耦合网络视角下社交网络舆情传播机制研究
发布时间：2021-06-28 15:33
随着手机移动终端的广泛普及和各类型社交网络的快速发展,网民会在不同的社交网络之间进行舆情信息的传递,因此,对于社交网络环境下舆情信息传播的研究,尤其是探索社交网络中跨网络的舆情信息传播具有重要的现实意义和理论意义。本文通过深入探讨社交网络舆情的传播类型与特征,分别从单层微博网络、双层微信网络以及微博和微信的耦合网络三种视角研究社交环境下的舆情传播,构建相应的舆情传播模型。具体来说,本文的研究内容主要包含以下三个方面:首先,为了研究单层微博网络的舆情传播机制,提出了基于改进SIR模型的微博网络舆情传播模型,结合微博网络拓扑结构进行了有向无标度网络的设计,利用微博网络的信息互动模式对感染率以及转化率进行了改进。实验比较了不同的正负向因子、感染率、转化率、免疫率以及衍生率下的微博舆情传播过程;其次,为了研究双层微信网络的舆情传播机制,提出了基于双层微信网络的舆情传播模型,将感染人群划分为从用户好友之间接触获取和从阅读微信公众号舆情信息两大类人群,模拟出基于公众号和朋友圈的双层微信拓扑结构,并利用微信网络的信息互动模式对感染率进行改进,实验比较了不同微信层的正负向因子、转化率以及免疫率下的双层...
【文章来源】：南京邮电大学江苏省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
有向无标度网络度分布
南京邮电大学硕士研究生学位论文第三章单层微博网络的舆情传播机制研究21对此矩阵求解特征值可得：，即所有特征值λ*<0。可以得出当R0≤1时，模型在P0处是局部稳定的。②非零平衡点P*的Jacobian矩阵为：对此矩阵求解特征值可得：，即所有特征值λ*≤0。可以得出当R0>1时，模型在P*处是局部渐进稳定的。3.2.6传播阈值的内在机理分析传播的阈值R0越小越有利于控制网络舆情传播的扩散。λ对R0的影响是正向的；α、β对R0的影响是反向的。图3.3给出了R0随着α、β、λ变化的曲线。图3.3α、β、λ变化对阈值R0的影响图3.3显示，传播阈值R0会随着α的增加呈现出快速减少的趋势，而会随着β的增加展现出较慢减少的趋势。这是因为在微博舆情扩散的控制上，应该从源头上进行强有力的控制，而不应该等舆情完全爆发后再想办法对传播者进行舆情保护。图3.3还表明，随着λ的增加，传播阈值R0呈现迅速增加的趋势，这与α的增加，传播阈值R0呈现比较快速减少的趋势正好相反，而且这两者都是对于未知者的，这说明α和λ在某种意义上存在着负联系，这在一定程度上给对未知者对于接受舆情信息时就进行控制措施提供了合理依据。3.3单层微博网络舆情传播的仿真结果与分析为了验证模型以及对于感染率等参数改进的合理性，使用模拟数据构建模型的初有向始()()()0Allglalba***+++-=()0()(,,)()00AAAAJPJalabblbaallblgblabg*éù----êúêúêú=-=ê-úêúê-úêú()(())0Aallgllabl***++-+=
南京邮电大学硕士研究生学位论文第三章单层微博网络的舆情传播机制研究233.3.1正向传播因子对舆情传播过程的影响分析图3.4正向传播因子b变化的影响由图3.4可知：改变正向传播因子b会对i(t)、r(t)和s(t)曲线造成较大影响。随着b增大，将会使i(t)曲线向左上方移动，使r(t)曲线向左上方移动、s(t)曲线向左下方移动。该变化说明增加正向传播因子b不仅可使传播者比例最大值大幅度加大，增加该事件对社会造成的影响，还可以在短时间内使传播者人数变多，增加该事件对社会造成的影响。所以，在舆情控制方面可以通过减低正向传播因子b减少舆情传播，既可以减少未知者向感染者转变又可以促进未知者向免疫者转变，加速舆情事件的平息。