社會媒體情緒感染模型研究*

柴艷杰 劉婷婷 王 瑾

(1.寧波大學(xué)信息科學(xué)與工程學(xué)院，寧波 315211；2.寧波大學(xué)科學(xué)與技術(shù)學(xué)院，寧波 315211)

1 引 言

隨著互聯(lián)網(wǎng)2.0時代的到來，以Facebook、Twitter、微博為主的社會媒體迅速擴(kuò)張，受到了廣泛關(guān)注，它具有用戶基數(shù)大、受眾群體廣、時效性強(qiáng)、傳播迅速等特點(李棟,徐志明,李生,劉挺,&王秀文,2014)。大數(shù)據(jù)時代下的社會媒體已成為現(xiàn)實社會的投影，信息量的劇增充斥于人們?nèi)粘Ｉ畹母鞣礁髅?。在線社交網(wǎng)絡(luò)通過用戶之間的連接突破了時空的限制，使信息不依賴于傳統(tǒng)面對面交流的方式而通過互聯(lián)網(wǎng)實現(xiàn)跨地域傳播。

突發(fā)事件的爆發(fā)導(dǎo)致情緒以信息為載體伴隨信息同步傳播(Bauch,Ferrara,& Yang,2015)，網(wǎng)民負(fù)面情緒推波助瀾，感染其他用戶最終擴(kuò)散至整個社交網(wǎng)絡(luò)。例如2018年樂清女孩乘坐滴滴順風(fēng)車遇害這一熱點事件在微博曝光后激起熱議，網(wǎng)民的憤怒情緒迅速蔓延，網(wǎng)絡(luò)輿論經(jīng)社會媒體發(fā)酵后的影響力遠(yuǎn)大于報刊、電臺等傳統(tǒng)傳播方式。由此可見社會媒體情緒感染的研究對于輿情監(jiān)測和網(wǎng)絡(luò)群體性事件的控制具有重要的現(xiàn)實意義。

情緒一直是心理學(xué)領(lǐng)域研究的重點與熱點，近年來結(jié)合心理學(xué)情緒理論與人工智能技術(shù)對情緒的擴(kuò)散過程進(jìn)行建模仿真是情緒感染研究的一大熱點趨勢?，F(xiàn)有社會媒體情緒感染研究步驟大致可分為以下三步(紀(jì)雪梅&王芳,2015)：首先提取社會媒體的網(wǎng)絡(luò)結(jié)構(gòu)與信息的情緒特征(李壽山,李逸薇,劉歡歡,&黃居仁,2013)；然后基于信息傳播規(guī)律運用多種方法來構(gòu)建情緒感染模型；最后，通過構(gòu)建的情緒感染模型來控制網(wǎng)絡(luò)輿情，避免網(wǎng)絡(luò)群體性事件的發(fā)生。本文回顧了情緒模型相關(guān)研究成果，分析了社會媒體中情緒感染研究的理論與方法，并提出了未來研究的思路。本文的結(jié)構(gòu)框架如下：第1節(jié)引入相關(guān)背景與研究意義、第2節(jié)介紹了相關(guān)概念、第3節(jié)總結(jié)與歸納現(xiàn)有情緒感染模型，第4節(jié)總結(jié)了現(xiàn)有研究的不足并對未來研究做出展望。

2 情 緒

2.1 情緒理論

情緒(emotion)廣義上指人對客觀事物的態(tài)度體驗，狹義上指有機(jī)體受到刺激時產(chǎn)生的暫時性較劇烈的態(tài)度。情感(feeling)是一個與情緒既有區(qū)別又有聯(lián)系的概念，情感與情緒一樣是人對客觀事物的態(tài)度體驗，但兩者并不完全相同，區(qū)別如下：

需要不同：情緒是有機(jī)體與生物需要相聯(lián)系的體驗形式；情感是人類特有與社會需要相關(guān)聯(lián)的一種復(fù)雜的態(tài)度體驗。

