辽宁大学学报 ＪＯＵＲＮＡＬ ＯＦ ＬＩＡＯＮＩＮＧ ＵＮＩＶＥＲＳＩＴＹ

自然科学版 Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅｓ Ｅｄｉｔｉｏｎ

第 ４９ 卷 第 ４ 期 ２０２２ 年 Ｖｏｌ． ４９ Ｎｏ． ４ ２０２２

考虑兴趣偏好和多事件影响的网络事件推演模型研究

臧 洁，任 旭
（ 辽宁大学 信息学院，辽宁 沈阳 １１００３６）

摘 要： 通过建模对网络事件传播推演进行研究是网络舆情领域的重点研究方向，现有模型存在事件容量
小、仅能容纳单一事件以及忽略用户个体兴趣偏好的缺陷． 因此，本文首先提出兼顾平台用户兴趣特征与个体
偏好差异性的元胞自动机矩阵；其次在经典 ＳＩＲ 传染病模型的基础上，针对多事件容量改进得到多重 ＳＩＲ 状
态转换关系，构建出适用于网络事件的传播推演模型． 经过推演实验得出，该模型针对不同类型事件同时期扩
散程度对比指标表现良好． 同时，为了进一步验证模型的有效性，本文对辟谣信息传播过程采用了双信息源共
同传播方式进行推演，为网络舆情研究提供了新的参考．

关键词： 用户个体兴趣偏好；多事件影响；元胞自动机；ＳＩＲ 状态转换；网络事件传播推演模型

中图分类号： ＴＰ ３９１ 文献标志码： Ａ 文章编号： １０００ － ５８４６（２０２２）０４ － ０２９８ － ０９

DOI:10.16197/j.cnki.lnunse.2022.04.009

Ｒｅｓｅａｒｃｈ ｏｎ Ｎｅｔｗｏｒｋ Ｅｖｅｎｔ Ｐｒｏｐａｇａｔｉｏｎ Ｍｏｄｅｌ Ｃｏｎｓｉｄｅｒｉｎｇ

Ｉｎｔｅｒｅｓｔ Ｐｒｅｆｅｒｅｎｃｅ ａｎｄ Ｍｕｌｔｉ⁃ｅｖｅｎｔ Ｉｎｆｌｕｅｎｃｅ
ＺＡＮＧ Ｊｉｅ，ＲＥＮ Ｘｕ

（ Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ，Ｌｉａｏｎｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈｅｎｙａｎｇ １１００３６，Ｃｈｉｎａ． ）

Ａｂｓｔｒａｃｔ： Ｉｔ ｉｓ ａ ｋｅｙ ｒｅｓｅａｒｃｈ ｄｉｒｅｃｔｉｏｎ ｉｎ ｔｈｅ ｆｉｅｌｄ ｏｆ ｎｅｔｗｏｒｋ ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ｔｏ ｓｔｕｄｙ ｔｈｅ
ｐｒｏｐａｇａｔｉｏｎ ｍｏｄｅ ｏｆ ｎｅｔｗｏｒｋ ｅｖｅｎｔｓ ｔｈｒｏｕｇｈ ｍｏｄｅｌｉｎｇ． Ｅｘｉｓｔｉｎｇ ｍｏｄｅｌｓ ｈａｖｅ ｓｏｍｅ ｄｅｆｅｃｔｓ，ｓｕｃｈ ａｓ
ｓｍａｌｌ ｅｖｅｎｔ ｃａｐａｃｉｔｙ， ａ ｓｉｎｇｌｅ ｅｖｅｎｔ ａｃｃｏｍｍｏｄａｔｅ ａｎｄ ｔｈｅ ｕｓｅｒ′ ｓ ｉｎｄｉｖｉｄｕａｌ ｉｎｔｅｒｅｓｔ ｐｒｅｆｅｒｅｎｃｅｓ
ｗｈｉｃｈ ａｒｅ ｉｇｎｏｒｅｄ． Ｆｉｒｓｔｌｙ，ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｓ ａ ｃｅｌｌｕｌａｒ ａｕｔｏｍａｔａ ｍａｔｒｉｘ ｗｈｉｃｈ ｔａｋｅｓ ｉｎｔｏ ａｃｃｏｕｎｔ
ｔｈｅ ｏｖｅｒａｌｌ ｕｓｅｒ ｉｎｔｅｒｅｓｔ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｎｄ ｉｎｄｉｖｉｄｕａｌ ｐｒｅｆｅｒｅｎｃｅ ｄｉｆｆｅｒｅｎｃｅｓ ｏｆ ｔｈｅ ｐｌａｔｆｏｒｍ．
Ｓｅｃｏｎｄｌｙ，ｔｈｅ ｐｒｏｐａｇａｔｉｏｎ ｄｅｄｕｃｔｉｏｎ ｍｏｄｅｌ ｓｕｉｔａｂｌｅ ｆｏｒ ｎｅｔｗｏｒｋ ｅｖｅｎｔｓ ｉｓ ｃｏｎｓｔｒｕｃｔｅｄ ｂａｓｅｄ ｏｎ ｔｈｅ
ｃｌａｓｓｉｃａｌ ＳＩＲ ｅｐｉｄｅｍｉｃ ｍｏｄｅｌ， ａｎｄ ｔｈｅ ｍｕｌｔｉｐｌｅ ＳＩＲ ｓｔａｔｅ ｔｒａｎｓｉｔｉｏｎ ｒｅｌａｔｉｏｎｓｈｉｐ ｉｓ ｏｂｔａｉｎｅｄ ｂｙ
ｉｍｐｒｏｖｉｎｇ ｔｈｅ ｍｕｌｔｉ⁃ｅｖｅｎｔ ｃａｐａｃｉｔｙ． Ｔｈｒｏｕｇｈ ｔｈｅ ｄｅｄｕｃｔｉｏｎ ｅｘｐｅｒｉｍｅｎｔｓ， ｔｈｅ ｍｏｄｅｌ ｆｏｒ ｄｉｆｆｅｒｅｎｔ
ｔｙｐｅｓ ｏｆ ｅｖｅｎｔｓ ｉｎ ｔｈｅ ｓａｍｅ ｐｅｒｉｏｄ ｄｉｆｆｕｓｉｏｎ ｄｅｇｒｅｅ ｃｏｎｔｒａｓｔ ｉｎｄｅｘ ｐｅｒｆｏｒｍａｎｃｅ ｉｓ ｅｆｆｅｃｔｉｖｅ． Ａｔ ｔｈｅ
ｓａｍｅ ｔｉｍｅ， ｉｎ ｏｒｄｅｒ ｔｏ ｆｕｒｔｈｅｒ ｖｅｒｉｆｙ ｔｈｅ ｖａｌｉｄｉｔｙ ｏｆ ｔｈｅ ｍｏｄｅｌ， ｔｈｅ ｄｏｕｂｌｅ ｉｎｆｏｒｍａｔｉｏｎ ｓｏｕｒｃｅ
ｃｏｍｍｏｎ ｐｒｏｐａｇａｔｉｏｎ ｗａｙ ｉｓ ｕｓｅｄ ｔｏ ｄｅｄｕｃｅ ｆｏｒ ｔｈｅ ｒｕｍｏｒ ｉｎｆｏｒｍａｔｉｏｎ ｄｉｓｓｅｍｉｎａｔｉｏｎ ｐｒｏｃｅｓｓ． Ｉｔ ｃａｎ

