隨著手機(jī)移動(dòng)終端的廣泛普及和各類(lèi)型社交網(wǎng)絡(luò)的快速發(fā)展,網(wǎng)民會(huì)在不同的社交網(wǎng)絡(luò)之間進(jìn)行輿情信息的傳遞,因此,對(duì)于社交網(wǎng)絡(luò)環(huán)境下輿情信息傳播的研究,尤其是探索社交網(wǎng)絡(luò)中跨網(wǎng)絡(luò)的輿情信息傳播具有重要的現(xiàn)實(shí)意義和理論意義。本文通過(guò)深入探討社交網(wǎng)絡(luò)輿情的傳播類(lèi)型與特征,分別從單層微博網(wǎng)絡(luò)、雙層微信網(wǎng)絡(luò)以及微博和微信的耦合網(wǎng)絡(luò)三種視角研究社交環(huán)境下的輿情傳播,構(gòu)建相應(yīng)的輿情傳播模型。具體來(lái)說(shuō),本文的研究?jī)?nèi)容主要包含以下三個(gè)方面:首先,為了研究單層微博網(wǎng)絡(luò)的輿情傳播機(jī)制,提出了基于改進(jìn)SIR模型的微博網(wǎng)絡(luò)輿情傳播模型,結(jié)合微博網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行了有向無(wú)標(biāo)度網(wǎng)絡(luò)的設(shè)計(jì),利用微博網(wǎng)絡(luò)的信息互動(dòng)模式對(duì)感染率以及轉(zhuǎn)化率進(jìn)行了改進(jìn)。實(shí)驗(yàn)比較了不同的正負(fù)向因子、感染率、轉(zhuǎn)化率、免疫率以及衍生率下的微博輿情傳播過(guò)程;其次,為了研究雙層微信網(wǎng)絡(luò)的輿情傳播機(jī)制,提出了基于雙層微信網(wǎng)絡(luò)的輿情傳播模型,將感染人群劃分為從用戶好友之間接觸獲取和從閱讀微信公眾號(hào)輿情信息兩大類(lèi)人群,模擬出基于公眾號(hào)和朋友圈的雙層微信拓?fù)浣Y(jié)構(gòu),并利用微信網(wǎng)絡(luò)的信息互動(dòng)模式對(duì)感染率進(jìn)行改進(jìn),實(shí)驗(yàn)比較了不同微信層的正負(fù)向因子、轉(zhuǎn)化率以及免疫率下的雙層... 

【文章來(lái)源】：南京郵電大學(xué)江蘇省

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

有向無(wú)標(biāo)度網(wǎng)絡(luò)度分布

南京郵電大學(xué)碩士研究生學(xué)位論文第三章單層微博網(wǎng)絡(luò)的輿情傳播機(jī)制研究21對(duì)此矩陣求解特征值可得：，即所有特征值λ*<0�？梢缘贸霎�(dāng)R0≤1時(shí)，模型在P0處是局部穩(wěn)定的。②非零平衡點(diǎn)P*的Jacobian矩陣為：對(duì)此矩陣求解特征值可得：，即所有特征值λ*≤0。可以得出當(dāng)R0>1時(shí)，模型在P*處是局部漸進(jìn)穩(wěn)定的。3.2.6傳播閾值的內(nèi)在機(jī)理分析傳播的閾值R0越小越有利于控制網(wǎng)絡(luò)輿情傳播的擴(kuò)散。λ對(duì)R0的影響是正向的；α、β對(duì)R0的影響是反向的。圖3.3給出了R0隨著α、β、λ變化的曲線。圖3.3α、β、λ變化對(duì)閾值R0的影響圖3.3顯示，傳播閾值R0會(huì)隨著α的增加呈現(xiàn)出快速減少的趨勢(shì)，而會(huì)隨著β的增加展現(xiàn)出較慢減少的趨勢(shì)。這是因?yàn)樵谖⒉┹浨閿U(kuò)散的控制上，應(yīng)該從源頭上進(jìn)行強(qiáng)有力的控制，而不應(yīng)該等輿情完全爆發(fā)后再想辦法對(duì)傳播者進(jìn)行輿情保護(hù)。圖3.3還表明，隨著λ的增加，傳播閾值R0呈現(xiàn)迅速增加的趨勢(shì)，這與α的增加，傳播閾值R0呈現(xiàn)比較快速減少的趨勢(shì)正好相反，而且這兩者都是對(duì)于未知者的，這說(shuō)明α和λ在某種意義上存在著負(fù)聯(lián)系，這在一定程度上給對(duì)未知者對(duì)于接受輿情信息時(shí)就進(jìn)行控制措施提供了合理依據(jù)。3.3單層微博網(wǎng)絡(luò)輿情傳播的仿真結(jié)果與分析為了驗(yàn)證模型以及對(duì)于感染率等參數(shù)改進(jìn)的合理性，使用模擬數(shù)據(jù)構(gòu)建模型的初有向始()()()0Allglalba***+++-=()0()(,,)()00AAAAJPJalabblbaallblgblabg*éù----êúêúêú=-=ê-úêúê-úêú()(())0Aallgllabl***++-+=

