基于多Agent的微博社交网络信息传播模型

贺鹏　李军　董田田　王继荣

摘要：  针对传统微博社交网络信息传播模型没有考虑用户个体差异性和用户强弱关系的问题，本文建立了基于多Agent的微博社交网络信息传播模型。将微博用户抽象为Agent，并定义Agent的属性，分析微博社交网络信息的传播机制，定义Agent之间的交互规则，考虑不同强弱关系下影响用户转发信息行为的因素，通过仿真实验探究个体态度、影响力、个体间认同度等因素对微博网络信息传播的影响。仿真结果表明，微博信息的传播呈裂变式扩散模式，微博用户的态度、影响力等因素对信息的传播起促进作用，所提出的相关影响变量对有效利用与管控微博信息传播具有一定的启示意义。

关键词：  微博社交网络; 信息传播模型; 用户强弱关系; 多Agent

中图分类号： TP393.092; G206.2文献标识码： A

网络技术的快速发展使网络成为人们获取信息的重要渠道之一，各种社交软件的出现，标志着在线社交网络已经成为现代人际交往的重要方式[1]。微博作为一个可以自由发表观点和交流的平台[2]，以其高效、开放的特点成为用户活跃度最高的在线社交平台之一。在微博上，每个人都具有双重身份，既是信息的传播者也是信息的接受者，微博已成为消息扩散和舆论传播的重要平台之一，因此研究影响微博信息传播的相关因素，有利于管理和控制舆情传播[3]。研究信息传播最广为人知的模型是传染病模型[45]，信息在复杂网络里的传播模式与传染病在网络中的传播模式相类似[6]，研究者大多以此为基础进行模型修改，以揭示信息在网络中的传播模式。许晓东等人[7]根据微博网络结构特性，使用传染病模型（susceptible infected recovered model，SIR）刻画了谣言传播过程;Fei Xiong等人[8]将Twitter网络中的用户分为四类，利用传染病传播动力学方程，模拟仿真不同传播速率下网络模型的动态变化。但由于基于传染病的模型没有考虑微博用户个体的差异性、自主性与交互性[9]，因而无法细致地刻画信息传播的过程。近年来，多Agent技术的发展为研究信息传播提供了新的思路。李志宏等人[10]利用多Agent主体建模方法，并基于Repast平台模拟了突发性公共危机信息的传播过程;朱思怡等人[11]结合多Agent技术，对微信恶意代码的传播特点及影响进行仿真;蔡淑琴等人[12]以病毒传播模型为基础，结合多Agent建模方法，研究了网络社区中负面口碑信息的传播;刘长星等人[13]运用多Agent建模理论和方法，建立了网络舆论传播模型。基于此，本文利用多主体建模与仿真技术[14]，通过考虑微博用户个体差异性、用户之间的强弱关系以及不同关系下影响信息传播的因素，将微博网络信息传播过程中的人抽象为相应的Agent个体，充分考虑个体的自主性和差异性[15]，从微观层次研究讨论相关因素对微博信息传播的影响。该研究对管控微博信息传播具有重要意义。

1微博信息传播机制

微博中，信息传播主要是依靠用户的转发行为[16]。微博用户关系可分3种，即：互粉、粉丝、陌生人[17]。最基本的用户关系是通过相互关注或者单向关注而形成，产生关注关系之后，被关注者发布消息就会出现在关注者页面。同时，微博的热搜、推荐等功能也为陌生人之间提供了信息获取渠道，有助于信息在陌生人关系下进行传播。微博用户之间可能存在的用户关系示意图如图1所示。图1中，箭头指向被关注者，双向箭头代表互相关注关系（互粉），单向箭头代表单向关注关系（粉丝），无连线代表陌生人关系。图中，用户A与用户B为单向关注关系，用户A与用户C为互相关注关系，用户B与用户C为陌生人关系。

