自媒体时代的消息传播问题分析

自媒体时代的消息传播问题分析

摘要

本文针对自媒体平台上信息传播过程问题，选择合适的自媒体平台和信息建立一系列相应的模型。文中通过类比生物学中传播病的传播方式和物种增长的特点，分别建立改进的SIR传播模型、关联信息相互作用的IDM模型等。然后使用MATLEB，R软件，通过具体数据，定量地对模型进行仿真模拟，探究出不同类型在同一自媒体和相同类型在不同自媒体中传播过程的差异，并根据建立的相关模型，给自媒体平台管理提出意见。

针对问题一，建立SIR传播模型，用以研究信息在自媒体平台上传播过程。首先，选取很具有代表性的自媒体平台微博，作为信息发布的平台，并对其信息传播特点进行分析。然后利用物理学中平均场近似法，把微博网络的节点信息交互作用平均化，并把微博的全部用户看做一个种群，把信息在微博用户中的传播看做病毒在种群中的传播，把各个用户看做节点，最后在此基础上，建立SIR传染模型，达到合理对信息在自媒体平台传播过程的模拟。

针对问题二，建立关联信息之间相互作用的IDM模型，解决两个相关联信息之间的泛化竞争传播问题。根据SIR传播模型的基础上，把两个相互关联的信息在自媒体中的传播，分解为在子网络中的子让增长过程和不同子网络间的扩散问题。对Fisher模型和Diffusive Logistic模型进行改进，建立关联信息之间相互作用的IDM模型，得出两个相关联信息之间相互促进或抑制的条件，进而得出关联信息出现后，原信息的传播变化。

针对问题三，在SIR传播模型的基础上，通过采集历史具体数据，定量的对不同类型的信息在相同自媒体平台和相同信息在不同自媒体平台中传播过程进行模拟，通过可视化的结果，具体分析出存在的相似与差异，并对问题一模型进行定量的验证。

针对问题四，在SIR传模型播关联信息相互的IDM的模型以及问题三定量的验证的基础上，在自媒体管理的管理中，对于不良信息，管者不能听之任之，应做到在关键节点，进行“疏”，“堵”有度，科学控管。

关键词：自媒体SIR传播模型IDM模型信息传播

Abstrct

In this paper, aiming at the process of information dissemination from the media platform, we choose a suitable series of media platforms and informati on to establish a series of corresponding models. In this paper, the improved S IR propagation model and the IDM model of the interaction of the information are established by the propagation mode of the transmission disease and the c haracteristics of the species growth in the analogy biology. Then, we use MAT LEB, R software to simulate the model quantitatively through the concrete data, and find out the difference of different types in the same media and the sam e type of propagation in different media. According to the relevant model, Plat form management.

For the problem one, the SIR propagation model is established to study th e propagation of information on the media platform. First of all, select a very representative from the media platform microblogging, as a platform for inform ation dissemination, and its information dissemination characteristics of the anal ysis. And then use the average field approximation in physics, the microbloggi ng network node information interaction is averaged, and the microblogging of all users as a population, the information in the microblogging users as the s pread of the virus in the population Communication, the user as a node, and f inally on this basis, the establishment of SIR infection model, to achieve a rea sonable information in the media platform from the process of simulation.

In order to solve the problem, the IDM model of the interaction between the related information is established, and the problem of generalized competiti on propagation between the two related information is solved. the diffusion pro cess in the sub - network and the diffusion between different sub - networks. The Fisher model and the Diffusive Logistic model are improved to establish t he IDM model of the interaction between the related information, and the cond itions of mutual promotion or suppression between the two related information are obtained. Then, after the occurrence of the related information, the propaga tion of the original information The

Based on the SIR propagation model, the data of different types of inform ation are simulated in the same media platform and the same information in di fferent media platforms by collecting the historical data. Through the visualizati on results, Analyzes the existing similarities and differences, and quantifies the problem-model quantitatively.

In the case of the management of the media management, for the bad inf ormation, the supervisor can not let it be, and should be done at the key node, and in the case of the IDM model of the SIR transmission model, To carry out "sparse", "blocking" a degree, scientific control.