收稿日期：２０２１ － １２ － ２４
基金项目：辽宁省经济社会发展立项课题（２０１９ｌｓｌｋｔｑｎ － ０２３） ；辽宁大学本科教学改革研究项目（ ＪＧ２０１８ＺＣ８１）
作者简介：臧洁（１９７９ － ） ，女，山东日照人，博士，副教授，研究方向：网络舆情、大数据应用．
 第４ 期 臧 洁， 等： 考虑兴趣偏好和多事件影响的网络事件推演模型研究 ２９９

ｐｒｏｖｉｄｅ ａ ｎｅｗ ｒｅｆｅｒｅｎｃｅ ｆｏｒ ｔｈｅ ｎｅｔｗｏｒｋ ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ｒｅｓｅａｒｃｈ．

Ｋｅｙ ｗｏｒｄｓ： ｕｓｅｒ ｉｎｄｉｖｉｄｕａｌ ｉｎｔｅｒｅｓｔ ｐｒｅｆｅｒｅｎｃｅ；ｍｕｌｔｉ⁃ｅｖｅｎｔ ｉｎｆｌｕｅｎｃｅ；ｃｅｌｌｕｌａｒ ａｕｔｏｍａｔａ；ＳＩＲ

ｓｔａｔｅ ｔｒａｎｓｉｔｉｏｎ；ｎｅｔｗｏｒｋ ｅｖｅｎｔ ｐｒｏｐａｇａｔｉｏｎ ｍｏｄｅｌ

０ 引言
随着互联网的快速发展和手机等智能设备的普及，互联网已成为我国民众日常生活中必不可少
的信息获取渠道和交流方式． 民众通过互联网发表和传播各种观点情绪，其中流行于互联网上对于
某些事件不同看法的总和，称为网络舆情． 网络舆情是由于各种事件的刺激而产生并通过互联网传
播，人们对于该事件的认知、态度、情感和行为倾向 ［１］ ． 互联网信息的传播方式极大地缩短了社交距
离，如何准确捕捉网络舆情动态、掌握相关规律并及时进行应对，成为众多学者的研究热点．
同时，随着计算机建模仿真技术的发展，越来越多的学者尝试将其应用到网络舆情研究中． 尽管
网络舆情的传播是一个整体过程，但是从模型仿真角度对其进行研究，需要同时兼顾社交网络结构
不同、网民特征属性不同、事件特征属性不同和传播过程的随机性等诸多因素；并且每一项因素的变
化都会使最终的网络舆情传播结果产生变化，对于这样一个复杂系统的仿真难度可想而知． 针对此
现状，学者们提出了各种有针对性的模型进行仿真，其中 Ｂｏｌｚｅｒｎ 等 ［２］ 提出了一个动态的随机多智能
体模型，研究社交网络中群体行为存在的特征；赵磊等 ［３］ 采用 ＢＰ 神经网络的理论构建模型，使得模
型能够对舆情事件热度变化趋势有更精确的仿真效果；兰月新等 ［４］ 采用多维函数构建出网络舆情演
化高维模型；Ｗａｎｇ 等 ［５］ 在舆情传播模型中引入博弈论，提出基于一对多博弈的舆情传播模型；马宇
红等 ［６］ 建立了基于 ＢＡ 无标度网络的谣言传播模型，对网络谣言的传播规律进行仿真分析；魏德志
等 ［７］ 将博弈论与传染病 ＳＩＲＳ 模型相结合，探寻热点话题传播过程中的规律；Ｃｈｅｎ 等 ［８］ 使用 ＳＩＲＳ 模
型对信息扩散过程中的舆论极化现象进行研究；何英等 ［９］ 使用 Ｍａｔｌａｂ 构建网络舆情扩散方向估计
模型，可以提高网络舆情突变扩散方向的判断精确度；秦涛等 ［１０］ 采用排序学习的方法实现了对网络
舆情事件演化态势的评估；董靖巍 ［１１］ 、索琪等 ［１２］ 着重于研究复杂网络结构下的舆情演化；曹海军
等 ［１３］ 、哈达等 ［１４］ 应用系统动力学理论构建舆情传播模型． 上述研究中所采用模型以及研究对象的多
样性，也印证了网络事件传播研究内容的广泛程度．
但是在这些研究中，大部分模型弱化事件区分，将模型构造的关注点落在用户影响力差异化以
及社交关系中． 首先，模型忽略了用户的个体兴趣偏好对网络事件传播的影响，根据网络舆情的特
点，整体网络用户的兴趣偏好对于网络事件的传播会产生不同的影响；其次，忽略了不同类型事件在
互联网中受关注的程度，模型中仅能容纳单一事件，但是根据研究发现互联网中各种事件共享同一
网络空间，这些事件对于民众的注意力呈现竞争关系，对于网络事件的传播会产生影响． 因此，本文
在以上研究的基础上，考虑用户个体兴趣偏好和多事件影响，采用元胞自动机（ Ｃｅｌｌｕｌａｒ Ａｕｔｏｍａｔａ，
ＣＡ） 原理，首先提出兼顾平台总体用户兴趣特征与个体偏好差异性的 ＣＡ 矩阵；其次在经典 ＳＩＲ 传
染病模型的基础上，针对多事件容量改进得到多重 ＳＩＲ 状态转换关系，构建了适用于网络事件的传
播推演模型，并通过实例进行了验证，仿真实验验证了模型的有效性．
 ３００ 辽宁大学学报 自然科学版 ２０２２ 年

