SPNR:社交网络中的新型谣言传播模型

doi：10.3969/j.issn.1671-1122.2014.01.002

SPNR：社交网络中的新型谣言传播模型

薛一波1, 2，鲍媛媛1, 2，易成岐3

（1.清华大学信息技术研究院，北京 100084；2. 清华大学信息科学技术国家实验室（筹），北京 100084；

3. 哈尔滨理工大学计算机科学与技术学院，黑龙江哈尔滨150080）

社交网络中谣言的肆意传播给网络安全以及社会稳定带来了全新的挑战，如何科学地认识和摘　要：

掌握谣言传播、扩散的内在规律，并对谣言进行有效地控制具有非常重要的学术意义和社会意义。文章首先在充分分析目前谣言传播模型的基础上，引入谣言正向感染及负向感染两个感染状态，提出更适用于描述谣言传播的SPNR模型；其次，基于SPNR模型，设计谣言传播SPNR算法，实现谣言传播演化过程的仿真；另外，利用数值仿真的方法，分析了模型主要参数对谣言传播关键指标的影响效果，为制定有效的谣言控制策略提供了可靠的依据；最后，从定性和定量两个角度验证了SPNR模型基本假设的准确性，同时通过将SPNR模型模拟效果与新浪微博实证结果进行对比试验的方式，验证了SPNR谣言传播模型的适用性。

社交网络；谣言发现；谣言传播；控制策略关键词：

中图分类号：TP309 文献标识码： A 文章编号：1671-1122（2014）01-0005-05

SPNR: A Novel Rumor Propagation Model on Social Networks

XUE Yi-bo1, 2, BAO Yuan-yuan1, 2, YI Cheng-qi3

(1.Research Institute of Information Technology, Tsinghua University, Beijing 100084, China;2.Tsinghua National

Laboratory for Information Science and Technology, Tsinghua University, Beijing 100084, China;3.School of Computer

Science and Technology, Harbin University of Science and Technology, Harbin Heilongjiang, 150080, China)

Abstract: The malevolent spreading of rumors on social networks put forward a new challenge to the security of network and society. How to grasp the inherent laws of rumor propagation and propose effective control strategies for rumors has important practical significant. Firstly, based on the detailed analysis of epidemic spreading model, this paper proposes a more suitable rumor propagation model—SPNR by dividing infected states (I) into positive infected (P) and negative infected (N). Secondly, based on the SPNR model, designs the algorithm for SPNR model and accomplishes the simulation of rumor propagation process. Thirdly, further analyzes the key factors of affecting the maximum value of steady state, the point of decline, and the life cycle of a rumor. These results have important significant in developing new rumor control strategies. Lastly, after evaluating the proposed model with simulations and comparing the simulation results with real data on Sina Weibo, the experimental results shows that the new model is effective for capturing the rumor spreading in real social networks.

Key words: social networks;rumor identification; rumor propagation; rumor control

0引言

谣言作为一种典型的社会现象，时常成为人们关注的焦点问题，特别是在各种突发事件中，谣言的影响不可低估。从20世纪中叶开始，各个学科的学者对谣言展开了系统研究，尽管谣言的定义仍有许多不同的说法，但是根据研究者对谣言概念的理解，一般将谣言概括为：未经官方证实却在民间广为流传的对现实世界的假设，或人们在议论过程中产生的即兴新闻，并可以作为一种工具性说法，帮助人们解读当前模糊而重要的情景[1,2]。

随着社会和科技的不断进步，信息传播媒介也在不断更迭，而每一次传播媒介的演变，都伴随着谣言传播载体的更新换代，在网络媒介并不发达的时代，“口口相传”的人际传播是谣言传播的主要渠道，不论是谣言传播主体的活跃性，还是传播速度，都受到一定程度的限制，致使谣言不能在短时间内得到大范围的传播。近几年，随着以Web2.0为代表的

收稿日期： 2013-08-20基金项目：国家科技支撑计划项目[2012BAH42B04]作者简介：薛一波(1967- )，男，山东，研究员，博士，主要研究方向：计算机网络、信息安全；鲍媛媛(1984- )，女，山东，博士，主要研究方向：社交网络、信息传播；易成岐(1988- )，男，黑龙江，博士研究生，主要研究方向：社交网络、数据挖掘、云计算。

