基于线上线下网络的舆情传播模型研究_于凯
舆情演化模型的研究现状与展望
舆情演化模型的研究现状与展望舆情演化模型是一种用于解释和预测舆情变化趋势的数学模型。
随着社交媒体的快速发展和广泛应用，舆情演化模型的研究也逐渐受到了学术界和产业界的关注。
本文将介绍舆情演化模型的研究现状，并展望其未来发展方向。
目前，关于舆情演化模型的研究主要集中在以下几个方面。
首先是基于传播模型的舆情演化模型。
传播模型主要是从信息传播的角度研究舆情的演化过程。
典型的传播模型有SI模型、SIR模型等。
这些模型主要考虑了信息在人群中传播的过程，但没有考虑情绪、社会关系等因素对舆情演化的影响。
其次是基于社会网络的舆情演化模型。
社会网络模型主要考虑了人与人之间的关系对舆情演化的影响。
针对不同的社会网络结构，研究者发现信息的传播速度和影响力有所不同。
通过考虑社会网络关系，可以更准确地理解舆情的演化过程。
再次是基于情感分析的舆情演化模型。
情感分析主要研究人们对信息的情感倾向，包括正面情绪和负面情绪。
在舆情演化中，情感分析可以帮助我们预测人们对信息的反应。
当某个事件引发了大量负面情绪时，往往会导致舆情的爆发。
通过情感分析可以更好地理解舆情的演化规律。
最后是基于深度学习的舆情演化模型。
随着深度学习的不断发展，越来越多的研究者开始尝试将深度学习应用于舆情演化的研究中。
深度学习可以通过学习大量的标注数据，将不同的特征（如情感、情绪等）与舆情演化进行关联，从而预测舆情的变化趋势。
展望未来，舆情演化模型仍然有很大的研究空间和挑战。
舆情演化模型需要考虑更多的因素，如时间因素、地理因素等，以便更准确地预测舆情的变化趋势。
舆情演化模型需要进一步融合传播学、社会网络分析、情感分析等多个领域的知识，以建立更为综合和完整的模型。
舆情演化模型的应用也需要进一步研究，如如何利用模型预测舆情的发展趋势，并采取相应的措施来应对。
舆情演化模型的研究正在迅速发展，但仍然面临许多挑战。
通过不断地深入研究和创新，舆情演化模型有望为舆情监测与管理提供更准确、实用的方法和工具。
网络舆情传播模型研究与应用
网络舆情传播模型研究与应用随着互联网的快速发展和普及，网络舆情对于社会稳定和公共利益的影响越来越大。
因此，研究和应用网络舆情传播模型，对于预测、分析和应对舆情事件具有重要意义。
本文将对网络舆情传播模型的研究与应用进行深入探讨，旨在为相关研究者和决策者提供参考。
网络舆情传播模型主要是指在互联网上舆情信息传播过程中的各种因素、规律和方式的模拟和分析。
下面将介绍几种常见的网络舆情传播模型。
第一种是基于传染病模型的网络舆情传播模型。
这种模型将舆情看作一种类似传染病的信息，通过各个节点之间的传播来进行模拟。
例如，SEIR模型将社区划分为易感人群、暴露人群、感染人群和恢复人群四个阶段，并通过基本复制数来表示传播速度。
这种模型适用于研究病毒类舆情事件的传播规律，可以辅助决策者制定相应的应对措施。
第二种是基于信息传播模型的网络舆情传播模型。
这种模型采用信息传播理论中的扩散模型，例如SIR模型、IC模型等，来模拟舆情信息在网络中的传播。
通过分析影响舆情传播速度和规模的因素，可以更好地预测舆情事件的发展趋势。
这种模型适用于研究信息传播类舆情事件，如虚假新闻、谣言等。
第三种是基于社交网络模型的网络舆情传播模型。
这种模型将网络用户视为节点，用户之间的关系视为边，通过分析网络拓扑结构和用户行为特征，来预测舆情的传播路径和影响力。
例如，基于影响力最大化原理的模型可以帮助决策者找到最有影响力的舆情传播节点，从而精确地引导公众舆论。
这种模型适用于研究社交网络中的舆情事件，如热门话题、社会事件等。
网络舆情传播模型的研究不仅有助于对舆情事件的传播规律进行深入分析，还可以为决策者提供科学合理的决策依据。