１ 基础理论
１． １ ＣＡ 模型
２０ 世纪 ５０ 年代初，为了模拟生命系统所具有的自复制功能，计算机之父冯·诺依曼（ Ｊ． ｖｏｎ
Ｎｅｕｍａｎｎ） 提出了 ＣＡ 模型． 它是一种网格动力学模型，关键理论为采用离散的空间布局和时间间
隔，将元胞（ Ｃｅｌｌｕｌａｒ） 分成有限种状态，元胞个体状态的变化仅与其当前状态以及某个局部邻域的状
态有关． 公式化描述为任一元胞 Ｃ ｉ 的下一时刻状态 Ｓ ｔｉ ＋ １ ，仅由当前时刻元胞 Ｓ ｔｉ 自身状态和有限邻域
内元胞状态 Ｓ ｔＮ 所决定，即 Ｃ ｉ ←Ｓ ｔｉ ＋ １ ＝ ｆ（ Ｓ ｔｉ ，Ｓ ｔＮ ） ，其中 ｆ（ Ｓ ｔｉ ，Ｓ ｔＮ ） 为具体转换规则．
因其上述特征，多年来众多学者将其应用于社会学、生态学和计算机科学等领域． 网络事件的传
播过程可以看作网民所代表的网络节点间对于事件信息的交换过程，在 ＣＡ 模型中体现为元胞间进
行信息传递、改变自身状态的过程． Ａｌｖｅｓ 等 ［１５］ 于 ２００２ 年将 ＣＡ 理论应用于自由选举舆情分析；王根
生等 ［１６］ 也在 ＣＡ 网络舆情应用中进行了一系列研究． 近年来，ＣＡ 在网络舆情方面的应用更加细化，
毛乾任等 ［１７］ 关注于网络舆情观点聚合，后续还针对导控策略影响下的网络舆情传播 ［１８］ 进行了研究；
姚翠友等 ［１９］ 提出基于用户属性的微博舆情演化 ＣＡ 模型；滕婕等 ［２０］ 将 ＣＡ 模型应用于群体辟谣信
息的扩散效果预测． 上述研究从不同角度均取得了一定的成果，展现出了 ＣＡ 应用于网络舆情研究
的潜力．
但对于网络舆情的元胞矩阵构建，在个体差异化的表现形式上，重点区分普通用户、舆论领袖、
政府等个体属性影响力 ［１８ － １９］ ，或者是将元胞区分为传谣个体和辟谣个体 ［２０］ ． 这两种方式都存在自
身不足，首先元胞矩阵容量不足，过于区分普通用户、舆论领袖等个体差异化元胞，会过渡放大舆论
领袖以及政府账号的传播作用，非普通用户元胞的数量稍有变化就会对推演结果产生较大影响． 而
且，在当前网络社交平台中，不良事件传播很少经过已有舆论领袖进行，都是网民之间自发传播造成
影响力． 对于传谣辟谣用户，在不清楚信息是否真实的状态下，普通用户无法确认事件真假，所以并不能
给予普通用户属性上的认定，对此，本文构建了具有个体偏好差异化的元胞矩阵用以改善上述问题．
１． ２ ＳＩＲ 传染病模型
ＳＩＲ 模型是传染病模型中经典的模型之一，由 Ｋｅｒｍａｃｋ 与 ＭｃＫｅｎｄｒｉｃｋ 在 １９２７ 年用动力学方法
构建． 其原理为，假设总人数 Ｎ 不变，将总人数分为 Ｓ（ Ｓｕｓｃｅｐｔｉｂｌｅ） 代表易感者、Ｉ（ Ｉｎｆｅｃｔｉｖｅ） 代表感染
者、Ｒ（ Ｒｅｍｏｖａｌ） 代表移出者等 ３ 部分． 易感者
Ｓ 会受感染者 Ｉ 影响，依据传染率 β 变为感染
者 Ｉ，感染者 Ｉ 在依据恢复率 γ 被治愈后，会变
为移出者 Ｒ 不会再被感染，如图 １ 所示． 因传
图１ ＳＩＲ 状态转换规则
染病在人际中的传播过程与网络事件在网络
空间中传播的过程类似，网民在整个过程中对于事件的感知也可以划分为对应状态，所以近年来 ＳＩＲ
模型在网络舆情方向有诸多研究． Ｚｈａｏ 等 ［２１］ 将 ＳＩＲ 模型应用于新型传播网络中，使用数值分析法进
行动力学分析；王谢宁等 ［２２］ 对 ＳＩＲ 模型应用平均场理论以及小世界网络，进行有针对性的假设，并
对社会化网络中的规律进行探究；陈波等 ［２３］ 提出 ＳＥＩＲ（ Ｓｕｓｃｅｐｔｉｂｌｅ Ｅｘｐｏｓｅｄ Ｉｎｆｅｃｔｅｄ Ｒｅｍｏｖｅｄ） 传播
模型，考虑到传染病存在一定潜伏期，用状态 Ｅ 表示潜伏，对 ＳＩＲ 模型的网络舆情应用进行了扩充；
 第４ 期 臧 洁， 等： 考虑兴趣偏好和多事件影响的网络事件推演模型研究 ３０１