3.3.2负向免疫因子对舆情传播过程的影响分析图3.5负向免疫因子h变化的影响由图3.5可知：改变负向免疫因h会对i(t)、r(t)和s(t)曲线造成较大影响。随着h增大，将会使i(t)曲线向右下方移动，使r(t)曲线向右下方移动、s(t)曲线向右上方移动。该变化说明增加负向免疫因子h不仅会使传播者比例最大值减少，削弱该事件对社会造成的影响，还可以在短时间内使传播者人数变少，缓解该事件对社会造成的影响。所以，在舆情控制方面可以通过增加负向免疫因子h减少舆情传播，既可以减少未知者向感染者转变又可以促进未知
【参考文献】：
期刊论文
[1]融合社交网络用户自身属性的信息传播数学建模与舆情演化分析[J]. 刘小洋,唐婷,何道兵. 中文信息学报. 2019(09)
[2]社交网络的舆情热点发现模型研究[J]. 应毅,刘定一,任凯. 图书情报导刊. 2018(09)
[3]考虑多层邻居节点影响的微博网络舆论演化模型[J]. 刘泉,荣莉莉,于凯. 系统工程学报. 2017(06)
[4]基于信息传播模型-SIR传染病模型的社交网络舆情传播动力学模型研究[J]. 赵剑华,万克文. 情报科学. 2017(12)
[5]基于改良SEIR模型的微博话题式信息传播研究[J]. 崔金栋,郑鹊,孙硕. 情报科学. 2017(12)
[6]双层社会网络上的舆情传播动力学分析[J]. 李丹丹,马静. 系统工程理论与实践. 2017(10)
[7]基于SIR模型的微信舆情传播研究[J]. 赵鹏飞,马民,谈依箴. 情报探索. 2017(10)
[8]微信朋友圈信息传播:演化模型构建与仿真[J]. 王宏波. 现代情报. 2017(09)
[9]基于SIRS的微信信息传播模型[J]. 李莉,王小刚. 计算机系统应用. 2017(09)
[10]基于S1S2IR双S模型在微信谣言传播中的研究[J]. 卢东,郭进利,何红英. 数学的实践与认识. 2017(16)
硕士论文
[1]耦合网络环境下在线网络信息传播机制研究[D]. 金雅芳.南京邮电大学 2017
[2]移动社交网络舆情分析及政府应对策略研究[D]. 李明.黑龙江科技大学 2017
[3]社交网络舆情的价值研究[D]. 张惠.湖南大学 2015
[4]多层在线社交网络信息传播模型研究[D]. 李合莉.山东财经大学 2013
本文编号：3254584
【文章来源】：南京邮电大学江苏省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
有向无标度网络度分布
南京邮电大学硕士研究生学位论文第三章单层微博网络的舆情传播机制研究21对此矩阵求解特征值可得：，即所有特征值λ*<0。可以得出当R0≤1时，模型在P0处是局部稳定的。②非零平衡点P*的Jacobian矩阵为：对此矩阵求解特征值可得：，即所有特征值λ*≤0。可以得出当R0>1时，模型在P*处是局部渐进稳定的。3.2.6传播阈值的内在机理分析传播的阈值R0越小越有利于控制网络舆情传播的扩散。λ对R0的影响是正向的；α、β对R0的影响是反向的。图3.3给出了R0随着α、β、λ变化的曲线。图3.3α、β、λ变化对阈值R0的影响图3.3显示，传播阈值R0会随着α的增加呈现出快速减少的趋势，而会随着β的增加展现出较慢减少的趋势。这是因为在微博舆情扩散的控制上，应该从源头上进行强有力的控制，而不应该等舆情完全爆发后再想办法对传播者进行舆情保护。图3.3还表明，随着λ的增加，传播阈值R0呈现迅速增加的趋势，这与α的增加，传播阈值R0呈现比较快速减少的趋势正好相反，而且这两者都是对于未知者的，这说明α和λ在某种意义上存在着负联系，这在一定程度上给对未知者对于接受舆情信息时就进行控制措施提供了合理依据。3.3单层微博网络舆情传播的仿真结果与分析为了验证模型以及对于感染率等参数改进的合理性，使用模拟数据构建模型的初有向始()()()0Allglalba***+++-=()0()(,,)()00AAAAJPJalabblbaallblgblabg*éù----êúêúêú=-=ê-úêúê-úêú()(())0Aallgllabl***++-+=