在舆情事件爆发后，及时准确地评估舆情的传播速度和影响范围，能够帮助决策者制定相应的危机管理和舆情引导策略。
然而，网络舆情传播模型的应用也面临一些挑战。
首先，互联网的快速发展使得舆情信息传播的速度和规模更加庞大，传统模型可能无法精确预测和应对。
基于复杂网络的网络舆情传播模型综述
１ ９ ５ ９年 ， 匈 牙 利著 名 数 学 家 Ｅ ｒ ｄ Ｓ ｓ和 Ｒ ６ ｎ ｙ ｉ 建 立 了随机 图理 论 ，用 相 对 简 单 的 随机 图 来 描 述 网 络 ，简称 Ｅ Ｒ随机 图理 论 ．这一 理 论 对 图 论 理论 研 究 影 响长达 ４ ０年 ，成 为 网络 科 学 发 展 的第 二项 里
统 图论 的长 期 束 缚 ，出 现 了第 三项 里 程 碑 式 成 果 ， ｌ ￣ ｌ Ｌ ， ｂ 世 界 网络 和无标 度 网络 的发 现．
情 传播 模型 进行 理论 上 的梳理 ，以期 对 后续 研 究起 到 一定 的基 础 和铺 垫作 用 ．
１ 复杂 网络 的发 展 历 程
复 杂 网络 已成为 ２ ｌ 世 纪科学 技术 的前 沿领 域 ， 追本 溯 源 ，网 络 科 学 理 论 发 展 经 历 了三 个 重 要 时
范 围更 广 ， 形 式更加 综 合化 和 多 元 化 ， 对 人 类 生 活 和社 会 发展 的影 响也 愈发 显著 ，互联 网 已成 为 舆情
最 重要 的载 体 ．本文 尝试 对基 于 复杂 网络 的 网络舆
得 益 于计算 机 和 Ｉ ｎ ｔ ｅ ｒ ｎ ｅ ｔ 技 术 的迅 猛 发 展 ， 上 世 纪末 网络科 学 又一 次取 得 突破 性进 展 ， 摆 脱 了传
另 一 重 要 发 现 ，Ｂ ａ ｒ ａ ｂ ｄ ｓ ｉ 等于 １ ９ ９ ９年 在 《 Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ） ）
规 则 网络是一 类最 简 单 的网络 形 式 ， 所 有 的节
上发表题 为《 随机 网络 中标 度的涌现》 的论 文＿ ６ Ｊ ，
提出 Ｂ Ａ无标 度 网络模 型 ， 指 出 网络 中节 点 的度分
舆情演化模型的研究现状与展望
舆情演化模型的研究现状与展望舆情演化模型是指通过数学建模和数据分析等方法，对舆情的产生、传播和演化过程进行模拟和预测的研究。
舆情演化模型的研究对于理解舆情的形成机制、预测舆情的走向以及制定有效的舆情管理策略具有重要意义。
本文将从研究现状和展望两个方面综述舆情演化模型的研究进展。
一、研究现状1. 基于传统数学模型的研究基于传统数学模型的研究主要包括指数增长模型、随机扩散模型和非线性动力学模型等。
这些模型通过描述舆情的传播速度、影响范围和演化趋势等方面的规律性，可以较为准确地反映舆情的演化过程。
这些模型往往基于一些假设前提，如信息传播的线性效应，隐含假设了舆情传播的简单性和确定性，不能很好地适应舆情现实的复杂性和不确定性。
2. 基于复杂网络模型的研究基于复杂网络模型的研究主要包括小世界网络模型、无标度网络模型和社交网络模型等。
这些模型将舆情传播视为网络节点之间的信息传递和交互过程，通过对网络结构、节点属性和信息传播规则等进行建模，可以较为真实地描述舆情的传播和演化。
这些模型往往缺乏对时间演化的考虑，只注重于网络结构和节点属性的建模，需要进一步引入动态演化机制。
3. 基于机器学习和数据挖掘的研究近年来，随着大数据技术和机器学习算法的快速发展，基于机器学习和数据挖掘的舆情演化模型研究也得到了较多关注。
这些模型通过分析和挖掘大规模的舆情数据，提取其中的特征和规律，构建预测模型和分类模型，可以较为准确地预测舆情的走向和判断舆情的态势。
这些模型往往缺乏对舆情演化机制的深入解析，只是基于数据的表面规律进行分析和预测，需要进一步提高对舆情本质的理解。