丁学君 ［２４］ 在研究了微博平台网络舆情传播过程及其特点之后，增加了接触状态，构建了基于 ＳＣＩＲ

的微博网络舆情话题传播模型；Ｋｕｍａｒ 等 ［２５］ 增添了谣言缓解者以及反对谣言概念，提出 ＳＭＩＲ 模型，
用于对社交网络中谣言传播过程的模拟；田世海等 ［２６］ 结合信息生态理论对 ＳＩＲ 模型进行改进，通过
构建网络舆情信息生态群落的横向和纵向衍生模型，探寻舆情信息衍生规律． 上述研究虽对 ＳＩＲ 模
型各自进行了有针对性的改进，但是并未脱离模型最初只针对单一传染病推演的本质，全程围绕单
一事件进行研究．
经过研究发现，同一时刻内网络空间中存在众多事件同时进行传播，这些事件整体共享网络空
间，但彼此之间存在对于用户关注度的竞争关系． 各类网络平台热点榜单从侧面反映出了事件在经
过传播竞争后所受关注度的情况，这种多事件共存关系已有研究但并未得到具体体现，对此本文改
进 ＳＩＲ 模型以增加模型事件样本量．

２ 改进的网络事件传播推演模型
２． １ 考虑用户兴趣偏好的个体差异化元胞矩阵构建
对网络用户个体进行合理描述是模型合理性的基础，ＣＡ 模型应用于网络舆情研究，需要通过构
建元胞矩阵对真实网络空间进行微缩来描述用户间的社交关系． 但是矩阵所包含的元胞数量有限，
既要体现出不同用户所具有的个体差异，又要在有限数量的元胞之间构建起合理的用户比例，这需
要对元胞矩阵进行重新构建． 现有研究多基于用户权重对该问题进行研究，本文将用户个体兴趣偏
好作为个体差异化指标进行元胞矩阵构建，提出了考虑用户偏好的具有个体差异化的元胞矩阵．
初始元胞偏好的构建不随后续事件推演发生变化，不同用户对于不同事件具有不同的偏好排
序，首选偏好类型，元胞感知度强，次选偏好类型的感知度弱． 个体元胞偏好受整体矩阵元胞偏好比
例限制且随机分布，该特征具有平台通用性，如新闻资讯服务平台、社交网络平台、网络文化平台、综
合性社区等，可根据不同平台自身用户画像进行比例重构． 以微博为例，根据微博平台给出的 ２０２１
上半年微博热搜榜趋势报告，２０２１ 年 ６ 月热搜统计中，２６％ 为娱乐热点，３６％ 为社会热点，３８％ 为垂
直热点． 其中垂直热点涵盖众多垂直话题，如企业、美食、科技、文化等，根据此比例可以逆推微博用
户偏好比例． 应用于个体差异化元胞矩阵中首选偏好构建的比例为：社会 ３６％ 、明星 １３％ 、综艺
１３％ 、美食 ８％ 、文化、军事、科技、情感、财经各 ６％ ；次选偏好比例相同，且保证同一元胞中首选偏好
与次选偏好不同．
根据上述比例构建的初始元胞矩阵，宏观上表现出整个矩阵用户群体兴趣比例，微观上体现出
每个元胞自身兴趣偏好不同，充分展现了元胞代表的用户个体间存在的差异化特征．
２． ２ 考虑多事件影响的多重 ＳＩＲ 状态转换
为了体现多事件的竞争关系，使得事件容量更大，本文将多事件传播情况考虑在内，重构了多重
ＳＩＲ 状态转换． 单一用户可以同时暴露在多个事件信息的影响之下，根据个体偏好不同决定后续受
到哪一具体事件影响进行传播或免疫． 而且，针对辟谣信息的推演，改进后的多重 ＳＩＲ 状态转换，能
够将谣言信息与辟谣信息同时作为信息源放入网络空间中进行传播．
因整个模型包含有限种不同的状态 Ｓ０ ，Ｓ１ ，…，Ｓ ｎ ，并且单一用户同一时刻仅能展现一种状态
Ｓ ｔ
ｉ，ｊ ＝ Ｓ ａ （ Ｓ ａ ∈｛ Ｓ１ ，Ｓ２ ，…，Ｓ ｎ ｝ ） ，具体状态转换如图 ２ 所示，状态转换对应参数如表 １ 所示．
 ３０２ 辽宁大学学报 自然科学版 ２０２２ 年