2基于多Agent的微博社交网络信息传播模型

2.1Agent的属性

将微博用户抽象为Agent，通过分析微博用户的特性，对Agent的属性描述如下：

1）对信息的态度Si，表示Agenti对信息真伪性所进行的主观判断，Si值在区间[0，0.5]上表示相信信息，Si值在区间（0.5，1]上表示怀疑信息。

2）个体网络影响力Ui，表示Agenti影响力的大小。由Agent所拥有的粉丝数量来衡量，粉丝数越大，其影响力越高。其取值区间为[0，1]，取值越接近1表示影响力越大。

3）主体认同度Idi表示Agenti对传播用户认同程度，其值为[0，1]，取值越接近1，表示认同度越高。

4）信息内容与主体兴趣相似度Ji表示Agenti的兴趣爱好与信息内容的相似程度。用户对信息感兴趣的程度对用户转发信息行为有较大影响，其取值为[0，1]，取值越接近1，表示主體兴趣相似度越高。

2.2Agent间的关系强度

Agent间关系强度Ri，互相关注表示为强关系，关注双方一般为朋友、同学、同事等关系，双方相互了解，相互间的认同感影响较大，用Ri=2表示。单向关注表示为弱关系，关注者单方面受被关注者的网络影响力影响较大，在微博里一般表现为粉丝追星行为等，用Ri=1表示。陌生人关系由于缺少关注联系为最弱关系，用Ri=0表示。

2.3信息价值

通常来说，信息本身的价值属性会决定信息的传播范围，如果一个信息的价值微乎其微，那么其信息几乎得不到有效传播[18]。因此Agent在信任信息之后，会考虑信息内容价值是否能引起自己的兴趣，决定是否要转发该信息。本文假设信息的基本价值为V，其取值区间为[0，1]。

2.4基于多Agent的决策规则

（1）设用户Agentj关注Agenti，Agenti作为传播信息源发出信息，则Agentj作为Agenti的粉丝将接收信息。

（2）若Agentj此前未接触过信息，且Sj∈0，0.5时，Agentj将信任信息的真实性，当Agentj信任信息之后，会根据用户关系进一步确定是否转发信息的决策。

1）当Rj=2，定义Agentj转发决策函数f1=a1V+b1Idj。如果f1>θ1，Agentj将转发该信息，否则Agentj将拒绝转发信息。其中，a1、b1、θ1为常数，且a1+b1=1，其值可根据实际情况作调整。

2）当Rj=1，定义Agentj转发决策函数f2=a2V+b2Ui。如果f2>θ2，Agentj将转发信息，否则Agentj将拒绝转发该信息。其中，a2、b2、θ2为常数，且a2+b2=1，其值可根据实际情况作调整。

3）当Rj=0，定义Agentj转发决策函数f3=a3V+b3Jj。如果f3>θ3，将转发信息，否则Agentj将拒绝转发信息。其中，a3、b3、θ3为常数，且a3+b3=1，其值可根据实际情况作调整。

（3）若Agentj此前未接触过信息，且Sj∈0.5，1时，Agentj将怀疑信息的真实性，拒绝转发信息。

（4）若Agentj已接触并转发信息，则保持状态不变，不再进行任何决策行为。

（5）若Agentj已接触并拒绝转发信息，则保持状态不变，不再进行任何决策行为。

Agent决策流程图如图2所示。

3.1仿真网络生成

本文对微博网络的仿真研究基于无标度网络模型进行，其仿真网络构造算法如下：

Step 1： 初始化网络。网络初始化为具有n0个节点相互连接的连通网络。

Step 2： 节点增长特性。每一个时间点都在网络中生成一个新的节点i，并创建一条新生节点与旧节点j之间的连线。

Step 3： 边的优先连接特性。新节点i与旧节点j连成新边的概率与旧节点j的度成正比[19]。

Step 4： 返回Step 3，直到网络中节点数达到目标要求停止。

Step 5： 对网络中的边进行加权，以区分单向关注关系与双向关注关系。

基于上述设计，采用仿真平台Netlogo进行仿真实验，设定网络节点数N=400，初始状态未知信息人数为399人，传播信息人数为1人，仿真参数设置如如图3所示，初始化网络如图4所示。