二、展望1. 多因素交互影响的建模当前的舆情演化模型往往只考虑单一因素对舆情的影响，缺乏对多因素交互影响的建模。
未来的研究可以从社会认知、情绪传播、意见领袖和社交关系等方面入手，构建更加综合和复杂的舆情演化模型，以深入理解舆情的产生机制和演化规律。
2. 动态演化机制的引入当前的舆情演化模型大多是静态的，只注重网络结构和节点属性的建模，缺乏对动态演化机制的考虑。
网络舆情分析与预测模型研究
网络舆情分析与预测模型研究第一章：引言网络舆情分析与预测模型的研究是近年来信息技术快速发展所带来的一个重要课题。
随着互联网的普及和社交媒体的兴起，人们对信息的获取和传播更加便捷，同时也面临着大量信息的过载和信息真实性的挑战。
网络舆情分析与预测模型的研究，可以帮助人们更好地理解和应对现实中的网络舆情问题，提供科学有效的决策支持。
第二章：相关概念和定义2.1 网络舆情网络舆情是指通过互联网工具对网络上产生的舆论与声音进行搜集、整理、分析和研判的一种方法，是对互联网时代社会舆论现象的总称。
网络舆情涵盖了政治、经济、文化、社会等各个领域的舆论氛围和舆情事件。
2.2 分析与预测模型分析与预测模型是指利用数据和统计方法，进行网络舆情数据的分析和未来趋势的模拟与预测的数学模型。
分析与预测模型通过对大量真实数据的处理、建模和分析，能够从数据中识别出规律和趋势，并进行预测和决策。
第三章：网络舆情分析模型3.1 数据采集与预处理网络舆情分析的第一步是进行数据采集与预处理。
这里主要涉及到网络爬虫技术、数据清洗与去噪等方法。
通过爬取网络上的相关文本数据，并对数据进行清洗和去除噪声，以确保后续分析的数据质量和准确性。
3.2 文本挖掘与情感分析文本挖掘和情感分析是网络舆情分析的核心技术之一。
文本挖掘技术可以从大量的文本数据中自动挖掘出主题、关键词、关联性等信息。
情感分析技术可以对文本进行情感倾向性分析，判断文本的情感极性（正面、负面、中性）。
3.3 社会网络分析社会网络分析是通过构建网络模型来分析网络舆情的传播结构和关联关系。
通过社会网络分析的方法，可以研究大规模社交网络中的网络舆情传播路径和影响力，揭示网络舆情事件的传播规律和关键节点。
第四章：网络舆情预测模型4.1 时间序列分析时间序列分析是网络舆情预测的一种重要方法。
通过对历史舆情数据进行建模和分析，可以预测未来的舆情趋势和变化。
时间序列分析方法包括自回归模型、移动平均模型、指数平滑模型等。
网络舆情传播动力学模型研究
网络舆情传播动力学模型研究随着互联网的普及和社交媒体的兴起，信息传播的速度和范围都得到了极大的提升。
这也给舆情传播带来了前所未有的挑战和机遇。
为了更好地理解和预测网络舆情传播的规律，研究学者们开始关注网络舆情传播动力学模型。
本文将对网络舆情传播动力学模型进行研究，以期加深对其内涵和应用的理解。
网络舆情传播动力学模型是一种通过对网络舆情传播过程的建模和模拟，来揭示其中规律和机制的研究方法。
该模型将网络舆情传播看作是一种信息在网络中的扩散过程，以节点和边为基本单位，考察不同节点之间的相互联系和信息传播路径，旨在揭示网络舆情传播的动力学机制和影响因素，为舆情管理和舆论引导提供科学依据。
在研究网络舆情传播动力学模型时，需要考虑多个因素。
首先，网络拓扑结构是其中的重要一环。
网络舆情传播过程中，人们通过关注、转发和评论等行为构成了复杂的社交网络结构。
这些社交网络的拓扑结构对舆情的传播速度和范围产生着重要影响。
因此，研究者需要对网络拓扑结构进行建模，并分析节点之间的关系，以了解信息在网络中的传播路径和影响范围。
其次，传播动力学模型需要考虑信息传播的传播规则。
不同的舆情事件具有不同的传播规则，研究者需要通过分析和挖掘大量的舆情数据，找出其中的共性和规律。