图２ 改进后的多重 ＳＩＲ 状态转换图

表１ 改进后的状态转换关系及参数

状态 后续状态 转换概率阈值
离线状态 Ｓ０ Ｓ０ →Ｓ１ Ｐ０１

在线状态 Ｓ１ Ｓ１ →Ｓ０ ，Ｓ１ →Ｓ２１ ，Ｓ１ →Ｓ３１ Ｐ１０ ，Ｐ１２ ，Ｐ１３

受首选偏好事件影响 Ｓ２１ Ｓ２１ →Ｓ２２ ，Ｓ２１ →Ｓ２３ Ｐ２Ｉ ，Ｐ２Ｒ

传播首选偏好事件 Ｓ２２ ＮＵＬＬ

首选偏好事件免疫 Ｓ２３ Ｓ２３ →Ｓ３１ Ｐ Ｃｏｎｃｅｎｔｒａｔｉｏｎ

受次选偏好事件影响 Ｓ３１ Ｓ３１ →Ｓ３２ ，Ｓ３１ →Ｓ３３ Ｐ３Ｉ ，Ｐ３Ｒ

传播次选偏好事件 Ｓ３２ ＮＵＬＬ

首选偏好事件免疫 Ｓ３３ Ｓ３３ →Ｓ２１ Ｐ Ｃｏｎｃｅｎｔｒａｔｉｏｎ

离线用户状态 Ｓ０ 表示对当前所有信息免疫，当元胞进入在线状态 Ｓ１ 之后变为事件信息易感者，

暴露在不同的事件传播空间之中，会受到邻域内其他元胞状态的影响． 当在线用户邻域内出现首选
偏好事件 ａ 的信息传播者时，系统生成随机数，将其与首选偏好感知度阈值 Ｐ１２ 进行比较，判断状态
是否转换为受首选偏好事件影响但未传播状态 Ｓ２１ ． Ｓ２１ 状态为过渡态，处于此状态的元胞会在下一推
演时刻进行选择，选择过程系统生成随机数与受首选偏好传播阈值 Ｐ２Ｉ 以及首选偏好免疫阈值 Ｐ２Ｒ 进
行比较，决定后续状态转换为受到首选偏好事件影响并传播状态 Ｓ２２ 或事件免疫状态 Ｓ２３ ． 进入事件
免疫状态 Ｓ２３ 后元胞对事件 ａ 不再关注，重新对其他类型事件易感，专注度参数 Ｐ Ｃｏｎｃｅｎｔｒａｔｉｏｎ 大小决定元
胞能否被其他类型事件所感染．
重构后的多重 ＳＩＲ 状态，上述以首选偏好事件分支为代表的单一事件传播过程与传统 ＳＩＲ 状态
相吻合，有向转换不可逆． 但对于在线用户状态 Ｓ１ ，因其可能同时暴露在多个事件影响下，即邻域内
存在首选偏好事件传播元胞以及次选偏好事件传播元胞，因此后续状态存在多条分支及竞争关系．
具体关系表现为，在线用户状态 Ｓ１ 受偏好排序优先级影响，以 Ｐ１２ 、Ｐ１３ 概率感知首选或次选偏好事件
影响，进入对应分支，此部分在后续实验推演中会控制推演矩阵变化，作为整个模型的动态参数．
２． ３ 基于个体差异化元胞矩阵与多重 ＳＩＲ 状态转化的网络事件推演模型
本文考虑用户个性化兴趣偏好与多事件对网络事件发展趋势的影响，在改进的网络事件推演模
型中，使用的元胞空间是二维空间元胞矩阵 Ａ，其中 Ａ ＝ ｛ Ｃ１，１ ，Ｃ１，２ ，…，Ｃ１，ｊ ，Ｃ２，１ ，…，Ｃ ｉ，１ ，…，Ｃ ｉ，ｊ ｝ ，为
二维有限元矩阵，以横纵坐标 ｉ，ｊ 确定矩阵中每一个元胞个体的位置． 采用 Ｍｏｏｒｅ 型邻域对初始时刻
矩阵中在线用户比例 Ｄ ｔ０ 进行控制，在此基础上构建基于用户偏好的个体差异化元胞矩阵，作为模型
初始化状态，如图 ３ 所示．
 第４ 期 臧 洁， 等： 考虑兴趣偏好和多事件影响的网络事件推演模型研究 ３０３

图３ 元胞矩阵示意图

初始化状态在加入事件激励后开始进入动态推演过程，根据 Ｍｏｏｒｅ 型邻域所构建的经典元胞

ｉ ＋１ ｊ ＋１
Ｃ ｉ，ｊ 的状态转换表达式为 Ｓ ｔｉ，ｊ＋１ ＝ ｆ（ Ｓ ｔｉ，ｊ ， ∑ （ ∑ Ｓ ｔｍ，ｎ ） ） ，其中 ｆ 由元胞当前状态 Ｓ ｔｉ，ｊ 与邻域内元胞当
ｍ ＝ｉ －１ ｎ ＝ｊ －１
ｉ ＋１ ｊ ＋１
前时刻状态 ∑ （ ｎ∑
ｍ ＝ｉ －１
＝ｊ －１
Ｓ ｔｍ，ｎ ） 共同决定． 模型采用多重 ＳＩＲ 状态转换规则进行约束，经过改进后的元
ｉ ＋１ ｊ ＋１ ｉ ＋１ ｊ ＋１
胞状态转换表达式为 Ｓ ｔｉ，ｊ＋１ ＝ ｆ（ Ｓ ｔｉ，ｊ ， ∑ （ ∑ Ｓ ｔｍ，ｎ ） ，Ｐ ｎｅｘｔ ） ． 其中，Ｓ ｔｉ，ｊ 为元胞当前状态； ∑ （ ∑ Ｓ ｔｍ，ｎ ）
ｍ ＝ｉ －１ ｎ ＝ｊ －１ ｍ ＝ｉ －１ ｎ ＝ｊ －１

为元胞邻域范围内其余元胞当前时刻所展现的状态集合，与 Ｓ ｔｉ，ｊ 共同遵循多重 ＳＩＲ 状态转换所包含

状态集合；Ｐ ｎｅｘｔ 为多重 ＳＩＲ 状态转换中的转换概率阈值，用以对模型推演中产生随机数进行限制．
通过上述过程最终得到改进的网络事件推演模型，通过对每次迭代后不同事件、事件不同状态
个体数量进行统计，绘制全过程元胞状态变化曲线，展现不同事件推演结果、量化事件覆盖范围与整
体传播趋势．

