官方信息控制下的舆情传播模型研究的制作方法

1.本发明涉及舆情分析领域，特别是涉及一种基于官方信息控制下的舆情传播模型研究。


背景技术：

2.目前，我国正处于经济发展和转型的关键期，重大突发事件频发，容易形成网络舆情。由于网络上的舆情具有形成途径多、传播速度快、扩散范围广等特点，当突发事件出现时，舆情将迅速蔓延。如果此时相关部门处理不当，有引发舆论危机的可能，甚至会影响社会稳定性。因此，研究官方信息对舆情传播的影响对舆论监督和维护公共安全方面具有重要意义。
3.舆情作为一种具有复杂性和关联性的网络，与复杂网络结构高度相似，故复杂网络已经逐渐成为研究舆情网络的一种重要手段。传染病模型。是将复杂网络模型化的常用方式，也被应用于舆情网络中，通过数学模型模拟舆情网络中信息的传播过程，并对网络中信息的传播机制进行深度分析。因此，本文以复杂网络为基础进行基于官方信息控制的舆情传播模型研究与分析。


技术实现要素：

4.本发明针对已有传染病模型存在的问题，提出了官方信息控制下舆情传播模型(official information-susceptible exposed infected recovered，oi-seir)。该模型综合考虑以下因素：
①
时延性：虚假信息和官方信息往往不是同时发布的，虚假信息产生后，形成网络舆情，造成不良影响，官方才会在网络中发布正确信息，因此官方信息相比虚假信息具有一定的时延。
②
潜伏性：舆情网络中存在大量接收到信息但暂时不传播信息的用户，即潜伏节点。此类用户是官方信息注入时，容易改变状态的节点，更容易支持官方信息的传播。
③
转换性：随着官方信息的注入，虚假信息传播者也是有可能向官方信息传播者进行转换的。因此oi-seir模型对官方信息和虚假信息的传播者进行详细划分。综上所诉，我们的模型更适应实际情况。
5.所述oi-seir传播模型包括以下步骤：
6.1)节点集划分。将节点集划分为五类，包括：s(susceptible，易感节点)，e(exposed，潜伏节点)，if(false infected，非官方信息传播节点)，io(official infected，官方信息传播节点)，r(recovered，免疫节点)。
7.2)微分方程的建立。根据所提setqr模型结构图，建立微分方程，模拟网络中信息传播过程。
8.3)定义oi-seir模型中的网络节点的态度值，从理论上推导出网络中各类型节点的态度转换率的计算公式。
9.4)实际案例仿真实验。
10.上述步骤1中节点集划分的方法为：
11.在oi-seir模型中，将节点集划分为五类，包括：s(susceptible，易感节点)，e(exposed，潜伏节点)，if(false infected，非官方信息传播节点)，io(official infected，官方信息传播节点)，r(recovered，免疫节点)。
12.上述步骤2中微分方程的建立的方法为：
13.根据所提setqr模型结构图，建立微分方程，模拟网络中信息传播过程。
14.oi-seir模型包含信息传播层和官方控制层，信息控制层包含易感节点s、潜伏节点、e非官方信息传播节点if和免疫节点r；官方控制层包含官方信息的传播者io。
15.上述步骤3中，定义oi-seir模型中的网络节点的态度值，从理论上推导出网络中各类型节点的态度转换率的计算公式的方法如下：
16.定义节点态度值表示节点在某一时刻对所接收到的官方信息的认可程度，其数值大小随时间发生变化。随着政府等官方部门的介入，在经过时延后，舆情网络中的各类型节点开始向官方信息传播节点转换。根据态度值，分别定义直接免疫率，潜伏免疫率和感染免疫率。
17.上述步骤4中，实际案例仿真实验的方法如下：
18.以北大女硕士在美失联，疑遭“假警察”绑架事件这一真实事件为例，研究官方信息对舆情传播进程的控制作用以及不同干预点和干预力度对控制效果的影响。
19.在获取案例初始参数时，需要对案例中舆情传播所经历的全过程进行实时追踪，并对微博客户端内所有用户的状态变化情况进行详细统计，具有高度复杂性。为了在确保数据准确性的前提下，尽可能降低复杂性，本文选取微博粉丝数高，粉丝互动量大的“人民日报”官方微博账号作为数据统计对象。其中，初始节点比例和转换率为自设值，初始态度值、初始免疫率和时延是利用专业爬虫工具进行数据爬虫后，得到的统计结果。
20.实验结果表明：
21.(1)政府等相关部门对舆情网络的控制和引导是十分重要且有效的。官方信息的注入，成功地改变了舆情网络走向，将其引导至正确的方向，避免谣言信息进一步扩散。
22.(2)时延t不会改变舆情网络的整体扩散趋势，但会增加非官方信息在网络中传播的时间。因此，时延t越小，即官方信息注入舆情网络越早，非官方信息越快在网络中消失，使得整个舆情网络达到平稳。
23.(3)直接免疫率ε(0)对政府等相关部门对舆情网络的控制和引导效果有很大影响，过小的初始直接免疫率ε(0)会大大削弱官方信息的控制效果，使得非官方信息传播节点if在网络中反复出现，降低了正确消息的引导作用，延长了舆情消除的时间。
24.(4)潜伏免疫率η对政府等相关部门对网络的控制和引导效果有较小影响，但过小的初始潜伏免疫率η(0)会增加网络达到平衡所需时间，降低信息引导的效率。
25.(5)感染免疫率θ对政府等相关部门对舆情网络的控制和引导效果有较大影响，过小的初始直接免疫率ε(0)会在一定程度上削弱官方信息的控制效果，使得非官方信息传播节点if在网络中存在更长的时间。