南京郵電大學(xué)碩士研究生學(xué)位論文第三章單層微博網(wǎng)絡(luò)的輿情傳播機(jī)制研究233.3.1正向傳播因子對(duì)輿情傳播過(guò)程的影響分析圖3.4正向傳播因子b變化的影響由圖3.4可知：改變正向傳播因子b會(huì)對(duì)i(t)、r(t)和s(t)曲線造成較大影響。隨著b增大，將會(huì)使i(t)曲線向左上方移動(dòng)，使r(t)曲線向左上方移動(dòng)、s(t)曲線向左下方移動(dòng)。該變化說(shuō)明增加正向傳播因子b不僅可使傳播者比例最大值大幅度加大，增加該事件對(duì)社會(huì)造成的影響，還可以在短時(shí)間內(nèi)使傳播者人數(shù)變多，增加該事件對(duì)社會(huì)造成的影響。所以，在輿情控制方面可以通過(guò)減低正向傳播因子b減少輿情傳播，既可以減少未知者向感染者轉(zhuǎn)變又可以促進(jìn)未知者向免疫者轉(zhuǎn)變，加速輿情事件的平息。3.3.2負(fù)向免疫因子對(duì)輿情傳播過(guò)程的影響分析圖3.5負(fù)向免疫因子h變化的影響由圖3.5可知：改變負(fù)向免疫因h會(huì)對(duì)i(t)、r(t)和s(t)曲線造成較大影響。隨著h增大，將會(huì)使i(t)曲線向右下方移動(dòng)，使r(t)曲線向右下方移動(dòng)、s(t)曲線向右上方移動(dòng)。該變化說(shuō)明增加負(fù)向免疫因子h不僅會(huì)使傳播者比例最大值減少，削弱該事件對(duì)社會(huì)造成的影響，還可以在短時(shí)間內(nèi)使傳播者人數(shù)變少，緩解該事件對(duì)社會(huì)造成的影響。所以，在輿情控制方面可以通過(guò)增加負(fù)向免疫因子h減少輿情傳播，既可以減少未知者向感染者轉(zhuǎn)變又可以促進(jìn)未知

【參考文獻(xiàn)】：
期刊論文
[1]融合社交網(wǎng)絡(luò)用戶自身屬性的信息傳播數(shù)學(xué)建模與輿情演化分析[J]. 劉小洋,唐婷,何道兵.  中文信息學(xué)報(bào). 2019(09)
[2]社交網(wǎng)絡(luò)的輿情熱點(diǎn)發(fā)現(xiàn)模型研究[J]. 應(yīng)毅,劉定一,任凱.  圖書(shū)情報(bào)導(dǎo)刊. 2018(09)
[3]考慮多層鄰居節(jié)點(diǎn)影響的微博網(wǎng)絡(luò)輿論演化模型[J]. 劉泉,榮莉莉,于凱.  系統(tǒng)工程學(xué)報(bào). 2017(06)
[4]基于信息傳播模型-SIR傳染病模型的社交網(wǎng)絡(luò)輿情傳播動(dòng)力學(xué)模型研究[J]. 趙劍華,萬(wàn)克文.  情報(bào)科學(xué). 2017(12)
[5]基于改良SEIR模型的微博話題式信息傳播研究[J]. 崔金棟,鄭鵲,孫碩.  情報(bào)科學(xué). 2017(12)
[6]雙層社會(huì)網(wǎng)絡(luò)上的輿情傳播動(dòng)力學(xué)分析[J]. 李丹丹,馬靜.  系統(tǒng)工程理論與實(shí)踐. 2017(10)
[7]基于SIR模型的微信輿情傳播研究[J]. 趙鵬飛,馬民,談依箴.  情報(bào)探索. 2017(10)
[8]微信朋友圈信息傳播:演化模型構(gòu)建與仿真[J]. 王宏波.  現(xiàn)代情報(bào). 2017(09)
[9]基于SIRS的微信信息傳播模型[J]. 李莉,王小剛.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2017(09)
[10]基于S1S2IR雙S模型在微信謠言傳播中的研究[J]. 盧東,郭進(jìn)利,何紅英.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2017(16)

碩士論文
[1]耦合網(wǎng)絡(luò)環(huán)境下在線網(wǎng)絡(luò)信息傳播機(jī)制研究[D]. 金雅芳.南京郵電大學(xué) 2017
[2]移動(dòng)社交網(wǎng)絡(luò)輿情分析及政府應(yīng)對(duì)策略研究[D]. 李明.黑龍江科技大學(xué) 2017
[3]社交網(wǎng)絡(luò)輿情的價(jià)值研究[D]. 張惠.湖南大學(xué) 2015
[4]多層在線社交網(wǎng)絡(luò)信息傳播模型研究[D]. 李合莉.山東財(cái)經(jīng)大學(xué) 2013



本文編號(hào)：3254584