３ 实验
３． １ 实验环境
本文构建的模型开发工具为 Ｍａｔｌａｂ，运行环境为 Ｗｉｎｄｏｗｓ １０ ２０Ｈ２ 版本 ６４ 位操作系统，计算机
采用 ２． ３０ＧＨｚ，Ｉｎｔｅｌ（ Ｒ） Ｃｏｒｅ（ ＴＭ） ｉ７ － １０ ８７５Ｈ 处理器，１６ＧＢ 内存．
本文 ３． ２、３． ３ 节所使用的有效元胞矩阵大小设置分别为 ２００ × ２００ 和 ３００ × ３００，元胞偏好比例
如 ２． １ 节所示，初始元胞在线状态密度为 Ｄ ｔ０ ＝ ０． ７０．
３． ２ 模型事件趋势拟合
基于本文提出的网络事件推演模型，对网络事件扩散趋势进行研究． 案例选取为 ２０２１ 年 １１ 月
２３ 日发生的网络热点事件：甲———“ 中演协公布网络主播警示名单” ，乙———“ 谭咏麟发生辟谣网传
消息” ． 模型转换参数设置依次为：Ｐ０１ ＝ ０． ００１；Ｐ１０ ＝ ０． ０００ ５；Ｐ１２ ＝ ０． ２；Ｐ１３ ＝ ０． １；Ｐ２Ｉ ＝ ０． ８；Ｐ２Ｒ ＝
０． ２；Ｐ３Ｉ ＝ ０． ７；Ｐ３Ｒ ＝ ０． ３；Ｐ Ｃｏｎｃｅｎｔｒａｔｉｏｎ ＝ ０． ５． 模型进行 ２ ０００ 次迭代推演，以求得长时间跨度下事件扩散
趋势． 其中，事件甲包含社会与明星复合属性，初始信息源为政府，爆发点数量为 ４；事件乙为单一明
星属性，初始信息源为明星个体，爆发点数量为 １． 两事件同时放入模型中进行同步扩散推演，统计事
件扩散过程中的累计传播范围，结果如图 ４ 所示．
 ３０４ 辽宁大学学报 自然科学版 ２０２２ 年

为了验证本文模型合理性，参照第三方舆情监测平台“ 知微事见” 所给出的事件七日声量走势曲

线，对量化曲线进行归一化，然后与本文提出的推演曲线放入同一坐标系中进行比较，结果如图 ５ 所
示． 忽略前 ２００ 次迭代结果作为事件扩散潜伏期，对不同类型事件处于同一网络空间扩散过程进行
推演． 从图 ５ 中可以看出，本文提出的模型表现出了较好的性能，曲线中前期事件处于爆发期，曲线
变化幅度与整体曲线趋势相比较大，模型推演与实际声量走势存在一定误差，但针对不同类型事件
同时期扩散程度对比指标表现良好．

图４ 事件甲乙传播推演曲线 图５ 事件扩散归一化拟合曲线

３． ３ 辟谣情况推演
为了进一步验证改进的网络事件推演模型的有效性，对辟谣信息也进行了推演． 辟谣信息扩散
具有特殊性，即网络谣言与辟谣信息发生时间点不同，各自可以被看作是单独事件同时进行传播，但
辟谣信息的传播可以对谣言分布区域产生覆盖作用，受到辟谣信息影响的用户观点会产生变化． 对
于这种情况，本文提出的网络事件推演模型需要作出具有针对性的调整，即将先发生的网络谣言作
为普通事件进行推演，辟谣信息延迟出现且在扩散过程中对于已有谣言传播用户有较大强度影响
力． 在谣言信息与辟谣信息整体存在竞争关系的基础上，辟谣信息也作为谣言信息传播的后续状态，
修改后能够将谣言信息与辟谣信息放在模型中进行同步推演． 实验分为不同辟谣方式推演和辟谣时
间差推演两部分． 辟谣信息转换关系对应参数如表 ２ 所示，调整后的元胞状态转换如图 ６ 所示．
表２ 辟谣信息状态转换关系及参数

状态 后续状态 转换概率阈值
离线状态 Ｓ０ Ｓ０ →Ｓ１ Ｐ０１
在线状态 Ｓ１ Ｓ１ →Ｓ０ ，Ｓ１ →Ｓ２１ ，Ｓ１ →Ｓ３１ Ｐ１０ ，Ｐ１２ ，Ｐ１３
受谣言信息影响 Ｓ２１ Ｓ２１ →Ｓ２２ ，Ｓ２１ →Ｓ ｎｕｌｌ Ｐ２Ｉ ，Ｐ２Ｒ
传播谣言信息 Ｓ２２ Ｓ３１ Ｐ２３ （ 强化影响力）
受辟谣信息影响 Ｓ３１ Ｓ３１ →Ｓ３２ ，Ｓ３１ →Ｓ３３ Ｐ３Ｉ ，Ｐ３Ｒ
传播辟谣信息 Ｓ３２ ＮＵＬＬ —
信息免疫用户 Ｓ ｎｕｌｌ ＮＵＬＬ —
图６ 辟谣信息传播状态转换图

假设谣言为事件甲，辟谣信息为事件乙，甲传播起始时刻先于乙． 具体模型转换参数设定 Ｐ２３ ＝

０． ９，其余参数值与实验 ３． ２ 节相同，谣言爆发点数量为 ２，每次实验模型进行 １ ０００ 次迭代． 以谣言
初始传播时间 ｔ０ 为参照，辟谣信息发布时间为推演开始 ３００ 次迭代后．
 第４ 期 臧 洁， 等： 考虑兴趣偏好和多事件影响的网络事件推演模型研究 ３０５

