论文部分内容阅读
摘要：网络舆情中情感的演化对舆情的走向影响较大，研究网络舆情情感迁移对预测和监管舆情的发展方向、制定应对策略具有重要意义。根据分析舆情情感演化规律，在传统传染病SEIR模型的基础上，增加S、E直接到R的转化，构建改良SEIR模型，运用AnyLogic软件对模型进行仿真，并通过改变参数值来研究其对情感迁移的影响。
关键词：网络舆情;情感迁移;SEIR模型;仿真
在“互联网+”时代，互联网普及率高，加之web2.0技术的发展，互联网成为了网络舆情的主要孵化器。网络事件借助互联网这一平台，在短时间内快速传播，且迅速积聚网民的观点和意见，形成巨大的公众舆论效应，如江歌事件、滴滴空姐事件等。而推动舆论发酵的主要因素就是网民的情感，且网民在接触到这个事件的时候产生的或积极或消极的情感会随着舆情的演化不断传播、迁移，最终影响舆情的走向。
通过分析个体在复杂网络中的情感迁移规律，在传统线性SEIR传染病模型的基础上，增加非知情状态（S）、知情状态（E）直接越级转化成移出状态（R），构建改良SEIR舆情情感演化模型，并进行仿真验证其正确性和有效性。准确把握网络舆情中情感迁移的走向为相关部门进行舆情监管和预测提供依据，对相关舆情工作部门具有重要的指导意义。
一、文献综述
（一）情感迁移研究现状
情感迁移指在两种有联系的事物之间有可能发生感情或評价的迁移。在网络舆情传播过程中，情感附着在信息中，一般以情绪波动的形式表现。随着越来越多消极网络舆情对人们生活产生影响，情感迁移的研究已经引起越来越多学者的注意。
司夏萌认为话题事件本身传播的流向取决于情感的不同程度。情感迁移就是分析处理带有情感色彩的主观性文本时，情感态度和观点的演化。何天翔以微博为研究对象，提出基于情感分析的舆情演化分析。
（二）传染病模型研究现状
传染病模型是对疾病传播过程中的人群分布形式和状态转变进行数学建模的方法，其传播的特点与网络舆情传播特点类似。传统传染病模型主要有SI、SIS、SIR等。ZhuHetal将观点演化引入信息传播模型，构建新型SEIR模型，在分析个体传播意图的同时考虑传播意图对信息传播的影响，从而探究舆情传播的影响因素。目前传染病模型对网络舆情的相关研究主要集中在舆情演化预测、舆情传播机制等方面，很少利用其来研究网络舆情情感迁移。因此，在以往学者研究成果的基础上，改良SEIR舆情传播动力学模型，通过研究各种状态间转化率对情感迁移的影响，得出网民在热点舆情事件中情感迁移的机制。
二、模型构建
（一）传统SEIR模型及不足
在网络信息的传播过程中，将网络中的用户个体看成节点，传统SEIR模型将特定区域内的人群划分为四类：易感者（Susceptible）、潜伏者（Exposed）、传染者（Infective）和免疫者（Removed）。
不同状态的个体随着网络热点事件信息的发布、传播，可能会发生状态转移，从而对传播过程以及网络结构带来影响，如图1所示，其中λ表示易感者转化为潜伏者的概率;ω表示潜伏者转化为传染者的概率;γ表示潜伏者转化为免疫者的概率。SEIR模型的动力学微分方程如公式（1）。
其中S（t）、E（t）、I（t）、R（t）分别表示在t时刻四类人群的密度且S（t）+E（t）+I（t）+R（t）=1。随着网络技术的发展，网络复杂度增加，简单的传染病模型已经不能准确的展现网络舆情的传播规律。
在现实网络舆情传播过程中，网民接受到信息之后，不一定只会以某一概率转化为潜伏者，可能会直接转化为免疫者，拒绝信息的干扰和传播。因此简单的传统模型已经不能满足需求。
（二）改良SEIR模型
由于互联网的开放性，个体在网络舆情传播过程中的角色多样化，不再被动接受信息，可以成为舆情传播的制造者和传播者，各个状态之间的关系处于非线性状态。
非知情状态（S）：网民没有接触到舆情信息，未出现情绪波动且无免疫能力，与传播者接触后易被感染。受到舆情信息影响之后，可能会向知情状态和移出状态转化。
知情状态（E）：指网民已经接触到舆情信息出现情绪波动，但不会传播，即存在潜在情感波动。该状态的网民会向传播状态和移出状态这两方面转化。