3.2实验结果与讨论

1）微博信息传播效果随时间的变化。微博信息传播的变化趋势图如图5所示，由图5可以看出，曲线M代表未知信息个体数在初期短时间内呈现出迅速下降的趋势，并最终变化为曲线P代表的传播信息个体与Q代表的拒絕传播信息个体，知道微博信息的人数迅速增加，这体现了微博信息裂变式的扩散模式。

2）个体怀疑性对微博信息传播的影响。微博社交网络中用户个体对信息存在积极与消极两种不同的态度，一是相信，二是怀疑。设置微博用户个体的初始态度[20]为[0，0.5]和[0，1]，设定信息怀疑阈值为0.5。个体怀疑性对信息传播的影响如图6所示。图6a为微博个体用户初始态度在[0，0.5]，即相信信息，对信息持有积极的态度。图6b为微博个体用户初始态度在[0，1]，即既有积极的信任态度，也有消极的怀疑态度。从实验结果上分析，当微博个体存在怀疑性时，网络中传播信息个体数为76人，拒绝传播信息的人数为324人，而不存在怀疑性时，网络中传播信息的个体数为137人，拒绝传播信息的人数为263人。用户态度对信息传播有一定阻碍作用，因此，为了信息传播的范围更广，发布者要提高信息描述的规范性与准确性，使其他用户可以正确判断信息真假。

3）信息价值对微博信息传播的影响。微博信息传播的效果很大程度上取决于信息本身所含价值的大小。信息价值对信息传播的影响如图7所示。图7a～图7c分别代表信息价值为0.8，0.5，0.2时网络中的个体变化情况。对比曲线P代表传播信息的人数，从左至右依次为118，50，14人，信息的价值越小，参与信息传播的人数越小，当信息的价值接近于0时，网络中传播此信息的人数非常少，大部分人对此条无价值的信息都是持拒绝转发的态度，由图7可以看出，曲线Q代表拒绝传播信息的人数越来越多。

4）影响力对微博信息传播的影响。影响力对信息传播的影响如图8所示。图8a和图8b分别表示影响力为0.8和0.2时，网络中的个体变化情况，图8a中，曲线P代表的传播信息个体数量大约为143人，图8b为98人。曲线M代表网络中尚未接触的人数，由实验结果可得，图8a中信息传遍网络的时间为1 336个时间点，图8b为1 559个时间点。

由图8及实验结果分析可知，微博个体影响力越大，受其影响而转发信息的用户越多，信息传播的广度越大，而信息传播广度的增加又加速了信息的传播效率，使达到最大传播范围所用的时间越少。因此，对于一些积极正面的信息或者重大信息需要快速传播，可以通过这些影响力大的微博个体用户进行传播。对于政府监控一些负面虚假消息的传播时，应着重监控影响力大的节点，从而降低负面消息的传播速率。同时，影响力越大的用户越应该提高自身素质，坚决抵制传播虚假与负面信息。

4结束语

本文运用多Agent建模的方法对微博社交网络中信息传播和影响因素进行建模，定义了微博用户的属性与交互规则，从微观层次描述了信息传播的过程，进一步丰富了微博社交网络信息传播的理论研究。并且通过仿真实验，分析了个体态度、影响力等因素对微博信息传播的影响，对个人或政府部门有效利用微博信息，宣传有价值信息、加强网络信息监控等具有一定实际意义。但本研究还存在一定的不足，本文的仿真网络是基于无标度网络算法生成的，下一步将考虑运用实际微博数据构建仿真网络。

参考文献：

[1]彭川， 李元香. 在线社交网络信息传播问题研究综述[J]. 计算机与数字工程， 2016， 44（11）： 21982203.

[2]崔金栋， 郑鹊， 孙硕. 微博信息传播模型及其演化研究综述[J]. 图书馆论坛， 2018， 38（1）： 6877.

[3]游新年， 刘群. 基于传染病模型的微博信息传播预测研究[J]. 计算机应用与软件， 2016， 33（5）： 5356.