辟谣方式分为当事人辟谣、第三方辟谣以及当事人和第三方混合辟谣 ３ 种． 当事人辟谣表现为
谣言初始传播点发布辟谣信息，第三方辟谣表现为谣言信息与辟谣信息初始传播点不同，混合辟谣
为上述两种辟谣方式共同作用． 辟谣时间差实验，以谣言初始传播时间 ｔ０ 为参照，辟谣信息发布分别
延后 １５０、３００、４５０ 次，模型迭代开始进行混合辟谣，统计每次迭代谣言覆盖范围并绘制曲线． 通过模
型推演，观察不同辟谣时间差效果，结果如图 ７、８ 所示．

图７ 辟谣方式比较结果 图８ 时间差推演结果

根据模型推演可知，图 ７ 中所显示的 ３ 种辟谣方式中，混合辟谣效果最优，第三方辟谣效果最

差． 通过具体模型推演过程中元胞矩阵各状态分布变化可知，当事人辟谣过程以对受谣言影响区域
进行覆盖为主，能够及时对谣言信息传播产生影响；第三方辟谣过程主要对未受谣言影响区域进行
保护，在与谣言传播区域接触过后再对其进行覆盖，有效干扰时间延后，在及时干预谣言传播方面表
现不佳；而混合辟谣方式则结合两种单方面辟谣方式的优点，既有对已受影响区域的覆盖，也有对未
受影响区域的保护，对于限制谣言传播范围以及数量具有最优效果． 同时，图 ８ 中通过控制变量对比
不同辟谣时间差推演实验部分的结果可以看出，采用混合辟谣方式可以及时对谣言扩散程度产生影
响． 谣言曲线的不同变化幅度以及峰值差异，体现出在辟谣信息发布前，谣言信息会随着时间推移发
类指数增长方式进行传播． 辟谣信息发布时间越晚，谣言信息传播程度越难以进行及时控制． 尽管推
演后期谣言传播均得到了抑制，但传播峰值差异极大体现了谣言所造成的负面影响程度，因此，及时
采取有效的辟谣方式，能够有效限制谣言传播量，使谣言造成的负面影响降到最低．

４ 结语
针对目前在网络舆情建模领域研究中存在的模型事件容量小、忽略个体偏好差异性的问题，本
文提出了一种关注于网络用户个性化偏好差异性、可容纳多事件共同传播的网络事件传播推演模
型． 通过实验，本文提出的模型对于不同类型事件共同扩散方面具有良好效果，并且模型能够将谣言
信息与辟谣信息放在模型中进行同步推演． 本文对于事件类型划分略显粗糙，仅通过理论说明模型
具有不同平台通用性的问题． 在未来的研究中，会收集更多真实数据对模型进行改进，发挥模型自身
优势以适用于更多网络舆情应用场景．

参 考 文 献：

［１］ 曾润喜． 网络舆情管控工作机制研究［ Ｊ］ ． 图书情报工作，２００９，５３（１８） ：７９ － ８２．

［２］ Ｂｏｌｚｅｒｎ Ｐ，Ｃｏｌａｎｅｒｉ Ｐ，ｄｅ Ｎｉｃｏｌａｏ Ｇ． Ｏｐｉｎｉｏｎ ｉｎｆｌｕｅｎｃｅ ａｎｄ ｅｖｏｌｕｔｉｏｎ ｉｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ：Ａ Ｍａｒｋｏｖｉａｎ ａｇｅｎｔｓ ｍｏｄｅｌ
［ Ｊ］ ． Ａｕｔｏｍａｔｉｃａ，２０１９，１００：２１９ － ２３０．
 ３０６ 辽宁大学学报 自然科学版 ２０２２ 年