穩(wěn)定性不同：情緒是短暫的、不穩(wěn)定的；情感是長期的、穩(wěn)定的。

獲得方式不同：情緒是人類和動物先天與生俱來的；情感是人類社會特性發(fā)展到一定階段才產(chǎn)生的。

2.2 情緒分類

從個體情緒體驗的角度可將情緒簡單劃分為積極情緒體驗和消極情緒體驗。能滿足人的需要、渴求、意向的肯定性的體驗會產(chǎn)生積極情緒，而不能滿足人渴求事物的否定性體驗則產(chǎn)生消極情緒。Watson,Clark,和Tellegen(1988)編制了積極情緒消極情緒量表(PANAS)，邱林,鄭雪,和王雁飛(2008)修訂了該量表使其具有更好的區(qū)分度，更加適合國內(nèi)使用。

這種二分類方式不能劃分具體的情緒類別，比如憤怒、悲傷、恐懼均被劃分為消極情緒，而它們之間存在很大差別。心理學(xué)家們以基本情緒理論為基礎(chǔ)，提出了離散情緒模型和維度情緒模型來對情緒做進(jìn)一步細(xì)致的劃分。表1對比總結(jié)了這兩類情緒模型各自的優(yōu)缺點。

表1 兩種情緒模型對比

2.2.1 離散情緒模型

離散情緒分類將情緒以離散標(biāo)簽的形式劃分為幾種基本的類型，研究者們的分類多種多樣，總結(jié)歸納如表2所示。

離散情緒模型的分類方法比較清晰簡潔，符合個體的直觀感受，普遍采用于早期的研究中。但該模型只蘊含了幾種基本情緒類型，僅能有限的劃分情緒類別，并且不能表達(dá)同一類型情緒的強(qiáng)度和不同類型情緒間的關(guān)系。

2.2.2 維度情緒模型

維度情緒模型在連續(xù)維度上從情緒的復(fù)雜性、微妙性、連續(xù)性三個角度對情緒進(jìn)行建模與劃分。將情緒定義為多維空間內(nèi)的坐標(biāo)點，通過連續(xù)且不間斷的數(shù)值來描述情緒，因此維度情緒模型也稱作連續(xù)情緒模型。

心理學(xué)家Wundt最早提出了三維情緒模型(Wundt & Judd,1897)，該模型將情緒劃分為快樂度、沖動度、緊張度三個維度。每一維度可以表示情緒對應(yīng)的極性和強(qiáng)弱變化，每種基本情緒均可映射到該三維空間的某一點。在該模型的基礎(chǔ)上學(xué)者們提出其他模型，總結(jié)歸納為表3所示。

表2 離散情緒模型研究進(jìn)展

表3 維度情緒模型研究進(jìn)展

2.3 情緒感染

情緒感染(emotional contagion)廣義上來講，是指因他人情緒影響自身情緒這一現(xiàn)象。截至目前，學(xué)術(shù)界從不同的角度對情緒感染做出了解釋(張奇勇&盧家楣,2013)，其總結(jié)歸納如表4所示：

表4 情緒感染概念研究

3 情緒感染模型

隨著人工智能領(lǐng)域的興起，學(xué)者們對情緒的感染過程展開研究，其研究領(lǐng)域涉及生理學(xué)、心理學(xué)、傳播學(xué)、計算機(jī)信息科學(xué)等多個方面。早期的研究基于人群中成員之間的情緒傳遞構(gòu)建情緒感染模型，最具代表性的是Bosse等(2009)以熱力學(xué)理論為基礎(chǔ)的情緒吸收模型?？紤]到群體成員中個體之間的交互作用，Maitner,Mackie,Claypool,和Crisp(2010)提出了群際情緒理論。劉箴,金煒,黃鵬,和柴艷杰(2013)基于智能體(Agent)模型，計算人群擁擠事件中的個體情緒感染過程。

隨著社會媒體的普及，情緒突破了時空的限制，伴隨信息同步傳播。這種傳播過程感染原本無情緒傾向的個體，傳播速度和范圍遠(yuǎn)大于傳統(tǒng)的群體情緒感染。在原有群體情緒感染模型研究的基礎(chǔ)上，結(jié)合社會媒體信息傳播特征，越來越多的學(xué)者們著重研究社會媒體中的情緒感染。通過對相關(guān)文獻(xiàn)進(jìn)行梳理，將現(xiàn)有情緒感染算法分為三大類：基于流行病動力學(xué)的情緒感染模型、基于信息級聯(lián)模型的情緒感染模型、其他情緒感染模型。