[4]Kermack W O， McKendrick A G. Contributions to the mathematical theory of epidemics[J]. Proceedings of the Royal Society A， 1927， 115（5）： 700721.

[5]Hethcote H W. The mathematics of infectious diseases[J]. SIAM Review， 2000， 42（4）： 599653.

[6]Hegselmann R， Krause U. Opinion dynamics and bounded confidence models， analysis， and simulation[J]. Journal of Artificial Societies and Social Simulation， 2002， 5（3）： 2.

[7]许晓东， 肖银涛， 朱士瑞. 微博社区的谣言传播仿真研究[J]. 计算机工程， 2011， 37（10）： 272274.

[8]Xiong F， Liu Y， Zhang Z J， et al. An information diffusion model based on retweeting mechanism for online social media[J]. Physics Letters A， 2012， 376 （30/31）： 20132018.

[9]李玮， 毕贵红， 张寿明. 基于Agent动态网络的疾病传播模型[J]. 计算机工程， 2012， 38（1）： 2428.

[10]李志宏， 王海燕， 白雪. 基于网络媒介的突发性公共危机信息传播仿真和管理对策研究[J]. 公共管理学报， 2010， 7（1）： 8593.

[11]朱思怡. 基于Agent的微信移动社交平台恶意代码传播模型[D]. 黑龙江： 哈尔滨工业大学， 2016.

[12]蔡淑琴， 王伟， 周鹏， 等. 基于多智能体的网络社区负面口碑信息传播研究[J]. 计算机科学， 2016， 43（4）： 7075.

[13]刘常昱， 胡晓峰， 罗批， 等. 基于Agent的网络舆论传播模型研究[J]. 计算机仿真， 2009， 26（1）： 2023.

[14]李春发， 刘凯， 王晟锴. 基于MultiAgent的政府干预下虚假舆情传播规律与控制决策[J]. 现代情报， 2018， 38 （5）： 5561.

[15]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.

[16]陈慧娟， 郑啸， 陈欣. 微博网络信息传播研究综述[J]. 计算机应用研究， 2014， 31（2）： 333338.

[17]張永， 华姗姗， 张航. 基于转发行为影响因素的SCIR信息传播模型[J]. 计算机工程， 2018， 44（11）： 282288， 299.

[18]王小立. 智能多Agent网络的微信信息传播仿真研究[J]. 现代图书情报技术， 2015（6）： 8592.

[19]Barabási A L， Albert R. Emergence of scaling in random networks[J]. Science， 1999， 286（5439）： 509512.

[20]黄宏程， 孙欣然， 胡敏. 基于节点态度的社交网络信息传播模型[J]. 工程科学与技术， 2018， 50（1）： 113119.

Multi-Agent Based Information Dissemination Model of

Microblog Social NetworkHE Penga， LI Juna， DONG Tiantiana， WANG Jirongb

（a. College of Computer Science & Technology;

b. School of Electromechanic Engineering， Qingdao University， Qingdao 266071， China）Abstract：  An information transmission model of microblog social network was established based on multiagent， considering the individual differences of users and the relationship strengths among users. The microblog users have been abstracted as agents. The attributes of agents are defined. The information spread mechanisms in microblog social network are analyzed. The interaction rules among agents are defined. The factors influencing information transmission behavior under different relationship strengths among microblog users are considered. The simulation results show that the spread of microblog information is a fission diffusion mode， and the attitude and influence of microblog users play an important role in promoting the spread of information. The relevant influence variables proposed in the study have certain enlightenment for the effective use and control of microblog information dissemination.

Key words：  microblog social network; information dissemination model; user strength relationship; multi-agent

收稿日期： 2020-01-10; 修回日期： 2020-02-13

作者简介：  贺鹏（1994-），男，硕士研究生，主要研究方向为系统仿真与建模。

通信作者：  李军（1963-），男，博士，教授，硕士生导师，主要研究方向为系统仿真与建模。 Email： lijun@qdu.edu.cn