Keywords: media SIR propagation model IDM model information dissemin ation

1.问题重述

电视剧《人民的名义》中人物侯亮平说：“现在是自媒体时代，任何突发性事件几分钟就传播到全世界。”相对于传统媒体，以互联网技术为基础的自媒体以其信息传播的即时性、交往方式的平等性和交往身份的虚拟性等特点，已经成为公民获取信息、表达情感与思想、参与社会公共生活的重要载体，并逐渐渗透到政治、经济、文化、社会等诸多领域。本文将结合实际情况，建立数学模型，解决以下问题：

1.我们将建立一条消息在自媒体平台上传播的数学模型，并以“中共中央、

国务院决定设立河北雄安新区”这条消息为例，分析其传播过程。

2.若某条消息在自媒体传播的过程中，如果出现了新的与之高度关联的消息

（例如相关单位或知名人士发布了新的消息），建立数学模型，分析并说明新消息出现后传播过程的变化情况

。

3. 建立数学模型分析（1）不同类型的消息在自媒体传播过程中是否存在差

异？（2）同一消息在不同自媒体平台上传播是否存在差异？并通过数值算例进行验证。

4. 结合所建立的模型，写一份分析报告，阐述对自媒体时代消息传播的见解

或看法，并进一步提出自媒体平台管理的建议。

2.问题分析

本文研究的信息在自媒体平台的传播问题，对本问题的求解分为个步骤：第一、利用文献资料查找出各类自媒体平台的特点，并选取微博这类主流的自媒体平台为代表作深层次的探究。。第二、由于信息在微博的传播机制和传染病非常类似，我们将某一条信息类比成某个物种，把自媒体中的所有用户以及社交关系相当于整个生态圈，信息在自媒体中的传播过程，相当于生物从一个种群利用所在的生态环境中的资源来发展自身规模的过程，因此选取适合传染病传播的SIR 模型并参考了Fisher模型和Diffusive Logistic模型之后，提出IDM模型。第三、通过所建立的模型分析并仿真了消息在自媒体平台的传播过程。第四、，综合分析问题一、二、三的结论阐述了我们对自媒体时代消息传播的见解或看法，向自媒体管理平台提出关于自媒体平台管理的建议。

本文的总体结题思路如图所示。

图1 解题思路流程图

具体问题的分析：

（1）问题一的分析

问题一要求我们以中共中央、国务院决定设立河北雄安新区”这条消息为例，分析其传播过程。针对问题一，首先，分析消息在自媒体平台的传播机制，发现信息传播的机制和传染病传播机制一样，我们选取微博这一主流自媒体平台为代表进行研究。在认真的分析了微博传播的特点之后，我们发现，微博传播信息的特点符合传染病模型即SIR模型，但是，微博传播的过程尽管和传染病的传播很类似，但是还是有很大不同，所以我们需要对传统的SIR模型改进。

（2）问题二的分析

问题二要求我们建立了数学模型，分析并说明当某条消息在自媒体传播的过程中，出现了新的与之高度关联的消息之后的传播过程的变化情况，受问题分析结果的影响，针对问题二，我们将某一条信息类比成某个物种，把自媒体中的所有用户以及社交关系相当于整个生态圈，信息在自媒体中的传播过程，相当于生物从一个种群利用所在的生态环境中的资源来发展自身规模的过程。我们参考F isher模型和Di ffusive Logistic模型之后，提出IDM模型。

（3）问题三的分析

问题三要求通过对比分析探究不同类型的信息在相同自媒体平台和相同类型的信息在不同自媒体平台上的传播过程的是否存在差异，因此，需要在问题一建立的SIR感染模型的基础上通过采集到的定量数据代入模型进行验证，进而得到可视化结果，通过比较结果的差异从而得出信息在自媒体中真实的传播过程。

（4）问题四的分析

问题四要求我们根据问题一、二、三的研究结果，写一份报告，阐述我们对自媒体时代消息传播的见解或看法，向自媒体管理平台提出关于自媒体平台管理的建议。针对问题四，在本文研究结果的基础上结合实际情况，阐述了我们队对自媒体时代消息传播的见解和看法，最后我们想自媒体管理平台平台提出了关于自媒体管理的建议。

3.模型假设

假设一：所针对的自媒体平台用户短时间内数量基本不变；假设二：不考虑独特的信息类型；

假设三：假设各类信息传输条件相同；

假设四：假设只考虑信息的三个指标；

4.符号说明

符号含义

U N S I R S(t) I(t R(t) k λ(k) β(k) n(k) d

微博用户节点的有限集合

节点总数目

未听说过信息的微博网络节点

听说过信息并传播的微博网络节点

听到过信息但并不传播的微博网络节点

未感染节点密度

传播节点密度

免疫节点密度

微博网络中的平均节点度

S转化为I的概率

K转化为不传播信息的R的概率

S与R交互时S转化为R的概率

表示子网络中点到相应信息源的跳数

5.模型的建立与求解

5.1改进的SIR传播模型

自媒体时代已经到来，所谓自媒体，是指私人化、平民化、普泛化、自主化的传播者，以现代化、电子化的手段，向不特定的大多数或者特定的单个人传递规范性及非规范性信息的新媒体的总称。自媒体平台包括：博客、微博、微信、百度官方贴吧、论坛/BBS等网络社区[1]。微博是自媒体时代较为具有代表性的产物，所以对于问题一，主要以“中共中央、国务院决定设立河北雄安新区”这条消息在微博的传播为例，建立其模型并分析其传播过程