传播状态（I）：指网民是携带传染情绪波动的患者，会将情绪波动进行传染。
移出状态（R）：指网民已经失去对舆情信息兴趣或从未对舆情信息产生兴趣，不会出现情绪波动，具有免疫能力。
综合上述网络舆情传播特点分析，在传统SEIR模型的基础上，构建改良SEIR模型有两个基本假设：一是网络是静态网络;二是个体发布和转发信息后，相连个体都会受到相同影响，不存在由于不在场等原因造成无法接受信息的情况。构建模型、微分动力学方程如图2和公式（2）所示。
其中 S（t）表示易感染节点密度，E（t）表示潜在节点密度，I（t）表示感染节点密度，R（t）表示免疫节点密度，因此 S（t）+E（t）+I（t）+R（t）=1;λ，μ，α，β，γ表示各节点之间转化的概率，0≤λ，μ，α，β，γ≤1。下面将通过实验仿真来验证模型的准确性。
三、模型仿真及结果分析
（一）数据设置
涉及的网民总数（total）1000人，设最初只有1人被感染，S与I接触被感染的概率（infectivity）0.6，每人平均每天接触（contact）1.25人，非知情状态进入知情状态后，在知情状态持续10天（exposedtime），感染阶段持续15天（illtime）。
（二）模型参数变化对网络舆情情感迁移的影响
根据设置，通过AnyLogic 8.3.3 University软件对改良SEIR模型进行仿真，并在此基础上对改良SEIR模型的参数进行分析，目的在于找出网络舆情中的情感传播规律。
如图3所示，在第一个知情状态节点经过20天的情感迁移过程后，才会产生新的知情状态节点，知情状态节点密度（e）的增長在40天左右达到峰值，而知情状态节点在经历大约10天的情感迁移过程后才会产生新的传播状态节点，且传播状态节点密度（i）的增长比知情状态节点密度更缓，影响的时间更长，可见在网络舆情事件中情感迁移产生影响缓慢但持续时间长。从非知情状态节点密度（s）来看，在第50天后，1000个网民均已从非知情状态节点转变为其它状态节点，而免疫节点密度（r）会随着传播状态节点密度的变化幅度增长，最终在第100天时1000名网民均会停止对该网络舆情事件的情感迁移。
（三）参数λ、参数μ对情感传播节点的影响分析
λ表示网络舆情中的非知情状态节点的用户在浏览信息后，成为知情状态节点用户的概率。图4给出了在α、β、μ、γ保持不变，即与初值相同的情况下，λ分别取值0.2、0.5、0.8时，网络内情感传播节点曲线。
μ表示网络舆情传播中存在潜在情感波动的知情用户在接触到舆情信息后转变为传播情感波动用户的概率。在α、β、λ、γ保持不变，即与初值相同的情况下，μ分别取值0.2、0.5、0.8时，如图5绘制了网络内情感传播节点的曲线。
图4和图5中λ、μ分别同比例增长时，其对应的传播节点的图也几乎同比例变化，到达相应比例峰值后保持不变。说明在网络舆情传播中，若该舆情信息是网民所感兴趣或关注的，则发生情感迁移的机率越大，参与舆情传播的网民数量也会增加。同时，网民受从众心理和情绪感染的影响，也会影响μ值。
（四）参数α、参数β对情感传播节点的影响分析
α表示非知情用户浏览舆情信息后转化为移出舆情情感传播的概率。在β、λ、μ、γ保持不变，即与初值相同的情况下，α分别取值0.1、0.5、0.9时，如图6，绘制网络内情感传播节点的曲线，α值越大，峰值越小。
β表示存在潜在情感波动的用户与传染情绪波动状态的传播者接触后不出现情绪波动，对舆情情感波动免疫而移出网络舆情情感传播过程的概率。在α、λ、μ、γ保持不变，即与初值相同的情况下，β分别取值0.1、0.3、0.5时，如图7，绘制网络内情感传播节点的曲线。β值越大，曲线到达峰值所需的时间越长，且峰值越小。
在现实舆情情感传播中，若网民对该舆情信息不感兴趣或不信任，则不会参与舆情情感传播，从而导致α、β值增大，加快向移出状态（R）转化的速率。当网民接触信息并对其深度了解后发现该信息没有价值或可信度不高时，就会移出舆情情感传播，从而导致β值增大。从β值变化带来的影响可以看出，当对该舆情信息不再关注的知情者数量增多，即β值增大，会导致舆情信息传播速率变缓，感兴趣的网民发生情感波动的时间变长。
