基于Multiagent的社交网络舆情传播模型

董田田 李军 王继荣

摘要：  为分析与预测社交网络中舆情传播过程和演化趋势，本文基于Multiagent分布式技术，建立了社交网络舆情传播模型，研究社交网络舆情传播方式，并根据Agent的行为和状态特性，对Agent进行分类，分析Agent的属性特征，通过剖析Agent个体之间的交互微观行为，依据信息价值时效性、信息源覆盖率和信息关注度，对转发行为的影响进行讨论，给出了Agent的决策规则，以网络结构方式体现Agent之间的内在联系。为验证模型的有效性，基于Agent的仿真平台，采用Netlogo 6.0.4进行模拟仿真分析。仿真结果表明，舆情信息的传播与信息价值呈正相关，信息价值越大，越有利于舆情信息的传播，且信息源的覆盖率与转发Agent数和中止Agent数成正相关，信息关注度对舆情传播影响甚大，说明该模型能准确分析和预测网络中舆情传播的演化趋势。该研究对相关人员了解社交网络中舆情的传播具有重要意义。

关键词：  Multiagent; 社交網络; 舆情话题; 传播模型; 价值时效性; 信息源覆盖率

中图分类号： TP393.034  文献标识码： A

随着Web 2.0技术的逐步完善及信息技术软硬件的日益发展，信息网络的应用日新月异，互联网用户规模急速膨胀，社会各阶层与网络的衔接愈加密切。根据中国互联网信息中心（china internet network information center，CNNIC）第四十五次《报告》显示，截止到2020年3月，我国网络用户数量界限高达9.04亿，比例达到64.5%，其中我国手机网络用户数量8.96亿，上网计数比例达到99.1%。由于互联网具备自由性、互动性、多元性以及共享性等特征，使互联网上各类信息显露出多、快、好、广等特点。其中，微信、人人网、知乎等为代表的网络信息传播平台的发展，使互联网日益成为广大网络用户信息传递、共享、表达诉求的主要平台，同时也容易形成网络舆情。舆情是公众在一定时期和范围内，对与自己切身相关的公共事务或自己关注的特定事情所持有的群体性情绪、意愿、态度、意见和要求的总和及其体现，是某一事件发展的趋势，代表一个过程，它能够洞察舆论的走势。不同的舆情传播研究方法与思路，可以得到不同的传播模型。A.Sudbury [1]提出的传染病模型，研究了网络舆情的传播方式;WAN J H等人[2]基于机会、信任和动机等混合社会因素，建立了信息传播模型;K. SznajdWeron等人[3]基于Ising模型，提出了一种在繁多舆论传播模型中较为盛行的Sznajd模型;K.Saito等人[4]提出了两个具备连续时间轴的AslC模型和AsLT模型;江淼淼等人[5]通过研究多子网复合复杂网络模型，建立多关系社交网络;艾川等人[6]根据个体心理行为，提出了对个体行为的模型;易成岐等人[7]以新浪微博为研究对象，研究了社会网络的信息传播问题，抽象出7种信息传播模型;谭振华等人[8]借鉴引力学思想，建立了GRPModel模型;朱湘等人[9]针对多条微博热点事件，建立了微博事件传播网络拓扑图;周东浩等人[10]根据节点属性和信息内容，建立了细粒度传播模型;孙月明等人[11]采用期望最大化方法，推断信息的传播速度;方劲皓等人[12]分析了用户的行为模式，提出了改进的SCIR模型在社交网络上的传播;周小领等人[13]针对区间犹豫模糊集，构建了概率区间犹豫模糊法及其网络舆情预测模型。以上关于社交网络舆情传播的研究，大多选取较传统的面向对象的开发技术及与复杂网络、传染病模型[14]、系统动力学[15]等相结合的研究方法，大部分的社交网络舆情传播模型不能确切地描述网络用户的微观交互行为、网络舆情传播过程以及演化趋势。因此，考虑社交网络的开放性和交互性，本文在Multiagent分布式技术基础上，充分利用Agent的自主性、互动性、适应性等多重特性，深度剖析Agent个体之间的自主交互微观行为，明确Agent决策机制，以网络结构的方式体现其内在联系。该模型能准确分析、预测网络中舆情传播的演化趋势，为相关研究人员了解社交网络中舆情的传播方式提供了理论依据。