新技术的出现，社交网络迅速发展，成为人们交流沟通以及消息传播的全新工具，也使得谣言传播具备“点对点”的人际传播和“点对面”的大众传播的双重功能。社交网络中信息发布的便捷性以及信息内容缺乏监管和过滤，使得大量不实信息、谣言等在社交网络上肆意传播，污染了社交网络环境，对社会的稳定和国家的安全造成了严重影响。例如，美国Sandy飓风发生后，Twitter上出现了大量关于政府营救不利、死尸遍野的网络谣言，造成了群众的恐慌，对社会稳定造成了不利影响；此外，中国最为流行的社交网站中也充斥着为数众多的网络谣言。根据中国社科院2013年6月25日发布的2013年《中国新媒体发展报告》显示，从2012年1月至2013年1月的100件微博热点舆情案件中，虚假信息的比例超过1/3。

在自然、社会和技术三重因素的合力推动下，造谣、传谣正成为一种日趋常态化的舆论运动，自然和社会层面累积的种种危机和风险，在以社交网络为代表的媒介新平台上被叠加放大，产生一个又一个的谣言冲击波，对事态的发展产生了负面影响，很容易引发群体性的非理性情绪与行为，不利于公共危机事件的处理。如果任其发展，必然将引发剧烈的“蝴蝶效应”，极有可能导致人心不稳、社会不安、国家动荡。相对于当前社交网络中愈演愈烈的谣言以及政府对于网络谣言惩治的迫切性，学术界对于谣言的研究明显不足，如何科学地认识和掌握网络谣言产生、传播、扩散的内在规律,及时引导网络舆情,并对谣言进行有效控制，都面临着巨大的困难和挑战。这些问题的解决，有助于净化网络环境、维护社会稳定、保障国家安全，具有重大的理论和现实意义。本文拟在构建新型谣言传播模型的基础上，从模型仿真、实证等方面对谣言传播过程进行详细刻画及分析，为清晰地认识谣言传播规律及有效制定谣言控制策略提供科学依据及理论支撑。

1谣言传播模型

1.1 传播机理及SPNR模型

由于谣言在社交网络中的传播与传染病在人群中的传播具有相似性，因此目前大多数谣言传播模型都与传染病模型相似，SIR[3]模型是传染病模型中应用最广泛的一个。在经典传染病模型中，种群内的个体一般被抽象为几类，SIR模型中的个体分别属于易感状态（Susceptible）、感染状态（Infected）以及免疫状态（Recovered），同时假设易感状态个体在与感染状态个体接触后，有一定的概率转变

为感染状态，处于感染状态的个体与免疫状态的个体接触后，也有一定的概率转变为免疫状态，而处于免疫状态的个体将不再有机会转变为其它状态。

虽然传染病模型以及改进模型被广泛应用于谣言传播过程的描述[4-8]，但通过对实际谣言传播过程的详细分析，发现传染病模型并不能完全表征谣言传播过程中用户的所有状态，由于谣言本身具有的未经证实性以及社交网络中用户生活、知识背景的差异，导致对同一谣言存在“相信谣言”及“不相信谣言”两种不同的状态，即在谣言传播过程中个体存在对谣言的两种不同态度，例如，当“奥巴马是穆斯林”的谣言在Twitter上出现并大量转发时，一部分人是明确相信谣言的，而另一部分人则不相信谣言。根据这一特点，将谣言传播过程中个体对于谣言的感染被分为两种截然不同的状态，一种是相信谣言状态（believe in rumor），也称为对谣言的正向感染状态；而另一种是不相信谣言状态（anti-rumor），称为对谣言的负向感染状态。由于谣言传播过程中存在两种不同的感染状态，且两种感染状态的变化趋势不同，经典的SIR模型无法对谣言传播过程进行准确描述。因此，结合谣言传播过程的实际情况，我们对经典SIR模型进行了改进，将一般的感染状态细分为正向感染和负向感染两种感染状态，改进后的谣言传播模型包含以下四种状态：易感状态（Susceptible）、正向感染状态（Positive Infected）、负向感染状态（Negative Infected）以及免疫状态（Recovered），我们称此谣言传播模型为SPNR模型，模型中各状态的转移情况如图1所示。