四、结语
为了更好的研究热点舆情事件中的情感迁移，综合考虑舆情信息与网民情感传播特性，在传统线性SEIR模型的基础上，增加了两条到R的分支，构建改良SEIR模型来研究情感迁移。通过模拟仿真以及调整模型中各参数值，研究其对传播节点的影响。结果可总结为两点，一是α、β均与传播节点变化成负相关，其中β值的影响最大，说明在现实舆情情感传播中，知情者对信息产生免疫移出传播过程的概率增大会导致舆情情感传播到达峰值的时间变长。二是λ、μ均与传播节点变化成正相关，且产生的影响较大，说明在现实舆情情感传播中，网民对舆情信息的关注度越高，到达的值越大。
综上，对网络舆情治理提出两点建议。一是通过信息的标题、内容等来判断网民对该信息的关注度和信任度，进而预测其对该信息产生情感波动的方向，在发生消极舆情时提前做好相应的应对措施将其向正确方向引导。二是通过监测网民发言情况来确定舆情传播所处阶段，并在感染人数到达峰值之前，采取措施抑制舆情情感传播，控制舆情导向。
参考文献：
[1]Si X M， Wang W D， Zhai C Q， et al. A topic evolution model with sentiment
and selective attention[J].Physica A Statistical Mechanics & Its Applications，2016（471）.
[2]何天翔，张晖，李波，等.一种基于情感分析的网络舆情演化分析方法[J].软件导刊，2015（05）.
[3]Zhu H， Kong Y， Wei J， et al. Effect of users’opinion evolution on information diffusion in online social networks[J].Physica A：Statistical Mechanics and its Applications，2018（492）.
*基金项目：2018年大学生创新创业训练计划（STITP）省级一般项目（项目编号：SYB2018015）。
（作者单位：南京邮电大学）
关键词：网络舆情;情感迁移;SEIR模型;仿真
在“互联网+”时代，互联网普及率高，加之web2.0技术的发展，互联网成为了网络舆情的主要孵化器。网络事件借助互联网这一平台，在短时间内快速传播，且迅速积聚网民的观点和意见，形成巨大的公众舆论效应，如江歌事件、滴滴空姐事件等。而推动舆论发酵的主要因素就是网民的情感，且网民在接触到这个事件的时候产生的或积极或消极的情感会随着舆情的演化不断传播、迁移，最终影响舆情的走向。
通过分析个体在复杂网络中的情感迁移规律，在传统线性SEIR传染病模型的基础上，增加非知情状态（S）、知情状态（E）直接越级转化成移出状态（R），构建改良SEIR舆情情感演化模型，并进行仿真验证其正确性和有效性。准确把握网络舆情中情感迁移的走向为相关部门进行舆情监管和预测提供依据，对相关舆情工作部门具有重要的指导意义。
一、文献综述
（一）情感迁移研究现状
情感迁移指在两种有联系的事物之间有可能发生感情或評价的迁移。在网络舆情传播过程中，情感附着在信息中，一般以情绪波动的形式表现。随着越来越多消极网络舆情对人们生活产生影响，情感迁移的研究已经引起越来越多学者的注意。
司夏萌认为话题事件本身传播的流向取决于情感的不同程度。情感迁移就是分析处理带有情感色彩的主观性文本时，情感态度和观点的演化。何天翔以微博为研究对象，提出基于情感分析的舆情演化分析。
（二）传染病模型研究现状
传染病模型是对疾病传播过程中的人群分布形式和状态转变进行数学建模的方法，其传播的特点与网络舆情传播特点类似。传统传染病模型主要有SI、SIS、SIR等。ZhuHetal将观点演化引入信息传播模型，构建新型SEIR模型，在分析个体传播意图的同时考虑传播意图对信息传播的影响，从而探究舆情传播的影响因素。目前传染病模型对网络舆情的相关研究主要集中在舆情演化预测、舆情传播机制等方面，很少利用其来研究网络舆情情感迁移。因此，在以往学者研究成果的基础上，改良SEIR舆情传播动力学模型，通过研究各种状态间转化率对情感迁移的影响，得出网民在热点舆情事件中情感迁移的机制。
