基于传播模型的舆情演化研究

基于传播模型的舆情演化研究

作者：曹宁吴菊华陈晓璇

来源：《科技传播》2018年第04期

摘要在信息快速发展的时代，舆情反转事件频频出现，对舆情演化过程的研究是当前的研究热点。文章对国内外关于舆情传播模型的相关文献进行梳理，从整体网络和用户两个角度对现有文献进行了综述，一方面探讨了网络结构对舆情传播范围和周期的影响，一方面分析了影响用户传播的影响因素，供舆情研究和信息传播领域的学者进一步研究和探讨。

关键词网络舆情；信息传播；舆情演化；传播模型

中图分类号 G2 文献标识码 A 文章编号 1674-6708（2018）205-0052-02

2016年以来，网络上出现了“上海女逃离江西农村”，接着是“哈尔滨天价鱼事件”，然后是“右肾丢失”等热门话题。舆情反转现象接连上演，已成为网民普遍关注和讨论的热点话题。舆情反转事件受到学术界越来越大的关注，研究舆情演反转事件传播过程的关键在于找到相关的“反转点”，更进一步研究舆情演化过程。在宏观方面，立足于从整体网络分析，舆情发展过程中网络大环境的变化，研究的重点在于预测舆情的传播范围和传播周期，在微观方面，从用户的角度出发，分析影响用户传播的因素，关注个体传播行为。

1 舆情传播模型研究现状

我们从整体网络和用户两个角度整理信息传播模型的研究进展，分析舆情传播模型的研究现状。从整体网络的角度，关于信息传播的网络结构的分析，舆情传播模型分为社会影响力模型和传染病模型。从用户角度，基于用户过往行为、用户文本兴趣、所受群体影响的因素，舆情传播模型分为有限信任模型、主题模型等。

1.1 基于整体网络的信息传播模型

关于社会影响力模型的相关研究。Galuba et al在线性阈值模型的基础上提出At-LeastOne （ALO）模型，可以用于个性化URL推荐[ 1 ]。Tripathy et al提出了多尝试独立级模型（MutiTry Independent Cascade，MTIC）对抗社交网络的谣言[2]。

基于传染病模型的相关研究。林芹，郭东强基于个体的心理特征对模型中的传播个体进行分类，考虑个体的沉浸体验，情感距离和对信息风险的感知程度[3]。黄远等提出集社交、信息、心理、观点四层子场为一体的微博舆论场超网络模型，对加入舆论场的新个体态度进行预测[4]。吴尤可以SI模型为基础提出微信舆情控制模型，一定数量的免疫节点（智者）来抑制、减缓舆论传播的扩散速度及范围[5]。

基于整体网络的信息传播模型，强调了网络结构以及网络节点之间的互相影响。以独立级联模型和线性阈值模型为代表的信息级联模型，用户的传播行为取决于所有相邻节点对它的影响是否超过激活阈值，强调影响传播的积累性，传统的级联模型通常将激活概率和激活阈值设置为固定值或固定分布，在后续的研究中，将激活概率和激活阈值设置为关于用户之间影响、时间、信息文本等多种因素的函数，强调在网络传播过程中，识别节点的影响力，以及如何将其的影响力最大化。在对传染病模型的研究方面，借助SI模型，SIS模型，SIR模型，SIRS模型以及其优化模型，对社会网络中存在的谣言信息。舆情信息及广告信息的传播机制提供了一个有效的分析方法。因为信息本身存在的特殊性以及人群内部存在的“从众效应”，使得社区网络的信息传播机制与模式在传染病的基础上还存在一些新的特点，值得我们对网络中的信息、舆情以及知识传播的动力学机制进一步研究。

1.2 基于用户角度的信息传播模型

有限信任模型的相关研究。陈桂茸等提出基于影响力和信任阈值、含有双重选择机制的网络舆论演化模型[6]。姜磊等借鉴石油开发中油藏数值模拟技术，通过对所监控社区的历史事件进行拟合，来确定所使用的网络舆情演化模型的有效性，并获取符合真实情况的模型参数[7]。

主题模型的相关研究。曹丽娜&唐锡晋建立动态主题模型（DTM）挖掘随时间变化的动态话题链，从词语变化的微观角度分析热门事件下公众意见的变迁[8]。陈晓美等利用LDA模型的文本摘要和内容深度识别的方法，构建主要观点提取与深度评论判定的方法框架[9]。

基于用户角度的信息传播模型，注重的是个体观点的交互过程以及个体的差异性。在有限信任模型的研究方面，存在两个问题：一是个体在进行观点更新时需计算并比较其他全部个体与自己观点的距离，计算量过大；二是在网络环境下，用户数量巨大不可能去参考其他全部个体的观点。主题模型一般用于对社交网络用户文本兴趣建模对于文本内容较少的用户一般很难挖掘到其真正感兴趣的内容，时间因素是其传播过程中重点考虑的，即实时热点和用户兴趣的变化。

2 结论

随着技术的不断突破与革新，可能会出现更为复杂难控的突发事件网络舆情。因此，舆情演化规律的分析，是一个长期性课题，与时俱进的包容性视野以及多维研究视角的综合运用，将成为未来研究的必然方向，舆情反转事件频发，结合整体网络和用户角度的舆情传播模型才能更好地运用到现实的反转事件演化研究中。

参考文献

[1]Galuba W， Aberer K， Chakraborty D， et al. Outtweeting the twitterers-predicting information cascades in microblogs[J]. WOSN， 2010， 10： 3-11.

[2]Tripathy R M， Bagchi A， Mehta S. Towards combating rumors in social networks：Models and metrics[J]. Intelligent Data Analysis， 2013， 17（1）： 149-175.

[3]林芹，郭东强.优化SIS模型的社交网络舆情传播研究——基于用户心理特征[J].情报科学，2017（3）：53-56，75.

[4]黄远，沈乾，刘怡君.微博舆论场：突发事件舆情演化分析的新视角[J].系统工程理论与实践，2015，35（10）：2564-2572.

[5]吴尤可.微信舆情“涌现”机制及控制方法研究[J].情报理论与实践，2017（3）：24-29.

[6]陈桂茸，蔡皖东，徐会杰，等.网络舆论演化的高影响力优先有限信任模型[J].上海交通大学学报，2013，47（1）：155-160.

[7]姜磊，杨济运，陈芳，等.网络舆情历史拟合研究与实现[J].情报杂志，2014（7）：141-145.

[8]曹丽娜，唐锡晋.基于主题模型的BBS话题演化趋势分析[J].管理科学学报，2014，17（11）：109-121.

[9]陈晓美，高铖，关心惠.网络舆情观点提取的LDA主题模型方法[J].图书情报工作，2015，59（21）：21-26.