南京邮电大学硕士研究生学位论文第三章单层微博网络的舆情传播机制研究233.3.1正向传播因子对舆情传播过程的影响分析图3.4正向传播因子b变化的影响由图3.4可知：改变正向传播因子b会对i(t)、r(t)和s(t)曲线造成较大影响。随着b增大，将会使i(t)曲线向左上方移动，使r(t)曲线向左上方移动、s(t)曲线向左下方移动。该变化说明增加正向传播因子b不仅可使传播者比例最大值大幅度加大，增加该事件对社会造成的影响，还可以在短时间内使传播者人数变多，增加该事件对社会造成的影响。所以，在舆情控制方面可以通过减低正向传播因子b减少舆情传播，既可以减少未知者向感染者转变又可以促进未知者向免疫者转变，加速舆情事件的平息。3.3.2负向免疫因子对舆情传播过程的影响分析图3.5负向免疫因子h变化的影响由图3.5可知：改变负向免疫因h会对i(t)、r(t)和s(t)曲线造成较大影响。随着h增大，将会使i(t)曲线向右下方移动，使r(t)曲线向右下方移动、s(t)曲线向右上方移动。该变化说明增加负向免疫因子h不仅会使传播者比例最大值减少，削弱该事件对社会造成的影响，还可以在短时间内使传播者人数变少，缓解该事件对社会造成的影响。所以，在舆情控制方面可以通过增加负向免疫因子h减少舆情传播，既可以减少未知者向感染者转变又可以促进未知
【参考文献】：
期刊论文
[1]融合社交网络用户自身属性的信息传播数学建模与舆情演化分析[J]. 刘小洋,唐婷,何道兵. 中文信息学报. 2019(09)
[2]社交网络的舆情热点发现模型研究[J]. 应毅,刘定一,任凯. 图书情报导刊. 2018(09)
[3]考虑多层邻居节点影响的微博网络舆论演化模型[J]. 刘泉,荣莉莉,于凯. 系统工程学报. 2017(06)
[4]基于信息传播模型-SIR传染病模型的社交网络舆情传播动力学模型研究[J]. 赵剑华,万克文. 情报科学. 2017(12)
[5]基于改良SEIR模型的微博话题式信息传播研究[J]. 崔金栋,郑鹊,孙硕. 情报科学. 2017(12)
[6]双层社会网络上的舆情传播动力学分析[J]. 李丹丹,马静. 系统工程理论与实践. 2017(10)
[7]基于SIR模型的微信舆情传播研究[J]. 赵鹏飞,马民,谈依箴. 情报探索. 2017(10)
[8]微信朋友圈信息传播:演化模型构建与仿真[J]. 王宏波. 现代情报. 2017(09)
[9]基于SIRS的微信信息传播模型[J]. 李莉,王小刚. 计算机系统应用. 2017(09)
[10]基于S1S2IR双S模型在微信谣言传播中的研究[J]. 卢东,郭进利,何红英. 数学的实践与认识. 2017(16)
硕士论文
[1]耦合网络环境下在线网络信息传播机制研究[D]. 金雅芳.南京邮电大学 2017
[2]移动社交网络舆情分析及政府应对策略研究[D]. 李明.黑龙江科技大学 2017
[3]社交网络舆情的价值研究[D]. 张惠.湖南大学 2015
[4]多层在线社交网络信息传播模型研究[D]. 李合莉.山东财经大学 2013
本文编号：3254584
本文链接：https://www.wllwen.com/shekelunwen/shgj/3254584.html
