基于多层网络的网络舆情传播主体交互机制研究

段楠楠 陈家乐

华东交通大学经济管理学院 江西 南昌 330000

摘要：新时代的思想和文化的交流都聚集于互联网络，人们通过互联网络交流互动，网络舆情也随之产生。本文构建了以网络舆情中的媒体和网民为节点，他们之间的关系为连边的多层网络模型，并对媒体单层网络、网民单层网络和网民媒体多层网络三类网络的网络关系图、网络中心性和凝聚子群进行了分析，并得到以下结论：（1）建立关注关系的主体之间更容易对同一件舆情事件进行传播；（2）关注相同或者相似领域的主体之间关注关系发生的可能性更大；（3）相同或相似领域媒体的网民粉丝群体间存在交叉现象；（4）媒体参与舆情事件的传播时，其网民粉丝对于该事件的传播有更积极的参与性。

[关键词] 网络舆情；多层网络；交互影响；舆情主体

1 引言

互联网是时代思想和文化信息的聚集地，也是网络舆情的发源地。刘毅（2007）认为网络舆情是借助互联网进行表达传播的各种不同情感、态度和观点交错的总和^{Error: Reference source not found}。

网络舆情最早的研究可以追溯到舆论传播，德国学者Elizabeth（1993）从社会心理学角度提出“沉默的螺旋（The Spiral of Silence）理论”^{Error: Reference source not found}。至此，学者们纷纷对网络舆情的传播与演化进行了研究，通过构建信息传播模型提出舆情应对和控制的策略[3-5]。除网络舆情传播机理这一主题外，网络舆情参与主体的作用也引起了学者们的广泛关注。例如，陈小彬（2019）认为网络舆情事件的产生，既有社会大众主动参与带来的效应，也离不开媒体对事件的关注和它们在舆情传播中的推波助澜[6]。文献[7-9]分析了网络舆情传播过程中的媒体用户，媒体在网络舆情传播过程中担任着信息发布者、舆论引导者和利益维护者三重角色。网络时代的平等性和话语权的自由化，以网民为主体的舆论场得到了扩展。文献[10-12]对网民在网络舆情传播过程中的作用进行了研究，网民的参与推动了舆情事件的发展，同时也给舆情引导和管理带来了挑战。魏静等（2019）构建了改进SIR模型，对信息在网民中的传播进行仿真分析[13]。

由此可见，媒体和网民两个舆情主体的作用不能忽视。那么，如何将参与网络舆情活动的众多异质性主体置于同一个系统中并探寻它们对彼此之间的影响呢？李静（2018）借助多层网络理论分析突发舆情事件对人类行为模式产生的影响，并对用户群体性行为的规律进行深入挖掘，给突发舆情事件的预警防控和治理引导提供了技术支撑^{Error: Reference source not found}。沈乾（2017）结合线上和线下的社交网络，提出了多层同步的网络模型，分析线上线下之间的相互影响因素，同时构建了舆情仿真系统，提供了一个有效的手段对舆情传播进行仿真研究^{Error: Reference source not found}。

尽管关于网络舆情主体之间的关系研究取得了一定成果，但仍有一系列的问题有待解决，例如：（1）领域具有相似性的媒体之间是否更容易建立关注关系？已经建立关注关系的媒体之间是否更容易传播同一件事情？（2）关注的“兴趣圈”具有共性或者是相似点的网民之间是否更容易建立起关注关系？已经建立关注关系的网民之间是否更容易参与同一事件的传播？（3）同一个领域下的媒体所拥有的网民粉丝群体是否存在交集？关注同一个媒体的网民是否更容易参与同一事件的传播？

鉴于此，本文从媒体和网民两个角度对网络舆情事件中传播主体的影响进行研究，构建以媒体和网民为主体、以主体之间的消息转发为连线的多层网络模型，以网络关系图、网络中心性、凝聚子群分析为研究方法，对多层网络模型中媒体与媒体之间、网民与网民之间以及媒体与网民之间的交互影响进行研究，分析传播主体之间是如何产生并建立交互影响。