图1 SPNR谣言传播模型的状态转移图

SPNR模型中四种状态的转移情况如下：

1）当一个易感状态个体与正向感染状态个体接触时，易感状态个体以λ1的概率转变为正向感染状态个体；当一个易感状态个体与负向感染状态个体接触时

，易感状态个体以λ2的概率转变为负向感染状态个体；

2）当一个正向感染状态个体与负向感染个体接触时，正向感染状态个体以μ1的概率转变为负向感染状态个体；当一个负向感染状态个体与正向感染个体接触时，负向感

染状态个体以μ2的概率转变为正向感染状态个体；

3）当一个正向感染状态个体与免疫状态个体接触时，正向感染状态个体以β1的概率转变为免疫状态个体；当一个负向感染状态个体与免疫状态个体接触时，负向感染状态个体以β2的概率转变为免疫状态。

1.2 SPNR算法

基于上述对谣言传播规则的描述，我们提出了SPNR谣言传播算法，如图2所示。

图2 SPNR谣言传播算法

1.3 模型参数影响分析

在上述建立的SPNR谣言传播模型中，引入了6个参数，λ1为抛开具体的网络结构，易感状态的个体与谣言正向感染个体相接触的概率，即正向感染率；λ2为易感状态的个体与谣言负向感染个体相接触的概率，即负向感染率；μ1为谣言正向感染个体转变为谣言负向感染的概率；即正向转移率，μ2为谣言负向感染个体转变为谣言正向感染的概率，即负向转移率；β1为谣言正向感染个体转变为免疫状态的概率，即正向免疫率，β2为谣言负向感染个体转变为免疫状态的概率，即负向免疫率。根据SPNR谣言传播模型，影响谣言传播影响力的关键指标主要有：

1）谣言正向感染Ip(t)的最大值Mp；2）谣言正向感染Ip(t)的衰减时间点Tp；3）谣言正向感染Ip(t)的生命周期Lp。

借助数值模拟的方法分析模型中感染率、转移率以及免疫率对谣言传播过程的影响机制，使用MATLAB对SPNR谣言传播算法进行模拟，得到感染率、转移率以及

免疫率对谣言传播过程的影响效果，如图3所示。

图3 感染率、转移率以及免疫率对谣言传播过程的影响效果图

(λ1=0.5, λ2=0.5, β1=0.02, β2=0.02, μ1=0.2, μ2=0.3)

从感染率、转移率以及免疫率对谣言传播的影响效果来看，可以得到如下的结论：

1）随着正向感染率的不断减小，被谣言正向感染（相信谣言）稳态Ip(t)的最大值Mp 降低的比较快，然而此种方法对于谣言传播衰减时间点和谣言传播生命周期的影响甚小，具体情况可参见图3(a)。

）随着负向转移率的不断减小，即不相信谣言的概

率的相对增加，被谣言正向感染

（相信谣言）稳态Ip(t)的最大值Mp 降低的幅度很大，对谣言传播衰减时间点和谣言传播生命周期的影响也很大。该参数对谣言传播最大值、传播衰减时间点以及传播生命周期方面都有较大影响，对谣言传播控制是一种较为有效的方式，具体情况可参见图3(b)。

3）随着负向免疫率的不断减小，被谣言正向感染（相信谣言）稳态Ip(t)的生命周期Lp 幅度降低较大，但对谣言传播衰减时间点和谣言传播最大值的影响甚小，具体情况可参见图3(c)。

根据上述分析，发现谣言传播的感染率、转移率以及免疫率对谣言传播关键指标的影响不尽相同，因此，针对不同的谣言类型和不同的控制目标，可以根据不同参数对谣言传播的不同影响力设计灵活有效的谣言控制策略。

2实验验证

2.1 数据集描述

为了验证提出的SPNR谣言传播模型的有效性，我们收集了新浪微博的部分传播数据，通过人工判定的方式选出2013年10条最具代表性的谣言，如表1所示。每条谣言由一个statusid唯一确定， repost表示由单条谣言引发的转发总量，time表示谣言发布时间，anti-believe表示不相信谣言的信息发布时间。对10条经典谣言的整个传播过程进行分析以后，发现在谣言传播过程中，相信谣言的信息往往是在谣言发布初始就首先存在，而不相信谣言状态随后出现，具体出现时间如表1所示。在表1中，所有的谣言传播过程中都存在对谣言持“相信”（称为对谣言的正向感染状态）和“不相信”（称为对谣言的负向感染状态）两种不同意见，这一现象在所有的谣言传播过程中都普遍存在。