1 社交网络舆情传播方式

社交网络是通过互联网把人与人衔接起来，进而构成具备某一特定特点的网络。不同的社交网络平台，舆情传播的方式各具特色，本文主要研究微信社交网络的舆情传播问题。

从社交网络舆情传播过程来看，舆情传播只建立在联系人之间，且封闭在平台内部。信息传播渠道主要有三种，一是针对某一联系人单独发送信息;二是针对某一用户群发送信息;三是将信息发送在自己的朋友圈，当设置联系人可见时，其好友就有机会看到此信息，当好友A在其朋友圈中看到此信息并转发该信息时，此时A的好友就可以在其朋友圈看到此信息，并以一定的概率将该信息继续传播下去。本文主要研究舆情信息传播渠道的第三类情况。

在社交网络中，舆情信息传播只在好友间进行，即只顺着好友的边连接进行传播，因此，好友关系成为用户间联系的纽带。如某个用户在其朋友圈发送一条舆情信息，则该用户朋友圈中的好友，都可能浏览到其发出的舆情信息（只要没有被屏蔽），而浏览到该条舆情信息的用户转不转发是由用户自主决定。由于每个用户的朋友圈不相同，信息传递是从一个用户的朋友圈传向另一个用户的朋友圈，即从一群用户到另一群用户间的传播。社交网络舆情信息传播方式如图1所示。

图1中的P1～P5代表社交网络中多个用户Agent，连线代表好友关系，即代表舆情传播的方向，其中实线表示Agent之间已经确立为好友关系，虚线表示Agent之间尚未确立好友关系。由图1可以看出，P1与P2、P3是好友关系;P2与P1、P4、P5是好友关系;P3只与P1是好友关系;P4与P2、P5是好友关系;P5与P2、P4是好友关系。当用户P1将舆情信息发布在朋友圈时，此时P1是该舆情信息的发布者，P1的好友P2、P3就会以一定的概率看到这条舆情信息，若P2对这条舆情信息不转发，则P2称为此舆情信息的中止者，P4、P5不会通过P2的朋友圈看到该舆情信息;若P2转发了该条舆情信息，则P2的好友P1、P4、P5就会以一定概率看到该条舆情信息，此时P2称为该条舆情信息的转发者，P2的好友P1将可能再一次浏览到该舆情信息，由于P1在其朋友圈已经转发过该舆情信息，如对该舆情信息失去兴趣不再进行转发，则P1转化为该舆情信息的中止者。

2 Multiagent社交网络舆情传播模型

2.1 Agent及其类型

用户是网络中的节点，将其抽象为Agent，Agent的集合用V表示，Agent之间的好友关系可抽象为节点之间的边，边的集合用E表示，节点和边构成一个网络拓扑图G，G=（V，E）。

在社交网络中，Agent的状态可以归纳为舆情信息的知情与不知情态，对于知情Agent，又可分为舆情信息的传播与不传播态。Agent可以分为以下三种：

1） 发布Agent（Promulgate Agent）。其通过自己写作发布信息，或通过关注公众号、微博、知乎等第三方平台转载信息，或通过转发其朋友圈中好友发布的信息等方式将舆情信息发布到其朋友圈，称为此舆情信息的信息源，发布Agent朋友圈中的其他Agent将有机会看到该舆情信息。

2） 转发Agent（Transfer Agent）。如果在某一时刻，发布Agent朋友圈中的某Agent看到发布Agent发布的舆情信息，并且转发该舆情信息，则称此类Agent为转发Agent。

3） 中止Agent（Interrupt Agent）。发布Agent朋友圈中的某些Agent，或没有看到该舆情信息，或虽然看到了该舆情信息，但并没有转发该舆情信息，称此类Agent为此舆情信息的中止Agent。

