基于区块链技术的社交网络中舆情传播模型

宾 晟，孙更新，周 双

青岛大学数据科学与软件工程学院，山东青岛266071

近年来，社交网络（social network service）大量涌现，已成为大众获取和传播信息、交流观点的主要平台.在社交网络中，用户不再是被动地接受信息，而是主动地提供信息、传播信息.用户通过这种主动的、强交互的方式，完成观点的交换和信息的传播.社交网络具有的信息传播的便捷性、主体的跨平台性等特点，使得信息的传播范围和影响程度很容易被瞬间放大，进而涌现成网络舆情.在合理分析网络舆情传播过程的基础上，构建网络舆情传播模型，有助于更好地认知网络舆情的传播规律.因而，社交网络舆情传播模型一直是社交网络舆情监控和预防研究的热点问题.

随着区块链技术的出现和应用，以Steemit(steemit.com)[1]为代表的基于区块链技术的社交网络媒体平台应运而生，该类社交网络具有由区块链技术带来的信息传播去中心化及信息产生不可逆等特点，在信息传播过程中采取分布式账本建立信息发布和传播追踪机制，并且对信息的发布者和传播者提供了合理的激励机制，从而构建了新型网络舆情传播生态系统.基于区块链技术的社交网络中，信息转发成本更高、舆情传播过程公开透明，使用户发布和转发信息更加理性，能够在一定程度上限制虚假信息的传播.

尽管基于区块链技术的社交网络能够创造一种更加透明的数据交互和传播环境，颠覆现有的网络舆情传播规律，但基于区块链技术的网络舆情传播模型研究仍处于起步阶段.文献[2]最早对区块链中的信息传播进行了研究，指出其在社交网络中的应用前景.文献[3]阐述了区块链技术在社交网络领域的发展前景与展望.文献[4]对基于区块链的信息传播中的激励机制进行了研究，提出一种基于路由机制的激励机制，大幅提高了区块链信息传播效率.文献[5]在基于众筹业务的私有区块链研究中，提出了面向舆情的社交媒体文本倾向性分析方法.文献[6]则从实证分析的角度，利用社会网络分析方法对区块链网络舆情信息传播特征及规律进行了分析研究.文献[7]指出区块链技术可以使社交网络中的优质内容突出显现，将构建新型的网络舆论生态圈.通过相关研究分析可以看出，基于区块链技术的社交网络舆情传播研究尚未形成系统的理论体系，深入研究基于区块链技术的网络舆情传播模型的相关成果则更少.本文根据区块链技术对于社交网络舆情传播的实际影响，提出了一种基于区块技术的社交网络的舆情传播模型.

1 基于区块链技术的社交网络舆情传播

舆情研究始于社会科学领域，是社会传播学的主要研究内容之一.在当前网络与现实社会相互交织的环境下，网络舆情已经深刻介入现实生活，改变了社会舆论的生态环境，形成了崭新的网络舆论场.作为网络舆情传播主要媒介的社交网络涵盖以人类社交为核心的所有网络服务形式，形成了由互联网进行沟通、具备共同兴趣爱好、发表和讨论共同兴趣话题的海量用户群体[8].由此导致了网络舆情传播范围更加宽泛，影响受众更多，舆情的发酵时间也更加短暂，从而使网络舆情控制变得更加困难.

社交网络带有很强的匿名性和多元性，用户可以在社交网络中随意发布和转发信息，所以在网络信息传播过程中时刻伴随着信息的失准，甚至是谣言的产生与传播.因此，如何使社交网络中信息的传播更加透明并规范信息转发行为，是目前社交网络舆情传播亟需解决的核心问题.而区块链技术所具有的去中心化、不可变更、不可伪造、可追溯的特性[9]，可以较好地解决这一问题.

Steemit是一个典型的基于区块链技术的社交网络，其功能类似于简书.它是一个优质的内容创作和分享社区，鼓励用户在社交网络中创作自己的作品（一篇短文、一张照片、一个视频等）互相交流，并通过Steem代币奖励社交网络的参与者.在该社交网络中，用户生产的网络传播信息以不可修改的方式存储于公有区块链Steem中，Steemit社交网络设计了一套激励机制来促进信息的生产和传播.