表1 新浪微博中十条典型谣言两方意见对抗情况表

2.2 定性验证

利用Gephi[9]工具对谣言传播过程进行可视化，每一节点代表谣言转发的一名用户，对不同的节点根据经过该节点引发的转发数量的不同将其标注为不同颜色，运用Yifan Hu力导引算法

[10]

对传播网络进行优化。仅考虑转发量的

影响，谣言传播过程如图4所示。图4为statusid分别为[**************]4和[**************]4谣言的详细传播情况。从图4可以看出，在谣言传播过程中存在同一用户账号

对谣言进行两次或者更多次转发的情况，而每次转发内容不尽相同，一般是表达不同阶段对谣言相信或者不相信两种不同态度，且在两种状态之间也会发生反复的转换。由于用户的影响力较大，每次转发都引发了较多的再转发量。例如，在图4(b)中statusid为[**************]4的谣言转发中，转发量较大的节点（userid为1496850204）就出现两次，第一次表示的是处于“相信谣言态度”，第二次则是处于“不相信谣言状态”，相同的情况也出现在其它多条谣言的转发过程中，这种现象与SPNR模型的假设是非常吻合的，验证了SPNR模型假设的正确性。

图4 新浪微博中谣言转发情况示意图

在此基础上，我们加入情感分析因素，并采用Gephi对转发网络进行可视化展示，对用户相信谣言（正向感染状态）和不相信谣言（负向感染状态）的不同状态进行标注，红色表示正向感染，蓝色表示负向感染，以微博编号statusid为[**************]4的谣言为例，其引发的转发情况如图5所示。

图5 加入情感因素的谣言转发情况示意图

(statusid=[**************]4)

经过加入了谣言转发内容情感因素的影响以后，我们发现，在谣言传播过程中“正反两方意见共存”这一现象是普遍存在的，某一用户转发内容有可能进一步引发正向感染，同时也有可能引发负向感染

；而转发的舆论倾向与

所关注用户的舆论倾向往往较为一致。加入情感因素的谣言传播过程更清晰地展现了谣言传播中存在谣言的正反两种感染状态，进一步验证了SPNR模型的演化机制假设。

2.3 定量验证

2.3.1 实证验证

为了更加量化地验证SPNR模型和算法的有效性，我们对新浪微博中谣言的实际传播数据进行了分析，通过对谣言传播过程中正向感染状态以及负向感染状态的占比情

况进行了统计。以微博账号statusid为 [**************]4 的谣言传播情况为例，正向感染状态比重和负向感染状态比重随着时间的推移会发生不同的变化，如图6所示。从图6可以看出，谣言传播过程中确实存在对谣言的两种不同状态，而且两种状态的变化情况不尽相同，谣言负向感染状态的用户数量一直远大于谣言正向感染状态的用户数量，同时谣言正向感染和负向感染的变化趋势、最大值、衰减点以及生命周期表现出明显不同的特征，对新浪微博谣言传播实际数据的分析在量化的层面上验证了SPNR谣言传播模型中同时存在谣言正负两种感染状态的理论假设。

图6 正向感染状态和负向感染状态用户数量的变化情况

(Statusid=[**************]4)

2.3.2 模拟验证

为了进一步验证实证数据的发展趋势与SPNR谣言传播模型结果的一致性，利用数值模拟的方式对SPNR谣言传播模型进行模拟仿真，通过对谣言传播SPNR模型中的参数进行适当的调整，将谣言传播过程中参数设定为λ1=0.5, λ2=0.5, β1=0.02, β2=0.02, μ1=0.3, μ2=0.2，其模拟传播过程如图7所示。由于负向免疫概率较高，正向感染状态的变化比负向感染状态的变化更为快速，但是负向感染状态的最大值比正向感染状态的最大值要小，SPNR

