以对模型中的每一种状态下的人群进行状态转化的分析，从而可以得出舆情传播宏观模型的动态微分方程为：

（2）

2舆情传播微观模型的设计

2.1 多Agent模型的建立

2.1.1 Agent态度值的设定

采用连续区间来描述个体Agent的态度，即用连续区间[-30basic-a，-23basic-a）表示极端分子的态度，[-23basic-a，-13basic-a）表示传播负面舆情者的态度，[-13basic-a，-3basic-a）表示知道负面舆情但不传播者的态度，[-3basic-a，3basic-a]表示未知舆情者的态度，（3basic-a，13basic-a]表示知道正面舆情但不传播者的态度，（13basic-a，23basic-a]表示传播正面舆情者的态度，（23basic-a，30basic-a]表示引导正面舆情者的态度，区间中basic-a代表态度值的基础步长，可以取大于等于零的任何一个数，这样设置是为了能通过basic-a的不同取值来描述现实中各种可能的情况。某个个体的态度值记作，的取值随时间的推移而发生变化。

2.1.2 Agent影响强度的设定

在人类社会中，总会有存在一些交际圈广泛、获取信息方式多样、易于表达自己观点和较有说服能力的个体存在，此类个体Agent影响其他个体的强度较大，容易让其他个体的态度发生相应的变化。因此，本文将个体的影响强度和复杂网络中节点的度的概念联系起来，节点的度和所有节点度中的最大值的比值越大，代表着个体Agent的影响强度就越大。将个体的影响强度记作，则个体的影响强度的计算方法为：

= （3）

其中，为的节点的度的值，为整个舆情传播系统中节点度的最大值。

2.1.3 Agent主见度的设定

文中提到的主见度是指个体对其原有态度的坚持强度。将个体的主见度记作， （0，1），的主见度越接近1，表示主见度越低，个体越没有主见，容易受到其他个体的影响；越接近0，表示主见度越高，个体越有主见，不容易受到其他个体的影响。

2.1.4 Agent意见交互阈值的设定

此处的意见交互阈值是指两个个体的态度值的差值小于该意见交互阈值时，两个个体之间才会对彼此产生影响，发生交互。社会中的个体在相互接触时，如果彼此的意见观点相差较大，则会“志不同，道不和”而不受对方的影响，只有那些意见或观点相差不大，拥有“共同语言”的个体之间才会发生意见的交互，从而产生态度的相应变化。意见交互阈值的值可以取大于等于零的任何一个数，这样就可以描述现实情况中各种可能的意见交互。

2.2舆情演化动力学模型

下面用舆情演化动力学模型来定义个体Agent之间的交互规则，对Agent各个属性的设定，记为的态度值，z为意见交互阈值，在t时刻的态度值为（t），则有

（t+1）=（t）+（€？

（4）

式中的“€薄保谟龅秸嬗咔榇ナ蔽？”，遇到负面舆情传播时为“”。

规则的解释：在t时刻的态度值（t）经过一个单位时间的变化，它的态度值会受到相邻节点中会传播舆情的的影响并作出相应的修正。修正值的计算方法，当节点i相邻节点中会传播舆情的节点j满足两者的态度值之差在意见交互阈值z的范围以内时，节点j会让节点i即将获得（或失去）一个基础步长的态度值，并对节点i的主见度与节点j 的影响强度作和运算得到一个和值，然后将节点i即将获得（或失去）的那一个态度值和这个和值相乘，对所有满足意见交互阈值条件的节点进行上述算法后得到的值与的原态度值（t）相加，得到的修正后的态度值便是的（t+1）的值。

从建立的交互规则来看，个体态度值的变化受到自身的主见度、相鄰个体中会传播舆情的个体的影响强度以及意见交互阈值的影响，最终形成的结果值就是个体经过一个时间单位后的态度值。

3结语

本文采用传染病模型的传播方式，结合社会舆情的传播情况，建立了一种自上而下进行研究舆情传播的宏观模型，通过仿真发现该宏观模型的模拟结果能够很好地贴近真实数据。由于宏观模型没能很好地描述舆情传播过程中个体的细节行为，本文又运用多Agent建模方法和舆情演化动力学模型建模方法，结合社会人群中个体的行为规律，建立了舆情传播微观模型，微观模型能较好地刻画到舆情传播过程中的局部和细节过程。舆情传播宏观模型实现对舆情传播的结果和发展趋势进行预测，舆情传播微观模型则实现对舆情传播的过程和个体行为进行模拟，两个模型既有联系，又有区别，相互补充，互相完善，比较接近客观实际。

参考文献

[1] 耿贯一.流行病学[M].北京：人民卫生出版社，1996：979-1001.

[2] 王昊一.基于多Agent建模的高校网络舆情演化仿真研究[D].东北财经大学，2013（11）.

[3] 王青尧.基于演化博弈的加权复杂网络模型构建方法[D].吉林：吉林大学，2013（4）.

[4] 陈乾国.复杂网络上流行病传播动力学行为及其免疫控制策略研究[D].重庆：西南大学，2013（4）.