2 多层网络概念模型构建

本文以参与舆情事件传播的微博媒体用户和微博普通网民用户分别作为两个网络层的数据节点，以各用户之间的关注关系作为网络中各个点之间连接的依据，分别建立媒体单层网络、网民单层网络、网民媒体2-模网络以及网民媒体多层网络，如图1所示。

图1 多层网络概念模型

3 实证研究

2019年12月，一场来势汹汹的新冠肺炎病毒爆发。本文以“武汉封城”为关键词从微博平台上获取实证分析数据，包含每一条相关微博的发布内容、发布人信息、以及参与评论与转发的用户数据。

由于微博数据获取的限制和UCINET分析软件的局限性，对数据进行一定的筛选剔除。原始数据共获取65327条，通过筛选剔除无评论、无转发及相关度低的数据，剩余研究数据20009条。从中爬取参与评论和转发的不完全用户数据共208156条，基于UCINET软件的限制和运行能力，选取关联度较高的518个媒体用户和5028个网民用户进行实证研究。

3.1 实证模型构建

本文运用可视化的网络数据分析软件Net Draw作网络关系图分析。网络关系图将所研究的媒体和网民作为节点，各个研究对象之间的关注关系作为连线。

分别针对媒体与媒体之间的单层网络（见图2 a）、网民与网民之间的单层网络（见图2 b）、网民与媒体之间的2-模网络（见图2 c）以及网民与媒体之间的多层网络（见图2 d）建立网络关系图。

图 2 四种网络关系图

从图2可以看出，媒体单层网络之间的连线比较密集，每一个媒体与多数的其他媒体之间存在关注关系；网民基数大，但网民之间的关注关系比较稀疏，每个网民节点的连线数较少；网民媒体的2-模网络和多层网络均呈现网状发散结构，一个媒体节点连接着多个网民节点。

3.2网络中心性分析

对该多层网络进行网络中心性分析后得到表1。

通过对表1进行分析后发现， 媒体单层网络整个网络不存在明显的中心趋势，网络中存在多条交叉途径，媒体用户节点与其他节点之间的距离比较短，每一个媒体用户都与多个其他媒体之间有着直接关注关系。

参与事件传播的网民构成的网民单层网络度数中心势不高，中间中心势不明显，且没有中间趋势。在该网络中没有用户作为其他点对最短路径的交点出现，即网民之间的关联路径中不存在中间人角色。分析网络整体接近中心势发现，入度值是出度值的三倍，说明两个网民之间如果发生关注关系，往往是因为对被关注网民所发布言论存在共鸣。此时，当被关注网民参与了某事件传播时，很大机率上会引起关注网民的思想共鸣，产生自己的想法和态度，从而参与该事件的转发或者评论。

多层网络密度小于媒体单层网络密度，而大于网民单层网络密度，且更接近于网民单层网络密度，可以认为多层网络密度受网民网络层的影响较大。虽然媒体用户之间的关注关系发生频繁，但是微博用户群中媒体用户的比例较小，占比重大的网民之间存在较小的关注发生率，从而多层网络的整体网络关注关系发生率也被拉低。

2-模网络的中间中心势大于多层网络，表明相较于多层网络来说，2-模网络存在一定的中间人或者“桥”的角色。再结合网络关系图可以看出，在2-模网络中，每一个媒体用户都是多个网民用户的关注对象，该媒体可以作为这些网民用户之间的“中间人”角色，缩短网民之间的最短路径。

网民媒体多层网络的分析，尤其是从网络关系图中可以明显的看出网络中存在成群成团的子网络群体。在参与“武汉封城”事件传播的网民媒体多层网络关系中，一个媒体节点下往往连接着多个网民节点。当一个媒体参与一个舆情事件的传播，其粉丝群体总会有用户参与该事件的转发或评论等传播性行为中。

3.3 凝聚子群分析

利用UCINET对单层网络以及多层网络进行凝聚子群分析后，分别得到各复杂网络的共享成员等级聚类矩阵，如图3(a)和图3(b)所示。

图 3(a) 媒体单层网络派系共享成员等级聚类矩阵

图 3(b) 网民媒体多层网络派系共享成员等级聚类矩阵

对参与“武汉封城事件”媒体构成的单层网络进行凝聚子群派系分析，将有较强且直接联系的媒体用户划分为同一群体，群体内的用户基本属于同一领域。对群体中的成员关系进行分析后发现：当两个媒体所涉及的领域是同一个或者具有相似性的时候，二者之间相互关注的概率就变大了。相反的，因为两个不相干领域下的媒体用户相互关注反而会导致信息量纷杂影响自身领域信息的及时跟踪，因此二者之间关注关系发生概率较小。