模型的模拟结果与实证结果一致，再次验证了SPNR模型对谣言传播过程描述的有效性。

图7 SPNR谣言传播模型的数值模拟结果 (λ1=0.5, λ2=0.5,

β1=0.02, β2=0.02, μ1=0.3, μ2=0.2)

2.3.3 验证结论

基于新浪微博中典型谣言的实际传播数据，首先从定性的角度对SPNR谣言传播模型做出基本假设：谣言传播过程中普遍存在对谣言正、负两种感染状态的验证，运用Gephi这一社会网络可视化工具，分别对未加入情感因素和

加入情感因素的传播过程进行可视化刻画，清晰地验证了模型的基本假设；其次，从定量角度对模型基本假设进行了验证，同时利用数值模拟方式对SPNR谣言传播模型进行仿真模拟，通过对仿真结果与实证结果的对比也验证了SPNR模型对谣言传播过程描述的有效性。

3 结束语

鉴于目前社交网络中愈演愈烈的谣言现象以及政府、机构治理谣言的紧迫需求，本文在充分分析谣言传播模型的基础上，提出了SPNR新型谣言传播模型，并利用仿真模拟以及实例验证的方法对SPNR模型进行了参数影响分析和有效性验证。首先，引入谣言正向感染及负向感染两个感染状态，提出了更适用于描述谣言传播的SPNR模型；其次，设计了SPNR谣言传播算法，实现谣言传播演化过程的仿真；再次，利用数值仿真的方法，分析了模型主要参数对谣言传播关键指标的影响效果，为制定有效的谣言控制策略提供了可靠的依据；最后，从定性和定量两个角度验证了SPNR模型基本假设的准确性，同时通过将SPNR模型模拟效果与新浪微博实证结果进行对比试验的方式，验证了SPNR谣言传播模型在谣言传播过程描述中的适用性[9,10]。（责编杨晨）

参考文献

[1]周裕琼. 当代中国社会的网络谣言研究[M]. 北京: 商务印书馆, 2012.[2]Difonzo N, Bordia P.Rumor and prediction: making sense(but losing dollars) in the stock market[J]. Organizational behaviour and human decision processes, 1997, 71(3)：329-353.

[3]W. O. Kermack and A. G. McKendrick, Contributions of mathematical theory to epidemics[C]. Proceedings of the Royal Society Series A, 1927, vol. 115, 700-721,.

[4]W. O. Kermack and A. G. McKendrick, Contributions of mathematical theory to epidemics[C]. Proceedings of the Royal Society Series A, 1932, vol. 138, 55-83.

[5]W. O. Kermack and A. G. McKendrick, Contributions of mathematical theory to epidemics[C]. Proceedings of the Royal Society Series A, 1933, 141, 94-122.

[6]W. Goffman and V. A. Newill.Generalization of epidemic theory: an application to the transmission of ideas[J]. Nature, 1964, 204,（4955）：225-228.

[7]D. J. Daley and D. G. Kendall. Epidemics and rumours[J]. Nature, 1964, 204, 1118.

[8]Maki D, Thomson M, Mathematical Models and Applications[M]. New Jersey: Prentice-Hall, Englewood Cliff, 1973.

[9]Mathieu Bastian, Sebastien Heymann, Mathieu Jacomy, An Open Source Software

for Exploring and Manipulating Networks[C]. Proceedings of the Third International ICWSM Conference, 2009.

[10]Y. F. Hu, Efficient and High Quality Force-Directed Graph Drawing[J]. Math. J., 2005, 10, 37-71.

SPNR：社交网络中的新型谣言传播模型

作者：

作者单位：

薛一波，鲍媛媛，易成岐， XUE Yi-bo， BAO Yuan-yuan， YI Cheng-qi

薛一波,鲍媛媛,XUE Yi-bo,BAO Yuan-yuan(清华大学信息技术研究院，北京100084; 清华大学信息科学技术国家实验室筹，北京100084)，易成岐,YI Cheng-qi(哈尔滨理工大学计算机科学与技术学院,黑龙江哈尔滨,150080)信息网络安全

Netinfo Security

2014(1)

刊名：

英文刊名：年，卷(期)：

本文链接：http://d.wanfangdata.com.cn/Periodical_xxwlaq201401005.aspx