3.1 基于流行病動力學(xué)的情緒感染模型

基于流行病動力學(xué)的情緒感染模型借鑒了經(jīng)典傳染病模型的思想，將情緒的感染類比為疾病的傳播(譚娟,2015;張發(fā),李璐,&宣慧玉,2011)。將人群分為三種基本狀態(tài)：易感狀態(tài)(Susceptible，S)：暫未感染；感染狀態(tài)(Infected，I)：已感染；免疫狀態(tài)(Recovered，R)：感染后恢復(fù)穩(wěn)定狀態(tài)，不易再次感染。

傳染病模型的主要思想是針對這三種狀態(tài)的轉(zhuǎn)變過程進(jìn)行數(shù)學(xué)建模，利用動力學(xué)演化方程組抽象描述人群狀態(tài)隨時間的演化關(guān)系?；灸Ｐ蜑镾I模型(S狀態(tài)個體在與I狀態(tài)個體接觸時以固定概率β被感染為I狀態(tài))、SIS模型(被感染的I狀態(tài)個體以概率y恢復(fù)為S狀態(tài))、SIR模型(被感染的I狀態(tài)個體以概率y轉(zhuǎn)換為R狀態(tài))、SIRS模型(R狀態(tài)個體在恢復(fù)之后又以概率λ感染為S狀態(tài))，如圖1所示：

一些學(xué)者結(jié)合具體問題在此基礎(chǔ)上提出了改進(jìn)模型來研究社會媒體情緒感染現(xiàn)象，總結(jié)如表5所示。

3.1.1 基于SIS模型

Bergstrom等(2010)和Hill等(2010)提出了SISa模型，其貢獻(xiàn)在于突出易感狀態(tài)(S)轉(zhuǎn)換為感染狀態(tài)(I)不僅受周圍的被感個體接觸的影響，還增加了一個自發(fā)感染的過程。其缺陷在于并未對情緒進(jìn)行劃分，Liu等(2014)基于SISa模型將感染狀態(tài)(I)嵌入情緒特征劃分為樂觀狀態(tài)(O)和悲觀狀態(tài)(P)，提出了SOSa-SPSa模型。該模型將樂觀情緒和悲觀情緒分開討論，并證明悲觀情緒更容易感染他人。但未考慮樂觀情緒與悲觀情緒之間的相互轉(zhuǎn)換，Song等(2016)基于此問題做了進(jìn)一步完善。

趙衛(wèi)東等(2015)針對網(wǎng)絡(luò)突發(fā)事件，結(jié)合多智能體的思想分析了情緒由個體擴(kuò)散至群體的演化過程。Q.Wang等(2015)提出了ESIS模型，該模型將情緒分為七類，通過式1計算用戶i傳播給用戶j的信息中每種情緒化信息o所占權(quán)重，證明了情緒的擴(kuò)散取決于信息的傳播概率和傳播強(qiáng)度。不足之處在于在情緒化信息的傳播過程中，情緒可能會發(fā)生變化，該模型不能還原多種情緒的演變過程。

表5 傳染病改進(jìn)模型

其中Ni,j,o表示用戶i從用戶j轉(zhuǎn)發(fā)的情緒o的信息數(shù)量；Ni,j表示從用戶i轉(zhuǎn)發(fā)用戶j的信息總數(shù)。

3.1.2 基于SIR模型

F.Xiong等(2012)將所有接受信息還暫未被情緒感染的狀態(tài)定義為閱讀狀態(tài)(C)，若感染了某種情緒則轉(zhuǎn)換為感染狀態(tài)(I)，否則轉(zhuǎn)換為免疫狀態(tài)(R)；趙劍華和萬克文(2017)將易感狀態(tài)(S)的用戶劃分了三種心理特征，結(jié)合粒子群算法構(gòu)建了網(wǎng)絡(luò)輿情傳播動力學(xué)模型，實驗結(jié)果的均方值遠(yuǎn)低于傳統(tǒng)SIR模型，可準(zhǔn)確預(yù)測輿情傳播趨勢；陳業(yè)華和張曉倩(2018)將情緒穩(wěn)定狀態(tài)(R)進(jìn)一步劃分為暫時穩(wěn)定狀態(tài)R1和永久穩(wěn)定狀態(tài)R2，并站在政府干預(yù)的角度為遏制消極情緒擴(kuò)散提供思路；姚晶晶等(2018)綜合分析情緒理論、信息偏差、轉(zhuǎn)換速度等因素，通過實驗得出當(dāng)網(wǎng)絡(luò)中積極情緒的用戶的占比較大時，用戶情緒會在短時間內(nèi)趨于穩(wěn)定的結(jié)論。史敏和石巖(2015)通過分析球場觀眾的情緒演化過程，構(gòu)建了遏制球場觀眾暴力行為的動力學(xué)模型；張永和和凱(2018)加入一類假免疫節(jié)點(D)，定義了三個傳播概率函數(shù)提出SDIR模型，證明了初始傳播概率會對傳播過程產(chǎn)生重要影響。