［３］ 赵磊，王松． 基于 ＢＰ 神经网络的舆情热度趋势仿真模型研究［ Ｊ］ ． 情报学报，２０１６，３５（９） ：９８９ － ９９９．

［４］ 兰月新，夏一雪，刘冰月，等． 网络舆情演化机理多维建模与仿真研究［ Ｊ］ ． 现代情报，２０１７，３７（８） ：５７ － ６４．
［５］ Ｗａｎｇ Ｊ Ｋ，Ｗａｎｇ Ｘ Ｈ，Ｆｕ Ｌ． Ｅｖｏｌｕｔｉｏｎａｒｙ ｇａｍｅ ｍｏｄｅｌ ｏｆ ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｐｒｏｐａｇａｔｉｏｎ ｉｎ ｏｎｌｉｎｅ ｓｏｃｉａｌ
ｎｅｔｗｏｒｋｓ［ Ｊ］ ． ＩＥＥＥ Ａｃｃｅｓｓ，２０２０，８：１２７７３２ － １２７７４７．
［６］ 马宇红，赵媛媛，强亚蓉． 社交网络谣言传播的破窗效应和责任分散效应［ Ｊ］ ． 计算机科学与探索，２０１９，１３
（１０） ：１７０２ － １７０９．
［７］ 魏德志，陈福集，林丽娜． 基于博弈论和 ＳＩＲＳ 的热点事件传播仿真研究［ Ｊ］ ． 系统仿真学报，２０１８，３０ （６） ：
２０５０ － ２０５７．
［８］ Ｃｈｅｎ Ｔ Ｇ，Ｓｈｉ Ｊ Ｗ，Ｙａｎｇ Ｊ Ｊ，ｅｔ ａｌ． Ｍｏｄｅｌｉｎｇ ｐｕｂｌｉｃ ｏｐｉｎｉｏｎ ｐｏｌａｒｉｚａｔｉｏｎ ｉｎ ｇｒｏｕｐ ｂｅｈａｖｉｏｒ ｂｙ ｉｎｔｅｇｒａｔｉｎｇ ＳＩＲＳ⁃
ｂａｓｅｄ ｉｎｆｏｒｍａｔｉｏｎ ｄｉｆｆｕｓｉｏｎ ｐｒｏｃｅｓｓ［ Ｊ］ ． Ｃｏｍｐｌｅｘｉｔｙ，２０２０，２０２０：４７９１５２７．
［９］ 何英，胡之骐． 网络舆情的突变性扩散方向估计建模仿真［ Ｊ］ ． 计算机仿真，２０１７，３４（３） ：２８１ － ２８４，３６０．
［１０］ 秦涛，沈壮，刘欢，等． 基于排序学习的网络舆情演化趋势评估方法研究 ［ Ｊ］ ． 计算机研究与发展，２０２０，５７
（１２） ：２４９０ － ２５００．
［１１］ 董靖巍． 基于复杂网络的网络舆情动态演进影响机制研究［ Ｄ］ ． 哈尔滨：哈尔滨工业大学，２０１６．
［１２］ 索琪，郭进利． 超网络中的舆情传播模型及仿真研究［ Ｊ］ ． 计算机应用研究，２０１７，３４（９） ：２６２９ － ２６３２．
［１３］ 曹海军，李明． 基于系统动力学的社交网络舆情应对策略仿真分析：以“ 亚布力事件” 为例［ Ｊ］ ． 东北大学学报
（ 社会科学版） ，２０１９，２１（１） ：５７ － ６３．
［１４］ 哈达，谭志国，王浩． 复杂网络下基于 Ａｇｅｎｔ 的舆情演化研究［ Ｊ］ ． 火力与指挥控制，２０１７，４２（８） ：９２ － ９６．
［１５］ Ａｌｖｅｓ Ｓ Ｇ，Ｏｌｉｖｅｉｒａ Ｎ Ｎ Ｍ，Ｍａｒｔｉｎｓ Ｍ Ｌ． Ｅｌｅｃｔｏｒａｌ ｓｕｒｖｅｙｓ ｉｎｆｌｕｅｎｃｅ ｏｎ ｔｈｅ ｖｏｔｉｎｇ ｐｒｏｃｅｓｓｅｓ：Ａ ｃｅｌｌｕｌａｒ ａｕｔｏｍａｔａ
ｍｏｄｅｌ［ Ｊ］ ． Ｐｈｙｓｉｃａ Ａ：Ｓｔａｔｉｓｔｉｃａｌ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎｓ，２００２，３１６（１ ／ ２ ／ ３ ／ ４） ：６０１ － ６１４．
［１６］ 王根生，勒中坚． 小世界效应的网络舆情演化迁移元胞模型［ Ｊ］ ． 小型微型计算机系统，２０１１，３２（１２） ：２５２３ －
２５２８．
［１７］ 毛乾任，王朝斌，金洪颖，等． 模糊推理的网络舆情观点聚合 ＣＡ 模型研究［ Ｊ］ ． 小型微型计算机系统，２０１７，３８
（７） ：１４７９ － １４８４．
［１８］ 毛乾任，王朝斌，李艳梅，等． 异质 ＣＡ 模型上含有导控策略的网络舆情传播研究［ Ｊ］ ． 计算机应用研究，２０１７，
３４（９） ：２６３３ － ２６３７．
［１９］ 姚翠友，崔亚群． 基于用户属性的微博舆情演化仿真研究［ Ｊ］ ． 计算机仿真，２０１９，３６（３） ：３０７ － ３１１．
［２０］ 滕婕，夏志杰，占欣． 基于改进 ＣＡ 模型的群体辟谣信息扩散效果预测［ Ｊ］ ． 计算机工程与应用，２０２０，５６（６） ：
５１ － ５７．
［２１］ Ｚｈａｏ Ｌ Ｊ，Ｗａｎｇ Ｊ Ｊ，Ｃｈｅｎ Ｙ Ｃ，ｅｔ ａｌ． ＳＩＨＲ ｒｕｍｏｒ ｓｐｒｅａｄｉｎｇ ｍｏｄｅｌ ｉｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ［ Ｊ］ ． Ｐｈｙｓｉｃａ Ａ：Ｓｔａｔｉｓｔｉｃａｌ
Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１２，３９１（７） ：２４４４ － ２４５３．
［２２］ 王谢宁，朱志国． 社会化网络下基于改进 ＳＩＲ 模型的观点信息传播规律研究［ Ｊ］ ． 情报科学，２０１７，３５（２） ：３３ －
３７．
［２３］ 陈波，于泠，刘君亭，等． 泛在媒体环境下的网络舆情传播控制模型［ Ｊ］ ． 系统工程理论与实践，２０１１，３１（１１） ：
２１４０ － ２１５０．
［２４］ 丁学君． 基于 ＳＣＩＲ 的微博舆情话题传播模型研究［ Ｊ］ ． 计算机工程与应用，２０１５，５１（８） ：２０ － ２６，７８．
［２５］ Ｋｕｍａｒ Ａ，Ｓｗａｒｎａｋａｒ Ｐ，Ｊａｉｓｗａｌ Ｋ，ｅｔ ａｌ． ＳＭＩＲ ｍｏｄｅｌ ｆｏｒ ｃｏｎｔｒｏｌｌｉｎｇ ｔｈｅ ｓｐｒｅａｄ ｏｆ ｉｎｆｏｒｍａｔｉｏｎ ｉｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｉｎｇ
ｓｉｔｅｓ［ Ｊ］ ． Ｐｈｙｓｉｃａ Ａ：Ｓｔａｔｉｓｔｉｃａｌ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎｓ，２０２０，５４０：１２２９７８．
［２６］ 田世海，张家毓，孙美琪． 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） ：３ － ９，
１６．
（ 责任编辑 郑绥乾）