[发明专利]基于加强效应SCIR网络的舆情传播模型构建方法

说明书

本发明公开了一种基于加强效应SCIR网络的舆情传播模型构建方法，首先，基于传统SCIR模型，依据加强效应和直接免疫策略，结合真实网络舆情传播情况，制定舆情传播规则；其次，分析舆情传播过程存在的可能情况，提出状态转移概率；最后，依据舆情传播规则，提出状态转移概率，建立舆情传播模型的微分方程，生成最终传播模型，更能有效和准确反映加强效应SCIR网络在舆情传播中的过程。

技术领域

本发明属于信息传播与控制学领域，具体说是一种基于加强效应SCIR网络的舆情传播模型构建方法。

背景技术

社交网络已经成为人们生活中的重要组成部分，同时伴随着5G等新技术的应用，各种智能社交软件应运而生，形成了用户数量众多、影响力巨大的社交团体。社交网络具有实时性、社团性、交互性等特征，使得网络用户能够针对热点社会现象和问题表达自己的看法，并不断被其他用户评论、转发，使得舆情能够在网络中快速传播。然而，若有关部门未对负面舆情的传播加以监管和控制，则会对社会产生严重影响。因此，研究在线社交网络的传播规律对应控制网络舆情在社交网络上传播具有重要的理论意义和应用价值。但是，目前已有的关于舆情传播的模型具有一定局限性，存在难以准确模拟舆情在实际社交网络中传播状态的问题。

已有的研究表明真实社交网络和BA无标度网络具有相似的特性。故在研究真实社交网络应考虑以下特性：

(1)小世界特性

又被称之为是六度空间理论或者是六度分割理论(Six degrees ofseparation)，即大多数网络尽管规模很大但是任意两个节(顶)点间却有一条相当短的路径，反映了相互关系的数目可以很小但却能够连接世界的事实。

(2)无标度特性

现实世界的网络大部分都不是随机网络，少数的节点往往拥有大量的连接，而大部分节点却很少，节点的度数分布符合幂率分布，而这就被称为是网络的无标度特性(Scale-free)。无标度特性反映了复杂网络具有严重的异质性，其各节点之间的连接状况(度数)具有严重的不均匀分布性：网络中少数称之为Hub点的节点拥有极其多的连接，而大多数节点只有很少量的连接。少数Hub点对无标度网络的运行起着主导的作用。从广义上说，无标度网络的无标度性是描述大量复杂系统整体上严重不均匀分布的一种内在性质。

(3)社团结构特性

人以类聚，物以群分。复杂网络中的节点往往也呈现出集群特性。例如，社会网络中总是存在熟人圈或朋友圈，其中每个成员都认识其他成员。集群程度的意义是网络集团化的程度；这是一种网络的内聚倾向。连通集团概念反映的是一个大网络中各集聚的小网络分布和相互联系的状况。例如，它可以反映这个朋友圈与另一个朋友圈的相互关系。

利用Gephi对一个具有1000个节点的真实社交网络进行分析，可知平均度为25.004，最大度为648，最小度为1，体现了无标度特性；平均路径长度为2.432，满足小世界特性；平均聚类系数为0.608，体现了社团结构特性。

舆情的传播过程中存在着大量的影响变量，直接免疫是其中重要的一环。社交网络舆情传播的直接免疫是指有关部门采用发布真实信息等行为使得尚未传播舆情的用户直接转变为免疫用户，拒绝对舆情进行传播，从而减小舆情对社会的影响。

舆情是一种社会现象，更是一种典型的社会群体心理特征。社会心理学表明加强效应是指个体在进行意见采纳或者行为决策之前,会受到同伴反复提示的积累性影响,且社会加强效应具有非线性的积累效果,对人类的决策具有显著影响。

鉴于现有舆情传播网络并未考虑有关部门对舆情监管产生的直接免疫以及加强效应导致用户重新传播舆情等情况，从而难以准确描述真实社交网络中舆情传播的过程。所以，有必要建立一种新的适用于SCIR网络的舆情传播模型，以分析舆情在真实社交网络的传播状态。

发明内容