2.2 Agent的属性定义及分析

2.2.1 Agent的属性定义

Individualdefinition=（turtle， net_influence， net_behavior， sta_transition），其中：

turtle：主元。Agent的唯一标识符，标识为[1，N]区间上的整数。

net_ influence：Agent的影响力。Agent的影响力与Agent在网络中的中心度有关，体现Agent的日常访问量、发帖数量、知名度，标识为[0，N-1]区间上的整数。

net_behavior：Agent的传播自主行为。Agent根据信息的时效性，以创建、浏览、点赞、评论、交流、讨论、转发等行为，达到舆情传播的目的。

sta_transition：Agent的状态。Agent事先并不知道自己属于哪一种状态，只能根据接收到的舆情信息由Agent自主性做出状态改变，状态转换具有随机性，转换规则并不唯一。

2.2.2 Agent的属性分析

1） 自主性。在社交网络中，Agent并不能预先知道会不会接收到舆情信息，以及接收到的舆情信息是什么。每一个Agent都只能依据自身的状态行为和周围的状况，对自身的状态和行为进行控制与调整。看不看舆情信息或转不转舆情信息都以Agent的意愿为前提，由Agent自主决定，即Agent具有自主性。

2） 交互性。在社交网络中，当某Agent转发了舆情信息，此Agent的朋友圈环境将会改变。Agent能够感知所处环境的改变，实现与环境互动。Agent能够在无外界信息干扰的情况下，主动采取行动，与其他Agent进行多种形式和灵活多样的互动，并对相关事件做出适时反应。Agent之间相互协商、相互协调、相互协作，使舆情信息继续传播。

2.3 Agent的决策规则

Agent的决策规则就是Agent如何决定转发信息还是不转发信息，主要从信息价值、信息源的覆盖率和信息关注度对转发行为的影响进行探讨。为简化研究，不考虑社交网络中网络用户Agent的移入和移出，假设社交网络结构相对稳定，即节点规模和边关系不随时间发生改变，且好友关系和舆情传播均为双向、自主。影响信息传播的主要因素如下：

1） 设N表示在社交网络中用户的总数量。

2） 信息价值时效函数C（t）。Agent主要根据信息价值决定转不转发信息，信息价值具有时效性。设信息价值时效函数为C（t），C（t）∈[0，1]，C（t）越接近1，信息价值越高。 信息价值时效函数C（t）为分段函数，即

3 仿真实验与分析

为分析与预测社交网络中舆情传播的过程和演化的趋势，验证模型的有效性。Agent仿真平台主要有Swarm、Einstein和Netlogo等，本文采用Netlogo 6.0.4进行模拟仿真。仿真过程不考虑社交网络中网络用户节点Agent的变更。

3.1 数据来源

仿真实验数据来源于“Facebook social network dataset”，用户数据集共包括4 039个节点，88 234 条边。仿真参数包括总Agent数、信息价值、具有信息源的Agent数、信息的浏览度和关注度。

考虑实验的方便性和快捷性，在仿真環境中，嵌块集是由43×43的patch构成，嵌块大小为11个像素，在正常速度下，30帧/s。至少两个Agent构成一个社交网络，社交网络中总Agent设定后，网络随机生成，发布Agent随机分布。社交网络舆情传播模型参数如表1所示。

3.2 结果与分析

3.2.1 初始环境

初始模拟系统主页面如图4所示。图中包含2个按钮、7个滑动块、1个图表和1个运行界面。由运行界面可以看出，节点和边构成一个社交网络，它们至少两两交互。其中，有8个红色的节点，代表在社交网络中某一时刻具有同一个舆情信息的信息源数，剩余Agent为蓝色节点。

当总Agent数为500，信息价值为0.3，信息源覆盖率为0.1，信息的关注度为0.4时，在基准环境下，社交网络舆情传播随时间变化曲线如图5所示。

由图5可以看出，当信息价值为0.3时，舆情信息在短期内消散，周期短，由于信息价值小，转发Agent很快达到一个较小的峰值后缓慢降低，中止Agent也逐渐呈较小的上升趋势，发布Agent数量以小趋势下降，发布Agent数量的下降是因为小部分Agent转变成中止Agent所导致。