Steemit社交网络的首页面如图1所示，红色框的区域左边的数字$653.42代表这个作品的Steem代币值，中间的数字506代表对该作品点赞的人数，右边的数字155表示对该作品的回复数量.

图1 Steemit社交网络首页面Figure 1 Home page of Steemit

在该社交网络中可以通过以下几种方式获得Steem代币：

1）发表优质作品：作品质量越高、获得的点赞数越多，创作者得到的Steem代币奖励就越高；

2）传播优质作品：优质作品发表后越早获得点赞、留言、转发等支持，传播者获得的Steem代币奖励就越高；

3）持有Steem Power：类似股权分红，可以利用“赞同/反对”来决定每个作品的收益；

4）通过外部交易所购买Steem代币.

前3种方式都与社交网络中信息传播有直接关系，用户为了获得较高的代币奖励，在发布和转发相关信息时，都会尽量选择优质资源.此外，每个用户都有信誉值，这个值必须通过发帖、评论、点赞等操作积累才能逐步提升，且如果用户转发或者支持的作品被证实为不良资源，不仅发布者会被扣除相应的代币和信誉值，参与转发和点赞的用户也会被核减相应的信誉值.因为信誉值低的用户对信誉值高的用户所投的反对票是不起作用的，所以Steemit社交网络中的用户对于舆情信息的发布和转发将会更加谨慎，较少出现随意转发未经核实的舆情信息的情况.

由于Steemit社交网络基于公有区块链Steem，而区块链特征之一是内容不可篡改，这就使社交网络中被发布出来的信息不能随意修改.另外，社交网络中传播的信息由分布式账本记录，通过追踪账本，传播者在进行信息传播之前就可以基本判断信息的可信度.通过分布式账本，还能追溯信息在社交网络中的整个传播过程，从而实现信息传播链的可追踪性.

通过分析Steemit社交网络中区块链技术对信息传播方式的影响可以发现，基于区块链技术的社交网络与传统社交网络在舆情传播方面存在主要差异如下：

1）与传统社交网络中的用户相比，基于区块链技术的社交网络中的用户的舆情传播行为更为理性，仅对切实可信性的舆情信息做出回应；

2）相较传统社交网络中的用户，基于区块链技术的社交网络中引入了创新的激励机制，使用户对舆情信息的转发热情普遍较高；

3）在区块链中需要矿工为区块链网络提供算力保障，完成区块信息的存储，这就使得基于区块链技术的社交网络中用户的类型以及用户在舆情信息传播过程中所处的可能传播状态与传统社交网络完全不同.

因此，现有的社交网络舆情传播模型无法真实地描述基于区块链技术的社交网络中舆情传播的过程和规律，这就需要构建与区块链社交网络更为符合的网络舆情传播模型.

2 模型建立

2.1 基于区块链技术的社交网络舆情信息传播模式

在基于区块链技术的社交网络信息传播过程中，用户同时具有传播者和接受者两种角色.而用户间的传播关系必须经过双方的认证才能够建立起来，因此，社交网络可以看作是一个以用户为节点，以用户间的某种关系（好友关系、关注关系等）为边的复杂网络[11-12].转发是指当用户接受到不确定真伪的信息时，通过自身客观分析，将信息沿着节点间的边传播给网络中的邻居节点，使得邻居节点获取该消息，如图2所示.

图2 社交网络中的信息传播模式Figure 2 Mode of information propagation in social networks

图2中假设用户间关系为好友关系，则当用户A发布一条舆情信息后就成为舆情信息的传播者，其好友B、C、D都可以获得这条舆情信息，他们都成为舆情信息的接受者.假设用户B和D经过客观分析没有对该舆情信息进行转发，则B和D就成为了舆情的暂时免疫者；用户C对该舆情信息经过客观分析后进行了转发，则C也就成为了舆情的传播者；并且作为C好友的B和E将获得这条舆情信息，这时用户B第2次接受到该舆情信息，它将再次根据自己的分析决定是否转发该条舆情信息，而用户E由于C的转发也将成为该条舆情信息的接受者.