5.1.1传播特点分析及模型选择

在微博平台中，每个用户可以都看到他们所关注的用户发布的微博，并且会以一定的概率评论转发，评论转发的微博同样也会被其他关注的用户看到．在微博的信息传播过程中，相信信息的真实性并且转发微博的用户成为信息传播者；如果对信息的内容不感兴趣或者从一开始就不相信信息的真实性从而不转发，这些用户成为信息免疫者。而微博信息的传播过程可以很好地满足以上三个假设。首先，某条微博的转发人数是一个确定的数；其次，每个读过已转发用户微博都有可能再次转发；而且已转发的读者里有相当一部分不会再次转发。因此我们选取SIR模型[2]对微博信息的传播进行仿真，并以此讨论其传播规律。SIR模型的大致过程如下：

图2 SIR模型图

5.1.2模型的构建与求解：

（1）微博网络：微博网络符合小世界网络的特性，由于小世界网络的度是符合幂指数分布的，所以微博网络可以被认为是所有节点的度都近似相等的均匀网络．利用统计物理学中的平均场近似方法，忽略那些局部不平等的相互作用，把微博网络中的节点信息交互作用平均化．由此微博网络可表示为一个二元组

｛U,T｝。U代表微博用户节点的有限集合，u i∈U代表具体的节点，令节点总数目为N，则

U=｛u1，u2，…，u N｝；

T为U×U的任一子集合，T={(u i,u j)|u i,u j∈U}。

若存在（u i,u j）∈T，则表示u i与u j进行信息交互，即阅读微博、转发或者评论微博。

（2）信息传播网络：微博中的信息传播网络可表示为一个四元组{S，I，R，T}。

S代表从未听说过信息的微博网络节点，处于未感染状态，类似于传染病模型中的易感者，设总数为l，

S={s1，s2,…,s l}。

I代表听说过信息并传播的微博网络节点，处于传播状态，类似于传染病模型中的感染者，设总数为m，则有：

I={i1，i2，…，i m}.

R代表听到过信息但并不传播的微博网络节点，处于免疫状态，类似于传染病模型中的免疫者，设总数为n，则：,

R={r1,r2,…,r n}.

其中S?U，I?U，R?U，并且

l+m+n=N.

有六种情况，代表着，以及相互交互的6种结果，即微博网络中信息交互有6种情况，分别如下图所示是：

第①种情况第②种情况

第③种情况第④种情况

第⑤种情况第⑥种情况

图3 信息交互转化图

由以上6种交互结果来看，产生变化的有三种，分别是第②、第③和第⑤种情况．其中第③种情况显示s i没有经过i i的状态转换，而是直接变为r i，产生了直接免疫的情况。

引进封闭世界假设，即信息从微博网络中产生，并且信息仅在微博网络中传播．同时，假设微博网络中未感染节点和传播节点均匀混合．根据上面的相关定义和假设，研究微博信息传播规律和预测方法．

（3）节点密度

微博网络中，S(t)表示群体中在t时刻，处于未感染状态的节点占微博网络

节点总数的比例，称为未感染节点密度；I(t)表示群体中在t时刻，处于传播状态的节点占微博网络节点总数的比例，称为传播节点密度；R(t)表示群体在t时刻，处于免疫状态的节点占微博网络节点总数的比例，称为免疫节点密度．S(t),I(t), R(t)三者满足归一化条件：

R(t)+I(t)+S(t)＝１．

本文只建立一般情况下的数学模型，也即人口的总数不发生变动，不考虑出生率和死亡率对人群的影响，我们将人群中所有的个体N分成三类：即易感染者、已感染者、已免疫者。其中，易感染者以一定概率λ被已感染者感染，已感染者以一定概率β被治愈后变成已免疫者，已免疫者由于有了抗体不会再次被感染。

基于以上的说明，我们把未转发的终端S看作易感染者，将已经转发微博了的终端I看作已感染者，将已淹没的用户R看作已经治愈者，t为单位时间，那

么SIR模型就可以用来描述“雄安新区”这条消息在自媒体平台微博上的传播过程，对应的微分方程模型为：

d S(t)/dt=-λ（k）S（t）I （t）（1）

d I(t)/dt=λ（k）S（t）I（t）-β（k）I（t）（2）

d R(t)/dt=β（k）I（t）（3）

（4）转换概率

k为微博网络中的平均节点度，则：λ(k)：从未听过信息的S遇到传播信息

的I时S转化为I的概率；β(k)：传播信息的k转化为不传播信息的R的概率；n (k)：当S与R交互时S转化为R的概率．

（5）直接免疫

在SIR消息息传播模型中，易感者必须经过传播者这个状态才能转变成免疫者，即上文中T的6种情况中第②和第⑤种情况，免疫者对易感者没有影响，但是对于现实社会微博网络中的信息传播，必须要考虑到信息免疫者对信息易感者的影响[3]．