附图说明
26.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
27.图1为本发明的模型结构图。
28.图2为官方信息对舆情的控制作用图。
29.图3为时延对控制效果的影响图。
30.图4为初始直接免疫率对控制效果的影响图。
31.图5为初始潜伏免疫率对控制效果的影响图。
32.图6为初始感染免疫率对控制效果的影响图。
具体实施方式
33.下面结合附图对本发明的具体实施方式做进一步的详细描述。
34.图1为本发明的模型结构图。信息在oi-seir网络中的传播过程描述如下：
35.设网络中节点总数为n，n＝[1，k，i，k，j，k，n，k]，在同一网络中n保持不变。各节点间状态的转移概率都在区间[0，1]上，即0≤a，b，c，d，e，ε，η，θ≤1。用t表示信息传播时间，在时间t∈(0， ∞)，信息在oi-seir模型中的传播过程描述如下：
[0036]
(1)t＝0
[0037]
当t＝0时，谣言信息在网络中产生。
[0038]
(2)t∈(0，t)
[0039]
当t∈(0，t)时，网络中只存在谣言信息。网络中易感节点s以a的概率先转换为潜伏节点e，再以c的概率从潜伏节点e转换为非官方信息传播节点if。易感节点s也可以以b的概率直接由易感节点s转换为非官方信息传播节点if。非官方信息传播节点if以d的概率转换为免疫节点r，免疫节点r以e的概率转换为易感节点s。
[0040]
(3)t＝t
[0041]
谣言信息在舆情网络中传播一段时间后，政府等官方部门对该事件给予高度关注，并计划发布官方信息，将舆情向正确的方向引导，避免谣言信息的进一步扩散。在本文中，我们将舆情网络中开始出现谣言信息到政府等相关部门发布官方信息这一时间间隔称为官方信息的时延，用t表示。
[0042]
当t＝t时，政府等官方部门正式发布官方信息，控制舆论走向。
[0043]
(4)t∈(t， ∞]
[0044]
当t∈(t， ∞]时，网络谣言信息与官方信息并存。网络中的各类节点开始以不同的概率向官方信息传播节点io转换。其中，易感节点s以ε的概率转换为官方信息的传播者io，ε称为直接免疫率；潜伏节点e以η的概率转换为官方信息的传播者io，η称为潜伏免疫率；非官方信息传播节点if以θ的概率转换为官方信息的传播者io，θ称为感染免疫率。若政府等官方部门对谣言的引导成功，则随着时间推移网络中只存在官方信息的传播者io；若政府等官方部门对谣言的引导失败，随着时间推移网络中只存在非官方信息的传播者if。
[0045]
图1示出了本发明的模型结构图，其中具体的步骤如下：
[0046]
1、节点集划分。
[0047]
将节点集划分为五类，包括：s(susceptible，易感节点)，e(exposed，潜伏节点)，if(false infected，非官方信息传播节点)，io(official infected，官方信息传播节点)，r(recovered，免疫节点)。节点具体含义如下表1所示。
[0048]
表1.节点状态分类
[0049][0050]
2、微分方程的建立。
[0051]
设在t时刻网络中易感节点、潜伏节点、非官方信息传播节点和官方信息传播节点和免疫节点所占比例依次为：s(t)、e(t)、if(t)、io(t)和r(t)，由于网络中用户总数保持不变，则可以得到下式(1)。
[0052]
s(t) e(t) t(t) q(t) r(t)＝1
ꢀꢀꢀꢀ
(1)
[0053]
在t＝0，即信息传播初始时刻，各节点在网络中所占比如下式(2)。
[0054][0055]
oi-seir模型的微分形式，如下式(3)所示。
[0056][0057]
3、定义oi-seir模型中的网络节点的态度值，从理论上推导出网络中各类型节点的态度转换率的计算公式。
[0058]
节点态度值表示节点在某一时刻对所接收到的官方信息的认可程度，其数值大小随时间发生变化。a
p
(t)表示t时刻节点的态度值，则有：
[0059]ap
(t 1)＝a
p
(t) γ
p
←q(t)
ꢀꢀ
(4)
[0060]
其中，a
p
(t 1)表示天t 1时刻节点的态度值，a
p
(t)∈[-1，1]。当a
p
(t)＝-1时，节点i完全拒绝所接收到的信息；当a
p
(t)＝1时，节点i完全接受所接收到的信息。
[0061]
γ
p
←q为节点间态度影响值，其物理意义为：某一时刻节点p的态度值受到该时刻网络中其他节点的影响程度。
[0062][0063]
其中，m为在t时刻对节点p态度值产生影响的节点类型的集合，简称影响集。影响集m包括非官方信息传播节点if和官方信息传播节点io，即m∈(if，io)。
[0064]
随着政府等官方部门的介入，在经过时延t后，舆情网络中的各类型节点开始向官方信息传播节点io(t)转换。下面，我们将分别定义直接免疫率ε(t)，潜伏免疫率η(t)和感
染免疫率θ(t)。
[0065]
定义1：直接免疫率ε(t)
[0066][0067]
将公式(4)和(5)带入公式(6)，得到公式(7)。
[0068][0069]
定义2：潜伏免疫率η(t)
[0070][0071]
将公式(4)和(5)带入公式(8)，得到公式(9)。
[0072][0073]
定义3：感染免疫率θ(t)
[0074][0075]
将公式(4)和(5)带入公式(10)，得到公式(11)。
[0076]