在网民用户单层网络中，参与该事件传播的用户之间存在着一定的“兴趣圈”聚集效应。当两个网民所关注的兴趣领域相同或者相似时，会对同一件舆情事件产生兴趣，进而了解该舆情事件，同时产生自己的意见和态度进行评论和转发，参与该舆情事件的传播。

网民对媒体用户的关注源自于对该媒体发布的资讯感兴趣。在参与“武汉封城事件”传播的网民媒体多层网络中，定位相似的媒体用户和对该领域感兴趣的网民用户构成了一个群体。另外，处于不同群体中的媒体或多或少会受到同一网民的关注，但是这种情况较少，无法构成群体或者派系，说明关注不同媒体的网民间相似性不大。

4 结论

本文利用网络中心性、凝聚子群分析方法对媒体-网民多层网络进行分析，得出以下结论：（1）相似领域的媒体之间更容易建立关注关系，且更可能参与同一事件的传播；（2）兴趣具有相似性的网民之间更易于建立关注关系，且参与传播同一事件的概率较大；（3）同一个领域下的媒体所拥有的网民粉丝存在交集，如果媒体参与事件的传播则将带动其网民粉丝也参与其中。

参考文献

1. 刘毅.网络舆情研究概论[M].天津:天津人民出版社,2007:53,74-81,61-73,275,328-329.

2. The Spiral of Silence: Public Opinion-Our Social Skin. E. Noelle-Neumann.1993

3. 杨磊, 封永雪, 侯贵生,等. 个体因素与外部环境共同作用下的跨平台社交网络舆情传播模型研究[J]. 现代情报, 2021,41(3):138-158.

4. Hegselmann R, Krause U. Opinion Dynamics and Bounded Confidence Models, Analysis and Simulation[J]. Journal of Artificial Societies and Social Simulation, 2002, (3):1-33.

5. 刘小洋,唐婷,何道兵.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].中文信息学报,2019,33(09):115-122.

6. 陈小彬,柯建斌.全媒体时代下的舆情应对[J].新闻前哨,2019(09):72.

7. Tingyu Li,Hengmin Zhu. Effect of the media on the opinion dynamics in online social networks[J]. Physica A: Statistical Mechanics and its Applications,2020,551.

8. 李丽华,韩思宁.暴恐事件网络舆情传播机制及预防研究——英国典型案例的实证分析[J].情报杂志,2019,38(11):102-111+54.

9. 陈蕾.从“长生疫苗”事件看主流媒体的网络舆情应对与引导[J].东南传播,2019(09):31-32.

10. Runxi Zeng,Di Zhu. A model and simulation of the emotional contagion of netizens in the process of rumor refutation[J]. Scientific Reports,2019,9(1).

11. 许凤,代君.“自媒体时代”下的青少年网络舆情引导机制[J].才智,2019(26):223.

12. 祁凯,杨志,张子墨,刘岩芳.政府参与下网民舆论引导机制的演化博弈分析[J].情报科学,2017,35(03):47-52.

13. 魏静,黄阳江豪,林萍,等.基于改进SIR模型的微博网络舆情传播研究[J].情报科学,2019,37(6):16-22.

14. 李静.基于多层复杂网络的突发事件对人类行为模式影响研究[D].天津大学,2018.

15. 沈乾,刘怡君.多层同步网络在舆情仿真研究中的应用[J].系统工程理论与实践,2017,37(01):182-190.

作者简介：段楠楠（1981-），女，副教授，博士，研究方向：网络舆情，复杂网络。

基金项目：江西省社科规划基金项目“突发事件网络舆情演化机理与引导机制研究”（项目编号：16XW07）；

江西省高校人文项目“基于超网络的互联网舆情情感倾向动力学演进及其监管策略研究”（项目编号：XW17201）；

江西省教育科学技术研究项目“超网络中舆情传播动力学与政府引导策略研究”（项目编号：GJJ160468）

6