3.1.3 基于SIRS模型

Fu等(2014)結(jié)合了元胞自動機(jī)方法提出CA-SIRS模型，定義個體i進(jìn)行移動時受周邊鄰居j的情緒影響Dij如式2所示：

其中，E為情緒強(qiáng)度，Ai,j為接受率，Bi,j為傳輸率。L表示個體之間的距離。個體情緒M(i,t)為所有鄰居情緒影響與個體前一時刻情緒的累加之和，計算方法如式3所示：

該模型模擬了移動人群中的情緒感染過程，但仿真結(jié)果的直觀性較差，不能動態(tài)觀察群體中不同情緒個體的數(shù)量變化。

X.Wang等(2016)加入潛伏和敏感狀態(tài)提出SLIRS模型，通過結(jié)合最優(yōu)控制策略，能夠最大限度地抑制消極情緒擴(kuò)散。

3.2 基于圖論的情緒感染模型

基于圖論的模型以社交網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，運用復(fù)雜網(wǎng)絡(luò)理論，通過分析網(wǎng)絡(luò)結(jié)構(gòu)中節(jié)點的連接來研究情緒的擴(kuò)散過程。本節(jié)介紹以信息級聯(lián)模型為基礎(chǔ)的情緒感染模型，在信息級聯(lián)模型中，將用戶抽象為網(wǎng)絡(luò)中的節(jié)點，用戶之間的關(guān)系抽象為節(jié)點之間的連接。節(jié)點存在激活與非激活兩種狀態(tài)，節(jié)點的狀態(tài)只受相鄰節(jié)點的影響。信息級聯(lián)模型主要可以分為兩大類：獨立級聯(lián)模型(Saito,Nakano,& Kimura,2008)和線性閾值模型(Granovetter,1978)。

3.2.1 基于獨立級聯(lián)模型

在獨立級聯(lián)模型中，激活狀態(tài)的節(jié)點只有一次機(jī)會以固定的概率去激活相鄰處于非激活狀態(tài)的節(jié)點，各節(jié)點之間的激活過程是相互獨立的，節(jié)點被激活的順序并不唯一。

情緒會影響用戶是否轉(zhuǎn)發(fā)某條信息(Chen,Liu,& Zou,2017)，文獻(xiàn)(Q.Wang,Jin,Yang,& Cheng,2017)基于用戶與用戶通過轉(zhuǎn)發(fā)信息構(gòu)建的單層網(wǎng)絡(luò)，提出了一種基于獨立級聯(lián)模型的情緒感染模型(EIC)，在Twitter數(shù)據(jù)集上分三步來研究情緒感染的過程。首先計算傳播概率來預(yù)測用戶是否會轉(zhuǎn)發(fā)消息；然后綜合考慮用戶特征、結(jié)構(gòu)特征、信息特征預(yù)測用戶的情緒是否變化；最后通過計算轉(zhuǎn)換概率預(yù)測用戶變化后情緒。仿真結(jié)果表明17.9%的用戶情緒發(fā)生了變化。該模型可以預(yù)測傳播過程用戶情緒的變化。仍存在的不足是僅考慮轉(zhuǎn)發(fā)這一單一傳播方式，而忽視了評論、點贊、提及等其他傳播方式。

基于這一問題，學(xué)者們將社交網(wǎng)絡(luò)看作由多個相同節(jié)點、不同連接的單層網(wǎng)絡(luò)所組成的多重網(wǎng)絡(luò)，X.Xiong等(2018)分析了多層社交網(wǎng)絡(luò)交互機(jī)制，考慮轉(zhuǎn)發(fā)、評論、提及這三種交互行為，提出情緒獨立級聯(lián)模型(eIC)，將每種交互行為看作子網(wǎng)絡(luò)層，用戶節(jié)點的情緒值為各子網(wǎng)絡(luò)層相鄰節(jié)點影響的加權(quán)之和，計算公式如式4所示：