因为区块链自身的技术特点，基于区块链技术的社交网络中的用户对于信息的传播热情普遍较高，并且能够较为客观地分析所接受到的信息，进而得出自身的传播策略：转发或不转发.此外，由于基于区块链技术的社交网络中引入了鼓励用户传播优质信息的激励机制，使用户转发优质信息时能够获得更多的收益（获得代币和增加信誉值），而当传播的信息被确认为失真时，该用户也将承受更重的惩罚（损失信誉值）.

此外，在社交网络中普遍存在有限理性人群[13]，此类人群在决定是否转发时易受到周围人群的影响.基于区块链技术的社交网络所采用的信息传播激励机制往往对于支持或转发优质资源信息的用户分配更多的收益，因此同一用户对同一个舆情信息的传播策略可能会随着时间而发生改变.例如，对于一个某用户之前接受但并未转发的舆情信息，随着时间的推移，由社交网络中投票、点赞、评论、转发等行为证明该信息为优质资源，当该用户再次接受到该舆情信息时，出于收益方面的考虑以及周围人群的影响，可能就会转发该舆情信息.因此，基于区块链技术的社交网络中，优质资源得到更多支持和转发的富者愈富现象[14]是普遍存在的.

最后，由于区块链技术的不可篡改性，一旦某个用户转发了舆情信息，转发信息及相关操作已经被存储在分布式账本中，且不可删除.因此，即使该用户已不再传播此舆情信息，所有的邻居节点仍可以接受到其转发的舆情信息.

2.2 仓室模型

由于舆情信息在社交网络中的传播类似于传染病在人群中的扩散，借鉴传染病传播模型的思想和方法进行舆情信息传播模型的构建是目前最常用的方法[15-16].而在传染病传播模型中仓室模型[17]（compartment model）是应用最广泛的模型之一.仓室模型对传染病传播过程进行抽象描述，把传染病流行范围内的人群分成3类：S类，易感者（Susceptible），指缺乏免疫能力的未得病者，与感病者接触后容易受到感染；I类，感病者（Infective），指感染传染病的人，他可以传播给S类成员；R类，移出者（Removed），指被隔离或因病愈而具有免疫力的人.由此提出了SIR（susceptible-infective-removed）仓室模型[18].

SIR模型假设在单位时间内染病个体（记作I）以平均概率β与随机选取的所有状态的个体进行接触，其中易感个体（记作S）会转化为染病个体；染病个体以平均概率γ恢复并获得免疫能力，免疫后记作R.其感染机制为

假设t时刻在网络中处于易感状态、感染状态、移除状态的个体比重分别为S(t)、I(t)、R(t).则当易感个体和感染个体充分混合时，感染个体的增长率为βI(t)S(t)-γI(t)，易感个体的下降率为βI(t)S(t)，恢复个体的增长率为γI(t).因此，SIR模型的动力学行为可用如下微分方程组描述：

2.3 基于区块链技术的社交网络舆情传播模型

本文基于SIR模型，结合区块链技术自身特点，并考虑由合理量化价值贡献而产生的激励机制对于用户传播信息产生的影响，提出了在不同传播行为下的收益-风险矩阵，运用演化博弈理论，在SIR模型的基础上加入新的状态并重定义转移概率，构建了基于区块链技术的社交网络舆情传播模型.

针对基于区块链技术的社交网络中舆情传播的真实情况，将社交网络中的节点分为以下4种：非知情状态S、知情状态E、转发状态I和免疫状态R.非知情状态是指用户从未接受到目标舆情信息，即对该舆情信息处于未知状态；知情状态表示用户已经通过网络中其他用户的转发而获知了目标舆情信息，但未做出自身传播策略决定时所处的状态；转发状态是指用户已将目标舆情信息转发后所处的状态；免疫状态是指用户已经决定永远不会对目标舆情信息进行转发时所处的状态.这4种状态间的转换过程如图3所示.

从图3中可以看出，处于非知情状态的个体受到转发状态个体的影响，会以一定的概率转移到知情状态或者转发状态；处于知情状态的个体受到转发个体的影响，可能以一定的概率向转发状态转移，也有可能以一定概率直接转移到免疫状态；此外，处于转发状态的个体也会以一定的概率向免疫状态转移.个体是否发生状态转移与基于区块链技术的社交网络中所采用的激励机制密切相关.