微博网络中互动性非常强，其中信息易感者和信息免疫者双方群体人数的变化与他们相互接触是有关系的，信息易感者在与信息免疫者互动后会以一定概率转变为信息免疫者，一部分信息易感者在了解事实真相后转变为信息免疫者。易感者与信息免疫者在对话题的讨论中可使信息易感者直接转变为信息免疫者，即直接免疫．

在交互中表示si与rj接触，si会以一定概率变为ri，rj不变，即T中第③

种情况（si，rj）→（ri，rj）．

在本文提出的改进SIR微博信息传播模型微分方程中用nS(t)R(t)这一项

来表示直接免疫．nS(t)R(t)在微博网络中代表未感染节点与免疫节点交互后，未感染节点转换为免疫节点的那一部分．

直接免疫性质：

性质1. nS(t)R(t)会减少未感染节点的密度，在标准SIR 微博信息传播模型微分方程组中第一个式子中要减去这一项；

性质2. nS(t)R(t)会加快免疫节点的密度，在标准SIR 微博信息传播模型微分方程组中第三个式子中要加上这一项．考到直接免疫的情况，本文提出的改进的SIR 微博信息传播模型微分方程如下：

d S (t )/d t =-λI (t )S (t )-n (k )S (t )R (t ) (4) d I (t )/d t =λI(t)S(t)-βI(t ) (5)

d R(t)/d t =βI(t)+nS(t)R(t)(6)

在式(4)(5)(6)微分方程组中：第一个方程表示未感染节点密度的变化率；第二个方程表示传播节点密度的变化率；第三个方程表示免疫节点密度的变化率．微博信息传播模型微分方程中的λ，β及n 无法直接求得，本文根据原始数据，利用最小二乘法，使得拟合数据点与原始数据点的距离平方和最小，从而计算求出微博信息传播模型微分方程的转化概率．初始条件：初始时刻信息在微博网络中传播，绝大部分节点为未感染节点，传播节点很少，没有免疫节点．假设节点随机均匀分布在整个微博网络中，从而可得改进SIR 微博信息传播模型初始条件：

S （0）≈1； I （0）≈0； R （0）≈0；

稳定状态：随着信息在微博网络中的传播，S(t)会随着时间的推移逐渐减少到0；I(t)随着时间的推移会达到一个峰值，然后再逐渐减少到0；R(t)随着时间的推移逐渐逼近数值1，从而可得改进SIR 微博信息传播模型稳定状态：

t lim ()lim ()0;t S t I t →∞

→∞

==

t lim () 1.R t →∞

=

局部稳定解：对于改进的SIR 微博信息传播模型式(4)(5)(6)微分方程组R (t )＝1-S(t )-I (t )，所以考虑前两个式子，令d S (t )/d t =0并且d I (t )/d t 得到式(2)的局部稳解（平衡点）（s,i ）＝（1,0），（0,0）或（

()

()n n βλβλλλ

--，） 其中，（s,i ）＝（1,0）和（s,i ）＝（0,0）。

为改进SIR 传播模型初始状态和稳定状态，()

(n βλβλβλλ--（，））为改进SIR 微博信息传播模型的局部平衡点．

由以上初始条件和稳定状态，依照改进SIR 微博信息传播模型，在微博网站中信息的传播过程和规律如下：

（Ⅰ）在某个话题信息开始传播的初始时刻，一小部分节点为传播节点，其他所有节点为未感染节点；

（Ⅱ）在每个时刻t 之内，传播节点向所有节点传播信息，未感染节点以一定概率转变成传播节点；

（Ⅲ）在每个时刻t 之内，某些传播节点对信息不再感兴趣，以一定概率转变成免疫节点；

（Ⅳ）考虑直接免疫的情况，在每个时刻t之内，如果未感染节点与免疫节点连接，未感染节点会以一定概率跳过传播状态直接转变成免疫节点；

（Ⅴ）随着时间推移，最终网络中所有的节点都转变成免疫节点．

5.2相关信息相互作用的IDM模型

对问题一通过建立改进的SIR信息传播的病毒感染模型，已经知道某条信息在自媒体的一般传播过程，在此基础上如果出现了新的与之高度关联的消息，那么在新消息出现后，原来的信息的传播过程将发生什么变化？这是我们接下来要研究的方向。

