0 引言

　　謠言的傳播無處不在，并且會給人們的日常生活帶來較大的負面影響，有些謠言甚至還擾亂了正常的社會秩序[1]。因此，研究謠言的傳播機理及其防控策略具有重要的理論及現實意義，并已經受到了國內外研究者的廣泛關注[2]。另外，借助于復雜網絡理論研究病毒的傳播動力學行為已經開展的比較深入，通過對比分析謠言和病毒的傳播特性，研究者發現兩者的傳播過程存在相似之處，于是將病毒傳播模型應用于謠言傳播動力學研究之中，取得了大量的研究成果[3-5]。

　　近年來，隨著微博、微信、博客和網絡論壇等社交媒體的迅猛發展，網絡謠言大肆泛濫，研究者試圖通過分析網絡謠言的傳播機理來探討有效應對其傳播的防控策略。Zhao等[6]采用均勻網絡來描述社交媒體網絡的拓撲結構，提出了一種新的SIR模型來分析謠言的傳播行為，并探討了遺忘機制對謠言在LiveJournal上傳播特性的影響[7]。Wang等[8]把社交媒體抽象為一種傳播媒介，構造了一種新的SIR模型，從整體角度探討了社交媒體對謠言傳播特性的影響。Han等[9]提出了一種能量模型來研究謠言在社交網絡上的傳播機制，分析了影響謠言傳播動力學的某些關鍵因素。Zhao等[10]建立了一種新的傳播模型ISRW，得到了控制社交媒體中的謠言傳播對防控謠言在人群中傳播至關重要等結論。文獻[11]結合社交網絡特點并考慮潛伏期機制建立了一種新的謠言傳播模型，并給出了一種基于重要熟人的免疫機制。

　　與其他類型的社交媒體相比，微博在人們日常生活中的使用最為廣泛，因此在傳播謠言方面所起的作用也最明顯。然而，目前涉及到微博謠言傳播動力學方面的研究還很少出現[12]。Wang等[13]提出了一種微博用戶關系網絡演化模型，基于該模型研究了微博謠言的傳播動力學行為。上述研究中，微博謠言的傳播環境僅局限于微博用戶網絡，事實上，微博謠言不僅在微博用戶之間進行傳播，而且還會直接在人群中進行傳播。因此，微博謠言的實際傳播環境同時涉及到微博用戶網絡以及真實的人際關系網絡，即為兩類網絡的融合。與單一網絡相比，這種融合網絡必將影響微博謠言的傳播動力學行為。

　　為了更加客觀地刻畫微博謠言的傳播環境，進而獲取更為真實的微博謠言傳播機理，本文基于BA無標度網絡（用于刻畫真實的人際關系網絡）[14]，提出一種微博謠言傳播網絡模型。該模型隨機選取BA無標度網絡中的部分節點來代表微博用戶，并為這部分節點分別賦予吸引度，隨后根據節點吸引度添加微博用戶之間的關注。為分析本文所提網絡模型上的微博謠言傳播特性，結合該模型的具體特點，本文構造一種新的SIR微博謠言傳播模型。數值分析表明，微博用戶規模以及節點間新建連接數量的增大不僅大幅降低網絡的傳播臨界值，而且還會加速微博謠言的傳播，進而增大微博謠言最終的感染程度。研究還發現，添加關注時的反向連接概率以及最大吸引度節點比例對微博謠言傳播特性基本沒有影響，而微博用戶之間的信任程度對防控謠言傳播起著重要作用。

1 微博謠言傳播網絡模型

　　本文采用BA無標度網絡來刻畫人際關系網絡[14]，網絡的規模為N1，從中隨機選取N2(N2≤N1)個節點作為微博用戶，令f1為后者與前者的比值。為描述微博用戶之間相互添加關注的情況，給N2中的每一個節點都賦予一個吸引度，一個節點被選擇添加關注的概率取決于該節點的吸引度[13]。考慮到少部分微博用戶能夠擁有較大吸引度的實際情況，N2個節點吸引度的賦予方法如下：(1)從N2個節點中隨機選取f2 N2個節點，被選取的任意一個節點i的吸引度ai均設定為1；(2)對于剩余(1-f2)N2個節點中的任意一個節點i的吸引度ai，使之滿足0～1之間的均勻分布。

　　假設N2個節點中的所有節點都想要添加關注的節點，從這N2個節點中選取想要添加關注的節點及n個要被關注的對象節點，選取節點i的概率為Pi，即節點的吸引度越大，被添加關注的概率越大，這主要考慮到一個微博用戶關注其他微博用戶時通常具有較強的目的性，隨機選擇其他微博用戶添加關注的概率非常小。從謠言傳播的角度考慮，無論節點i和節點j之間原先是否存在連接，由于微博的影響都將新增一條由節點i指向節點j的有向連邊，這里的方向是指謠言借助于微博網絡能夠由節點i傳播給節點j，對于上述新建立的每一條有向連接都以概率為其添加反向關注[13]。假如節點i和節點j之間有邊相連，由于兩節點本已彼此熟悉，可令反向關注概率。