Ej其中為用戶j的情緒值，α為三個行為層(轉(zhuǎn)發(fā)、評論、提及)之一，εinα為情緒傳輸率，ΔEij為情緒差值，t為時間點。

該模型未計算“關(guān)注”關(guān)系對用戶情緒傳播的影響。文獻(xiàn)(熊熙et al.,2018)進(jìn)一步做了完善，在多層網(wǎng)絡(luò)中引入時空特征，用精確數(shù)值定量的表達(dá)用戶情緒值是社會媒體情緒感染研究極具突破性的一步，實驗結(jié)果表明比單層網(wǎng)絡(luò)傳播模型更加貼近社交網(wǎng)絡(luò)的情緒感染。

周東浩、韓文報和王勇軍(2015)考慮到實際傳播過程中存在的延遲時間，在對三大傳播特征(主題特征、客體特征、信息特征)進(jìn)行討論分析后，構(gòu)建了基于非同步獨立級聯(lián)模型的細(xì)粒度傳播模型，實驗證明能夠提升預(yù)測的準(zhǔn)確率。

綜上所述，基于獨立級聯(lián)模型的情緒感染模型均以傳播者為中心，用戶是否被感染取決于自身的激活概率。

3.2.2 基于線性閾值模型

在線性閾值模型中，初始時有一組處于激活狀態(tài)的節(jié)點會同步的激活處于非激活狀態(tài)的相鄰節(jié)點。每個非激活節(jié)點a都存在一個激活閾值θ，鄰居節(jié)點b對節(jié)點a的影響為I_ba；當(dāng)a受其所有鄰居節(jié)點B的影響∑bBIba>θ時，節(jié)點a將會被激活。激活狀態(tài)的節(jié)點有多次機(jī)會激活相鄰處于非激活狀態(tài)的節(jié)點。

Galuba,Chakraborty,Aberer,Despotovic和Kellerer(2010)通過分析網(wǎng)絡(luò)結(jié)構(gòu)與情緒化信息特征提出了一個傳播預(yù)測算法，實驗結(jié)果與真實數(shù)據(jù)對比具有較高的準(zhǔn)確度。Gui,Sun,Han和 Brova(2014)通過不同的關(guān)系類型引入兩個變量，來預(yù)測用戶的傳播行為。Khalil,Dilkina和Le(2014)通過改變線性閾值模型的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，可以阻止消極情緒化信息的擴(kuò)散。Bozorgi,Samet,Kwisthout和Wareham(2017)從信息接收者的角度出發(fā)，研究了多條信息在傳播過程中的競爭，提出了DCM模型。鄭蕾(2011)綜合考慮用戶的個性提出了基于節(jié)點影響力的計算模型，并將其應(yīng)用到多條信息并行傳播的過程中。

綜上所述，基于線性閾值的改進(jìn)模型均以信息接受者為中心，用戶是否被感染取決于相鄰用戶的加權(quán)影響力之和是否超過給定的閾值(羅雙玲,夏昊翔,&王延章,2015)。

3.3 其他模型

3.3.1 基于微分方程

Zhao等(2014)提出情緒感染過程中樂觀情緒(“+”)與悲觀情緒(“-”)、樂觀情緒與樂觀情緒、悲觀情緒與悲觀情緒之間都會相互影響，并建立了二元情緒轉(zhuǎn)移方程。通過Runge-Kutta方法求解并在復(fù)雜網(wǎng)絡(luò)中進(jìn)行數(shù)值仿真，實驗結(jié)果表明所有個體最終會趨于同一情緒。不足之處在于該模型單純地使用加權(quán)的方法，所得結(jié)果與實際情況誤差較大，如何使其更貼近現(xiàn)實，有待于在未來深入研究