信息在自媒体中的传播情形类似于物种增长，因此，我们在问题一的启发下，将一条信息类比成某个物种，把自媒体中的所有用户以及社交关系相当于整个生态圈，信息在自媒体中的传播过程，相当于生物从一个种群利用所在的生态环境中的资源来发展自身规模的过程。我们参考Fisher模型和Diffusive Logistic模型之后，提出IDM（Interaction Diffurion Model）模型[4]。关联信息之间的相互作用如下图所示:

图4两个关联信息相互作用图

当社交网络中只有两个相关联信息同时传播时，需要将信息的传播过程分解成在同子网络内传播的自然増长过程和在不同子网间传播的扩散过程，与Fishe r模型[5]和Di ffusive Logistic模型[6]不同，IDM模型认为由于信息源对节点的影

响力随着节点到信息源跳数的増加而有所变化。因此，在每个到信息源不同跳数的子网络中，Fisher 模型中的参数应该是不同的。为了解决这个问题，我们将F isher 模型中的常数参数变换为和子网络中节点到信息源的跳数相关的函数：

211112

2

11112

d (,)

(()()()()()(,))d (,)

(()()()()()(,))X X d t a d b d X t c d Y t X d t D t d

Y Y d t a d b d X t c d Y t Y d t D t d

??=--+????=--+??（,t ）（,t ）

11

(t)(,)(t)(,)

d d X X d t Y Y d t ∞

=∞

===∑∑

其中：d 表示子网络中点到相应信息源的跳数；

X(d,t)表示在t 时刻距离信息X 的源头d 跳的子网络中信息X 的数量； 同理，表示在t 时刻距离信息Ｙ的源头跳的子网络中信息Y 的数量； 1a ()d 表示在距离信息X 的源头d 跳的子网络中信息x 的logistic 参数，也就是logistic 模型中自然増长率；同理，2a ()d 表不在距离信息Y 的源头d 跳的子网络中信息Y 的logistic 参数；

1b ()d 表示在距离信息X 的源头d 跳的子网络中信息X 的自増长参数，其值与自然増长率和子网络对信息的最大容量有关；同理，却表示在距离信息Y 的源头d 跳的子网络中信息Y 的自増长参数；

2b ()d 表示全局环境中信息Y 的增长对在距离信息X 的源头ｄ跳的子网络中信息X 増长的影响参数：如果2b ()0d >信息Y 的传播有利于信息X 的传播，如果2b ()0d <信息Y 的传播会抑制信息X 的传播；同理，1c ()d 表示全局环境中信息X 的増长对在距离信息Y 的源头ｄ跳的子网络中信息Y 増长的影响参数：如果1c ()0d >，信息X 的传播有利于信息Y 的传播，如果2c ()0d <，信息X 的传播会抑制信息Y 的传播。

5.3自媒体信息传播过程中的定量验证

5.3.1信息的分类

下面我们对消息进行目的性分类。首先，我们把那些不可预料到的属于不可

抗力下毫无预兆和征兆下发生的意外不为人所能控制的事件称为突发事件，突发

事件具有的性质成为突发性，能传递突发性事件的信息我们称为突发性信息。其

次，对于大占比的群众的影响较重的属于政府或较大事物机构所决策的事件称为

公众性事件，一则可以向群众传递此类事件的消息我们称之为公众性信息。再次，

生活中的娱乐八卦事件时常发生，我们将此类较日常的娱乐为主的消息称为娱乐

消遣信息。最后，将生活中所能获知的其他消息统一规划为其他类信息。信息分

类图如下：

图5网络信息分类图

5.3.2不同信息类型在微博中传播过程的对比分析

在问题一中我们建立起了公众性信息“中共中央、国务院决定设立河北雄安

新区”在微博SIR传播模型，为了进行对比选用突发性信息“2017-07-06

广东龙门发生客车侧翻事故，致19人死亡多人受伤”的新闻为例，在微博中的传播过

程进行对比，收集的历史数据如下：

表1 示例转发量数据表

天数信息A/转发数信息B/转发数

0 32 10

1 327 67

2 945 198

3 407

4 986

4 19207 5687

5 28079 11089

7 41723 13569

8 44523 14624

9 45403 15729

10 46937 15789

11 46937 15854

12 47102 15894

13 47199 15936

14 47206 15940

15 47315 15944

注信息A为“中共中央、国务院决定设立河北雄安新区”，信息B为“2017-07-06广东龙门发生客车侧翻事故，致19人死亡多人受伤”。

根据微博的传播特点，1条微博信息平均5小时就会被淹没，即其他人不会再看到这条信息，根据这种特点，分别把数据带入问题一建立的SIR感染模型，对转发数进行分析，转发趋势图如下：