二、模型构建
（一）传统SEIR模型及不足
在网络信息的传播过程中，将网络中的用户个体看成节点，传统SEIR模型将特定区域内的人群划分为四类：易感者（Susceptible）、潜伏者（Exposed）、传染者（Infective）和免疫者（Removed）。
不同状态的个体随着网络热点事件信息的发布、传播，可能会发生状态转移，从而对传播过程以及网络结构带来影响，如图1所示，其中λ表示易感者转化为潜伏者的概率;ω表示潜伏者转化为传染者的概率;γ表示潜伏者转化为免疫者的概率。SEIR模型的动力学微分方程如公式（1）。
其中S（t）、E（t）、I（t）、R（t）分别表示在t时刻四类人群的密度且S（t）+E（t）+I（t）+R（t）=1。随着网络技术的发展，网络复杂度增加，简单的传染病模型已经不能准确的展现网络舆情的传播规律。
在现实网络舆情传播过程中，网民接受到信息之后，不一定只会以某一概率转化为潜伏者，可能会直接转化为免疫者，拒绝信息的干扰和传播。因此简单的传统模型已经不能满足需求。
（二）改良SEIR模型
由于互联网的开放性，个体在网络舆情传播过程中的角色多样化，不再被动接受信息，可以成为舆情传播的制造者和传播者，各个状态之间的关系处于非线性状态。
非知情状态（S）：网民没有接触到舆情信息，未出现情绪波动且无免疫能力，与传播者接触后易被感染。受到舆情信息影响之后，可能会向知情状态和移出状态转化。
知情状态（E）：指网民已经接触到舆情信息出现情绪波动，但不会传播，即存在潜在情感波动。该状态的网民会向传播状态和移出状态这两方面转化。
传播状态（I）：指网民是携带传染情绪波动的患者，会将情绪波动进行传染。
移出状态（R）：指网民已经失去对舆情信息兴趣或从未对舆情信息产生兴趣，不会出现情绪波动，具有免疫能力。
综合上述网络舆情传播特点分析，在传统SEIR模型的基础上，构建改良SEIR模型有两个基本假设：一是网络是静态网络;二是个体发布和转发信息后，相连个体都会受到相同影响，不存在由于不在场等原因造成无法接受信息的情况。构建模型、微分动力学方程如图2和公式（2）所示。
其中 S（t）表示易感染节点密度，E（t）表示潜在节点密度，I（t）表示感染节点密度，R（t）表示免疫节点密度，因此 S（t）+E（t）+I（t）+R（t）=1;λ，μ，α，β，γ表示各节点之间转化的概率，0≤λ，μ，α，β，γ≤1。下面将通过实验仿真来验证模型的准确性。
三、模型仿真及结果分析
（一）数据设置
涉及的网民总数（total）1000人，设最初只有1人被感染，S与I接触被感染的概率（infectivity）0.6，每人平均每天接触（contact）1.25人，非知情状态进入知情状态后，在知情状态持续10天（exposedtime），感染阶段持续15天（illtime）。
（二）模型参数变化对网络舆情情感迁移的影响
根据设置，通过AnyLogic 8.3.3 University软件对改良SEIR模型进行仿真，并在此基础上对改良SEIR模型的参数进行分析，目的在于找出网络舆情中的情感传播规律。
如图3所示，在第一个知情状态节点经过20天的情感迁移过程后，才会产生新的知情状态节点，知情状态节点密度（e）的增長在40天左右达到峰值，而知情状态节点在经历大约10天的情感迁移过程后才会产生新的传播状态节点，且传播状态节点密度（i）的增长比知情状态节点密度更缓，影响的时间更长，可见在网络舆情事件中情感迁移产生影响缓慢但持续时间长。从非知情状态节点密度（s）来看，在第50天后，1000个网民均已从非知情状态节点转变为其它状态节点，而免疫节点密度（r）会随着传播状态节点密度的变化幅度增长，最终在第100天时1000名网民均会停止对该网络舆情事件的情感迁移。
（三）参数λ、参数μ对情感传播节点的影响分析