3.2.2 信息价值对舆情传播的影响

社交网络中，在保证其它参数稳定的情形下，通过调整信息价值的大小，分析与预测信息价值对舆情传播过程和演化趋势的影响效果。当信息价值为0.7时，舆情传播随时间变化曲线如图6所示。由图6可以看出，当信息价值为0.7时，转发Agent有一个上升趋势，达到峰值后快速下降，发布Agent下降趋势相比图5快，相对应中止Agent就会增加，且幅度相对图5高。总之，信息价值对舆情信息的传播起促进作用，信息价值越大，越有利于舆情信息的传播。

3.2.3 信息源的覆盖率对舆情传播的影响

在保证其它参数稳定的情形下，通过调整信息源覆盖率的大小，说明信息源数对舆情传播趋势的影响效果。当信息源覆盖率为0.4时，舆情传播随时间变化曲线如图7所示。

对比图5和图7可以看出，当信息源覆盖率为0.1时，即初始具有信息源数较低的情况下，转发Agent小幅度增加，到达一个峰值后，缓慢下降，最终趋向于零，中止Agent下降缓慢，发布Agent呈现缓慢增长趋势，当转发Agent达到峰值点时，发布Agent和中止Agent均趋于稳定，变化幅度较小;当信息源覆盖率为0.4时，发布Agent数量增加，转发Agent快速达到一个峰值，且比前一种情况的峰值数量明显偏高，达到峰值后，迅速下降，中止Agent数量达到稳定状态的个数数量也比前者明显偏低。由实验验证，信息源的覆盖率与转发Agent数和中止Agent数成正相关。

3.2.4 信息关注度对舆情传播的影响

在保证其它参数稳定的情形下，通过比较Agent对信息的关注度，说明舆情演化趋势的影响效果。当关注度为0.8时，舆情演化趋势随时间变化曲线如图8所示。

对比图5和图8可以看出，当信息关注度为0.4时，舆情信息在短期内消散，周期短，由于转发强度并不大，转发Agent达到峰值后缓慢下降，最后趋向于零，发布主体呈现缓慢上升，并很快达到稳定状态，由于舆情信息是在社交网络中传播，有部分Agent对此信息不感兴趣，没有转发此信息，其好友没能看到此信息，关注度小，造成中止Agent人数下降缓慢，最终趋于稳定，社交网络的Agent大部分都处于中止Agent。当信息关注度为0.8时，周期比前者更长久，转发Agent快速增加，相比前者增加幅度大，达到峰值后，趋于稳定一段时间，逐渐减少，发布Agent数量快速上升，达到稳定后，发布Agent数量比图5高出很多，此时中止Agent数量比前者少很多。由此可见，信息关注度对舆情传播影响较大。

4 模型有效性驗证

当前关于社交网络舆情传播的演化趋势大多选取较传统的传染病模型，为了验证本文提出的多智能体社交网络舆情传播模型的有效性，将本文提出的多智能体社交网络舆情传播模型与文献[17]给出的传染病模型在同一标准数据集下进行仿真（仿真结果见图5）。由于多智能体社交网络舆情传播模型与传染病模型针对同一个问题，将图5与文献[17]中的图6进行比较，由于二者的演化趋势具有一致性，因此验证了本文提出的多智能体社交网络舆情传播模型的有效性。

通过本模型与传染病的社交网络舆情话题传播模型进行对比可知，传染病模型的社交网络舆情传播，不能确切地描述网络用户的微观交互行为，而本文提出的多智能体分布的社交网络舆情传播模型，能够利用智能体的自主性、交互性、反应性等特性，剖析网络用户的微观交互行为，智能体间相互协商、相互协作、相互协调，使舆情在社交网络中的传播特征与网络用户的交互性相关联，能够更好地分析与预测社交网络中舆情传播过程和演化趋势。