图3 状态转换过程Figure 3 State transition process

各状态间的转换规则具体描述如下：

1）设N(k,t)为t时刻网络中度为k的节点总数，S(k,t)、E(k,t)、I(k,t)、R(k,t)分别表示t时刻网络中度为k的非知情节点、知情节点、转发节点、免疫节点的密度，即上述4类节点的数量分别在N(k,t)中所占的比例，并有S(k,t)+E(k,t)+I(k,t)+R(k,t)=1；

2）当非知情节点S接触到一个转发节点I，则该非知情节点将以概率pse转变为知情节点E，pse称为感染概率；

3）知情节点E以概率pei转变为转发节点I，则pei称为知情节点E对目标舆情信息的转发概率；

4）知情节点E以概率per转变为免疫节点R，则per称为知情节点E对目标舆情信息的直接免疫概率；

5）转发节点I以概率pir转变为免疫节点R，则pir称为转发节点I对目标舆情信息的免疫概率；

6）免疫状态为网络中的最终状态，即进入免疫状态的节点，其状态不再发生改变.

根据上述状态转换规则，基于区块链技术的社交网络舆情传播模型可用如下微分方程组描述：

式中，θ(t)表示t时刻网络中任意一条随机边与转发个体相连接的概率.

该模型中各状态间的转移概率pse、pei、per、pir都是由社交网络所采用的激励机制决定的.为了更好地阐述基于区块链技术的社交网络中所采用的激励机制，本文通过构建收益-风险矩阵来形式化定义某个节点在做出自身的传播策略时所受到与之有连接关系的其他节点的影响.在构建收益-风险矩阵之前，首先假设社交网络中存在理性群体A与B，以及有限理性转发者群体C，C受A与B群体的影响.群体A与B必须保证存在信息转发渠道，即A∩B=S/=φ，同时C⊂S.

根据上述假设，定义收益-风险矩阵如表1所示.

表1 收益-风险矩阵Table 1 Income-risk matrix

收益-风险矩阵中的各参数定义如表2所示.

表2 收益-风险矩阵中参数定义Table 2 Parameter de finition of income-risk matrix

当理性人群转发舆情信息时，其邻居节点能够接受到该消息，若能转发消息，则扩大了传播的范围，若该消息最终确认为优质资源，转发者将会得到基本收益I.但此条消息可能为失真消息，则转发者将会受到惩罚，这就是基本风险R.因为群体A和B之间存在连接用户，若A和B均选择转发舆情信息，此时对于A与B而言均会扩大消息传播范围，这将增加一部分额外的收益ΔI，额外风险ΔR是指由于在转发之前未知舆情信息的真伪，因此当传播范围扩大后，最终确认该舆情信息失真时，承受的惩罚损失则会比基本收益更大.

利用演化博弈理论可以方便计算该矩阵的稳定策略，可设

由此可以得到如图3所示的不同转发情况下的收益稳定结果.

表3 不同转发情况下的收益稳定结果Table 3 Stability income results under different conditions

3 实验分析

3.1 实验数据集

为了获取典型的基于区块链的社交网络舆情传播样本数据，本文利用爬虫工具对Steemit社交网络中life、food、bitcoin等16个热门标签下的作品资源进行采集，共采集原始数据1 257条.将其作为初始舆情信息，然后基于初始舆情信息采集其转发人、点赞人等舆情传播信息，进一步采集相关转发人的数据，最后爬取每一个原创舆情信息中的标题、作者、时间、赏金、转发数量、点赞数量、评论内容、用户声誉等属性信息，形成最终的实验数据集.

将实验数据集通过社交网络中的转发、评论、点赞关系构建成复杂网络，网络的拓扑结构如图4所示.图4中节点颜色的深浅代表用户信誉值的高低，颜色越深的用户信誉值越高.由图4可知，根据不同兴趣爱好标签，用户在传播舆情信息的过程中形成了较为明显的社团结构.单独选取bitcoin标签下的数据集进行分析，得到的网络拓扑结构如图5所示.

在图5中，边的粗细程度代表舆情信息传播的频繁程度，可见图中没有频繁程度很大的节点，节点间连线差异也不大，这说明参与区块链舆情传播的用户相互间的舆情信息传播比较平均，核心用户较少.