　　由上述微博謠言傳播網絡的生成過程可知，N2個節點中的兩個節點之間的連邊可以有兩條，一條是人際關系網絡中的連邊，另一條是因微博用戶之間相互關注而建立的連邊。因此，一個健康者和一個感染者之間既可以通過直接接觸來傳播謠言，也可以依靠微博建立的聯系來傳播謠言。顯然，當N2個節點中的兩個節點之間存在兩條連邊時，謠言被傳播的可能性也會大幅增加。

2 SIR微博謠言傳播模型

　　在本文建立的微博謠言傳播網絡中存在兩類連接，一類是人與人之間直接建立的連接，一類是人與人之間通過微博建立的連接。從謠言傳播的角度考慮，前者是雙向連接，后者可能是雙向或單向連接。對于兩節點間雙向連接的情況，謠言可以在兩節點間任意傳播；如果兩節點之間存在一條有向連邊，謠言只能從連邊的起點傳播給連邊的終點。考慮到節點間存在兩種不同連接的影響，本文引入兩種感染概率。謠言的傳播過程如圖1所示。

　　由圖1可知，謠言的具體傳播規則如下：

　　(1)如果一個健康節點和一個原來就已經連接的感染節點接觸，該健康節點就以概率?姿（有效傳播率）被謠言感染。

　　(2)如果一個健康節點通過新建連邊與一個感染節點接觸，并且這兩個節點之間原來就有邊相連，則該健康節點就以概率被謠言感染。

　　(3)如果一個健康節點是一條考慮微博作用后新建連邊的終點，該連邊的起始點為一個感染節點，則該健康節點將以概率被謠言感染，這里主要考慮到微博用戶之間存在一個信任程度的問題。兩節點之間彼此越熟悉，相互之間就越信任，的取值越大。

　　(4)如果一個感染節點接觸到另一個感染節點或免疫節點，該感染節點就以概率?滓轉變為免疫狀態。

　　(5)考慮到遺忘或不愿意再傳播謠言的情況，一個感染節點將以概率?啄轉變為免疫狀態。

　　從上述規則可知，本文提出的SIR模型不僅考慮了謠言在真實人際關系網絡中傳播，而且還考慮了謠言借助于微博在人群中傳播，顯然更加符合微博謠言的實際傳播環境。由于微博的存在增加了人際關系網絡中的連邊數量，也就是增加了微博謠言可能的傳播途徑，因此謠言在人群中傳播爆發的概率將會增大。

3 數值仿真

　　本節通過數值仿真，深入分析謠言在本文所提微博謠言傳播網絡模型上的傳播動力學行為，仿真過程中用到的相關參數定義如下：為網絡的傳播臨界值，Rk(t)為t時刻網絡中度為k的免疫節點密度，其穩態值表示為Rk(∞)，網絡中穩態時微博謠言的感染程度則定義為R(∞)，因此有R(∞)撞k p(k)Rk(∞)。仿真過程中，BA無標度網絡[14]的節點數N=8 000，初始節點數m0=4，節點的最少邊數當謠言開始傳播時，隨機選取網絡中的一個節點作為初始感染節點。仿真結果均為30次獨立運行所得數據的平均值。

　　圖2所示為p1取值不同的情況下，穩態時的微博謠言感染程度R(∞)隨有效傳播率?姿的變化，其中圖2表明，微博用戶的規模越大，網絡的傳播臨界值?姿c越小，而微博謠言的感染程度越大，這說明了與傳統謠言相比，微博謠言更容易在人群中傳播，并且能夠感染更多的人，其原因在于微博用戶越多，微博謠言在人群中的傳播途徑就越多，從而導致了其能夠在人群中大肆泛濫，這充分表明了微博在謠言傳播過程中扮演著重要角色。因此，當謠言開始在人群中傳播時，如何減少微博的影響是整個謠言防控過程需要考慮的問題。

　　圖3給出了p2取值不同的情況下，穩態時的微博謠言感染程度R(∞)隨有效傳播率?姿的變化，其中f1=0.2，圖3表明，盡管部分節點具有較大的吸引度，但是并不會影響網絡中最終的感染節點密度以及網絡的傳播臨界值。一個節點的吸引度大意味著該節點能夠擁有較多的粉絲，進而將會加快謠言的傳播，但是卻不會改變謠言的傳播特性，這充分顯示了在對網絡謠言進行防控時，僅僅屏蔽那些少量的、擁有較多粉絲的微博用戶是遠遠不夠的。