例如，某些热点事件可能会呈现出爆发式传播，而某些事件可能会表现出持续性传播。
研究者可以通过建立数学模型，对信息传播的速率、扩散规模和时间等进行定量分析，以揭示信息在网络中的传播特点。
此外，网络舆情传播动力学模型还需要考虑个体行为和群体行为之间的相互作用。
个体行为是指用户在网络上进行的关注、转发和评论等行为，这些行为直接影响着信息的传播效果和传播路径。
而群体行为则是指多个个体行为之间的相互关系和合作，研究者可以通过构建博弈模型或竞争模型，对信息传播中的合作和竞争关系进行研究。
最后，网络舆情传播动力学模型研究的目的是为舆情管理和舆论引导提供科学依据。
通过对舆情传播机制的研究，我们可以更好地了解信息在网络中的传播规律和影响因素，有针对性地采取措施，促进积极的舆情传播，化解负面舆情影响。
网络舆情分析的算法和模型研究
网络舆情分析的算法和模型研究随着互联网技术的不断发展，网络舆情的分析、研究和预警越来越受到大家的关注。
网络舆情是指在互联网上出现的、反映群众情绪和态度的信息，包括新闻报道、文章评论、微博、朋友圈等。
网络舆情的分析和研究，对于政府决策、公共舆论导向、媒体监管等方面都有着极其重要的作用。
然而，由于网络舆情的复杂性和高度随机性，其分析和预测成为了一个十分具有挑战性的研究课题。
网络舆情的分析主要依赖于相应的算法和模型。
近年来，这方面的研究已经取得了一定的进展。
下面，本文在不涉及政治方面的前提下，就网络舆情分析的算法和模型研究展开探讨。
一、文本分类算法文本分类是网络舆情分析的基本方法之一。
它是将文本数据分为不同类别的过程。
文本分类的算法多种多样，其中较为常见的有贝叶斯算法、支持向量机算法和神经网络算法等。
不同的算法适用于不同类型的数据。
贝叶斯算法是基于贝叶斯定理的一种分类算法。
它基于训练集中的数据，计算出每个类别的条件概率，从而根据输入的文本数据确定其类别。
贝叶斯算法是一种简单快速的分类算法，但是其准确度较低，适用于处理大规模文本分类的问题。
支持向量机是一种比较常用的分类算法，其基本思想是将数据映射到高维空间中，从而通过超平面将数据分为不同的类别。
支持向量机具有较高的分类准确率和较好的泛化能力。
神经网络是一种模仿人脑神经结构进行信息处理的算法。
它通过构建多层神经元网络进行文本分类。
神经网络模型的分类准确率高，但是由于其网络结构复杂、参数多，因此运算速度较慢。
二、情感分析模型情感分析是网络舆情分析的重要内容之一。
情感分析主要是针对文本信息中涉及的情感色彩进行分析，从而了解舆论对于某一事件、事物或人物的倾向性。
推特情感分析模型是一种常用的情感分析模型。
它采用机器学习技术，通过对推特中已标注的情感语料库进行训练，从而对未标注的文本数据进行情感分类。
推特情感分析模型已经被广泛应用于各种领域，包括市场调研、舆情分析等。
网络舆情分析与传播模型研究
网络舆情分析与传播模型研究随着互联网的普及和社交媒体的兴起，网络舆情成为了人们获取信息和表达观点的重要渠道。
网络舆情分析与传播模型研究旨在通过对网络舆情内容、传播途径和影响因素的分析，深入理解和预测舆情发展趋势，为决策者提供科学依据，以更好地应对舆情事件。
本文将探讨网络舆情的定义、特点和影响，并介绍目前常用的网络舆情分析与传播模型。
首先，网络舆情是指网络上关于某一特定事件或话题的舆论倾向和情感表达。
与传统媒体相比，网络舆情更加快速、广泛和互动。
用户可以通过社交媒体平台、博客和论坛等渠道自由表达观点，形成庞大的舆论场。
网络舆情具有时效性强、传播速度快和参与度高的特点，对社会和个人都有重要影响。
网络舆情的分析与传播模型主要是通过大数据技术和文本挖掘方法来实现的。
一方面，分析者可以收集大量的网络舆情数据，如微博热搜榜、新闻评论、话题讨论等。