3.3.2 基于系統(tǒng)動力學(xué)方法

李從東和洪宇翔(2014)以及李從東、洪宇翔和謝天(2013)通過系統(tǒng)動力學(xué)方法搭建了群體情緒演化模型，并結(jié)合元胞自動機(jī)模擬個體間的情緒感染，來預(yù)測突發(fā)事件的情緒感染過程。葉瓊元、蘭月新、王強(qiáng)、夏一雪和楊謹(jǐn)鋮(2017)采用系統(tǒng)動力學(xué)建模方法，將網(wǎng)民情緒演化過程分為“萌芽-爆發(fā)-成熟-衰退”四個時期。通過分析用戶自身、媒體環(huán)境、政府控制三個因素，得出突發(fā)事件下社會媒體情緒演化規(guī)律。不足之處在于對影響網(wǎng)民情緒演化的變量提取不夠全面，且主要研究情緒強(qiáng)度的變化而未考慮多種情緒的演化，因此僅適用于特定輿情事件。目前基于系統(tǒng)動力學(xué)方法的情緒演化研究還有很大的挖掘空間，有待學(xué)者們進(jìn)一步深入研究。

3.3.3 基于馬爾科夫鏈

Dong,Pentland,和Heller(2012)提出了一種基于圖形耦合隱馬爾可夫模型(GCHMM)的情緒感染模型。Z.Du,Yang,Cai,Zhang,和Bai(2018)在此研究基礎(chǔ)上提出了一種衡量個體消極情緒程度的指標(biāo)，通過推斷個體消極程度模擬不同個體之間消極情緒的擴(kuò)散。使用Gibbs采樣方法在合成網(wǎng)絡(luò)數(shù)據(jù)集和真實網(wǎng)絡(luò)數(shù)據(jù)集下驗證了所提出的模型的有效性。不足之處在于主要采集用戶手機(jī)端社交網(wǎng)絡(luò)中的消極情緒，但個別用戶無論積極還是消極情緒從言語中表述出的均為消極情緒，若可以篩選出這類用戶則可以提高模型的準(zhǔn)確率。

3.3.4 基于智能體(Agent)方法

基于智能體的方法將用戶看作智能體，通過對智能體進(jìn)行建模來模擬用戶情緒的感染過程。最早的研究基于單個智能體(Agent)，僅能模擬單一個體的情緒演化(Marsella & Gratch,2009)。為模擬群體成員隨著時間推移的情緒感染過程，文獻(xiàn)(Bosse,Duell,Memon,Treur,& van der Wal,2014)提出了基于多個Agent的情緒感染模型，側(cè)重于群體間的情緒擴(kuò)散。但只能模擬單一情緒在群體中的傳播，不能模擬不同情緒的擴(kuò)散?；谶@一問題，文獻(xiàn)(Rui Fan,Xu,& Zhao,2018)研究多種情緒(喜悅、憤怒、厭惡、悲傷)在不同關(guān)系的用戶間擴(kuò)散的過程，定義了傳播閾值τ，若wuv*e(ci-1)>τ(wuv表示關(guān)系強(qiáng)度，ci表示情緒相關(guān)度)，則認(rèn)為情緒會擴(kuò)散，仿真結(jié)果表明憤怒情緒比喜悅情緒更容易在陌生人中傳播。不足之處為定義的傳播閾值唯一，但對于不同Agent應(yīng)定義不同的傳播閾值來模擬不同情景下的情緒擴(kuò)散過程。

3.4 模型對比

本小節(jié)首先從理論上分析不同方法的特點，然后比較其具體算法，最后對比分析各實驗結(jié)果。

3.4.1 方法對比

基于流行病動力學(xué)方法通常用于從宏觀角度描述群體情緒感染規(guī)律。此類方法側(cè)重整體情緒感染情況，關(guān)注情緒感染過程中用戶在幾個狀態(tài)之間的轉(zhuǎn)移,比較適合估計整體范圍內(nèi)計算某時刻處于某狀態(tài)個體的比例。缺陷在于用疾病接觸感染過程表示情緒在用戶之間的擴(kuò)散過程過于簡化，并沒有考慮社交網(wǎng)絡(luò)結(jié)構(gòu)、用戶之間的連接、用戶個體之間的差異。

Q.Wang等(2015)優(yōu)勢在于比其他模型擁有更好的數(shù)據(jù)擬合性，情緒分類較全面。不足之處在于只考慮了情緒本身的因素，未考慮社交網(wǎng)絡(luò)轉(zhuǎn)發(fā)推送機(jī)制與多種網(wǎng)絡(luò)行為對情緒傳播的影響。