图6微博发趋势图

通过上图变化趋势，可以看出，对于两条不同的数据的转发过程中的大致趋势大体一致，都是逐渐增多，最后去趋于稳定，但是具体的传播过程去存在差异，比如数据A大致从第三天开始突增，大概在第10天左右开始趋于稳定，而信息B和信息A的传播时间和最大平稳点却存在差异。

接下来根据前文定义中微博网络信息的传播规则，设定总节点数为Ｎ，初始时刻设定m个传播节点，0个免疫节点，则有Ｎ-m个未感染节点．根据传播规则，每个时刻三种节点数目都会相应变化，记录每个时刻的未感染节点、传播节点和免疫节点的数目，经过微博历史数据进而可以得到各时刻信息A 和信息B三种节点的密度，即S（t）,I(t),R(t),S^(t), I^(t),R^(t)的具体数据．具体数据如下表：

表2 信息节点密度表

天数S（t）I(t) R(t) S^(t) I^(t) R^(t)

1 0.918 0.08

2 0 0.9002 0.0998 0

2 0.822 0.149

3 0.0287 0.7947 0.165 0.0403

3 0.6801 0.2419 0.078 0.4845 0.3223 0.1932

4 0.5122 0.336 0.1517 0.3369 0.362 0.301

5 0.3568 0.3974 0.2458 0.2187 0.35

6 0.425

6 0.2395 0.411 0.3495 0.1515 0.32

7 0.5211

7 0.1619 0.3868 0.4514 0.0901 0.2849 0.6251

8 0.1133 0.3425 0.5442 0.0722 0.2567 0.6711

9 0.0831 0.2921 0.6428 0.0406 0.1959 0.7634

10 0.064 0.2433 0.6927 0.0391 0.1713 0.7896

11 0.0516 0.1996 0.7488 0.0173 0.1195 0.8632

12 0.0432 0.1621 0.7946 0.005 0.1095 0.8855

13 0.0375 0.1308 0.8317 0.0021 0.0662 0.9317

14 0.0334 0.105 0.8615 0.0052 0.0685 0.9262

15 0.0305 0.0841 0.8854 0.0076 0.0372 0.9552

将上表中的数据带入问题一的SIR感染模型，得到各个各时刻信息A和信息B节点密度图总体趋势图，节点密度图如下：

图7信息A节点密度图

信息A为“中共中央、国务院决定设立河北雄安新区”这一消息，此消息为公众性信息，公众性信息的特点在上图中清楚展现：转发速度相对较缓，但较为持续，在第六天转发量达到最高峰，微博信息淹没速度也是以低速率增长的。以上种种情形的产生也符合公众性事件本身的特质。

图8信息B节点密度图

信息B为“2017-07-06广东龙门发生客车侧翻事故，致19人死亡多人受伤”这一消息，此消息为突发性信息：转发率增长速率较大，在第四天转发量达到顶峰，但淹没速度较快，切热度下降快一些，基本符合突发性事件热度升的快，降的也快的特点。

综上所诉，不同类型的信息在同一自媒体传播的过程中，节点密度图的趋势是大致相同的，但是传播的时间以及传染的速度却存在差异。其影响的主要因素是信息本身的性质，即信息与该自媒体平台的用户群体之间的关联程度。

5.3.2同一信息在不同平台中的传播过程分析

在自媒体时代，微博和微信是最具有代表性的两个平台，微博和微信的传播途径大体相同，但的是相比于微博中的信息传播，微信有其独特的特点，用户在微信中，发布一条信息，只有各自的好友能看到，因此信息的传播只能是各自好友之间的传播，所以其传播形式大大简化。我们还以“中共中央、国务院决定设立河北雄安新区”这个信息为例，根据历史具体数据，进行比较分析，探究相同信息，再不同自媒体平台上传播的差异。

设定总节点数为N初始时刻设定m个传播节点，0个免疫节点，则有Ｎ-m 个未感染节点．根据传播规则，每个时刻三种节点数目都会相应变化，记录每个时刻的未感染节点、传播节点和免疫节点的数目，经过微博和微信的历史数据进而可以得到各时刻该信息再微博和微信上的三种节点的密度，即S（t）,I(t),R(t), S(t)*, I(t)*,R(t)*的具体数据．具体数据如下表：