这些数据包含了用户的观点、情绪和行为，并可以通过计算机算法进行挖掘和分析。
另一方面，传播模型则可以对网络舆情的传播路径和影响因素进行建模。
常用的模型包括信息传播模型、网络结构模型和情感分析模型等。
信息传播模型是研究网络舆情传播的基础模型之一，通常使用SIR模型（Susceptible-Infected-Recovered）来描述信息在网络中的传播过程。
该模型将网络用户划分为易感人群（Susceptible）、感染人群（Infected）和恢复人群（Recovered），模拟事件在网络中的传播和扩散过程。
通过模型参数的调整，可以预测舆情的传播范围和传播速度，为舆情事件的治理提供科学建议。
网络结构模型是研究网络社区和互联网拓扑结构对舆情传播的影响的重要模型。
研究发现，网络的拓扑结构对信息的传播速度和规模有显著影响。
例如，研究表明，在小世界网络结构下，信息传播的效率更高，而在无标度网络结构下，信息传播范围更广。
因此，通过分析网络的拓扑结构，可以预测舆情的传播规模和路径，并采取针对性的干预措施。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
信息流的突发事件信息传播超网络模型
［30 ］
。刘怡君等以社会物理理论为方法［31］， 并在超网络结构上对社会
［32 ］ 舆论的形成和传播的整体过程进行系统建模与仿真 。 然而， 总结以上关于耦合网络或超网络上信息和舆情传播模型的研究得出 ： ①尚未从理论解析和实例验 证相结合的角度， 系统对比分析舆情在不同结构的耦合网络中传播性能的差异 ； ② 忽略了不同层间传播机制
传播机制探索。唐明等和 Wang 等在通讯 － 接触网络上建立了消息 － 疾病耦合传播模型， 进而在双层网络上 ［26 ， 27 ］ 。 张亚明等提出了面向多层耦合网络中 非对称的促进 － 抑制耦合关系 研究疾病和消息传播之间同步、
［28 ］ 的微博用户行为预测， 进而探索其对舆情传播的影响 。 杜蓉等基于豆瓣同城活动网站研究线上线下的社 ［29 ］ 交影响， 发现线上社交和线下活动相互促进作用 。武澎等通过将信息流分解为三种类型 ， 从而构建了基于
200 管理评论
Vol． 27
No． 08 （ 2015 ）
公共管理
发， 通过首先认识线上线下网络中信息传播过程和传播机制 ， 进一步结合现实舆情传播的特点和规律 ， 从而研 究舆情传播及耦合扩散动态过程中的相关问题并得到相应的管理启示 。
相关研究现状
以往研究中， 关于线上网络中的舆情传播模型多是基于疾病传播 和谣言传播 两种模型进行拓展研 ［9 ］ ［10 ］ 究。钱颖等 和李林等 分别基于 SIＲ 模型对微博上的舆情传播模型和冲突信息在社会网络上的传播演化 模型进行了研究。Xiong 等 构建了一个 SCIＲ 扩散模型来描述在线微博上的舆情传播， 得出在演化过程中 ［12 ］ 被接触的个体在无标度网络出现的数量比在规则格子中要多 。Centola 提出带社会加强效应的行为传播模
公共管理
பைடு நூலகம்
基于线上线下网络的舆情传播模型研究
于 凯 荣莉莉 郭文强 刘 泉 颜克胜 （ 1． 大连理工大学管理科学与工程学院 ， 大连 114023 ； 2． 新疆财经大学计算机科学与工程学院 ， 乌鲁木齐 830001 ） 摘要： 当前， 舆情传播模型及其演化研究大多是从在线社会网络 （ 线上网络 ） 或物理接触网络 （ 线下网络） 单一角度考虑。然而， 现实中的舆情传播同时发生在线上网络和线下网络中 ， 单一 网络结构不能完整地反映更符合实际的舆情传播动力学模型 。为此， 本文构建了线上线下的双 层耦合网络模型， 并结合传播学和社会心理学理论 ， 提出了层间对称和非对称的促进 － 抑制舆 情传播机制。数值和实例分析的结果较好地验证了理论解析： （ 1 ） 对称传播机制中， 同配和异 耦合小世界网 配层间连接模式促进了线上线下网络中的舆情传播速度和传播范围 。有趣的是， 络中始终产生最有效的传播； （ 2 ） 非对称传播机制中， 同配连接模式对线上线下网络中舆情传 播的抑制作用大于异配连接。 关键词： 舆情传播； 线上线下； 双层耦合网络； 对称和非对称传播机制