基于信息級聯(lián)模型方法以社交網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，將用戶節(jié)點作為基本單元，綜合考慮了節(jié)點之間的連接和不同節(jié)點之間影響力的差異構(gòu)建情緒感染模型。適用于對某一個體某一時刻下情緒感染狀態(tài)的估計。缺陷在于信息級聯(lián)模型假設(shè)所有用戶獲取信息的渠道均來源與相鄰節(jié)點，而現(xiàn)實社交網(wǎng)絡(luò)中信息往往直接來源于自身搜索、媒體推送或熱點話題。

熊熙等(2018)優(yōu)勢在于引入多層拓?fù)渚W(wǎng)絡(luò)來表示社交網(wǎng)絡(luò)的多種交互機(jī)制。與ESIS算法的時間復(fù)雜度一致，但與真實數(shù)據(jù)的擬合度更好，描述情緒傳播特征更加充分，對社交網(wǎng)絡(luò)中情緒傳播預(yù)測效果更好。不足之處在于該算法僅劃分積極和消極兩種情緒，不能表示多種情緒的演化過程。

基于其他模型的方法各具特色，微分方程方法具有數(shù)學(xué)的嚴(yán)密性；系統(tǒng)動力學(xué)方法結(jié)合了定性描述與定量分析；智能體方法綜合考慮了用戶的獨立性與自主性，其中最具代表性的算法為：

Rui Fan等(2018)優(yōu)勢在于通過考慮推送-重新發(fā)布機(jī)制、親密度等多種特征，比其他模型模擬情緒感染效果更好，不足之處在于未充分考慮個性因素，不能表示群體情緒演化過程。

3.4.2 實驗對比

針對實驗部分存在兩種情況：第一種為仿真實驗，仿真實驗將模型進(jìn)行數(shù)值仿真。通過對仿真結(jié)果進(jìn)行分析，結(jié)合現(xiàn)實生活中存在的一些問題提出一些建議；另一種為對比試驗，與其他已有模型通過各類評價指標(biāo)進(jìn)行對比試驗。本節(jié)總結(jié)了有關(guān)情緒感染算法的對比實驗，如表6所示：

表6 情緒感染算法的對比實驗

4 總結(jié)與展望

本文首先介紹了情緒模型相關(guān)研究成果，引入情緒感染的概念，通過總結(jié)大量相關(guān)文獻(xiàn)發(fā)現(xiàn)目前學(xué)者們對于社會媒體情緒感染算法的研究主要有兩大體系：基于傳染病模型的情緒感染算法、基于信息級聯(lián)模型的情緒感染算法。傳染病模型由于其較高的靈活性衍生出大量的改進(jìn)模型，通過構(gòu)建用戶各狀態(tài)之間的轉(zhuǎn)移模擬情緒感染規(guī)律，并可以在模型基礎(chǔ)上為網(wǎng)絡(luò)輿情監(jiān)控提供控制策略，再由仿真實驗驗證其合理性。信息級聯(lián)模型通過分析節(jié)點之間相互激活作用來研究情緒化信息的傳播與演化，以用戶節(jié)點為基本單位可以精準(zhǔn)模擬情緒感染過程。其他的方法由于側(cè)重點不同，各有千秋，但它們?nèi)源嬖谝恍┲档美^續(xù)深入探索的問題。本節(jié)將在總結(jié)現(xiàn)有研究不足的基礎(chǔ)上對未來研究做出展望，以期對深入開展社會媒體情緒感染算法提供借鑒。

(1)動態(tài)建模。

目前大多數(shù)情緒感染算法都基于靜態(tài)的用戶行為與網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。但是根據(jù)調(diào)查顯示，個體在社區(qū)內(nèi)的互動遠(yuǎn)大于社區(qū)間的互動，會使同一社區(qū)內(nèi)用戶的情緒越來越相近，聯(lián)系也越來越緊密，便逐漸與不同情緒的用戶斷開連接。而社會媒體中不斷產(chǎn)生的新用戶與新信息也伴隨著社交網(wǎng)絡(luò)結(jié)構(gòu)動態(tài)演化。現(xiàn)有研究基于歷史數(shù)據(jù)集或靜態(tài)網(wǎng)絡(luò)拓?fù)潢P(guān)系，對動態(tài)網(wǎng)絡(luò)建模研究不足?？梢岳迷诰€機(jī)器學(xué)習(xí)等動態(tài)預(yù)測模型對情緒演變進(jìn)行建模，這仍需要在未來進(jìn)行深入的研究。