5 结束语

本文提出一种基于Multiagent分布式技术的社交网络舆情传播模型，并采用 Facebook数据集对模型进行仿真分析。仿真实验结果表明，在社交网络舆情话题传播初期，网络中各节点的密度不断增加，当达到一定的演化时间后，网络中各节点的密度慢慢趋于稳定，该过程与社交网络舆情话题实际变化特点相吻合;由社交网络中Agent之间的交互微观行为可知，由于社交网络的连通性较强，Agent间相互协商、相互协作、相互协调，使舆情在Agent间传播;社交网络的传播速度与信息价值时效性、信息源的覆盖率、信息关注度相关，信息价值时效性越强，信息价值越大，舆情传播能力也会随之增强，信息源的覆盖率越大，转发Agent就会越多，传播范围越广，信息关注度越大，信息在网络中的传播速度就快，反之舆情话题的信息传播速度相对较慢，这主要是由于社交网络信息传播节点的边越多，传播速度相对越快。该研究不但有助于人们很好的研究Agent行为及社交网络的相互作用对舆情传播演化过程的影响，而且也有助于研究人员进一步了解社交网络中舆情传播方式，为深入探讨舆情信息传播演化规律提供新的研究思路。下一步，将针对舆情信息好坏的传播进行研究。

参考文献：

[1] Sudbury A. The proportion of the population never hearing a rumour[J]. Journal of Applied Probability， 1985， 22（2）： 443446.

[2] Wan J， Chen J， Du Y， et al. Information propagation model based on hybrid social factors of opportunity， trust and motivation[J]. Neurocomputing， 2019， 333： 169184.

[3] SznajdWeron K， Sznajd J. Opinion evolution in closed community[J]. International Journal of Physics C， 2000， 11（6）： 11571165.

[4] Saito K， Kimura M， Ohara K， et a1. Behavioral analyses of information diffusion models by observed data of social network[C]∥Proceedings of the 3rd International Conference on Social Computing. Berlin： SpringerVerlag， 2010： 149158.

[5] 江淼淼， 孙更新， 宾晟， 等. 多关系社交网络中社团结构发现算法[J]. 计算机科学与探索， 2019， 13（7）： 11341144.

[6] 艾川， 陈彬， 刘亮， 等. 面向网络舆情仿真的人物智能体建模[J]. 系统仿真学报， 2017， 29（9）： 22212226.

[7] 易成岐， 鲍媛媛， 薛一波， 等. 新浪微博的大规模信息传播规律研究[J]. 计算机科学与探索， 2013， 7（6）： 551561.

[8] 谭振华， 时迎成， 石楠翔， 等. 基于引力学的在线社交网络空间谣言传播分析模型[J]. 计算机研究与发展， 2017， 54（11）： 25862599.

[9] 朱湘， 贾焰， 聂原平， 等. 基于微博的事件传播分析[J]. 计算机研究与发展， 2015， 52（2）： 437444.

[10] 周東浩， 韩文报， 王勇军， 等. 基于节点和信息特征的社会网络信息传播模型[J]. 计算机研究与发展， 2015， 52（1）： 156166.

[11] 孙月明， 张运加， 颜钱， 等. 无需感染时间信息的传播网络快速推断算法[J]. 计算机科学与探索， 2019， 13（4）： 541553.

[12] 方劲皓， 钱晓东. 改进的SCIR模型中社交网络信息传播研究[J]. 计算机工程与应用， 2020， 56（19）： 105113.

[13] 周小领， 马庆功. 概率犹豫模糊算法及其网络舆情预测模型选择[J]. 计算机工程与应用， 2019， 55（4）： 179184.

[14] Han S Y， Lei C X. Global stability of equilibria of a diffusive SEIR epidemic model with nonlinear incidence[J]. Applied Mathematics Letters， 2019， 98： 114120.

[15] Perissi I， Falsini S， Bardi U， et al. Mechanisms of meme propagation in the mediasphere： a system dynamics model[J]. Kybernetes， 2019， 48（1）： 7990.

[16] 贺筱媛， 胡晓峰. 基于Agent的Web网信息传播仿真模型[J]. 系统仿真学报， 2010， 22（10）： 24262431.

[17] 田世海， 张家毓， 孙美琪， 等. 基于改进SIR的网络舆情信息生态群落衍生研究[J]. 情报科学， 2020， 38（1）： 39， 16.