［1 ］ 网络（ 线下网络） 。本文所研究的舆情是由指公众在一定的社会空间内 ， 对社会事件或热点问题的发生、 发 ［2 ］ 所持有的多种情绪、 意愿、 态度和意见交错的总和 。 展和变化，
2009 年 7 月恐怖分子在新疆先由线下网络聚会传播谣言信息和策划 具有代表性的舆情传播事件， 例如， “发酵” ， 恐怖活动， 并经线上网络扩散和 从而加剧了线下网络谣言的传播和恐怖活动的演化 ， 最终导致了“新 疆 7. 5 事件” 及其后连锁事件的发生。该事件充分反映了舆情传播在线上和线下网络相互耦合 、 促进传播的 。 ， 2011 3 ， “ ” 模式和机理 此外 年 月日本核泄漏之后 日本国内线下网络中扩散 食盐受核辐射污染 等谣言迅速 线下网络舆情传播会加剧线上网络 被线上网络传播的积极正向信息而抑制 。该事件体现了： 在一定条件下， 舆情的传播； 反之， 在特定条件下， 线上网络舆情传播亦会抑制线下的传播 。
［8 ］
、 促进消息 － 疾病传播模
（ 3 ） 随机传播机制。一般情况下， 设定 0 ＜ ρ s ＜ 1 ， 即两层网络中节点对的状态随机对应 。 2、 层间节点对耦合连接模式
［38 ］ 本文中 BCN 节点间的连接方式采用以下三种模式 ， 即同配、 异配和随机连接方式 ： （ 1 ） 层间同配连接（ Assortative Link，AL） ， 即正相关连接。A 中用户和 B 中的个体按照节点度大小连接，
［1 ］ ［14 ］ ［15 ］
。 文献［ 16 ， 17］ 通过实验数据分析得到线下个体在面对
［18 ］ 、 layer coupled net近几年， 研 究 者 尝 试 在 相 依 网 络 （ Interdependent networks ） 多 层 耦 合 网 络 （ Multi［19 － 23 ］ ［24 ， 25 ］ works） 和超网络（ Supernetwork） 等多层网络结构上对疾病、 信息或疾病 － 信息扩散进行模型构建和
公共管理
0， 1］ 。 当 ρ s = 1 时， 上和线下表达出的观点、 态度或情绪的同步或一致性的概率 ， 即 ρ s ∈［ 线上用户的状态与 I（ 传播） 态和 Ｒ （ 疲惫） 态［7］， 即节点 A i 若分别为 S（ 未知） 态、 则其耦合的 其对应的线下个体的状态完全一致 ， I 和 Ｒ 态； 当 ρ s = 0 时， 节点 B i 对应为 S、 对应节点出现相异的状态， 即： 如线上节点 A i 为 I 态， 而此时线下节点 B i 为 Ｒ 态， 反之亦然； 当 0 ＜ ρ s ＜ 1 时， 对应节点对状态随机分布， 即： 如线上节点 A i 为 I 态， 则线下对应节点 B i 为除 I 态以外的 S 和 Ｒ 态中的一种， 反之亦然。 I 态和 Ｒ 态之间的转换不仅依赖于节点自身的状态， 节点在 BCN 舆情传播中 S 态、 还与它的邻居节点的 状态， 特别是层间对应节点的状态密切相关 。首先分析层间传播机制： 1、 层间传播机制分析 （ 1 ） 对称传播机制。根据传播心理学中纽科姆的“认知均衡模式 （ 即对称理论 ） ［34］” ， 设定可调参数 ρ s = 1 。因为社交网络具有 “关系信息暴露 ” 的特征， 即在一般情况下， 网络中的用户信息交流行为以及交流过程 “暴露” 中所 出的人际关系信息很容易被第三方感知。 