表3 节点密度表

天数S（t）I(t) R(t) S（t）* I(t)* R(t)*

1 0.918 0.08

2 0 0.928 0.052 0

2 0.822 0.149

3 0.0287 0.9122 0.0691 0.0187

3 0.6801 0.2419 0.078 0.8801 0.0695 0.058

4 0.5122 0.336 0.1517 0.8322 0.0861 0.0817

5 0.3568 0.3974 0.2458 0.7568 0.1074 0.1358

6 0.2395 0.411 0.3495 0.6395 0.251 0.2095

7 0.1619 0.3868 0.4514 0.4619 0.3867 0.3514

8 0.1133 0.3425 0.5442 0.3533 0.2752 0.4742

9 0.0831 0.2921 0.6428 0.2531 0.1441 0.6028

10 0.064 0.2433 0.6927 0.1564 0.1102 0.6927

11 0.0516 0.1996 0.7488 0.1016 0.0885 0.7488

12 0.0432 0.1621 0.7946 0.0832 0.0781 0.7946

13 0.0375 0.1308 0.8317 0.0675 0.0702 0.8317

14 0.0334 0.105 0.8615 0.0534 0.0598 0.8615

15 0.0305 0.0841 0.8854 0.0505 0.055 0.8854

将上表中的数据带入问题一的SIR感染模型，得到各个各时刻“中共中央、国务院决定设立河北雄安新区”这一消息分别在微博、微信平台上传播的节点密度图总体趋势图，节点密度图如下：

图9微博传播节点密度图

“中共中央、国务院决定设立河北雄安新区”这一消息在微博上的传播速度适中不属于爆炸性新闻，传播速率在一段时间内较高，但变化率很高，即很快时间内有所下降。因为微博平台是较广阔的平台，其转发量也较高。同时，因为微博上信息更新较快，所以消息的淹没也迅速。

图10微信传播节点密度图

“中共中央、国务院决定设立河北雄安新区”这一消息在微信中传播的速度较慢，这是因为微信相对其他网络平台较为封闭，属于相对熟人社交的一种。同时，微信信息传播速率虽然慢但这是一种延迟，即转发量是以一种缓慢的速度进行增长，但增长到极值时，其转发量较微博这类开放平台来说较低，这是因为微信受众群体的数量没有微博高以及有一部分人使用微信的目的仅仅为交流而不是浏览网络信息。

综上所诉，同一消息在不同自媒体平台上传播的过程中，节点密度图的趋势是大致相同的，但是传播的时间以及传播的速度却存在差异。其影响因素主要有：自媒体平台的受众数量；自媒体平台的主要功能；自媒体平台的开放程度等。

5.4自媒体平台管理建议

问题四的重述：题目要求我们结合所建立的模型即我们建立的SIR模型与I DM模型，写一份分析报告，阐述对自媒体时代消息传播的见解或看法，并要求我们进一步提出自媒体平台管理的建议。

①对于我们对于自媒体时代消息传播的见解：首先我们应该要理解自媒体的概念，即什么是自媒体，所谓自媒体，是指传播者通过互联网这一信息技术平台、通过点对点或点对面的形式，将自主采集或把关过滤的内容传递给他人的个性化传播渠道，又称个人媒体或私媒体。这样定义包含了以下内容：

其一，自媒体是与大众传媒的组织化传播相对应的属于自我的传播渠道；

其二，自媒体是由自我掌控的传播渠道，体现了传播信源的革命和传播渠道的开放

其三，不同于大众传播组织化、机构化的传播特征，自媒体是自发的、自主的，强调传播者的主动性和传播内容的个性化。（《自媒体时代的公民新闻》，中国广播电视出版社，申金霞，2013年3月1日）

互联网出现之前，报纸和电视在新闻传播方面具有垄断地位。即便在传播新闻的过程中，采取的是最令人不屑的“填鸭”的方式，受众也只能接受。由于受众选择的余地很小，所以今天报纸刊载什么稿件，读者只能看什么稿件；电视台播放什么节目，观众也只能被动观看。互联网出现后，网上有海量的信息。受众再也不必到街头找报摊购买报纸，也不必在电视节目播放的时间段守着看想看的

节目了。传统媒体的垄断地位被打破，在互联网的冲击下开始江河日下。近两年来，报社裁员、电视台发放70%工资之类的消息屡见不鲜，就是互联网冲击传统媒体的直接结果。

由于自媒体的平台在互联网飞速发展的今天又很多种，如果将消息在各类自媒体平台的传播过程综合起来，任务将是繁重而且无意义的，从第（1）问和第（4）问所建模型的结果来看，发现一条信息在不同的自媒体平台的传播过程是非常相似的。即:“健康者”在起初的占总数的比例趋近于1，随着时间的推移传播者的数量急剧增加，在传播者增加的同时，一条消息的新鲜度会减少，这就意味着在传播者增加的同时，免疫者也在增加，但这部分免疫者增加的速度很慢，基本上来自于健康者的直接免疫，当传播者的数量开始减少的时候，免疫者数量增加的速度开始变快，但是到最后的阶段当传播的数量越来越少，免疫者数量增加的速度还是会降下来，最后趋于稳定，也即趋于。