　　圖4給出了n取值不同的情況下，穩態時的微博謠言感染程度R(∞)隨有效傳播率的變化，其中f1=0.2，圖4表明，當有效傳播率的取值較小時，隨著微博用戶添加關注的增加，謠言爆發的概率及被感染節點的密度都會顯著增大，但是這種變化趨勢隨取值不斷增大而趨于一致。這表明微博謠言本身固有的傳播能力對其最終的傳播特性具有重要的影響。為了提高微博謠言的防控效果，應當采取措施盡可能地降低其自身具有的感染能力。

　　圖5給出了取值不同的情況下，穩態時的微博謠言感染程度R(∞)隨有效傳播率的變化，其中。圖5表明，反向連接概率取值的變化對微博謠言傳播特性的影響較小，這表明微博用戶之間是否添加反向關注基本不改變謠言的傳播機理，意味著僅僅依靠微博用戶之間的單向連接就能夠使得謠言在人群中大范圍傳播。由此可知，通過限制微博用戶之間添加反向連接達不到較好地控制謠言傳播的目的。

4 結論

　　本文考慮了微博謠言更為真實的傳播環境，構造了一種微博謠言傳播網絡模型，結合該模型特性提出了一種新的SIR傳播模型，分析了微博謠言的傳播機理，發現微博用戶規模及新建連接數量的增大降低了網絡傳播臨界值，增加了微博謠言的傳播速率以及最終的感染程度。本文還發現，微博用戶之間添加反向關注的概率基本上不影響微博謠言的傳播特性，但是微博用戶之間的信任程度在很大程度上會改變謠言的傳播動力學行為。因此，為了更好地防控謠言在人群中的傳播，需要盡可能地減少參與謠言傳播的微博用戶規模，并降低微博用戶之間添加關注的概率。希望本文的研究有助于制定有效的網絡謠言防控措施，以便降低其傳播帶來的負面影響。在研究過程中，為了便于分析問題，僅考慮了微博用戶之間添加關注的概率取決于節點吸引度的情況，在今后的研究中將會考慮其他能夠體現微博用戶網絡特性的因素。

參考文獻

　　[1] WANG Y Q，YANG X Y，HAN Y L，et al.Rumor spreadingmodel with trust mechanism in complex social networks[J].Communications in Theoretical Physics，2013，59(4)：510-516.

　　[2] DOROGOVTSEV S N，GOLTSEV A V，MENDES J F F.Critical phenomena in complex networks[J].Reviews of Modern Physics，2008，80(4)：1275-1353.

　　[3] Moreno Y，Nekovee M，Pacheco A F.Dynamics of rumor spreading in complex networks.Physical Review E，2004，69(6).

　　[4] HUANG J Y，JIN X G.Preventing rumor spreading on small-world networks[J].Journal of Systems Science and Complex-ity，2011，24(3)：449-456.

　　[5] WANG Y Q，YANG X Y，WANG J.A rumor spreading model with control mechanism on social networks[J].Chinese Journal of Physics，2014，52(2)：816-829.

　　[6] ZHAO L J，CUI H X，QIU X Y，et al.SIR rumor spreadingmodel in the new media age[J].Physica A，2013，392(4)：995-1003.

　　[7] ZHAO L J，WANG Q，CHENG J J，et al.Rumor spreading model with consideration of forgetting mechanism：a case ofonline blogging live journal[J].Physica A，2011，390(13)： 2619-2625.

　　[8] WANG J，WANG Y Q.SIR rumor spreading model with network medium in complex social networks[J].Chinese Journal of Physics，2015，53(1)：1-21.

　　[9] HAN S，ZHUANG F Z，HE Q，et al.Energy model for rumor propagation on social networks[J].Physica A，2014，394(15)：99-109.

　　[10] ZHAO X X，WANG J Z.Dynamical model about rumor spreading with medium[J].Discrete Dynamics in Nature and Society，2013，2013：1-9.

　　[11] 顧亦然，夏玲玲.在線社交網絡中謠言的傳播與抑制[J].物理學報，2012，61(23)：238701.

　　[12] 唐龍飛，葉施仁，肖春.基于用戶質量的微博社區博主影響力排序算法[J].計算機工程與應用，51(4)：128-132.

　　[13] 王亞奇，王靜，楊海濱.基于復雜網絡理論的微博戶關系網絡演化模型究[J].物理學報，2014，63(20)：208-902.

　　[14] BARABSI A L，ALBERT R.Emergence of scaling in random networks[J].Science，1999，286(5439)：509-512.