因此， 线上节点直接根据所获取的好友的传播信息状 ［16 ， 17 ］ 。 ， ， 线 态决定自身在线上以及线下的传播状态 另一方面 个体在线下网络中依据传播行为动力学的特点 下面对面交互会促进线上网络该信息的传播 。 此时， 层间考虑对称传播机制， 符合传播学中“沉默螺旋 ” 理 ［34 ］ 论 。 （ 2 ） 非对称传播机制。基于社会心理学 “认知不协调 ” （ 认知失调 ） 理论［35 － 37］对人际传播的影响， 设定可 人们希望维持自身各种认知间协调平衡的状态 ， 被广泛用以解释个体态度改变之 调参数 ρ s = 0 。该理论认为， 重要依据。线上用户一旦处于传播状态， 遇到自己当前的认知 （ 或观点 ） 与之前的出现不协调或相互冲突的 情况下， 为了消除此种因为不一致而带来紧张的不适感 ， 个体在心理上倾向于采用两种方式进行自我调适 ： 一 种是寻求更多新认知的讯息， 提升新认知的可信度， 借以彻底取代旧认知； 另一种是对于新认知予以否认； 前 一种方式直接转变为对称传播机制 ， 加速了信息的传播和扩散。后一种方式促使线上用户在线下传播过程状 态转变为疲惫（ 免疫） 状态， 具有抑制传播的作用。 此时， 构建的层间非对称传播机制， 即线上用户传播信息后， 其对应个体在线下传播该信息的行为被免 疫。该模式具有较强的理论和现实意义 ， 例如干预和控制突发事件中谣言的传播 ［26 ， 27 ］ 。 型中正向消息的传播与抑制接触网络中传染病的扩散
［11 ］ ［7 ］ ［8 ］
式， 通过 OSN 实验得到： 在高聚类的规则网络上反而比具有小世界特性的随机网络上传播得更快更广。 Lü ［13 ］ 等 提出了一个新的传播模型， 同时考虑了记忆效应、 社会加强作用和非冗余接触等因素， 通过仿真得出的 在一定条件下， 同质小世界网络 研究结果表明， 生成最有效的信息传播。 郭东伟等 通过引入传播学的 社会威慑因素构建了基于非理性博弈的舆情传播模型 ， 并对模型在无标度和小世界网络上的动力学特征进行 了理论分析。另一方面， 在线下网络中的舆情传播大部分是和通信网络同步发生 ， 由于难以获得大规模数据， 而且真实数据可控性较差， 因此由合理网络模型产生数据并在此基础上进行理论分析和数值模拟 ， 是当前研 究舆情在社会接触网络中传播动力学的重要方法 面接触中具有的传播行为动力学的特点 。
耦合模式基本都是假设一对一随机关联 对耦合网络整体和各自网络上的舆情传播性能的影响 ； ③ 目前研究， 耦合， 而依据现实中的舆情传播特点， 线下网络中的重要节点可能会分别对应线上网络中的重要 、 一般或任一 账号， 即需要建立耦合网络间关联节点的同配 （ 正相关） 、 异配（ 负相关） 和随机（ 不相关） 连接模式。 BCN） ， 基于以上问题， 本文将对不同连接模式的双层耦合网络 （ Bilayer Coupled Network， 采用定性与定量 相结合的方法， 研究以下三个方面的内容。首先分析对称与非对称传播内在机制 ， 藉此提出 BCN 上的舆情传 播模型。其次对完全耦合网络中的传播概率与传播范围进行理论解析和数值验证 ， 从而得出相关结论。 最 通过在线上和线下网络实际数据上验证两种传播机制的效果 ， 充分说明： 在一定条件下， 对称传播机制促 后， ， ， 进舆情的传播而非对称传播机制抑制舆情的扩散 并对此提出相应的舆情干预和控制策略 为有关部门开展 舆情监测和预警提出系统和科学的管理启示 。
［3 ， 4 ］ “线下决定线上 ” 、 “实情决定舆情 ” ， 近来， 舆情传播越来越呈现出 的特点 此特点亦是研究舆情在“线 ［5 ］ ［6 ］ 上线下网络” 中传播的现实依据。 鉴于此， 本文从系统工程理论角度 和定性定量相结合的研究方法 出