下面是，一条消息在微博中传播的各个节点时间。

1．转发周期

微博转发周期是指从发出微博到微博被淹没的整个时间周期，掌握这一规律可以对预测虚假信息的社会危害提供依据。仿真结果表明，从微博信息发出后的第8 天起，转发量一直维持在一个比较高的水平且保持不变，由此可知，微博信息的转发周期为8 天。

2．转发上升拐点

转发上升拐点是指转发量突然变多的临界点，了解这一规律后就可以在拐点到来之前采取措施限制用户转发，从而最大限度地减少不良信息扩散引发的社会问题。仿真结果表明，微博发出后的第3 天是一个关键临界值，之前的转发量

变化缓慢，但是从第3 天之后转发量开始呈现爆炸式的增长，所以基本可以判

断此点为转发上升拐点。

3．转发下降拐点

转发下降拐点是指转发量突然变少的临界点，如果不良信息已经在用户间扩散，且已经到达或者超过下降拐点，那么就没有必要再采取措施加以监管，因为扩散高峰已经过去，从下降拐点起转发数会迅速下降并最终被淹没。仿真结果表明，从第4. 5 天开始微博信息转发量急速下降并最终降为0，因此认为此点为信息转发下降拐点。

②对于自媒体平台管理的建议：微博已经成为人们重要的信息沟通传播渠道，微博信息传播极快，短期内就可造成广泛的、巨大的影响。但是，对于微博上的不良信息进行强行管制是不明智的，甚至会导致更为严重的后果; 而对不良信息采取放任自流、听之任之的态度，可能贻误最佳管理时机，导致局面失控。微博的开放性、自由性、广泛性，要求管理者做到“疏”、“堵”有度，科学管控。本文结合研究结论，对如何疏导微博中信息的扩散、沟通、传播提出三点政策建议。

1．尊重信息扩散规律，科学决策，高效管理

从本研究来看，一般情况下一条微博的转发周期为8 天，据此可预测信息扩散可能造成的危害大小。微博发出后的前 3 天是转发平缓期，可以在这期间对虚假信息进行治理，防止其进一步扩散引发社会问题; 微博发布后的第 4. 5

天是信息扩散高峰期，这之后的转发频率会迅速下降，社会影响力逐渐减弱。管理部门应根据信息扩散的周期性特征，制定相应的管理手段与管理工具，抓住管理时间窗口，实现高效管理。

2．控制关键节点，引导舆论导向

人是信息扩散中的核心主体。现实社会中，个体并不是孤立存在，而是依附于基于关系的社会网络上，个人在社交网络中人际关系得到了最大化的延展。在虚拟的网络环境下，民间意见领袖快速形成。意见领袖在网络空间里往往具有超强的影响力，成为网络舆论的重要引领者，伴随着碎片化的信息交互，形成了去中心化的舆论传播新形态。对此，管理部门应该利用微博平台，提高参与度，利用政府的公信力、权威性抑制负面信息的扩散与传播。

3．关注敏感信息检测，过滤负面信息

信息的新鲜性、稀缺性、权威性等特点将直接影响信息接受者对信息的扩散动机，使得不同特点的信息形成独特的扩散规律。因此，对于信息内容的实时监控可以在很大程度上抑制负面信息的扩散，减少可能带来的社会风险。

6.模型的评价与推广

优点：模型运用MATLAB 、R等数学软件构建模型，通过具体数据，定量地对模型进行仿真模拟，结果误差较小，数据较为准确。本文在经典SIR感染模型的基础上建立改进的SIR传染模型，将网络信息与生物感染有机关联。在参考Fisher模型和Diffusive Logistic模型后，进一步建立了关联信息相互作用的IDM模型，IDM模型对信息传播趋势的预测更加准确。这两个模型都涉及到生物，可以相对形象的展现出自媒体时代的消息传播的过程。

缺点：本文提出的改进SIR微信息传播模型没有考虑用户间的个体差异和微博信息的可信度；以及考虑用户个体差异和偏好。

推广：进一步研究会主要包括以下两方面：首先，在本文提出的改进SIR 网络信息传播模型中融入网络信息可信度进行实验；其次,考虑微博用户个体差异和偏好，在改进SIR网络信息传播模型中加入参数进行验证。

7.参考文献

1.https://https://www.360docs.net/doc/1116176036.html,/item/

2.钱颖，张楠，赵来军，等.微博舆情传播规律研究[J].情报学报，2012,31

(12):1 299-1 304