λ表示网络舆情中的非知情状态节点的用户在浏览信息后，成为知情状态节点用户的概率。图4给出了在α、β、μ、γ保持不变，即与初值相同的情况下，λ分别取值0.2、0.5、0.8时，网络内情感传播节点曲线。
μ表示网络舆情传播中存在潜在情感波动的知情用户在接触到舆情信息后转变为传播情感波动用户的概率。在α、β、λ、γ保持不变，即与初值相同的情况下，μ分别取值0.2、0.5、0.8时，如图5绘制了网络内情感传播节点的曲线。
图4和图5中λ、μ分别同比例增长时，其对应的传播节点的图也几乎同比例变化，到达相应比例峰值后保持不变。说明在网络舆情传播中，若该舆情信息是网民所感兴趣或关注的，则发生情感迁移的机率越大，参与舆情传播的网民数量也会增加。同时，网民受从众心理和情绪感染的影响，也会影响μ值。
（四）参数α、参数β对情感传播节点的影响分析
α表示非知情用户浏览舆情信息后转化为移出舆情情感传播的概率。在β、λ、μ、γ保持不变，即与初值相同的情况下，α分别取值0.1、0.5、0.9时，如图6，绘制网络内情感传播节点的曲线，α值越大，峰值越小。
β表示存在潜在情感波动的用户与传染情绪波动状态的传播者接触后不出现情绪波动，对舆情情感波动免疫而移出网络舆情情感传播过程的概率。在α、λ、μ、γ保持不变，即与初值相同的情况下，β分别取值0.1、0.3、0.5时，如图7，绘制网络内情感传播节点的曲线。β值越大，曲线到达峰值所需的时间越长，且峰值越小。
在现实舆情情感传播中，若网民对该舆情信息不感兴趣或不信任，则不会参与舆情情感传播，从而导致α、β值增大，加快向移出状态（R）转化的速率。当网民接触信息并对其深度了解后发现该信息没有价值或可信度不高时，就会移出舆情情感传播，从而导致β值增大。从β值变化带来的影响可以看出，当对该舆情信息不再关注的知情者数量增多，即β值增大，会导致舆情信息传播速率变缓，感兴趣的网民发生情感波动的时间变长。
四、结语
为了更好的研究热点舆情事件中的情感迁移，综合考虑舆情信息与网民情感传播特性，在传统线性SEIR模型的基础上，增加了两条到R的分支，构建改良SEIR模型来研究情感迁移。通过模拟仿真以及调整模型中各参数值，研究其对传播节点的影响。结果可总结为两点，一是α、β均与传播节点变化成负相关，其中β值的影响最大，说明在现实舆情情感传播中，知情者对信息产生免疫移出传播过程的概率增大会导致舆情情感传播到达峰值的时间变长。二是λ、μ均与传播节点变化成正相关，且产生的影响较大，说明在现实舆情情感传播中，网民对舆情信息的关注度越高，到达的值越大。
综上，对网络舆情治理提出两点建议。一是通过信息的标题、内容等来判断网民对该信息的关注度和信任度，进而预测其对该信息产生情感波动的方向，在发生消极舆情时提前做好相应的应对措施将其向正确方向引导。二是通过监测网民发言情况来确定舆情传播所处阶段，并在感染人数到达峰值之前，采取措施抑制舆情情感传播，控制舆情导向。
参考文献：
[1]Si X M， Wang W D， Zhai C Q， et al. A topic evolution model with sentiment
and selective attention[J].Physica A Statistical Mechanics & Its Applications，2016（471）.
[2]何天翔，张晖，李波，等.一种基于情感分析的网络舆情演化分析方法[J].软件导刊，2015（05）.
[3]Zhu H， Kong Y， Wei J， et al. Effect of users’opinion evolution on information diffusion in online social networks[J].Physica A：Statistical Mechanics and its Applications，2018（492）.
*基金项目：2018年大学生创新创业训练计划（STITP）省级一般项目（项目编号：SYB2018015）。
（作者单位：南京邮电大学）