图4 Steemit舆情信息传播网络Figure 4 Steemit public opinion information propagation network

图5 Bitcoin标签下的舆情信息传播网络Figure 5 Public opinion information propagation network of bitcoin tag

为进一步探究基于区块链技术的社交网络与传统社交网络在舆情传播方面的差异，借助于Gephi软件对区块链舆情传播网络的拓扑特征进行分析，结果显示网络聚类系数0.001，平均路径长度2.267，说明该网络不具有明显的小世界特性[19].此外对用户度分布进行分析发现，用户度分布拟合幂律分布，说明该网络具有明显的无标度特性[20].

3.2 实验仿真与分析

本文对构建的基于区块链技术的社交网络舆情传播模型进行计算机仿真实验，并对仿真结果进行了分析.与传统社交网络舆情传播模型相比，基于区块链技术的社交网络舆情传播模型最大的不同是用户在确定自身传播策略时，受区块链社交网络中的激励机制以及周围人群的影响较大，具体体现为从知情节点E转变为转发节点I的转发概率pei.

图6显示了转发概率pei取不同值时，转发节点数量和免疫节点数量随时间的变化趋势情况.

图6 转发概率对传播节点及免疫节点数量的影响Figure 6 Influence of forwarding probability on the number of propagation node and immune node

由图6的曲线变化可见，在网络达到稳态状态之前，pei取值越大，I(t)的值也越大，而R(t)的值则越小.这是因为pei表示知情节点转变为转发节点的概率，pei值的增大，表明处于知情状态的节点，由于受到激励机制和周边人群的影响，转发舆情信息的概率增加.此外，I(t)的值趋近于0的时间，会随着pei的增大而增长，这是因为随着pei的增大，网络中转发节点的数量也将随之增多，这就导致了需要更长的时间才能使传播过程达到最终的稳定状态.

收益-风险矩阵的稳定策略对于转发概率pei具有决定性的影响，因此需要研究稳定策略参数α、β、γ的取值与转发概率pei之间的关系.

图7 参数α和β的取值对转发概率的影响Figure 7 Influence of parameter α and β on forwarding probability

由图7可见，随着α值的增大，社交网络中转发状态用户所占比例也不断增加，而随着β值的增大，社交网络中转发状态用户所占比例呈现平稳下降趋势，社交网络中免疫状态用户所占比例迅速下降.

从图8可知，随着γ值的增大，社交网络中转发状态用户所占比例呈现缓慢上升趋势，而社交网络中免疫状态用户所占比例则呈现迅速下降趋势.

由图9可见，当参数β取值较大且参数γ取值较小时，社交网络中转发状态和免疫状态用户所占比例都较大，但随着γ值的增大，社交网络中转发状态用户所占比例呈现先小幅下降后缓慢上升的趋势，而社交网络中免疫状态用户所占比例则呈现一直上升的趋势.

图8 参数α和γ的取值对转发概率的影响Figure 8 Influence of parameter α and γ on forwarding probability

图9 参数β和γ的取值对转发概率的影响Figure 9 Influence of parameter β and γ on forwarding probability

4 结语

本文以基于区块链技术的社交网络中舆情传播模型为研究对象，在深入剖析区块链技术为社交网络所带来的新特性的基础上，构建基于区块链技术的社交网络中舆情传播模型.该模型以SIR传染病模型为基础，通过引入新的节点状态，并根据区块链社交网络所独有的激励机制对用户舆情信息传播产生的影响，重新定义了传播模型中各状态的转移概率，从而使本文模型能够真实反映区块链社交网络中舆情传播的规律.本文模型与现有舆情传播模型最大的区别在于，为了体现区块链社交网络中的激励机制引入了收益-风险矩阵，并通过演化博弈理论计算该矩阵的稳定策略，从而对模型中从知情状态转移到转发状态的转发概率进行了重新定义.本文对提出的舆情传播模型进行了实验仿真，并重点分析了收益-风险矩阵的稳定策略中的参数对于转发概率，以及转发概率对于整个区块链社交网络中舆情传播趋势的影响.仿真结果表明，区块链社交网络用户受激励机制驱动对舆情信息的传播热情普遍较高，区块链社交网络将使得优质资源凸显，失真舆情信息的传播将得以遏制.