(2)多元異構(gòu)。

情緒感染過程中的異構(gòu)性體現(xiàn)在用戶、信息、網(wǎng)絡(luò)三個方面。第一，用戶具有異構(gòu)性，通過研究不同用戶在Instagram上觀看陌生人積極帖子的情緒變化發(fā)現(xiàn)(Vries,M?ller,Wieringa,Eigenraam,& Hamelink,2017)：一部分用戶在社交媒體上看到陌生人的積極帖子會受到鼓舞產(chǎn)生正面情緒，另一部分用戶會對比自己不堪的現(xiàn)狀而產(chǎn)生負(fù)面情緒。用戶的情感復(fù)雜多樣導(dǎo)致相同的信息對不同用戶的影響不同。第二，信息也具有異構(gòu)性，憤怒情緒比喜悅情緒更容易感染用戶(R.Fan,Zhao,Chen,& Xu,2014)。第三，傳播網(wǎng)絡(luò)具有異構(gòu)性，相同的信息會同時在不同的網(wǎng)絡(luò)平臺傳播。而目前的模型未綜合考慮這些不同角度的異構(gòu)性，這對我們未來的研究工作來說也是一個很大的挑戰(zhàn)。

(3)信息關(guān)聯(lián)與競爭。

目前社交網(wǎng)絡(luò)的信息量急劇增加，而大多數(shù)用戶不會每時每刻查閱社交媒體，這會導(dǎo)致信息堆積，當(dāng)用戶再次進(jìn)行查看的時候，已經(jīng)積攢了很多未讀信息。這些信息之間存在競爭，用戶在心情煩躁時會在網(wǎng)絡(luò)中尋找相同經(jīng)歷的信息導(dǎo)致消極情緒再度惡化，也有可能通過一些積極情緒信息來調(diào)整自己的心情。信息之間除了競爭關(guān)系外，信息關(guān)聯(lián)現(xiàn)象也普遍存在。某一熱點信息的爆發(fā)，通常會導(dǎo)致其他共同主體或主題的信息隨之曝光，信息主體與其轉(zhuǎn)發(fā)評論之間也存在關(guān)聯(lián)。目前情緒感染算法研究中每條情緒化信息都是孤立存在，并未考慮信息的關(guān)聯(lián)特征。如何定量分析信息間的關(guān)聯(lián)與競爭有待繼續(xù)深入的研究。

(4)輿情反轉(zhuǎn)可視化。

大多數(shù)用戶在社會媒體中圍繞著一個主題或事件宣泄情緒。一些事件往往存在輿論倒戈現(xiàn)象，網(wǎng)民情緒因此受到影響。如今還不能在時間序列上直觀地呈現(xiàn)某話題的情緒演變過程，若可以通過情緒可視化技術(shù)實時動態(tài)呈現(xiàn)群體情緒隨時間序列的變化曲線，便可更好的觀測輿論事件的反轉(zhuǎn)與群眾情緒的走向。

(5)多模態(tài)情緒感染。

目前的研究都是基于單條情緒化信息。人類的語言內(nèi)涵較為豐富，漢語言也存在著歧義性。比如一句話可能暗含多種情緒，一條看似積極消息也許同時摻雜著挖苦與嘲諷?，F(xiàn)有研究主要以文本信息為主，對圖片、音頻、視頻等多媒體信息中情緒的挖掘十分罕見，未來的研究中可以融合消息中的表情、配圖等綜合考慮多種情緒的傳播。情緒在傳播過程中的不斷演化也需要繼續(xù)探索，這樣可以更好地控制網(wǎng)絡(luò)輿情。

社會媒體作為廣大用戶信息交流、情緒宣泄的平臺，蘊含大量映射了用戶心理行為的多媒體信息。利用心理學(xué)情緒結(jié)構(gòu)理論與計算機(jī)模擬仿真相結(jié)合的方法研究社會媒體情緒感染這一社會現(xiàn)象，推動了心理學(xué)研究領(lǐng)域的發(fā)展。相信在學(xué)術(shù)界的不斷探索和嘗試下，社會媒體情緒感染模型在未來幾年會取得更大的發(fā)展和突破。